人工智能（AI）采用与组织效率：组织学习能力的中介作用与数字素养的调节作用——基于加纳银行业的实证研究

《Frontiers in Artificial Intelligence》：Artificial intelligence adoption and organizational efficiency: the mediating role of organizational learning capability and moderating role of digital literacy

　　

引言：由于全球对数字化转型、持续运营效率以及人工智能（Artificial Intelligence, AI）技术快速发展的需求，战略与组织解决方案正变得不可或缺。本研究考察人工智能采用（AI adoption）对组织效率（organizational efficiency）的影响，其中数字素养（digital literacy）作为边界条件（boundary condition），组织学习能力（organizational learning capability, OLC）作为中介变量（mediator）。方法：研究采用定量横断面调查设计（quantitative cross-sectional survey design）。采用多阶段抽样技术（multistage sampling technique）从加纳银行业员工中收集数据。利用从银行388名员工收集的数据，采用结构方程模型（structural equation modeling, SEM）进行实证研究。评估了直接与间接关系。结果：研究发现，人工智能采用水平对组织效率和组织学习能力均具有显著且正向的影响。结果进一步表明，组织学习能力对组织效率具有显著且正向影响，并部分中介人工智能采用与组织效率之间的关系。此外，结果表明，数字素养调节人工智能采用与组织效率之间的关系，以及组织学习能力与组织效率之间的关系。结论：本研究提出了一个新颖的理论框架，将新兴经济体银行业中人工智能采用、组织学习能力、数字素养与组织效率之间此前被忽视的联系连接起来。通过将这些构念整合到一个统一模型中，研究阐明了AI采用转化为组织效率的机制和边界条件，从而在新兴市场情境下拓展了资源基础观（Resource-Based View, RBV）。

论文解读

近年来，全球数字化转型、持续运营效率需求和人工智能（Artificial Intelligence, AI）技术快速演进，使战略和组织层面的解决方案成为必需。银行业中，AI被用于改善决策、客户服务、欺诈检测和运营效率，但AI收益并非均匀分布，受技能缺口、基础设施限制和组织能力等影响。现有研究多集中于技术先进经济体，且多关注消费者采用AI驱动银行服务、金融科技和数字化演进，较少考察AI如何通过组织能力提升内部组织效率。非洲银行业，尤其加纳，相关实证证据不足。已有文献对AI影响组织绩效的机制和边界条件解释不足。因此，研究人员基于资源基础观（Resource-Based View, RBV；认为有价值、稀缺、难以模仿和不可替代资源带来持续竞争优势的理论），引入组织学习能力（organizational learning capability, OLC；组织获取、共享和应用知识的能力）作为中介变量，数字素养（digital literacy, DL；有效使用数字工具所需技能、理解与倾向）作为调节变量，考察人工智能采用（artificial intelligence adoption, AIAD）对组织效率（organizational efficiency, OREFF；以较少资源提供高质量服务与成果的能力）的影响。研究问题包括AIAD与OREFF关系、OLC的中介作用以及DL对AIAD–OREFF和OLC–OREFF关系的调节作用。研究旨在说明AI采用是否及如何提升组织效率，并为新兴市场提供证据。

研究人员采用定量横断面调查，多阶段抽样，从加纳银行业员工收集数据。向商业银行员工发放500份问卷，回收393份，剔除5份，最终使用388份有效问卷。数据分析采用偏最小二乘结构方程模型（partial least squares structural equation modeling, PLS-SEM），评估直接和间接关系。结果显示，AIAD显著正向影响OREFF和OLC；OLC显著正向影响OREFF并部分中介AIAD与OREFF关系；DL调节AIAD–OREFF及OLC–OREFF关系。研究提出新理论框架，将AIAD、OLC、DL与OREFF整合，阐明AI转化为效率的机制和边界条件，并在新兴市场情境下拓展RBV。实践上，银行应将AI融入核心运营，同时强化学习机制和员工数字技能；政策和管理者应协调技术、组织学习和数字技能投资。

关键技术方法包括：定量横断面调查设计；多阶段抽样；样本队列来源为加纳23家商业银行员工，最终388份有效问卷；采用计算机辅助网络访谈（Computer-Assisted Web Interviewing, CAWI）收集数据；所有构念采用五级Likert量表，量表改编自Cheng等、Atiyyah与S?zbilir、Jerez-Gomez等及Ng等。分析使用SPSS 23和SmartPLS 4.0.1.8，采用PLS-SEM两阶段法处理高阶构念（higher-order construct, HOC）；测量模型评估Cronbach’s α、组合信度（composite reliability, CR）、平均方差提取量（average variance extracted, AVE）和异质-单质比率（heterotrait–monotrait ratio, HTMT）；结构模型评估方差膨胀因子（variance inflation factor, VIF）、效应量（f²）、决定系数（R²）、预测相关性（Q²_predict）及5000次Bootstrap重抽样。

研究结果

4.1 测量模型与初步结果：通过PLS-SEM评估，饱和模型SRMR=0.056、NFI=0.900，表明模型拟合良好。

4.1.1 信度与效度分析：低阶和高阶构念的外载荷、Cronbach’s α、CR和AVE均达到要求；内容效度经专家评估；高阶构念的低阶维度载荷显著。

4.1.2 区分效度：高阶构念HTMT值为0.414–0.500，低于0.85，区分效度成立。

4.2 结构模型：研究人员评估共同方法偏误、共线性、f²、R²和Q²_predict。

4.2.1 共同方法偏误：Harman单因子解释36.363%方差，低于50%；VIF为1.000–1.339，低于3.3，无严重共同方法偏误或共线性。

4.2.2 效应量：AIAD→OLC的f²=0.233，为中等效应；AIAD→OREFF为0.076，DL→OREFF为0.108，OLC→OREFF为0.088，交互项为0.065和0.091，均为小效应。

4.2.3 预测相关性：Q²_predict对OLC为0.184，对OREFF为0.345；OLC的RMSE和MAE分别为0.907和0.757，OREFF分别为0.813和0.654。

4.2.4 解释力：模型解释OLC方差18.9%（R²=0.189），解释OREFF方差46.7%（R²=0.467）。

4.3 假设检验：采用5000次Bootstrap和95%置信区间。

4.3.1 直接效应：H₁ AIAD→OREFF（β=0.233，t=5.030，p<0.001）、H₂ AIAD→OLC（β=0.435，t=10.516，p<0.001）、H₃ OLC→OREFF（β=0.247，t=5.659，p<0.001）均获支持；DL→OREFF主效应显著（β=0.267，t=5.968，p<0.001）。

4.3.2 中介效应：H₄ AIAD→OLC→OREFF间接效应显著（β=0.107，t=4.990，p<0.001），直接效应仍显著，故为部分中介，VAF约为31.5%。

4.3.3 调节效应：H₅ DL×AIAD→OREFF显著（β=0.215，t=4.875，p<0.001），H₆ DL×OLC→OREFF显著（β=0.247，t=6.051，p<0.001）；高DL增强AIAD和OLC对OREFF的正向关系。六个假设均获支持。

讨论部分总结：研究发现AIAD正向关联OREFF和OLC，OLC正向关联OREFF并部分中介AIAD–OREFF，DL调节并强化AIAD–OREFF和OLC–OREFF。讨论认为，AI作为战略资源需与组织学习能力和数字素养等互补能力结合，符合RBV。理论启示包括：AI采用本身不足以提升效率，需与OLC和DL整合；实证确认OLC是关键机制；DL是重要边界条件；提供加纳银行业新兴市场证据，拓展RBV情境适用性。实践启示建议银行将AI嵌入客户服务、欺诈检测、信用评估和决策支持，强化知识获取、共享和持续学习，投资员工数字技能；政策制定者和组织领导者应统筹AI技术、组织学习和数字技能。局限包括最终阶段便利抽样、横断面设计、自报数据；未来应采用概率抽样、纵向或面板设计、多来源数据，并纳入组织文化、领导力、AI治理、创新能力等因素，在不同行业和新兴经济体验证。

研究结论翻译：本研究考察了加纳银行业中人工智能（AI）采用与组织效率之间的关系，重点关注组织学习能力的中介影响和数字素养的调节效应。结果表明，AI实施与组织效率改善直接相关，并通过组织学习能力间接相关；数字素养增强了AI采用和组织学习能力对组织效率的有益影响。这些结果强调，AI的组织价值不仅依赖于技术投资，还依赖于补充性组织能力和员工数字技能。通过将这些构念整合到统一框架中，研究增强了资源基础观，并提供了来自新兴国家情境的实证证据。尽管研究聚焦于加纳银行业，结果可为其他寻求AI驱动数字化转型的新兴国家组织提供有价值的视角。未来研究应采用纵向设计和不同情境中的额外组织因素验证所提出的框架。