工作中的增强型 AI 工具:学习收益与认知挑战的日常日记研究

实验流程与样本

组织：韩国一家大型银行的客户服务呼叫中心

研究对象：为银行提供的各类服务与产品（如贷款咨询、线上/移动端银行服务及信用卡相关支持）提供客户支持的客服人员

AI工具：AI智能客服辅助工具——通话过程中记录通话内容，对比抓取关键词分析并识别讨论的核心议题，实时弹窗，推送客户历史、账户信息、推荐话术

实际使用率：日均接听电话50至80通，每通电话时长通常为2至5分钟。平均仅 15.74% 的通话用到 AI——员工主动选择"今天用还是不用"。

研究方法

ESM 体验取样法：每日测量流程

追踪周期：连续 9 个工作日，每天两次问卷：

· 早问卷（上午10点）：早晨积极情绪、前一晚心理抽离困难

· 下班问卷（下午5点）：当日 AI 使用频率、当日知识获取、当日信息过载

· 主管评分：每日由直接主管对员工当日任务绩效打分（客观、非自评，规避共同方法偏差）

样本：104 名客服人员（L2），其平均年龄为47.38岁（标准差 =8.99），女性占比92%，平均在职年限为7.29年（标准差 =5.32）。这些客服人员分属10个工作单元，每个单元由一名主管领导。主管对所在单元内的每位客服人员进行评分。共 878 个日级数据点（L1）

数据结构：多层模型——日级观测（L1，878 个）嵌套于个体（L2，104 人）。

分析方法：Mplus 多层路径模型，蒙特卡洛 20,000 次抽样检验间接效应；ITCV 检验遗漏变量偏差。

关键变量与测量（均采用 7 点李克特量表（1 = 强烈反对 ；7 = 强烈同意）

数据分析策略

1. 多层路径模型（Mplus）：日级观测（L1）嵌套于个体（L2），同时估计主效应、中介和调节。在第一层（即个体内层）中，设定了每日使用 AI工具对知识获取量及信息过载的随机效应，并设定了每日使用 AI 工具、知识获取量及任务绩效与信息过载及心理抽离度之间的信息过载效应。并测量积极情感及个体内控制变量对中介变量及结果变量的影响。

在第二层（即个体间层面），我们将随机斜率（每日使用AI工具与知识获取之间，以及每日使用AI工具与信息过载之间）对经验开放性进行回归分析。同时，我们还控制了经验开放性及个体间控制变量对中介变量及结果变量的影响。

2. 中介/调节效应检验（R）：采用蒙特卡洛模拟 20,000 次抽样，构建 95% 置信区间

3. 变量中心化：L1 日级变量做组内中心化（剥离个体间差异），L2 人格变量做总均值中心化。

5. 补充分析稳健性检验：ITCV（incremental t-value）评估遗漏变量偏差；替代自变量测量；随机效应模型；控制变量外的补充分析均验证结论稳定。

研究结果

如表2所示，每日使用AI工具与知识获取呈正相关（γ = .12，p < .001），支持假设1。

知识获取在每日使用AI工具对任务绩效的影响中起中介作用（间接效应 = .009,95% CI [.003，.016]），支持假设2。

关于研究问题1，知识获取与心理抽离难度无关（γ = .01，p = .871），因此并未对心理抽离难度的中介效应产生中介作用（间接效应 = .002,95% CI [−.022，.018]）。

此外，每日使用AI工具与信息过载呈正相关（γ = .12，p < .001），支持假设3。

信息过载在每日使用AI工具对任务绩效的影响（ 间 接 效 应 = −.012,95% CI [−.025，−.002]） 及对抽离难度的影响（间接效应 = .016,95% CI [.002，.032]）中均起中介作用，支持假设4与假设5。

关于研究问题2，以任务绩效为研究结果时，鉴于我们发现通过知识获取产生的间接效应为正向，而通过信息过载产生的间接效应为负向，将这两个相互抵消的间接效应相加，计算得出总间接效应。该总间接效应为−.003（95% CI [−.015，.006]），表明这两种机制在中介人工智能使用对任务绩效的影响时，其作用强度相当。

以心理抽离难度为研究结果时，间接通过知识获取产生的间接效应接近零且无统计学显著性，其置信区间相当宽泛（95% CI [−0.022,0.018]）鉴于通过信息过载产生的间接效应（间接效应值=0.016）相较于通过知识获取产生的间接效应（间接效应值=0.002）具有显著且更大的效应量，我们得出结论：在传递人工智能使用对心理抽离难度影响的过程中，信息过载相较于知识获取构成了更为主导的作用路径。

经验开放性对每日使用AI工具与知识获取之间关系的跨层次调节效应并不显著（γ =−0.03，p = 0.106），因此不支持假设6a。接着，我们检验了经验开放性是否调节每日使用AI工具通过知识获取对任务绩效产生的间接效应，结果发现调节中介效应指数（Hayes ，2015）并不显著（调节中介效应指数=−0.002,95% CI [−0.005,0.001]）。因此，假设6b亦不成立。

经验开放性对每日使用AI工具与信息过载之间的关联具有调节作用。对于经验开放性较高（高于均值1 SD）的员工，每日使用AI工具与信息过载的关联强度（γ = 0.07，p = 0.030）弱于经验开放性较低（低于均值1 SD）的员工（γ =0.18，p < 0.001）。这些结果支持假设7a。对于经验开放性较高的员工，每日使用AI工具通过信息过载对任务绩效产生的间接效应（间接效应 = −0.007,95% CI [−0.018，−0.00003]）弱于经验开放性较低的员工（间接效应 = −0.017,95% CI [−0.035，−0.002]），支持假设7b。经验开放性对“每日使用AI通过信息过载对心理抽离难度产生的间接效应”具有调节作用，支持假设7c。

积极情绪对每日使用AI工具与知识获取之间关系的调节效应显著（γ = .11，p = .016），支持假设8a。积极情绪对每日使用AI工具通过知识获取对任务绩效的中介效应有调节作用，支持假设8b。由于知识获取与心理抽离难度无关，积极情绪并未调节每日使用AI工具对心理抽离难度的间接效应——该效应经由知识获取介导（调节中介指数=0.001,95% CI [−0.013,0.026]）。

积极情绪对每日使用AI工具与信息过载之间关系的调节效应不显著（γ = .05，p = .359），假设9a未获支持。此外，积极情绪对“使用AI工具经由信息过载对任务绩效的间接效应”（调节中介指数 = −.005,95% CI [−.013，.007]）以及“ 使 用 AI 工 具 经 由 信 息 过 载 对 脱 离 困 难 程 度 的 间 接 效 应 ”（ 调 节 中 介 指数 = .006,95% CI [−.007，.024]）均未产生显著调节作用。因此，假设9b与9c亦未获支持。

研究总结

理论贡献

1. 本研究强调员工知识获取是借助人工智能工具提升员工智力水平与工作绩效的关键途径。这种“增强”效应不仅意味着有效的劳动分工，并证明员工通过与人工智能建立共生合作关系，能够获得知识收益。

2. 关注增强技术伴随的认知成本，揭示信息过载是人机协作中的关键障碍，频繁使用AI也会增加内在认知负荷（intrinsic load），导致信息过载，不仅损害工作任务绩效，还会增加员工下班后心理抽离的难度，影响恢复。将人机交互视角拓展到认知层面。

3. 将知识获取与信息过载视为两种并行却相互制衡的机制，揭示了使用AI工具对员工绩效而言是一把“双刃剑”——该结论基于对职场人机交互未来发展的乐观与悲观两种视角，提供了更为均衡的解读框架

4. 本研究将该理论拓展至人工智能增强领域，揭示了职场环境中不同认知负荷之间更为复杂的相互作用机制。通过减少外在负荷同时增加内在负荷，可同步调节两类负荷。

5. 将个人特质纳入考察，呼应人本主义方法，，为个体差异与情感状态在AI增强学习情境中的作用提供了具体证据，凸显了情感体验对学习影响的复杂性和多面性

实践启示

1. 组织部署增强型AI时应同时考虑收益与代价：员工每日使用AI既有知识收益，也有认知负担；二者对绩效的影响有相互抵消作用，应配套提供信息筛选、整合与认知负荷管理方面的培训，降低信息过载。

2. 关注员工的恢复体验：AI使用引发的信息过载会显著增加下班后心理抽离的困难，长期可能损害员工幸福感。组织应合理安排AI使用强度，并在工作设计上给员工留出认知恢复的空间。

3. AI工具设计应注重可解释性：透明度更高（低opacity）的可解释AI更容易让员工理解和整合信息，从而增大知识获取；而难以理解的不透明AI更容易引发信息过载。

4. 考虑员工个体差异与情绪状态：对经验开放性较低的员工，AI使用更容易引发信息过载，组织可为其提供额外指导或结构化支持。

5. 早晨积极情绪能够强化AI使用带来的知识获取，组织可通过积极的工作氛围、正向反馈等方式提升员工的晨间情绪状态。

6. 快速提供信息的AI工具更需谨慎管理：原文指出，即时性越高的AI工具，越能提供学习机会，但也越容易带来持续信息涌入的认知负荷，组织需要在这些维度上做好平衡。

研究局限

1. 本研究结论可能无法直接适用于职场中所有人工智能工具，无法评估这些特性如何影响员工使用基于增强技术的人工智能时的体验

2. 研究验证采用了来自同一数据源或同步采集的数据，这引发了对共同方法偏差的担忧

3. 样本中，基于增强技术的AI工具在整个工作日内被用于总通话次数的相对较小比例（按人日计算平均占比为15.74%），可能是因为员工更倾向于在时长较长、内容更复杂且难度更高的通话中主动使用该AI工具，可能低估了AI使用的真实影响

4. 仍无法探讨员工对隐性知识或高阶技能的学习，这些技能更可能在他们使用其他高级形式的AI应用时获得

5. 所使用的测量方法属于回顾性测量，可能无法准确反映实时状态下的认知负荷，也在本研究中并未分别测量这三种负荷

6. “经验开放性”在本文认为当个体使用人工智能工具时，该特质有助于有效利用工作记忆。但受限于数据采集场所的客观条件，论文未能直接评估工作记忆容量或智力水平。

未来的研究可以探讨其他与个体学习动机相关调节变量，如个体差异，如学习目标导向或尽责性。