引言
生成式AI的快速普及正在重塑知识型工作，因为它不再局限于传统IT系统中的确定性自动化，而是具备生成逻辑，能够参与内容、想法和解决方案的创建与优化（Leonardi, 2011）。与以往用于分类或检索的分析型AI不同，由大型语言模型驱动的生成式AI能够产生基于上下文的结果，并支持迭代式的对话式交互（Dwivedi et al., 2023, Grewal et al., 2025）。因此，员工与生成式AI的互动并非仅仅将其视为被动工具，而是一个通过持续提示、评估和修改来形成结果的交互系统。然而，不同员工在使用生成式AI时的体验并不一致。有些员工表示，生成式AI帮助他们重新构思想法，加速创意探索（Zhang et al., 2026），而另一些员工则面临创意依赖或受算法限制等问题（Li et al., 2024, Logg et al., 2019）。这些不同的结果给企业提出了一个重要问题：在何种条件下，生成式AI能提升员工创新能力？又在何种情况下会阻碍创新绩效？在本研究中，员工创新绩效指的是员工在组织环境中产生新颖且有用的想法，并将其成功转化为具有实际价值的应用成果的一系列行为和结果（Amabile, 1988, Anderson et al., 2014, Yuan and Woodman, 2010）。它既包括创意想法的生成，也包括这些想法后续的推广与实践应用。
这些差异可能部分源于生成式AI功能在日常工作中的不同实现方式。早期的办公技术主要侧重于在预定义的工作流程中支持沟通、协调和信息获取，或者通过检索功能提供信息（Anderson et al., 2014, Majchrzak et al., 2013）。相比之下，生成式AI能够产生基于上下文的、由模型生成的内容，用户可以通过提示、评估和修改不断对其进行调整，因此它更像是一个交互式的生成系统，而非只能提供固定输出的工具（Berente et al., 2021, Dwivedi et al., 2023）。这种生成模式还改变了人们对看似通用的信息系统功能的认知和运用方式，因为员工与生成式AI的互动更为频繁且具有迭代性，不同于使用受工作流程限制的工具（Zhao et al., 2025）。有证据表明，与分析型AI相比，这种使用方式能够为员工的创造力与绩效发展开辟不同的路径（Wang & Zhang, 2025）。
这些特点凸显出，研究生成式AI赋能下的员工创新绩效时，需要采用配置视角。此前关于技术使用与创新绩效的研究大多依赖对称的、基于方差的模型，这类模型用于估算各个因素的平均净效应（Campbell and Fiss, 2026, Woodside, 2014）。虽然这类方法能提供有用信息，但它们通常假设各因素之间存在叠加且独立的关系，因而可能忽视了实际中多种条件之间的相互作用。在生成式AI支持的工作场景中，各种功能往往是共同发挥作用的，不同的条件组合可能会产生类似的结果，而且某一条件的缺失并不一定意味着另一相反条件的存在（Fiss, 2011, Misangyi et al., 2017）。配置视角更适用于阐释并发因果关系与因果分离现象，有助于识别通往高创新绩效的多种路径，并区分出与高绩效和低绩效相关的不同配置组合（Campbell & Fiss, 2026）。因此，理解生成式AI赋能下的员工创新绩效为何会出现相似的结果，就需要探究其背后的等终性机制。
为探究生成式AI功能在实践中的具体体现，以及它们如何共同影响员工创新绩效，我们采用了功能理论作为分析基础。该理论从技术所提供的行动可能性出发，探讨用户如何感知并运用这些可能性（Markus and Silver, 2008, Volkoff and Strong, 2013）。这一视角尤其适合用于分析生成式AI的应用场景，因为创新结果不仅取决于技术特性，还与员工在人机协作过程中如何与生成式系统互动及对其进行调整有关（Dwivedi et al., 2023, Faraj et al., 2018, Leonardi, 2011）。我们将员工创新绩效作为研究结果，因为它能够反映生成式AI的使用是否能在日常工作中带来实质性的创新贡献，尤其是在那些要求员工发挥创新能力的知识密集型工作环境中（Anderson et al., 2014）。在这种环境下，生成式AI支持的工作可能包含结构较为明确的任务型活动，也可能涉及更具开放性的探索性活动，而这些活动又会影响员工对各类功能的认知与运用方式。基于此，本研究围绕以下问题展开：
RQ1：在知识密集型工作场景中，员工使用生成式AI工具时，哪些现有的对话型AI功能最为重要？它们又是如何被感知和运用的？
RQ2：在这些生成式AI功能的不同组合下，它们是如何共同影响此类工作场景中的员工创新绩效的？
为回答这些问题，我们采用了探索性序列混合方法设计，将已有功能的定性分析与集合论层面的配置分析相结合。首先，我们通过半结构化访谈，了解在生成式AI支持的职场工作中，哪些现有的对话型AI功能较为重要，以及它们是如何被感知和运用的。随后，我们运用模糊集定性比较分析方法，研究不同功能组合与高创新绩效和低创新绩效之间的关系（Campbell and Fiss, 2026, Jin et al., 2022, Misangyi et al., 2017）。
本文的其余结构如下：第2部分回顾相关文献，并构建本研究的理论基础；第3部分介绍研究设计，并呈现定性研究阶段的发现；第4部分汇报模糊集定性比较分析的结果，明确与员工创新绩效相关的功能配置；第5部分讨论与员工创新绩效相关的理论及配置命题；第6部分阐述研究的实践意义与理论价值，最后说明研究的局限性及未来研究方向。
