从可及到创新：生成式AI在工作场景中价值不均衡实现中的好奇心与反思

《TECHNOLOGY IN SOCIETY》：From Access to Innovation: Curiosity and Reflection in the Uneven Realisation of Generative AI's Value at Work

　　

## 摘要

生成式人工智能（GenAI）是有史以来扩散速度最快的职场技术，但其创新效益却远未均匀实现：同样的工具能为部分员工创造创新价值，却无法惠及其他人。尽管这种异质性常被视为异常现象，但将技术可及性转化为创新价值的动机过程却仍研究不足。本研究基于刺激—有机体—反应（S-O-R）框架，将GenAI使用概念化为一种技术刺激，它通过暴露信息缺口来激活工作相关好奇心，从而使员工能够将技术遭遇转化为创新行为。个体反思被提出作为调节这一刺激被加工深度的条件因素，进而决定好奇心是否被唤起。研究使用来自一个新兴经济体中项目制技术企业315名员工和72名主管的两波次、多来源主管—员工配对数据，采用协方差结构方程模型检验了调节中介模型。结果表明，GenAI使用正向预测工作相关好奇心和创新行为，好奇心显著中介了二者的关联，呈现部分中介效应。此外，高反思性员工的GenAI—创新间接路径明显更强，其条件间接效应接近低反思性员工的两倍。由于GenAI使用未经实验操控，且好奇心与创新行为在同一波次测量，研究结果支持了所假设的方向性过程，但未能确立因果关系。通过将AI的不均匀创新价值归结于员工的好奇心和反思能力，本研究将AI结果的异质性重新框定为人类能动性的预期结果，并为寻求在新兴经济体职场中更公平地实现AI赋能创新的组织与政策制定者提供了启示。

## 引言

很少有职场技术像生成式人工智能（GenAI）那样既扩散得如此迅速，又产生如此深远的影响。ChatGPT、Gemini、Copilot、Claude、Sora等知名应用彰显了GenAI的快速进步。在大语言模型公开发布后的约两年内，GenAI在在职成年人中的职场采用率达到了39.5%，其扩散速度约为个人电脑和互联网的两倍。这使其成为有史以来采用速度最快的职场技术（Bick et al., 2026）。与传统人工智能系统主要依赖预定义规则和算法程序不同，GenAI由复杂的深度学习模型驱动，能够处理和从海量数据中学习。这一能力使GenAI系统能够自主地跨多种模态生成新内容，包括文本、图像、音频、视频和计算机代码。GenAI使用指员工在执行工作任务和实现职业目标过程中使用GenAI赋能工具的程度（Vuong, 2026）。此类使用涵盖一系列活动，包括生成、优化和转换文本及其他形式的内容；处理、解释和分析复杂信息；从多个来源综合和检索知识；开发视觉材料和工作产出；以及优化任务相关工作流程以提高运营效率并减少处理时间。GenAI区别于早期数字工具之处不仅在于其采用速度，还在于其协助方式的本质：此前的技术帮助员工查找和检索已有信息，而GenAI则生成新信息，在数秒内起草分析、提出替代方案并跨领域综合知识（Brynjolfsson et al., 2025）。这种生成能力使GenAI不那么像一种固定的生产力工具，而更像一种社会技术发展——其职场后果由技术本身及解读和运用其产出的人共同产生。理解这一共同生产过程如何展开、以及为何在不同员工中产生如此不同的结果，关乎一项强大技术如何融入工作生活，而不仅仅是关于个体生产力的问题。

这个问题之所以紧迫，是因为GenAI与员工创造力之间关系的证据呈现出显著的异质性，而非一致地呈正面效应。一项随机实地实验发现，GenAI主要增强了采用强元认知策略者的创造性产出，而未惠及被动使用该工具的员工（Sun et al., 2025）。在集体层面，GenAI提高了个体创造力，但减少了人与人之间想法的多样性（Doshi & Hauser, 2024）。越来越多的文献记录了限制性甚至腐蚀性后果，将密集、不加批判的依赖与工作异化和投机取巧地走捷径联系起来（Hai et al., 2025）。问题不在于GenAI失效，而在于对同等能力的同等访问在某些员工中转化为创新，在另一些员工中却转化为甚微甚至负面的变化。因此，GenAI在社会和组织层面最具后果性的事实是其效益的不均匀性。

现有研究仅部分地解释了这种不均匀性，因为它们将行动归因于技术本身或员工的资源，而非其参与投入的动机。效能解释将结果归因于创造性自我效能感或使用工具的信心；资源解释将GenAI视为提供时间、草稿和认知卸载的任务资源；工具解释则强调工具的能力和特征（Brynjolfsson et al., 2025; Sun et al., 2025; Wang et al., 2025）。每一种解释都捕捉到了某种真实的现象，但每一种都描述的是GenAI使什么成为可能，而非是什么使员工倾向于将可能性转化为努力探索。这部分工作还将AI采用视为组织强制要求的，员工被视为技术所提供内容的被动接收者（Yan et al., 2025）。结果形成了这样一个文献领域：它能够记录GenAI有时能辅助创新，却无法解释塑造这一过程何时发生的人类过程。所缺少的是一种动机解释，说明为何对GenAI的同等访问会在不同员工中产生不同的创新结果。

提供这一解释需要认真审视员工能动性。员工并非技术所提供内容的被动接收者；他们是GenAI产出的主动解读者。他们根据自身目标解读产出，注意工具遗漏了什么，质疑其建议，比较替代方案，追求涌现的问题，并决定是否以及如何对所接收的信息采取行动。由于GenAI的产出具有概率性和开放性而非固定性，这种解读工作不是附属性的，而是核心的：从特定的GenAI交互中实现的创新价值部分地通过员工对它的参与而产生。这种张力凸显了一个更广泛的社会技术问题：技术价值如何被人类能动性所塑造。GenAI的社会和组织后果并非仅由技术特征决定；它们受人类解读和探究能力的塑造，而这些能力在劳动力中分布不均。因此，解释AI结果的异质性意味着解释员工如何将技术遭遇转化为创新行动。

本研究确定工作相关好奇心（即在专业领域内寻求、探索和获取新颖知识的内在欲望；Mussel, 2013）是这一转化发生的动机机制。当注意力被导向已知与可知之间的差异时，信息缺口便会激发好奇心（Loewenstein, 1994）。GenAI是产生此类差异的极为有力的生成器。由于其产出是生成性的而非确定性的，每次交互往往都会浮现出相邻概念、替代框架和员工未曾考虑的不熟悉可能性，重新打开信息缺口而非仅仅关闭它们。感知到的此类缺口激活好奇心，而好奇心则驱动质疑、探索和知识寻求——这些是创新所需的原始输入。关键在于，这一解释是有条件的而非自动的：GenAI并非总是唤起好奇心，当它未能唤起时，尽管访问条件同等，创新也不应随之而来。因此，这一机制将该领域的异质性重新框定为理论上预期的而非异常的。

GenAI是否唤起好奇心应取决于员工加工技术产出的深度，本研究将个体反思（即定期审视自身目标和方法并质疑自身经验的习惯性倾向；Sch?n, 1983; West, 1996）定位为此种深度的理论调节因素。反思被提出作用于技术刺激被编码的节点。高反思性员工不仅仅是消费GenAI产出；他们会根据自身目标评估它们，质疑潜在假设，注意不一致之处，识别产出揭示了他们尚不理解的内容，并使这些缺口对个人而言具有意义。这正是好奇心最为强烈的情境（Loewenstein, 1994）。低反思性员工更可能将产出原封不动地接受，产生的显著缺口较少，从而削弱了刺激效应。因此，反思被理论化为一个边界条件，具体位于GenAI到好奇心的阶段（即刺激编码时刻），而非好奇心向创新转化的下游阶段。这一定位是本研究独特的理论贡献。

为连接这些要素，本研究采用刺激—有机体—反应（S-O-R）框架（Mehrabian & Russell, 1974）作为其组织结构。S-O-R本身不是贡献；它是将技术刺激（GenAI使用）与内部动机状态（好奇心）及行为反应（创新行为）连接起来的简洁结构，同时提供了一个自然的节点——从刺激到有机体的链接——供研究者引入一个理论上条件性因素，即个体差异调节变量，以决定刺激被注册的强度。在S-O-R框架中，GenAI遭遇充当环境刺激，激活员工的内部好奇心状态，后者进而塑造创新行为作为反应，而个体反思则影响刺激如何被认知加工。

这些问题超越了组织绩效，触及更广泛的问题：新兴技术如何重塑人类能动性、工作实践以及技术价值在员工间的分配。GenAI融入工作生活的速度超过此前任何职场技术，而组织——包括新兴经济体中的许多组织——在尚未理解将可及性转化为价值的人类过程之前就已大规模部署它（Bick et al., 2026; Hussain et al., 2023）。如果创新效益取决于员工的好奇心和反思能力，那么这些效益将不均匀地分配于劳动力之中，即使访问条件平等，收益也将归部分工人而非其他人。这对AI回报的分享方式、组织为实现负责任价值培养所需的工作能力以及GenAI整合的治理方式而非仅仅是采购方式都有影响。如此框架化，AI创新价值的实现就是一个关于技术变革中人类能动性和技术收益分配的问题。这是一个社会技术问题，而非单纯的管理局面。这就是为何本论文面向技术与社会读者群而非狭窄的管理学读者群：它将对话从组织是否应采用GenAI转向其效益得以实现并公平分享的人类和制度条件。其时效性在于采用速度与治理所需的人类能力、规范和政策成熟度之间的差距正在扩大。这一差距在新兴经济体中尤为尖锐，因为GenAI融入知识工作的速度比互补技能和监管机制形成的速度更快。现在，在采用巩固之前，理解价值实现的人类决定因素，才能使得劳动力发展和技术政策能够塑造结果而非仅仅做出反应。

在这一背景下，本研究考察了员工使用GenAI在何种条件下转化为创新行为。研究提出并检验了一个调节中介模型，在该模型中GenAI使用作为技术刺激唤起工作相关好奇心，进而支持创新行为；个体反思调节GenAI到好奇心的关系，从而调节好奇心中介路径的强度。该模型使用来自巴基斯坦——一个新兴经济体——项目制技术企业中315名员工和72名主管的两波次、多来源主管—员工配对数据进行检验，在该情境下竞争压力、紧凑的项目周期和GenAI编码助手的快速采用使得AI赋能创新的实现既具重要性又可观察。模型采用协方差结构方程模型估计。

本研究的核心主张是：GenAI赋能创新的异质性是人类能动性在技术使用中的预期结果：GenAI作为技术刺激，其创新价值通过员工的好奇心得以实现，而个体反思被理论化为条件性因素，决定该刺激被编码为动机状态的深度。从这一主张出发，本研究发展出三项贡献。真正新颖的并非GenAI能辅助创新的观察（该关联已有文献记录），而是识别了决定GenAI何时实现这一效果的具体人类动机过程——工作相关好奇心，以及条件性因素——反思性倾向。

这一转变将解释的焦点从技术能力本身转向了将技术能力转化为价值的人类能动性，并改变了AI与工作对话的核心问题：不再问生成式AI是否促进创新，而是通过什么人类过程、在何种条件下促进创新。

第一，它明确提出了AI赋能创新的动机机制：生成式AI的使用会激发好奇心，而好奇心进而支持创新行为。这一机制区别于文献中占主导地位的效能、资源和工具性解释，并使该领域相互矛盾的发现变得可调和。第二，它将人类能动性的边界条件精确定位到刺激编码阶段，理论化地认为反思决定了同一技术是否激发创新所需的好奇心，从而有助于解释为何同等程度的技术可及性却产生不同结果。第三，它重新将AI赋能创新界定为一个社会技术过程，在这一过程中技术效益的分配取决于员工与技术互动的能力，并在一个新兴经济体情境中得到验证——该情境中生成式AI的大规模、尚未被充分研究的采用使价值实现的人类决定因素尤为突出。

**章节摘要**

**理论背景与假设**

本节阐述研究的理论框架和假设。首先引入刺激—机体—反应（S-O-R）框架作为组织框架，将生成式AI的使用定位为环境刺激，好奇心定位为内部机体状态，创新行为定位为由此产生的行为反应。随后分阶段构建论证：生成式AI使用对工作相关好奇心的影响、好奇心对创新行为的影响、残余的直接效应。

**方法**

本节描述模型的检验方式。报告了样本、实证情境和两波多源数据收集程序；测量指标及其来源；以及分析策略，包括潜交互指定、嵌套结构处理，以及间接效应、有调节的间接效应和效应量的估计。

**结果**

本节按照与假设相关性的顺序报告结果。首先报告测量模型、信度和效度证据；然后讨论共同方法偏差和选择单层模型的合理性；接着呈现结构模型、对直接效应、间接效应和交互假设的检验，以及构成有调节的中介检验的条件间接效应。

**研究结果讨论**

本研究探讨了为何相同的生成式AI能力使部分员工产生创新而其他人则不然，这种异质性使得生成式AI与创造力之间的证据难以调和（Doshi & Hauser, 2024; Sun et al., 2025）。基于刺激—机体—反应框架，研究将生成式AI的使用视为技术刺激，将工作相关好奇心视为员工将这一刺激转化为创新行为的动机状态，将个体反思视为……

**结论**

随着生成式AI日益嵌入工作生活，关键问题不在于员工是否使用它，而在于这种使用是否产生创新、对谁产生创新。本研究提出并找到实证支持：生成式AI的创新价值通过一个人类过程得以实现——生成式AI的使用与工作相关好奇心相关，而好奇心进而预测创新行为，个体反思则调节技术刺激被编码的深度，因此也决定了……

**未引用参考文献**

Grant et al., 2002; Wang et al., 2025; Zhang et al., 2026.

**利益冲突声明**

? 作者声明他们没有已知的竞争经济利益或个人关系可能影响本文所报告的工作。

**作者信息**

Muhammad Awais Khan
卢布尔雅那大学经济与商业学院，斯洛文尼亚，欧洲