《International Journal of Innovation Studies》：Innovative Adoption of AI-empowered Electronic Records and Information Management System in the Energy Sector
编辑推荐：
本研究整合了技术接受模型（TAM）、技术准备度与接受模型（TRAM）及认知评价理论（CAT），用以解释AI在电子记录与信息管理系统（ERIMS）中的采纳机制。研究针对阿联酋石油、天然气及核能企业的能源专业人士，测试了其对AI-ERIMS的准备度与采纳行为。结果
本研究整合了技术接受模型（TAM）、技术准备度与接受模型（TRAM）及认知评价理论（CAT），用以解释AI在电子记录与信息管理系统（ERIMS）中的采纳机制。研究针对阿联酋石油、天然气及核能企业的能源专业人士，测试了其对AI-ERIMS的准备度与采纳行为。结果表明，感知风险（Perceived Risk）与感知控制（Perceived Control）通过认知评价塑造了技术准备度；ERIMS文化与变革管理揭示了治理刚性对采纳的影响效应。偏最小二乘结构方程模型（PLS-SEM）验证了该模型的有效性，为AI-ERIMS的实施提供了实践洞见。
研究背景与问题
在当今组织环境中，人工智能（AI）正成为变革性技术，推动着电子记录与信息管理系统（Electronic Records and Information Management System, ERIMS）向智能化方向转型。AI能够通过机器学习（Machine Learning, ML）、自然语言处理（Natural Language Processing, NLP）、深度学习及光学字符识别（Optical Character Recognition, OCR）等技术，实现记录的自动分类、检索、保管处置和安全控制，从而减少流程时间、消除时间损耗并促进协作。然而，尽管AI潜力巨大，能源领域对AI-ERIMS的采纳率仍然极低。现有研究多将AI采纳视为个体层面的技术接受现象，依赖技术接受模型（Technology Acceptance Model, TAM）和技术准备度与接受模型（Technology Readiness and Acceptance Model, TRAM）等框架，却忽视了高度监管行业中知识治理实践、组织惯例调整以及风险规避文化对采纳行为的独特影响。特别是在阿联酋能源行业，AI市场预计到2031年将以约26.22%的年增长率达到近47.4亿美元，阿布扎比国家石油公司（ADNOC）已在超过30个AI系统中报告了5亿美元的价值创造，但这些投资主要集中在运营功能（如预测性维护和生产优化），而记录与信息管理领域获得的关注相对有限。同时，大型AI项目前期投入常超过5亿美元，区域油气企业中仅有约27%拥有内部AI工程或数据科学能力，且该行业一年内记录了超过1800次针对AI平台网络攻击——这些挑战在资源相对不足的记录与信息管理领域尤为突出。
为此，本研究旨在填补这一知识空白，将AI在ERIMS中的准备度和采纳定位为一种由AI赋能的组织与知识管理创新现象，而非单纯的技术接受现象。研究整合TAM、TRAM和认知评价理论（Cognitive Appraisal Theory, CAT），构建了一个多理论框架，以捕捉高度监管组织中个体如何通过评价驱动的心理过程和理性工具性的技术接受维度来接纳作为组织创新的AI。通过对阿联酋油气和核能组织的475名受访者进行实证检验，本研究为创新准备度和采纳提供了新的经验与理论见解。
研究方法
本研究采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）进行数据分析。研究对象为阿联酋阿布扎比酋长国非可再生能源领域（包括石油、天然气和核能企业）的能源从业者，具体包括高级管理人员与高管、信息技术（IT）专业人员以及ERIMS专业人员，均需具备5至10年的ERIMS及相关AI工具使用经验。研究采用非概率抽样技术，结合目的性抽样和滚雪球抽样，最终获得475份有效问卷。数据收集通过自填式在线问卷进行，量表改编自已发表的研究成果，采用5点李克特量表。伦理审批由阿布扎比大学机构审查委员会批准（编号CB–0000045，日期2024年1月29日）。
研究结果
测量模型评估：在因子载荷分析中，RC2、ATR1和ATA2三个题项因载荷低于可接受阈值而被删除。方差膨胀因子（VIF）值均低于3.3的阈值，表明不存在多重共线性问题。组合信度（Composite Reliability, CR）的rho_c值介于0.700至0.825之间，高于0.70的建议阈值，表明构念具有可靠性。平均方差提取量（Average Variance Extracted, AVE）值介于0.440至0.613之间，除AI技术采纳（ATA）外均超过0.50的阈值，但依据Fornell和Larcker（1981）的标准，当AVE低于0.50但CR大于0.60时，收敛效度仍可接受。
结构模型与假设检验：通过PLS-SEM的结构模型检验，研究发现：
- •
初始评价阶段（CAT第一阶段）：创新知识（Innovation Knowledge, IK）对感知有用性（Perceived Usefulness, PU）（H1a）和感知易用性（Perceived Ease of Use, PEOU）（H1b）均有显著正向影响；计算机自我效能感（Computer Self-efficacy, CS）对PU（H2a）和PEOU（H2b）均有显著正向影响；个人创新性（Personal Innovativeness, PI）对PU（H3a）和PEOU（H3b）均有显著正向影响；感知风险（Perceived Risk, PR）对PU（H4a）和PEOU（H4b）均有显著负向影响；感知控制（Perceived Control, PC）对PU（H5a）和PEOU（H5b）均有显著正向影响。
- •
资源评价阶段（CAT第二阶段）：PEOU对PU（H6）和AI技术准备度（AI Technology Readiness, ATR）（H7）均有显著正向影响；PU对ATR（H8）有显著正向影响。在调节效应方面，ERIMS文化（RC）对PU与ATR之间的关系（H9a）以及对PEOU与ATR之间的关系（H9b）均未表现出显著的调节作用，即ERIMS文化的调节效应不成立；变革管理（CM）对个人特质与PEOU之间的关系（H10a）以及对个人特质与PU之间的关系（H10b）也均未表现出显著的调节作用，即变革管理的调节效应不成立。
- •
再评价阶段（CAT第三阶段）：ATR对AI技术采纳（AI Technology Adoption, ATA）有显著正向影响（H15），即技术准备度越高，采纳意愿越强。
讨论与结论
本研究的讨论部分指出，研究结果证实了整合TAM、TRAM和CAT的理论框架在解释高度监管能源组织中AI-ERIMS采纳方面的有效性。初始评价阶段的五个前因变量（IK、CS、PI、PR、PC）均通过影响PU和PEOU间接作用于技术准备度，这与认知评价理论的核心逻辑一致：个体首先对情境进行威胁或挑战评估，进而形成对技术的感知判断。值得注意的是，ERIMS文化和变革管理的调节效应均未得到支持，研究人员将其归因于高度监管行业的“治理刚性”——在这些组织中，既有的合规文化和标准化流程可能抑制了灵活调整的空间，使得组织层面的文化和管理措施难以有效放大个体认知对准备度的正向影响。此外，PEOU对PU的正向影响以及PU和PEOU对ATR的正向影响均得到了验证，进一步确认了TAM核心路径在AI-ERIMS情境下的适用性。
研究结论翻译如下：本研究通过整合TAM、TRAM和CAT，构建并实证检验了一个适用于高度监管能源组织的AI-ERIMS采纳模型。研究证实，个体的创新知识、计算机自我效能感、个人创新性和感知控制是提升感知有用性和感知易用性的关键驱动因素，而感知风险则构成显著障碍。感知有用性和感知易用性进一步正向影响AI技术准备度，而技术准备度最终正向驱动AI技术采纳行为。然而，ERIMS文化和变革管理作为组织层面的调节变量并未发挥预期作用，这揭示了高度监管行业中组织刚性对创新扩散的约束效应。本研究为能源领域的AI创新采纳提供了理论贡献和实践启示，强调了在推进AI-ERIMS实施时需重点关注个体认知评价过程，并审慎对待组织文化与变革管理的实际效力。
