人工智能与工作设计：基于工作要求-资源理论的洞察

《TECHNOLOGY IN SOCIETY》：Artificial Intelligence and Job Design: Insights from Job Demands–Resources Theory

　　

摘要
人工智能（AI）正在通过重塑工作的设计、体验和执行方式来改变工作。本文综述了从工作要求 - 资源理论视角出发，关于人工智能采用对工作要求设计影响的最新证据。我们开发了一个概念框架，解释了人工智能采用如何改变工作要求与工作资源之间的平衡，从而影响激励过程和健康损害过程。我们进一步提出人工智能准备度资源（AI-R）——包括个人资源（如人工智能自我效能感）和工作资源（如对人工智能的同事支持）——作为重要的条件，有助于解释在何种情况下人工智能采用更有可能增强而非削弱员工福祉和绩效。基于此框架，我们制定了未来研究的三个指导原则。首先，学者应区分人工智能采用的层级（即自上而下与自下而上的采用）和人工智能使用的类型（即自动化与增强），因为这些维度可能对工作设计产生不同的影响。其次，研究人员应区分个人和工作层面的 AI-R 资源，因为它们指向不同的机制和干预机会。第三，研究应将人工智能采用视为一个动态过程，在此过程中员工福祉、绩效和人工智能准备度可能随时间相互影响。文章最后提出了未来研究议程和设计有意义、令人激励且可持续的人工智能增强型工作的实践方向。

引言
人工智能（AI）已从研究实验室迅速进入日常工作的结构中。如 ChatGPT 和 Claude 等大型语言模型，现在协助写作、编码和创造性工作。同时，预测算法塑造了招聘、排班和绩效评估，而人工智能赋能的自动化则接管了常规行政任务（Parker & Grote, 2022; Raisch & Krakowski, 2021）。跨行业而言，人工智能正在改变工作的分配、协调和评估方式——这对员工和组织的整体福祉和绩效有直接影响（Y. Liu et al., 2026）。

人工智能有潜力促进更具参与感和以人为本的工作，但如果不小心应对其对工作设计的影响，它同样可能破坏信任、心理健康和可持续的员工表现（Demerouti, 2022; N. Jia et al., 2024; Wei et al., 2026）。为了澄清人工智能采用何时以及如何使工人和组织受益，我们需要一个理论框架，该框架应超越人工智能可以在哪里采用（例如，在什么任务或工作角色中）的问题，转而关注这种变化如何影响工作的内容、组织和体验（即工作设计；Parker, 2014）。目前的许多辩论集中在人工智能暴露上：哪些工作包含人工智能可以执行或支持的任务（例如，Burn-Murdoch & O'Connor, 2026; Eloundou et al., 2024; Felten et al., 2021; McElheran et al., 2024）。然而，这些预测将如何展开不仅是人工智能暴露的问题，也是工作设计的问题。

为了解决后一个问题，本文通过工作要求 - 资源（JD-R）理论的视角，综述了关于人工智能对工作设计影响的最新文献（Bakker, Demerouti, et al., 2023; Demerouti & Bakker, 2023）。根植于组织心理学，JD-R 理论从工作设计视角概念化人工智能采用，重点关注技术如何改变任务、关系和职责的内容和组织方式（Parker, 2014）。该理论认为，每项工作都包含要求与资源之间的动态互动——要求是指那些需要持续努力并与紧张相关的方面，资源是指那些促进目标达成、培养发展和激发动力的方面（Demerouti et al., 2001）。要求与资源之间的平衡决定了工作成为参与感的来源还是耗竭的源泉。

关于人工智能和工作设计的研究是一个移动的目标，因为每一项人工智能进步都为在工作场所中使用它带来了新的技术可能性（Stollberger et al., 2025）。先前的综述提供了对人工智能和工作设计的描述性概述（J. Jia et al., 2025），专注于特定类型的工作要求（例如，认知工作要求；Kulikowski, 2026），或特定类型的工人（例如，一线服务员工；Jooss et al., 2026）。我们旨在开发一个由 JD-R 理论中两个核心过程指导的解释性概念框架：激励过程和健康损害过程。激励过程指出，处于资源丰富环境中的个体拥有能量和动力，通过主动行为（例如，工作重塑；Tims et al., 2012）建立和维持他们的工作投入。相反，工作要求引发健康损害过程，如果得不到解决，可能会削弱员工福祉和绩效（Bakker & de Vries, 2021）。我们认为，人工智能采用可能根据其实施方式（自上而下与自下而上）和使用方式（自动化与增强导向；Raisch & Krakowski, 2021）影响这两个过程。通过做出这种区分，我们旨在更清晰地了解人工智能对工作设计不断演变的影响，提供一个指导框架，有助于理解为什么人工智能在某些情况下引发激励过程，而在其他情况下引发健康损害。

人工智能采用的影响不太可能是均匀的，即使考虑到给定的类型人工智能是如何实施和使用的。换句话说，人工智能采用对 JD-R 过程的影响很可能存在相当大的个体和情境差异。基于我们综述的见解以及技术采用和准备度研究的想法（cf. Parasuraman, 2000; Venkatesh et al., 2016），我们提出人工智能采用对 JD-R 过程的影响取决于我们称之为人工智能准备度资源（简称 AI-R 资源）的条件。我们进一步区分了 AI-R 工作资源（例如，组织人工智能支持；Quan et al., 2025）和 AI-R 个人资源（例如，元认知技能；Sun et al., 2025）。这些资源构成了使员工能够有效地与人工智能协同工作、管理人工智能相关需求，并适应人工智能引起的任务、角色和工作流变化的工作和个体特征，从而支持目标达成、动机和发展。因此，我们将 AI-R 资源定位为调节变量，影响人工智能采用引发激励和健康损害过程的程度。

基于最新版本的 JD-R 理论（Bakker & Demerouti, 2024; Bakker et al., 2023），我们进一步提出 AI-R 资源本身也受激励和健康损害过程的影响（见图 1）。我们提出一个动态模型，解释为什么随着人工智能采用的增加，一些员工茁壮成长而另一些员工则落后。处于增益螺旋（以工作资源、工作投入和主动行为为特征）的员工更有可能发展 AI-R 个人资源，如人工智能素养，并获取 AI-R 工作资源，如发展机会。相反，处于损耗螺旋（以高工作要求、耗竭和自我破坏行为为特征）的员工可能难以使用或发展这些资源。因此，人工智能采用可能创造累积优势 - 劣势过程：拥有强大工作资源和人工智能准备度的员工获得进一步的自主权、学习机会和绩效益处，而那些资源较少的员工则面临日益增加的要求、减少的控制和下降的福祉（cf., Hakanen et al., 2011）。通过这样做，我们将关于人工智能相关不平等的辩论从宏观层面（例如，Karunakaran et al., 2025）扩展到了微观层面，解释了为什么即使在职业对人工智能的暴露程度相似的情况下，工人也可能遵循不同的轨迹。

我们旨在做出一个主要的理论贡献，并得到另外两个贡献的支持。我们的核心贡献是一个人工智能准备度动态模型（图 1），解释了为什么随着人工智能采用的扩散，一些员工茁壮成长而另一些员工则落后。其核心是人工智能准备度（AI-R）资源的概念——如对人工智能的同事支持等工作资源和对人工智能的自我效能感等个人资源——这些资源决定了给定人工智能工具的采用是进入激励过程还是健康损害过程。至关重要的是，我们没有将这些资源视为静态调节变量。基于最新版本的 JD-R 理论，我们提出两个 JD-R 过程反馈到 AI-R 资源：处于工作资源、工作投入和主动行为增益螺旋的员工发展和获取进一步的 AI-R 资源，而那些处于工作要求、耗竭和自我破坏损耗螺旋的员工则看到这些资源侵蚀。如图 1 所示，这些递归循环将微小的初始差异转化为不同的轨迹——一个累积优势 - 劣势过程，有助于解释为什么在对人工智能暴露程度相似的职业中，工人最终可能相距甚远。据我们所知，这是第一个将人工智能准备度视为不稳定特质而是视为受其帮助启动的工作过程影响的演变资源的模型，我们规定了其反馈循环如何在纵向研究中测试。

这个人工智能准备度动态模型基于更广泛的 JD-R 框架，用于组织关于人工智能如何影响工作设计、福祉和绩效的快速移动且仍然碎片化的证据。我们不是过早得出结论，而是指明了人工智能何时可能激活激励过程与健康损害过程，区分采用的层级（自上而下与自下而上）和使用的类型（自动化与增强）。如图 1 的输入侧明确所示，这两个维度表征了进入模型的人工智能采用，它们为未来的系统综述和荟萃分析提供了可测试的命题——例如，采用的影响是否因层级或类型而异。

最后，该模型向外扩展到实践和政策。通过区分 AI-R 工作资源和 AI-R 个人资源，我们确定了人工智能准备度干预的两个互补杠杆——随着工具从生成式向智能体人工智能（agentic AI）演变，这种区分的重要性将日益增长。因此，该框架可以作为基于理论的人工智能采用和工作设计干预研究的基础（Demerouti et al., 2025）。因为结构性、基于工作的资源可以在组织和政策层面解决，我们的模型也为对抗人工智能准备度不均衡可能固化的不平等提供了一个起点——这对实践和政策是一个重要的贡献。

在下文中，我们首先向读者介绍 JD-R 理论的基础，概述其核心命题（Bakker, Demerouti, et al., 2023; Demerouti & Bakker, 2023）。随后，我们呈现关于人工智能采用对工作设计影响的叙述性综述，并引入人工智能准备度资源的概念。最后，我们开发一个动态模型，解释：（1）人工智能采用如何根据人工智能准备度资源转化为激励过程或健康损害过程，以及（2）这些 JD-R 过程反过来如何影响人工智能准备度，通过影响员工使用和开发人工智能准备度资源的程度。最后，我们讨论了该框架对未来研究和实践性人工智能准备度干预的意义。

章节片段
工作要求 - 资源理论
工作要求 - 资源理论（Bakker, Demerouti, et al., 2023; Demerouti & Bakker, 2023）提供了一个强大而灵活的视角，用于理解工作设计如何影响员工的动机、福祉和绩效。与假设固定的一套激励性工作特征的经典工作设计模型不同（例如，Hackman & Oldham, 1976），JD-R 理论基于这样一个前提，即每项工作——无论行业、组织或层级——都可以从其独特的...

人工智能与工作设计
在概述了 JD-R 理论的核心命题后，我们现在考察人工智能如何重塑当代工作设计。我们首先分析人工智能采用如何重构工作要求和工作资源。接着，我们引入自动化 - 增强框架（cf. Raisch & Krakowski, 2021）作为概念透镜，以区分人工智能在组织中是如何部署和体验的。然后，我们考虑 AI-R 资源在工作和个人层面的调节作用。最后，我们

理论意义
将人工智能研究与 JD-R 理论（Bakker, Demerouti, et al., 2023; Demerouti & Bakker, 2023）相结合，有助于将领域从关于"人工智能效应"的宽泛声明推向更精确的问题：哪些形式的人工智能采用重要，对谁重要，通过哪些机制，以及在什么时间范围内？表 3 将我们的三个指导原则转化为未来研究议程，专注于采用配置、人工智能准备度资源和动态反馈循环。

首先，人工智能采用对工作的影响

结论
人工智能不是添加到现有工作的外围数字层。它是一种重构工作和组织整体需求 - 资源架构的社会技术力量。借鉴 JD-R 理论，本文概述了人工智能采用如何重塑工作要求和工作资源，从而激活健康损害过程或激励过程。

通过区分采用水平（自上而下与自下而上）、使用类型（自动化与增强）以及 CRediT 作者贡献声明
Matej Cerne：写作 – 原稿，调查，概念化。Arnold B. Bakker：写作 – 原稿，监督，调查，形式分析，概念化。Tom L. Junker：写作 – 原稿，调查，概念化。Yuri S. Scharp：写作 – 原稿，调查，概念化
未引用参考文献 Allen 等人，2022 年；Bakker 和 Demerouti，2017 年；Burn-Murdoch 和 O'Connor，2026 年；Jeong 和 Jeong，2025 年；Liu 等人，2023 年；Parent-Rocheleau 等人，2024 年。
关于写作过程中生成式人工智能和人工智能辅助技术的声明
在本工作的准备过程中，由于作者均非英语母语人士，使用了 ChatGPT-5 以提高手稿的可读性和语言质量。使用此工具后，作者根据需要仔细审阅并编辑了文本，并对文章的内容承担全部责任。
利益冲突声明
? 作者声明，他们没有已知的竞争性经济利益或个人关系，这些因素可能会影响本论文中报告的工作。
Arnold B. Bakker 是鹿特丹伊拉斯谟大学工作与组织心理学教授，担任积极组织心理学卓越中心主任。他在斯洛文尼亚、芬兰、香港和南非拥有客座教授职位。Bakker 是心理科学协会、国际应用心理学协会、欧洲职业健康心理学学会以及岭南大学高等研究院的会士。
Arnold B. Bakker|Tom L. Junker|Yuri S. Scharp|Matej Cerne
积极组织心理学卓越中心，荷兰鹿特丹伊拉斯谟大学