同事AI越强,越想藏私:感知同事AI知识、工作不安全感与AI知识隐瞒

问题提出

AI 转型期的知识管理有个被低估的难题：员工自己摸索出的提示词、自动化流程、AI 工作流，本该沉淀成团队能力，却可能被有意藏起来。以往研究看的是员工自己的 AI 知识、或者组织层面的技术采纳，却忽略了一个每天都在发生的社交信号——『我同事的 AI 水平怎么样』。同事的 AI 能力是可见、可直接比较的，比组织层面的抽象信号更扎人。于是问题变成：同事的 AI 优势，会不会通过社会比较催生不安全感，最终让员工把 AI 知识收进抽屉？

难点剖析

难点有三层。

①感知同事 AI 知识是主观判断，却会真实驱动行为，不能当成客观能力来测。

②工作不安全感要作为中介，须与泛化的 AI 焦虑区分开，而它恰恰是负面相互依赖最直接的心理表现。

③组织 AI 准备度是组织层变量，它如何『重塑相互依赖结构』从而削弱个人层的焦虑链，机制并不直观——是缓冲哪一段、削弱多少，需要实证。

理论脉络

理论锚点是相互依赖理论（Thibaut and Kelley, 1959；Johnson and Johnson, 2005）。当同事在关键资源（AI 能力）上占优，员工会落入负面相互依赖：在意他人收益、担心自己的结果被侵蚀，进而产生威胁评估与防御行为。该理论的另一半同样重要——相互依赖结构是可塑的，组织可以通过资源投入把『零和竞争』改造成『正和共创』，这正是组织 AI 准备度的作用位置。

理论模型

以相互依赖理论为框架，模型由四个构念组成。

路径结构：感知同事 AI 知识 → 工作不安全感 → AI 知识隐瞒（H1、H2 为中介链）；组织 AI 准备度调节的是前半段路径（PCAIK → JI），进而调节整条间接效应（H3、H4）。 模型原图见论文 Figure 1（本带读嵌入的就是该原图，未重绘）。

研究假设

论文共 4 条假设，原文表述如下： H1：感知同事 AI 知识 正向关联 AI 知识隐瞒。 H2：工作不安全感 中介 感知同事 AI 知识与 AI 知识隐瞒之间的关系。 H3：组织 AI 准备度 调节 感知同事 AI 知识与工作不安全感的关系，组织 AI 准备度越高，该关系越弱。 H4：组织 AI 准备度 调节 感知同事 AI 知识经工作不安全感影响 AI 知识隐瞒的间接效应，准备度越高，间接效应越弱。 可以看出，本文的设计是「先证中介，再证有调节的中介」，调节落在 a 路径（自变量到中介）上，方向预期为削弱。

分析策略

分析用 SPSS 的 PROCESS 宏（V4.2）完成：中介用 Model 4，有调节的中介用 Model 7。所有间接效应均采用 5,000 次 Bootstrap 重抽样，报告 95% 偏差校正置信区间（CI），区间不含 0 判为显著。测量结构用 AMOS 做验证性因子分析，比较四因子与各竞争模型的拟合。共同方法偏差用「未测量潜在方法因子」法检验（Podsakoff et al., 2003）。全部模型控制了性别、年龄、教育程度、任期与行业五个变量。

数据收集

数据来自中国全职员工，通过 Credamo（专业数据平台）招募，按要求随机分布于多个省份、涉及多个行业。问卷分三次发放，每次间隔一周：T1 测感知同事 AI 知识与人口学变量，T2 测工作不安全感与组织 AI 准备度，T3 测 AI 知识隐瞒。 问卷开头先界定 AI 并举例其职场应用（如用 Mindshow 把文字一键转成 PPT），再询问「AI 是否可应用于你的工作」，回答不可应用者被视为不合格——理由是部分行业尚未普及 AI，对这些人而言同事是否懂 AI 并不影响其工作。

研究样本

最终样本 N = 236（中国全职员工，三波时间滞后设计）。女性占 58.47%、男性 41.53%；年龄以 21—30 岁（55.51%）和 31—40 岁（34.75%）为主；教育程度以本科为主（77.12%），硕士及以上 15.68%；任期分布较为分散，2—5 年 30.93%、5—10 年 31.36%、10 年以上 21.61%；行业以信息技术（33.05%）与制造业（22.46%）为主。

测量工具

所有量表先按 Brislin（1970）回译程序译成中文，除控制变量外均为 7 点李克特计分（1 = 完全不同意，7 = 完全同意）。四个核心量表信度都在可接受以上。

控制变量为性别、年龄、教育程度、任期与行业。需要留意的是，感知同事 AI 知识量表是「反向改写」的——题干问的是『与同事相比我不太懂 AI』，因此得分越高代表越觉得自己不如同事。

信效度检验

描述统计显示，感知同事 AI 知识均值 2.862（SD = 1.100），工作不安全感 2.917（SD = 1.494），AI 知识隐瞒 2.518（SD = 1.015），组织 AI 准备度 5.545（SD = 0.888）——组织准备度明显偏高，而隐瞒水平偏低。相关关系与理论预期一致：感知同事 AI 知识与工作不安全感（r = .317）、AI 知识隐瞒（r = .302）正相关；工作不安全感与 AI 知识隐瞒正相关（r = .249）；组织 AI 准备度则与感知同事 AI 知识（r = −.443）、工作不安全感（r = −.199）和 AI 知识隐瞒（r = −.319）均为负相关。 验证性因子分析支持四因子结构，且明显优于所有竞争模型；共同方法偏差检验也未显示严重问题。

共同方法偏差（未测量潜在方法因子模型）：χ²/df = 1.622，CFI = .975，TLI = .968，RMSEA = .051，SRMR = .046；加入方法因子后 CFI 与 TLI 的绝对变化小于 .1，RMSEA 与 SRMR 的绝对变化小于 .05，说明共同方法偏差不构成严重威胁。

假设检验

H1：感知同事 AI 知识 → AI 知识隐瞒 — β = 0.292，p < .001，95% CI [0.146, 0.411]；工作不安全感 → AI 知识隐瞒 β = 0.168，p = .011，95% CI [0.025, 0.330] → 支持

H2：工作不安全感 中介 PCAIK → AIKW — 间接效应 = 0.056，Boot SE = 0.029，95% CI [0.008, 0.119] → 支持

H3：组织 AI 准备度 调节 PCAIK → JI — 交互项 β = −0.129，p = .028，95% CI [−0.245, −0.014] → 支持

H4：组织 AI 准备度 调节间接效应 — 条件间接效应：低准备度 0.074，Boot SE = 0.036，95% CI [0.010, 0.151]（显著）；高准备度 0.031，Boot SE = 0.023，95% CI [−0.003, 0.088]（不显著）；两者差异 = −0.043，Boot SE = 0.028，95% CI [−0.111, −0.002] → 支持

补充：感知同事 AI 知识 → 工作不安全感的主路径为 β = 0.335，p < .001，95% CI [0.201, 0.460]。简单斜率分析显示，低组织 AI 准备度（均值 −1 SD）时该路径斜率为 0.441（p < .001），高准备度（均值 +1 SD）时降至 0.183（p = .046）——准备度确实把这条敏感路径压弱了，并在高准备度下把下游的间接效应压到不显著。

四条假设全部获得支持，且方向与理论预期一致：这是一条被调节的中介链，调节点在前半段。

研究结论

结论清晰：员工感知到同事 AI 能力更强——这是判断与同伴之间『负面相互依赖』的关键线索——会提升工作不安全感，进而触发 AI 知识隐瞒。而组织 AI 准备度越高，这条链越弱，在高准备度情境下间接效应甚至不再显著。 值得留意的是两个效应量级上的细节。其一，感知同事 AI 知识 → 工作不安全感的主路径（β = 0.335）明显强于工作不安全感 → AI 知识隐瞒（β = 0.168）。作者解释为：同事的 AI 能力是可见、可直接比较的信号，比组织层面的抽象宣示更能挑动人的不安；而知识隐瞒本身是一种刻意、且可能违背规范的防御行为，只有当不安全感压过关系、声誉与规范等考量时才会真正发生。其二，真正被组织准备度『截断』的正是后半段的间接效应——把资源给到位，让 AI 学习从个人竞赛变成集体事业，正和相互依赖就能替代零和焦虑。 管理启示因此很具体：光喊『多用 AI』没用，要减少团队内部的 AI 能力落差。做法包括提供内部 AI 培训与个性化学习路径、让 AI 高手带教形成分享文化、把 AI 基础设施落到日常工作流里。作者还延伸到社会层面——AI 技能鸿沟可能加剧劳动力市场的不平等，企业的 AI 准备度某种意义上是社会安全网的替代，政策端应给予激励。

研究局限

作者列出的局限有五点。 其一，数据为单源自评，存在共同方法偏差隐患；虽用时间滞后设计缓解，但组织 AI 准备度这类构念未来更适合用管理者报告或组织客观指标来测。 其二，时间分离与理论驱动的模型设定增强了因果推断，但仍不足以得出强因果结论；作者建议未来用日记法等更严格的纵向设计。 其三，模型可能遗漏了替代中介机制，例如『错失 AI 恐惧』（FoMO-AI）——即意识到他人正从 AI 获益、或担心在 AI 机会上落后而产生的负面情绪状态。 其四，中国情境限制了推广性。中国 AI 采纳快、集体主义规范强、不确定性规避高，员工对 AI 技能落差更敏感，也更依赖组织支持来缓解不安全感；在劳动保护与社会安全网较弱的新兴经济体，组织 AI 准备度的缓冲作用可能格外关键。 其五，尚未考察个体特质的作用，例如学习目标导向者倾向把上行比较读成挑战而非威胁，而竞争导向强者更可能把同事的 AI 优势视为零和威胁。

未来展望

沿用作者的展望，可归为四条线。

① 数据源升级：引入多源数据，尤其把组织 AI 准备度交给管理者报告或组织客观指标来测，替代自评。

② 设计升级：采用更严格的纵向设计（如日记法体验抽样），把因果链条钉得更实。

③ 机制扩展：检验 FoMO-AI（错失 AI 恐惧）等替代中介，看情绪路径与不安全路径如何分工。

④ 边界与个体差异：跨文化、跨制度、跨技术情境检验模型；并考察学习目标导向与竞争导向等特质如何调节『上行比较 → 防御行为』的转化方向。

金句

原文（第 6 节结论段，逐字）：『The present study reveals that employees’ perceptions of a coworker’s superior AI knowledge, a key cue for assessing negative interdependence with peers during organizational AI transformation, increase job insecurity and consequently trigger AI knowledge withholding.』 中文解读：一句话点题——同事的 AI 优势是一根扎人的比较标尺，它先抬高你的不安，再让你把 AI 诀窍收起来；而组织把 AI 资源给足，就能把这场『个人竞赛』改写成『集体能力』。

— 研究模型图

欢迎关注我的视频号

（❤️会不定期更新AI工具哦❤️）

三连一下，不失联！