人工智能意识如何提升员工的创新表现？

《Acta Tropica》：How does AI awareness enhance the innovative performance of employees?

人工智能意识通过技术认知放大和协同催化双重路径影响员工创新绩效，验证了技术杠杆效应。研究基于TOE框架，揭示领导创新绩效正向驱动员工创新动机（β=0.464），后者通过创造力（β=0.654）和数字创新（β=0.618）间接影响员工创新绩效，其中数字创新贡献度达65.9%。AI意识显著正向调节创造力与EIP（β=0.118）、数字创新与EIP（β=0.205）关系，构建动态认知-技术协同模型。

　　在数字化转型的大背景下，理解人工智能（AI）意识如何促进员工创新绩效（EIP）已成为一个关键课题。这项研究基于技术-组织-环境（TOE）框架，通过结构方程模型和分层回归分析，深入探讨了AI意识与员工创新绩效之间的机制。研究对象是山东省的16家五星级酒店，共发放了450份问卷，收回有效问卷408份。研究结果表明，领导的创新绩效显著提升了员工的创新动机，但其对EIP的直接影响并不显著，而是通过创造力和数字创新间接实现。数字创新在总效应中占比高达65.9%，验证了“技术杠杆效应”的存在，即系统性的数字创新比个体创造力更能产生可扩展的成果。此外，AI意识在创造力路径和数字创新路径中分别发挥着“技术认知放大器”和“技术协同催化剂”的作用。通过将AI意识整合进TOE框架，本研究提出了一种动态的“认知-技术协同”模型，并提出了“战略锚定、技术包容性与认知分层”的AI赋能策略。这些发现为数字经济发展中的技术认知资本概念提供了实证支持。

在数字化经济迅速发展的今天，人工智能技术已经深入各个行业，成为提升组织效率和竞争力的重要工具。根据Statista（2023）的数据，全球酒店业的AI市场预计将在2030年达到45.8亿美元，相比2023年的12.3亿美元，年复合增长率高达20.7%。国际酒店协会（IHA）2023年的报告指出，全球82%的酒店连锁已经采用至少一种AI驱动的解决方案，如智能客户服务和动态定价。在亚太地区，这一比例甚至达到了89%。此外，中国文化和旅游部发布的《2023年智慧旅游发展报告》强调，AI驱动的客户服务系统显著提升了投诉处理效率50%，并降低了人力服务成本35%。而欧洲酒店可持续发展联盟（EHSCA）的数据显示，采用AI能源管理系统酒店平均节省了20%至30%的能源，碳排放减少了15%。这些数据表明，AI不仅是技术工具，更是推动组织创新和转型的战略资产，特别是在酒店业这一高度依赖人工服务的领域。

作为服务行业的代表，酒店业正日益依赖创新驱动和数字技术来提高运营效率、优化客户体验并增强市场竞争力。AI技术如智能客服系统、动态定价算法和个性化推荐系统已经成为提升服务效率和差异化竞争的关键驱动力。然而，AI在酒店业中的潜力不仅取决于技术本身的进步，还与酒店管理者和员工对AI的认知密切相关。AI意识不仅塑造了员工对新技术的态度，还直接影响了组织的创新氛围和文化。高AI意识的员工更能够适应和利用AI技术，从而提升技术接受度和学习意愿，增强组织的创新能力。相反，缺乏AI意识可能导致员工对技术的抵触情绪，阻碍AI在推动创新方面的潜力。随着AI应用的广泛普及，越来越多的管理研究开始关注AI意识在组织转型和创新管理中的作用。尽管已有研究表明AI技术可以提升组织绩效，但目前对AI意识如何影响员工创新动机和整体EIP的机制仍缺乏深入理解。

因此，开展一项关于AI意识对EIP影响的定量研究具有重要的理论和实践意义。从理论上讲，这项研究填补了现有研究的空白，深化了我们对技术采纳与创新管理之间关系的认识。从实践上来看，研究结果提供了实证数据，支持管理层的决策，帮助企业在提升员工AI意识的同时增强其创新能力和市场竞争力。在此背景下，研究AI意识对创新动机、创造力和数字创新的影响显得尤为必要。

本研究在理论上具有三个创新点。首先，它将AI意识引入作为认知-技术的调节变量，拓展了传统领导驱动创新的心理模型至数字领域。其次，它提出了“技术杠杆效应”的概念，表明数字创新在中介作用中比创造力更显著，从而丰富了TOE框架中的技术杠杆维度。第三，通过聚焦于中国五星级酒店行业这一高度人机互动的环境，研究将领导创新置于服务数字化的现实背景中，为技术密集型环境下的员工创新绩效提供了新的视角和见解。

在理论基础与假设发展方面，研究首先回顾了TOE框架。TOE框架提供了一个全面的视角，用于解释企业如何采纳和扩散技术创新。传统研究将技术因素描述为可用性、复杂性和兼容性。然而，在AI高度渗透的环境中，外部属性已不足以解释个体如何内化技术。因此，研究引入AI意识作为更高层次的数字意识，即员工识别、理解和应用AI的能力。AI意识作为认知-技术因素，连接了技术基础设施与人类认知，影响数字工具如何转化为创新成果。相比之下，数字创新则是这一认知-技术协同的外在体现，即系统性应用数字技术以产生新产品、新流程或新服务。

在组织因素方面，研究关注了内部资源和环境如何促进技术使用。其中，领导的创新绩效和创新动机是核心推动因素，能够激发员工的创造力，最终影响EIP。创新型领导能够营造一个鼓励创新的氛围和心理安全环境，而员工的创新动机则激活了实施创意和数字项目的动力。在环境因素方面，尽管本研究主要测试微观机制，但环境维度隐含在实证背景中——即中国五星级酒店的数字化转型。这一背景带来了快速的技术扩散、激烈的数字化竞争压力和客户对智能服务的高期待，推动组织向AI驱动的解决方案发展，并加速数字创新在服务流程中的整合。因此，环境为技术认知（AI意识）和组织响应提供了基础，即使没有明确估计为路径变量。

本研究提出了一种新的认知-技术-组织-环境交互模型，其中领导和动机在组织内部运作，AI意识锚定了技术维度的认知深度，而数字化的酒店环境则决定了这些力量如何转化为员工创新绩效。

关于领导创新绩效（LIP），研究表明，领导的创新能力和成就在推动组织创新、激发员工创造力以及实现创新成果方面发挥着重要作用。文献指出，领导的创新绩效显著影响组织的创新氛围和员工的创新动机。Ye等人（2022）指出，创新型领导通过鼓励风险承担、容忍失败和支持新思想，能够有效激发团队创造力。Yating等人（2024）发现，具有高创新绩效的领导者不仅能够营造开放的沟通环境，还能通过示范效应增强员工的创新信心和执行力。近年来的研究进一步强调，LIP在数字化转型背景下尤为重要，因为它直接影响组织采用和应用新兴技术（如AI和数字创新）的能力，从而在快速变化的市场中保持竞争优势。此外，领导的创新绩效可以激励员工认识到创新的价值，从而激发其主动性和创造力。因此，LIP被视为组织整体创新能力的关键驱动力。

在创新动机方面，研究表明，创新动机是推动个体或组织积极探索、生成和实施新思想和创新成果的内在驱动力。创新动机被认为是创新行为的起点和核心动力。Fischer等人（2019）在其关于创造力和创新的研究中强调，创新动机是创造力的重要前提。高水平的创新动机促使个体挑战现有规范，突破传统思维，探索新的想法和创新解决方案。因此，创新动机驱动个体和团队生成更多创新想法，显著提升组织的创新能力。随着数字化转型的加速，创新动机在推动数字创新中的作用也受到越来越多的关注。Rodrigo等人（2022）指出，创新动机促使员工积极学习和应用数字工具和技术，从而加速组织的数字创新过程。具体而言，具有强烈创新动机的员工更愿意接受和使用新技术，探索数字驱动的创新机会，最终提升组织的数字创新能力。例如，Bresciani等人（2021）指出，在数据驱动的时代，创新动机促使组织将新兴数字技术转化为实际的创新成果。

此外，创新动机直接促进EIP的提升。研究显示，当员工表现出强烈的创新动机时，他们更愿意投入时间和精力进行创新项目的实验、迭代和优化，从而产生更显著的创新成果。Xu等人（2022）提出，创新动机是实现高EIP的基础，因为只有具备强烈创新动机的个体或团队才能显著提升创新成果。Jiang等人（2023）在其关于创新过程的研究中指出，创新动机有助于营造积极的创新氛围，帮助员工形成目标导向的思维模式，最终推动创新项目的成功实施。

关于创造力，研究指出，创造力是指个体或团队在面对问题或任务时，能够生成新颖且有价值的想法的能力，是创新过程中的关键阶段。Kabangire和Korir（2023）指出，创造力是创新的起点，因为只有通过创造力，创新想法才能转化为实际成果。研究还表明，创造力对EIP有显著影响，特别是通过帮助组织开发独特的产品、流程或服务来增强市场竞争力。Huang等人（2022）提出，创造力不仅影响创新成果的数量，还影响其质量，从而增加组织实现创新目标的可能性。

关于数字创新，研究指出，数字创新是指利用数字技术开发新产品、服务或流程以创造价值的过程。Yoo等人（2010）指出，数字创新是维护竞争优势的核心机制，其成功依赖于技术应用与创新思维的整合。研究还表明，数字创新显著提升EIP，特别是通过优化资源分配、提高运营效率和增强市场适应能力。Ciarli等人（2021）强调，数字创新不仅仅是技术能力的展示，还需要创造力作为基础。只有通过创造性地探索和利用数字技术，组织才能将其转化为具体的创新成果。

关于员工创新绩效（EIP），研究指出，员工创新绩效是指员工在其工作职责范围内产生、推广和实施新想法的程度，从而促进组织的创新和竞争力。它反映了员工创新活动的行为和结果维度，包括创意生成、创意推广和创意实现。在酒店业的背景下，EIP表现为设计创意服务流程、应用数字工具以提高效率以及实施新的客户体验策略。已有研究表明，EIP是衡量组织创新能力的关键指标，也是其长期可持续性的决定因素。Xu等人（2024）发现，员工的创造力和技术适应能力共同提升了其创新成果，特别是在技术密集的服务环境中。此外，创造力作为创新绩效的基础，使员工能够生成独特且有价值的想法，而数字创新则将这些想法转化为实际应用，从而提高效率和服务质量。因此，EIP是创造力和数字创新行为的协同结果，受到内在动机的驱动，并得到领导者创新绩效的支持。

关于中介作用，研究指出，创新动机是激发创造力的关键因素。员工在高创新动机下更倾向于探索新方法并挑战传统思维，从而生成新颖且有价值的想法。一旦这些想法进一步发展和实施，将显著提升EIP。例如，在支持和鼓励创新的环境中，员工的创新动机不仅提升其创造力，还促使他们积极参与创新项目，最终提高创新成果的质量并增强组织的总体EIP。同时，创新动机也通过数字创新影响EIP。在数字化转型的背景下，Yoo等人（2010）指出，创新动机促使员工积极学习和采用新兴的数字技术，将技术潜力转化为创新成果。具体而言，具有高创新动机的员工更可能探索各种数字技术的应用，从而推动产品、服务和流程的创新。Xu等人（2022）进一步指出，数字创新不仅提升内部运营效率，还增强组织应对快速变化市场的能力，从而直接促进EIP的提升。在这个过程中，数字创新充当了创新动机转化为实际创新成果的桥梁。

关于AI意识的调节作用，研究指出，AI意识是指组织或个体对人工智能技术的潜在价值和应用的理解、感知和识别。作为一种重要的认知因素，AI意识深刻影响组织的创新行为和绩效。AI意识不仅决定了组织采用AI技术的意愿，还影响其创新活动和决策方式。研究指出，AI意识能够增强技术与创新的整合，使组织实现更高质量的创新成果和更好的EIP。当组织表现出高水平的AI意识时，员工的创造力更容易与AI技术结合，从而产生更具创造性和商业价值的创新成果。例如，AI技术可以提供灵感、数据分析和问题解决工具，从而加速创意转化为实际成果的过程。相反，低AI意识可能导致组织忽视AI在促进创意向创新转化中的潜力，从而削弱创意对EIP的影响。Gama和Magistretti（2025）指出，高AI意识使组织更有效地理解和利用AI技术，从而放大数字技术在创新过程中的作用。例如，整合AI与数字工具的组织可以增强其在数据挖掘、市场分析和产品优化方面的能力，从而显著提升数字创新对EIP的贡献。相反，缺乏AI意识的组织可能无法充分利用数字创新的潜力，导致创新转化的低效。

综上所述，AI意识不仅是影响组织创新行为的重要认知因素，还在创意和数字创新影响EIP的路径中发挥调节作用。通过促进AI技术的有效整合，AI意识为组织实现更高水平的EIP提供了理论支持和实践指导。

在研究设计方面，本研究选择山东省五星级酒店的员工作为研究对象，主要原因在于这些酒店作为高端服务业的代表，需要员工不断创新服务模式并提高工作效率，以应对日益复杂的市场需求。此外，山东省作为重要的经济中心，拥有众多具有代表性的五星级酒店，为研究提供了丰富而多样化的样本。因此，研究山东省五星级酒店员工，有助于更全面地探讨影响组织创新动机和EIP的机制及其实际应用。研究结果为服务行业的创新管理提供了实证依据和管理见解。

本研究采用了一种基于自我报告的7点李克特量表问卷，包含两个主要部分。第一部分用于测量各项研究变量，包括领导创新绩效（LIP）采用Zhou（2003）的量表，创新动机（IM）采用Tierney等人（1999）的量表，创造力（Cr）基于Farmer等人（2003）的研究，数字创新（DI）采用Mancha和Shankaranarayanan（2021）的研究，员工创新绩效（EIP）依据Nambisan等人（2017）的研究，AI意识（AW）采用Brougham和Haar（2018）的量表。第二部分收集了人口统计信息，包括性别、年龄、职业和收入水平。

在数据收集过程中，首先从山东省16个地级市中各选择一家五星级酒店作为研究地点，共16家酒店。随后，研究团队与这些酒店的人力资源部门合作，获得其支持并获取员工的联系方式。调查采用线上和线下相结合的方式进行，线上问卷通过微信或电子邮件在问卷星（Wenjuanxing）平台上发布，线下问卷则由研究团队亲自分发和回收。数据收集遵循自愿参与和匿名原则，以确保员工隐私和数据的真实性。共发放了450份问卷，收集到408份有效问卷。

在数据收集过程中，样本分布如下：男性员工212人（51.96%），女性员工196人（48.04%）。年龄分布为：18-30岁（90人，22.06%），34-40岁（155人，37.99%），41-50岁（114人，27.94%），51-60岁（41人，10.05%），61岁以上（2人，0.49%）。在职业分布上，25%的受访者是企业高管，35.05%是业务人员，14.95%是政府雇员，12.01%是自雇人员，12.99%属于其他职业类别。在收入水平方面，0.49%的受访者月收入低于3000元，1.96%的受访者月收入在3001-5000元之间，8.82%的受访者月收入在5001-8000元之间，27.70%的受访者月收入在8001-12000元之间，32.84%的受访者月收入在12001-15000元之间，18.14%的受访者月收入在15001-20000元之间，10.05%的受访者月收入超过20001元。

在数据处理过程中，本研究使用SPSS 24.0进行数据质量评估。结果显示，数据集没有缺失值，且数据的单变量正态性符合标准（绝对峰度<7，绝对偏度<3）。每个项目的修正项目总相关性（CITC）均超过0.5，所有变量的信度系数在0.845至0.915之间，超过了推荐的0.7标准。这些结果表明，数据质量良好，为后续分析奠定了坚实基础。详细结果见表1。

在模型分析方面，本研究采用结构方程模型（SEM）和分层回归分析进行假设检验。通过结构方程模型，研究结果表明，整体模型拟合良好，满足推荐的统计标准。路径系数分析显示，六个假设路径中有五个在统计上显著（β=0.129-0.654，p<0.01）。其中，H2：“创新动机→创造力”显示出最强的路径系数（β=0.654，p<0.001），其次是H3：“创新动机→数字创新”（β=0.618，p<0.001）。其他显著的路径包括H6：“数字创新→EIP”（β=0.613，p<0.001），H1：“领导创新绩效→创新动机”（β=0.464，p<0.001），以及H5：“创造力→EIP”（β=0.129，p<0.005）。唯一未被实证支持的假设是H4：“创新动机→EIP”（β=0.112，p=0.124）。详细结果见表3。

在讨论部分，本研究通过整合TOE框架与创新管理理论，系统揭示了AI意识如何影响EIP。研究结果不仅验证了领导创新绩效、创新动机、创造力和数字创新之间的多层驱动关系，还深入探讨了AI意识在其中的调节作用，为数字化转型背景下的创新管理提供了理论支持和实践启示。

研究确认了领导创新绩效（LIP）对创新动机的显著正向影响，这一发现与Yating等人（2024）的研究一致。这表明，以创新为导向的领导通过营造开放的氛围和示范行为，可以有效激发员工的创新动机。然而，创新动机对EIP的直接影响（H4）并未达到统计显著性，这与Bhatti等人（2021）的预期有所不同。可能的原因在于现代技术驱动且高度协作的组织中，创新动机本身可能不足以直接转化为绩效，除非通过具体的创造力或技术能力进行中介。因此，创新动机可能更多地作为“触发因素”，其效果主要通过创造力或数字创新实现，从而丰富了我们对其边界条件的理解。

尽管创造力和数字创新的中介路径在统计上均显著，但它们在机制和贡献上存在根本差异。数字创新的中介效应更强（β=0.379，占总效应的65.9%），表明在数字化转型背景下，创新动机主要通过系统性的技术应用（如流程再造、数据驱动决策）转化为绩效，而非通过个体创造力的偶然突破。这一发现支持了Ciarli等人（2021）提出的“技术杠杆效应”概念，即在数字生态系统中，数字创新的系统整合能力（如数据中间件、API生态系统）可以放大个体创新动机，使其产生组织层面的可扩展成果，而创造力则倾向于依赖非结构化的资源（如灵感、试错）进行偶然的突破。此外，研究发现创造力能够正向促进数字创新（β=0.416），形成“创造力驱动、技术整合”的链条机制，从而建立了突破创新与渐进优化之间的理论桥梁。

最后，研究构建了一个分层的“认知-技术协同”理论模型，为调节效应提供了动态视角。以往研究通常将调节变量视为单一维度的“增强者”或“缓冲器”，而本研究则区分了AI意识在创造力和数字创新路径中的调节效应，并构建了一个动态的“认知-技术协同”模型。首先，AI意识通过增强员工对AI工具功能边界（如自然语言处理、生成式AI）的理解，将抽象的创意转化为可执行的技术方案。例如，具有高AI意识的员工能够迅速利用AI驱动的图像生成工具来可视化服务场景，而AI意识较低的员工可能仅停留在创意构思阶段。其次，AI意识作为“技术协同催化剂”，促使组织从孤立的技术应用（如独立的智能客服系统）转向系统性的数字生态系统（如客户数据湖、AI预测模型和供应链系统的整合）。这一过程符合Helfat和Martin（2015）关于动态能力理论中的“资源协调”逻辑，即高AI意识的个体能够更有效地识别技术模块之间的协同节点，实现超出各部分之和的创新价值。这一模型超越了调节效应的静态视角，揭示了技术认知如何通过微观-宏观的联动关系推动组织创新能力的质变，从而为技术管理领域提供了一个新颖的分析框架。

在实践启示方面，研究提出了几点建议。首先，在AI驱动的组织创新背景下，领导层应将AI意识的培养纳入企业的长期创新战略，以提升员工对AI技术的认知和应用信心。为此，企业应设立定期的AI培训项目，涵盖基础理论、应用场景和AI领域的新趋势，确保员工掌握AI的技术轨迹。此外，企业可以通过案例学习的方式，邀请行业专家或内部技术团队分享AI在业务优化中的最佳实践，如AI如何提升客户体验、优化运营流程和改善收入管理，使员工更直观地理解AI的实际价值。企业还可以实施“技术沙盒模拟”项目，展示AI在不同业务场景中的应用，如AI驱动的客户服务系统处理故障，或智能调度平台的优化策略。这些互动体验有助于员工深入理解AI功能，并逐步建立其在工作环境中的应用能力和信心。

其次，鉴于数字创新在组织转型中的主导中介作用，企业应优先投资于数字平台基础设施，以降低员工在日常运营中使用AI工具的门槛，并提升整体运营效率。一种可行的方法是开发低代码平台，使非技术人员能够通过可视化界面快速构建业务应用，从而减少对IT部门的依赖。此外，企业应推动跨部门数据资源的整合，以促进部门间的数据共享和智能分析。这将加强AI在市场预测、客户关系管理和资源分配等关键职能中的作用。为了确保这种技术赋能的可持续性和有效性，企业还应建立AI应用的反馈机制，使员工能够及时分享改进建议，从而推动数字平台的持续优化。

最后，考虑到员工在AI意识方面的差异，企业应实施差异化的激励机制，以最大化员工在AI驱动创新中的参与度。对于具有高AI意识的员工，企业应赋予其更多的技术决策自主权，如参与AI项目的规划、算法优化和业务流程重构，使他们获得实际操作经验，进一步提升其应用AI的能力。同时，企业可以设立“AI创新先锋”奖项，以表彰和奖励在AI实施方面表现突出的员工，从而鼓励他们持续探索AI的潜力。对于AI意识较低的员工，企业应实施针对性的支持机制，如“AI导师计划”，将他们与经验丰富的同事或外部专家配对，进行一对一指导。这有助于消除AI核心概念的神秘感，并通过实践学习增强其信心。此外，企业可以采用分阶段的目标导向评估体系，引导这些员工从基础的AI工具使用（如操作智能客服界面、解读数据可视化仪表盘）开始，逐步发展出一套完整的AI相关能力。通过实施这种差异化的、包容性的激励策略，企业能够充分调动不同AI意识水平员工的积极性，确保AI技术在组织中的有效部署。

本研究还指出了其局限性，并提出了未来研究的方向。首先，本研究的数据仅来自山东省的五星级酒店，这可能限制了研究结果的普适性和外部效度。未来研究应考虑扩展至更多样化的组织环境，如制造业企业或高科技公司，以测试该模型在不同行业和领域的适用性。其次，本研究采用的是横截面研究设计，这限制了对AI意识与EIP之间动态关系的捕捉。未来研究可以采用纵向或面板数据设计，以探索这种关系的长期影响和因果路径，从而丰富AI相关组织转型的时间维度理解。第三，本研究未直接考虑外部技术压力，如行业层面的AI渗透率，这可能是一个重要的环境因素，影响创新成果。未来研究可以引入这些环境变量，以完善TOE框架，使研究能够更全面地探讨技术、组织和环境维度如何共同塑造数字创新和绩效。