ZIFA学术 | 人类使用AI助手:损失厌恶对决策委托意愿的影响

1、金融行业使用AI进行欺诈检测和资产管理；医疗行业使用AI识别和治疗疾病；司法行业使用AI提供法律建议……许多行业已经使用AI进行决策辅助。AI助手能够处理大量数据并辅助员工决策，日益成为职场中的重要工具。76%的高管预计，未来五年内，员工能够使用AI完成他们30%以上的日常工作。ChatGPT 3.5等大语言模型问世以来，企业对AI助手的兴趣进一步增加，人们认为AI将会成为推动员工生产力和组织生产力的重要因素。

2、虽然AI助手有利于提高生产力，但已有研究表明，与使用AI辅助相比，员工更偏好人工协助，这种现象被称为“算法厌恶”。当决策任务具有主观性质时，无论AI和人类的实际表现如何，决策者都倾向于参考人类给的意见。理性来看，无论辅助的来源是AI还是人类，只要这种辅助能提供增量价值，就值得参考。AI辅助有利于减少人类决策偏差，算法厌恶可能会导致次优决策，影响组织绩效和个人福祉。因此，有必要探究影响个人AI使用意愿的因素，探索算法厌恶的缓解机制。

3、组织通常使用激励契约来激发员工努力，超过预期绩效的员工将会获得奖金激励。但也有些组织采用损失惩罚的形式，在考核初期先赋予员工最高额度的奖金，如果员工未达到预期业绩，再相应减少奖金。已有研究表明损失厌恶会提高员工的业绩敏感性。损失惩罚机制为缓解算法厌恶提供了启发。从激励机制角度看，算法厌恶会使员工即使面临绩效下降的风险也倾向回避AI辅助。但在损失框定下，员工对金钱损失的恐惧会强化绩效导向，使其更关注AI辅助可能带来的收益，从而更愿意使用AI辅助。

1、在AI任务委托情境中，损失框定能够提高员工委托AI的意愿，从而缓解算法厌恶。信息系统委托理论认为，员工在委托任务前会评估任务情境和代理人能力，但这一评估过程容易受到认知偏差影响。已有研究表明，员工往往存在算法厌恶，即使 AI 表现较好，也可能更偏好人类助手。既有缓解算法厌恶的方法主要包括允许员工修改AI建议、提高AI可解释性等，但这些方法通常依赖AI系统设计的改变。本研究提出假设：损失框定是一种低成本的管理干预方式。当任务结果被表述为“避免损失”而非“获得收益”时，员工会更重视任务表现和错误后果，从而减少对人类专家的非理性偏好，更愿意将任务委托给 AI。

2、损失框定通过提高员工的情境感知来缓解算法厌恶。由于个体对损失比对同等收益更加敏感，当任务被表述为“避免损失”时，员工会更加关注错误后果、任务细节和助手能力，从而形成更强的情境感知。情境感知的提升会增强员工对任务相关信息的注意，使员工在委托决策中更加重视 AI 与人类助手的实际准确率。因此，本研究提出假设：损失框定能够通过提高情境感知，使员工更倾向于选择成功概率更高的助手，从而降低算法厌恶。

3、损失框定缓解算法厌恶的作用在不同任务复杂度和激励水平下具有稳健性，但可能受到员工自信程度的影响。

信息系统委托理论认为，个体的委托决策取决于其对任务情境、代理人能力和自身能力的评估。损失框定会增强个体对任务结果的敏感性，使个体更重视能够提高成功率的外部助手。但这一作用可能因个体自信和任务复杂度而异。低自信员工对自身能力把握较弱，更容易在损失框定下依赖表现更好的AI；复杂任务的不确定性更高，也会削弱个体对自身判断的依赖，从而放大损失框定对AI委托意愿的影响。

1、实验设计

在实验1中，参与者需要选择最能描述所呈现图像的一组关键词，对图像进行分类。每完成一次分类后，参与者会被告知AI助手和人类助手对该图像的分类判断。练习完成后，参与者会知道自己、AI助手和人类助手的分类正确率。

在正式分类任务中，参与者需要对40张图像进行分类。参与者可以把分类决策委托给人类助手或AI助手，也可以不委托。正式分类任务按照按照激励形式分为收益组和损失组。收益组分类正确会获得金钱报酬，每正确分类一张图像获得0.10美元，最高报酬为4.00美元。损失组在研究开始时获得4.00美元报酬，每错误分类一张图像损失0.10美元。

2、实验结果

研究1共有385名参与者，均为本科生，42%为女性，56%为男性，2%要求不披露性别，表1为研究1的描述性统计。图1展现参与者委托给人类助手和AI助手的平均次数。收益组的参与者更偏高选择人工辅助，损失组的参与者没有这种偏好。

表1：实验1描述性统计

图1：委托给人类助手和AI助手的平均次数

研究者使用t检验方法检验每组委托给人类助手和AI次数差异的统计显著性。以 AI 委托为基准，委托给人类助手和AI的总体差异显著。当激励结构采用收益框定时，人类助手和AI委托次数差异也显著，说明收益条件下存在强烈算法厌恶。激励结构采用损失框定时，人类助手和AI委托次数差异没有统计显著性，说明损失厌恶缓解了算法厌恶。

表 2 使用 OLS 回归检验损失框定对委托决策的影响。结果显示，损失框定并未显著改变总体委托次数，但显著提高了委托给 AI 的次数，同时降低了委托给人类专家的次数。相较于收益框定，损失框定使参与者委托给 AI 的次数增加约 44.9%，委托给人类专家的次数减少约 24.6%。同时，参与者也会依据助手准确率调整委托对象，准确率更高的助手更容易被委托。

表2：实验1控制变量下的处理效应

表3进一步表明，损失框定削弱了算法厌恶，使参与者的委托决策更加依赖 AI 与人类专家的相对准确率。在收益框定下，即使 AI 准确率更高，参与者仍更倾向于委托给人类专家；而在损失框定下，参与者更可能将任务委托给准确率更高的助手。当二者准确率相同时，参与者不再表现出明显的 AI 或人类专家偏好。

表3：AI 与人类专家准确率差异下的委托均值比较

表 4 进一步检验损失框定对任务表现的影响。损失框定显著提高了参与者的最终报酬，增幅约为 10%，说明提高 AI 委托意愿有助于改善整体任务表现。AI 和人类助手准确率越高，参与者表现越好。练习阶段表现越好的参与者，付费任务表现反而越低，可能反映了过度自信偏差。

表4 ：实验1损失框定对任务表现的影响

表 5 检验了损失框定对委托满意度的影响。损失框定本身会降低参与者的委托满意度，但当 AI 准确率较高时，这种负面影响会被抵消，甚至转化为满意度提升。

表5：损失框定对委托满意度的影响

3、重复实验与机制检验

表 6 从机制上说明，损失框定会提高参与者对助手表现差异的敏感性。在收益框定下，参与者只明显区分 AI 的准确率高低；在损失框定下，参与者对 AI 和人类专家的准确率差异都更加敏感。这表明损失框定可能通过增强情境感知，使参与者更关注助手能力，从而降低算法厌恶。

表6：不同准确率水平下感知有效性的均值比较

研究者通过重复实验进一步检验情境感知机制，结果见表7。参与者回答 9 个与实验细节相关的客观数值问题，研究者用回答误差衡量情境感知，误差越小表示情境感知越强。结果显示，损失框定组的平均误差显著低于收益框定组，说明损失框定能够增强参与者的情境感知，从而为其缓解算法厌恶的机制提供支持。

表 7：不同框定条件下情境感知的均值比较

4、实验结论

当激励被表述为“获得收益”时，即使 AI 的表现优于人类助手，参与者仍更倾向于选择人类辅助。而当激励被表述为“避免损失”时，参与者对人类辅助的偏好会消失，更能依据助手的实际表现作出选择。损失框定能够降低算法厌恶、提升任务表现，但也会让参与者对低准确率助手更加敏感。因此，在职场中运用损失框定时应搭配准确率较高的AI或人类助手。

1、实验设计

在研究 2 中，研究者将任务从图像分类扩展到 NFL 球员表现预测。实验2的设计基本沿用实验1，只是将任务从图像分类改为球员表现预测。正式任务前，参与者先完成预测练习。练习中不能委托，但参与者每次预测后会看到 AI 和人类助手的建议，并在练习结束后了解自己及两类专家的准确率。

正式任务中，所有参与者都完成图像分类和球员表现预测两类任务，任务顺序随机分配。为保持与研究 1 相同的总决策次数，研究者将决策次数平均分配到两类任务中。图像分类任务包含10次练习和20次付费决策，球员表现预测任务同样包含10次练习和20次付费决策。为避免参与者因任务类型不同而调整努力程度，实验结束时只随机抽取其中一类任务作为最终报酬的计算依据。收益框定下，参与者每答对一次获得 0.50 美元；损失框定下，参与者从 10 美元初始金额中每答错一次扣除 0.50 美元。

2、实验结果

实验 2 共招募 411 名大学生。图2 展示了不同任务和不同框定条件下，参与者平均委托给 AI 与人类助手的次数。在收益框定下，参与者仍更偏好人类专家。而在损失框定下，无论是在图像分类任务还是预测任务中，参与者委托给人类助手和 AI 的次数都没有显著差异。研究 2 复制了研究 1 的主要发现，说明损失框定可以缓解算法厌恶，并且这一作用在更复杂的预测任务中仍然成立。

图2：实验2不同条件下的平均委托次数和置信区间

实验2测量了参与者的任务自信。表8展现了低自信参与者的委托行为。在低自信参与者中，损失框定仍显著提高 AI 委托次数，并降低人类助手委托次数，说明损失框定缓解算法厌恶的作用在低自信参与者中也较为稳定。

表8：低自信参与者的委托行为

表 9 和表10展现了高自信参与者的委托行为。损失框定会增加高自信参与者对AI的委托，但不会显著减少对人类助手的委托。进一步比较发现，高自信参与者在多数情况下仍偏好人类助手，只有在损失框定的预测任务中，这种人类专家偏好消失，说明自信水平是影响委托决策的重要个体差异因素。

表9：高自信参与者的委托行为

表10：高自信参与者委托次数的均值比较

本文采用Burning Glass Technologies数据集，采用 BGT 开发的技能分类体系从招聘信息中识别出 AI 相关技能，将至少要求一种与AI相关技能的招聘岗位视为“AI 岗位”。研究者在企业-日期层面上衡量AI投资强度，计算企业i在灾害e发生前一年的滚动期间（τ= 365天）内，AI 相关招聘信息数量（#AI_Posts）相对于总招聘信息数量（#Total_Posts）的比例。公式如下

3、实验结论

在更复杂的预测任务和更高金钱激励下，损失框定仍能缓解算法厌恶。但这种效应存在个体差异，低自信参与者受到损失框定的影响更明显，高自信参与者的委托行为还可能受到任务复杂度影响。