利用人工智能驱动的组织互动来激发员工的绿色创造力：人力资源视角

《Acta Psychologica》：Leveraging AI-driven organizational interaction to foster employee green creativity: A human resource perspective

算法黑箱在结构化任务中通过满足员工自主性、能力感和归属感需求，激发和谐激情并促进主动学习；在非结构化任务中则抑制需求满足，导致强迫性激情并引发政治行为。研究构建了结构方程模型，验证了AI任务结构对算法黑箱影响的调节作用，揭示了情境因素在激情行为形成中的关键作用，为智能制造企业优化AI部署提供理论依据和实践启示。

　　在当今快速发展的科技背景下，人工智能（AI）正日益成为企业运营的重要组成部分。然而，AI的广泛应用也引发了一系列关于其透明度和员工行为反应的讨论。特别是，算法的“不透明性”（algorithmic opacity）逐渐成为一个备受关注的话题。所谓算法不透明性，是指AI系统在做出决策时，无法清晰地向用户解释其决策逻辑和依据，尤其是在缺乏专业背景的用户眼中。这种特性通常被视为一种阻碍因素，因为它可能削弱员工对AI决策的信任，引发关于公平性和责任归属的担忧，从而影响其工作效率和满意度。然而，近期的研究开始揭示算法不透明性也可能带来积极的影响，尤其是在某些特定的AI任务类型中。本研究旨在探讨算法不透明性在不同任务结构下的行为影响，并进一步验证其与员工激情类型之间的关系。

算法不透明性通常被认为是一种负面特征，但其潜在的正面影响并未得到充分研究。尽管有学者指出，算法不透明性可以提高效率，通过提供简洁的信息流来优化决策过程，但这些观点往往被忽视。因此，本研究通过结构方程模型（SEM）分析了421名在中国北方一家大型智能制造公司中与AI进行互动的全职员工的数据，探讨了算法不透明性如何在不同任务类型下引发员工的不同激情类型，并进而影响其行为表现。研究结果表明，当AI执行结构化任务时，算法不透明性能够激发员工的“和谐激情”（harmonious passion），这促使他们更积极地进行学习和提升自我能力；而当AI执行非结构化任务时，算法不透明性则可能引发“强迫性激情”（obsessive passion），从而导致员工采取更多的政治行为，如通过影响他人来争取自身利益。

本研究的理论框架基于自我决定理论（Self-Determination Theory, SDT）和双重激情模型（Dual Passion Model, DMP）。SDT认为，人类的基本心理需求——自主性、能力和归属感——是内在动机形成的关键因素。当这些需求得到满足时，个体能够更自主地将活动融入自己的身份认同中，形成和谐激情；而当这些需求受到阻碍时，个体可能经历“控制性内化”，从而发展出强迫性激情。DMP则区分了两种激情类型：和谐激情和强迫性激情，分别对应于个体对活动的自主认同和外部控制下的被迫参与。研究发现，算法不透明性在不同任务结构下对这两种激情的形成具有不同的影响，这进一步揭示了算法不透明性的复杂性。

在结构化任务中，AI通常负责执行那些目标明确、流程清晰、结果可预测的活动。这类任务往往涉及重复性和标准化的工作内容，AI的高效处理能力可以显著减少员工的认知负担，使他们能够专注于更有意义和创新性的任务。这种情况下，算法不透明性通过减少信息干扰，帮助员工更好地专注于自身职责，从而满足他们的自主性和能力需求，激发和谐激情。和谐激情促使员工主动学习，以提高自身的专业技能和适应未来工作环境的变化。这种行为不仅有助于员工个人成长，也能够提升整体的工作效率和组织绩效。

相反，在非结构化任务中，AI通常无法独立完成那些需要灵活性和创造力的任务。这些任务往往涉及未知的挑战和复杂的决策过程，需要员工结合自身专业知识对AI的输出进行补充和调整。然而，算法不透明性在此类任务中可能阻碍员工的判断和决策过程，使他们感到缺乏控制和自主权。这种情绪可能导致员工发展出强迫性激情，表现为对工作的过度依赖和防御性行为。强迫性激情促使员工采取政治行为，以获取更多的资源和支持，这种行为虽然可能带来短期利益，但长期来看可能损害组织的和谐与信任。

本研究通过实证分析，验证了算法不透明性对员工行为的双重影响。首先，研究发现，算法不透明性在结构化任务中与和谐激情呈正相关，而和谐激情又与主动学习行为密切相关。这表明，在结构化任务环境中，算法不透明性可能成为促进员工学习和成长的积极因素。其次，研究还发现，算法不透明性在非结构化任务中与强迫性激情呈正相关，而强迫性激情则与政治行为密切相关。这说明，在非结构化任务中，算法不透明性可能引发员工的防御性行为，以应对不确定性带来的压力。

此外，本研究还探讨了AI任务结构对算法不透明性影响的调节作用。当AI执行结构化任务时，算法不透明性对员工行为的积极影响更为显著；而在执行非结构化任务时，其负面影响则更加明显。这种调节效应强调了在考虑算法不透明性的影响时，必须结合具体任务类型和环境因素，而不能一概而论。因此，企业在引入AI技术时，需要根据具体任务的性质，灵活调整算法的透明度，以最大化其正面效应，同时减少可能的负面影响。

本研究的理论贡献在于，它不仅挑战了传统上认为算法不透明性是破坏性特征的观点，还通过引入SDT和DMP，为理解算法不透明性的行为影响提供了新的视角。此外，研究还揭示了算法不透明性在不同任务结构下的具体作用机制，这为企业在智能化转型过程中如何有效管理员工的激情和行为提供了实践指导。例如，企业在部署AI系统时，应优先考虑那些标准化程度高的任务，如焊接和喷涂等，以利用算法不透明性带来的效率提升。而在涉及复杂和创造性任务的环境中，企业则需要采取更加透明的算法设计，以避免员工因缺乏理解而产生不必要的压力和防御性行为。

在实际应用中，企业应当关注算法不透明性对员工行为的潜在影响，并通过优化AI任务结构来平衡其正面和负面影响。例如，对于结构化任务，企业可以采用算法不透明性来提升效率和员工的自主性；而对于非结构化任务，企业则需要增强算法的透明度，以减少员工的不信任和强迫性行为。此外，企业还应建立支持性的组织环境，通过增强员工的自主性和能力，减少算法不透明性可能带来的负面影响。

本研究的局限性在于，其样本仅来自一家汽车制造企业，因此其结论可能在其他行业或组织中存在一定的局限性。未来的研究可以扩展到更多行业，以验证算法不透明性在不同组织环境下的普遍适用性。此外，本研究仅探讨了和谐激情和强迫性激情对员工行为的影响，未来的研究可以进一步探索其他可能的行为后果，如员工在和谐激情下可能进行的工作重塑（job crafting），或在强迫性激情下可能采取的知识隐藏（knowledge hiding）行为。

综上所述，本研究为理解算法不透明性对员工行为的影响提供了新的视角，并强调了在不同任务结构下，算法不透明性可能带来的不同结果。通过结合SDT和DMP，研究不仅揭示了算法不透明性的复杂性，还为企业在智能化转型过程中如何有效管理AI技术的应用提供了实践指导。未来的研究应进一步探索算法不透明性在不同组织和行业中的影响，并关注其对员工长期行为和组织文化的影响。