基于AI的创新：生成式AI如何赋能创造性工作

《Journal of Engineering and Technology Management》：AI‐Enabled Creativity: How Generative AI Affordances Shape Creative Work

　　摘要
生成型人工智能（GenAI）正在迅速重塑组织的工作流程，并在支持创造性工作方面展现出巨大潜力。然而，它在激发员工创造力方面的作用尚未得到充分理解。本研究基于技术可供性理论，将感知到的能力、沟通速度和自我学习能力视为GenAI的特征，并通过知识获取和信息支持这两种可供性实现的形式，探讨这些特征与员工创造力之间的关联。同时，本研究还将感知到的不透明度视为知识获取与创造力之间关系的边界条件。实证数据来自中国人工智能密集型行业中426对员工-主管的三分期、多来源数据集。研究结果表明，这些感知到的GenAI特征与知识获取和信息支持呈正相关，而这些因素又与员工创造力正相关。感知到的不透明度会削弱知识获取与创造力之间的正面关系。本研究通过区分员工对GenAI特征的认识与他们在实践中实际利用的可供性，并阐明这些认识如何影响创造性结果的过程，扩展了关于AI促进创造力的研究。此外，这些发现还为希望设计和实施能够更好地支持员工创造力的GenAI系统的组织提供了实践建议。

引言
随着数字技术的不断发展，长期以来认为创造力是人类专属能力的观点正受到越来越多的挑战。学者们开始更加关注AI如何在创造性过程中与人类互动。例如，Grilli和Pedota（2024）对AI如何在个体、团队和组织层面上影响创造力进行了多层次分析。在这种背景下，GenAI的出现为知识创造和问题解决带来了新的可能性。GenAI包含了从训练数据中学习模式并利用这些模式生成看似新颖且有意义的内容（如文本、图像和音频）的计算技术（Feuerriegel等人，2024）。随着越来越多的组织将GenAI整合到日常工作中，这些技术可能会改变知识和创造性工作的格局（Benbya等人，2024）。

在本研究中，员工创造力指的是在工作中产生新颖且有用的想法（Zhou和George，2001）。它与创新（即随后将这些想法转化为更好的流程、实践或产品）在概念上是不同的（Anderson等人，2014）。创造力的研究长期以来强调，个体创造力取决于员工获取、处理和重组相关知识和信息的能力。Amabile的分解理论将领域相关技能、与创造力相关的过程以及任务动机视为创造力的核心组成部分（Amabile，1996）。技术工具已成为支持创造力的重要外部资源，帮助个人完成信息获取、问题分析和想法生成等任务。随着技术能力的不断进化，AI系统已经能够模拟某些传统上被认为是由人类主导的认知和创造性任务。在商业环境中，像ChatGPT这样的GenAI在提高效率的同时，还支持人类的创造性思维和想法生成（Holmstr?m & Carroll，2025）。然而，尽管认识到这一潜力，但尚不清楚员工如何在日常工作中将GenAI转化为创造性的成果，这一转化过程仍然不够明确。

现有文献从多个角度探讨了AI对创造力的影响，形成了几个不同的研究方向。其中一个方向关注人类与AI在创造性任务中的合作。例如，Boers等人（2025）发现，使用ChatGPT的学生往往通过重复或改进ChatGPT生成的建议来产生新的想法。另一个方向研究AI在不同个体条件下如何增强员工的创造力。Jia等人（2024）发现，AI对不同技能水平员工的创造力影响不同，表明AI的帮助对所有员工的影响并不相同。还有一个方向探讨了在何种动机条件下使用AI能够促进员工的创新行为。例如，在服务领域，Kong等人（2024）发现，认为AI提供了自主性的员工更有可能参与探索性活动，从而提高他们的创新能力。尽管这些研究强调了AI促进创造力的潜力，但先前的研究也表明，其效果可能因合作模式和用户技能的不同而异（Chen & Chan，2024）。特别是，关于GenAI如何在其工作中实现特定功能和这些功能如何转化为与创造力相关的认知资源的过程仍不十分清楚。

技术可供性理论为探讨这一过程提供了依据。可供性源于技术能力与用户目标、能力和具体情境实践之间的关系（Leonardi，2011；Majchrzak等人，2013）。这些可能性通过可供性实现得以实现，即行为者采取行动以实现可供性的潜力（Strong等人，2014）。因此，这一视角将关注点从GenAI的技术功能本身转移到员工在其创造性工作中所感知和实际运用的可能性上。基于这一逻辑，本研究将感知到的能力、沟通速度和自我学习能力视为GenAI的特征。这三个特征涵盖了GenAI对知识工作提供的几个方面：它能够生成输出的质量、响应的及时性以及通过持续互动进行改进的能力。每个特征都已在先前的人机交互研究中得到探讨。感知到的能力是指个体对另一方技能、能力和效率的评估（Cheng等人，2022）。沟通速度指的是AI在信息交换中的响应速度（Pham等人，2024）。自我学习能力指的是AI系统通过互动和积累的经验不断改进自身性能的能力（Chen等人，2022）。知识获取和信息支持是GenAI特征在员工工作中得以实现的两种方式。信息支持是指AI系统为用户提供有用和相关信息的能力，而知识获取则指用户通过与AI系统的互动获得新见解或知识的程度（Jo & Park，2024）。这些过程将员工对GenAI的认识与与个体创造力相关的认知资源联系起来。

尽管与GenAI的互动可以让员工接触到新知识，但其创造性价值取决于员工评估和整合这些知识的能力。机器学习系统可能具有不透明性，因为用户可能不太了解特定输出是如何从输入生成的（Burrell，2016）。由于对AI决策背后的原理了解有限，用户可能对这些决策感到不确定（Liu，2021），这可能会使员工更难以将AI获取的知识融入创造性工作中，从而减弱知识获取对创造力的贡献。因此，本研究通过知识获取和信息支持探讨了感知到的GenAI特征与员工创造力之间的关联，并将感知到的不透明度视为知识获取与创造力之间关系的边界条件。

在此背景下，本研究做出了三项贡献。首先，它扩展了关于GenAI和员工创造力的研究。以往的研究主要集中在员工如何与GenAI在创造性任务中协作，或AI在何种条件下增强创造力。本研究通过探讨员工对GenAI提供的具体行动可能性的认识，帮助解释了为什么相同的GenAI工具在不同认知下的员工中会产生不同的创造性结果。其次，它通过开发并实证测试一个过程模型来发展技术可供性理论，该模型区分了感知到的GenAI特征、它们通过知识获取和信息支持的实现以及员工创造力这一最终结果。在此过程中，本研究指出了在GenAI背景下较少被实证研究的中间过程。第三，它通过揭示感知到的不透明度会削弱知识获取与创造力之间关系，将这一约束机制纳入基于可供性的GenAI使用解释中，并强调了透明度对于希望从GenAI获得创造成果的组织的重要性。

方法
本研究采用了一份结构化的问卷，分为两个部分。第一部分涵盖了参与者的基本信息，包括性别、年龄和教育水平。问卷还询问了参与者在工作场所使用GenAI的情况，包括使用频率、平均每日使用时间和主要用途。

测量模型分析
使用AMOS 27.0进行了验证性因子分析（CFA），以评估测量模型。模型拟合指数如下：CMIN/DF = 2.930（< 3.0），CFI = 0.932（> 0.90），NFI = 0.901（> 0.90），TLI = 0.917（> 0.90），RMSEA = 0.067（< 0.08）。所有值都符合公认的标准，表明模型拟合良好，支持进一步的假设检验（Bentler，1990）。

可靠性与有效性通过多个标准进行了评估。如表3所示，Cronbach’s alpha值...

主要发现
研究结果表明，在工作场所环境中，感知到的能力、沟通速度和自我学习能力与员工的知识获取和信息支持呈正相关。这一结果与将ChatGPT使用与信息支持和知识获取联系起来的研究结果一致（Jo和Park，2024）。知识获取和信息支持与员工创造力正相关，且两者都是连接这两者的重要中介因素。

局限性
本研究存在一些局限性，为未来的研究提供了方向。首先，尽管采用了三分期、多来源的设计以减少常见的方法偏差，但数据仍然是非实验性的，因此无法进行强有力的因果推断。未来的研究可以采用纵向或实验设计来更好地捕捉AI促进创造力的动态过程，并考察随时间变化的潜在因果机制。其次，虽然本研究...

结论
研究表明，GenAI通过扩展员工获取知识和信息的机会与员工创造力相关，而非替代人类的想象力。然而，这些好处并非来自技术本身，而是取决于员工如何感知和利用GenAI在其工作中提供的功能。当系统被认为不透明时，这种联系会减弱。通过澄清这些机制，本研究为深入理解GenAI的作用提供了帮助。

资助
本研究得到了“中央高校基本科研业务费”（项目编号：CUC26BS23）和中国国家自然科学基金（项目编号72172154）的支持。

作者贡献声明
Dingjing Zhong：写作——审阅与编辑、原始稿撰写、可视化、软件开发、调查、数据分析、数据整理；
Sunny Li Sun：写作——审阅与编辑、验证、监督、资源协调、资金获取、概念构建；
Feng Wu：写作——审阅与编辑、监督、项目管理、概念构建。

利益冲突声明
作者未报告任何潜在的利益冲突。

Dingjing Zhong | Sunny Li Sun | Feng Wu