1. 引言
国家《“十四五”数字经济发展规划》进一步强调要激活数据要素潜能，推动数字经济高质量发展。随着云计算、物联网和移动终端的飞速发展，数据作为一种新型生产要素，已快速融入工作、生活等各环节，正深刻改变着生产方式。员工创造力作为创新行为的基石，对于组织的积极影响一直以来得到了广泛认可，为组织持续发展注入了源源不断的动力，是组织在动态的商业环境中取得成功的重要资产[1]。而在数字经济时代下，组织在寻求创新时，对知识的使用必然与其吸收和利用外部信息的能力有关[2]，这在一定程度上取决于员工搜索和挖掘与任务相关信息的认知过程[3]。人机的深度融合，构成了员工参与更多信息阐述的关键背景，如何促进员工信息深度加工从而提升创造力，成为组织创新发展的焦点。然而，信息过载是当今社会的普遍问题[4]，海量信息越来越难以通过集中化的方式获取[5]，同时，在信息冗余的组织情境中，决策流程所依赖的稀缺资源已不再是信息，而是转变为注意力，个人与组织发展的核心因素在于能否对有限的注意力资源进行合理且高效的配置[4]。基于此背景，人工智能的引入可以更好地解释员工信息深度加工过程与创造力的形成，探究人工智能使用对员工创造力的影响机制和边界条件具有重要意义。
迄今为止，大多数管理和经济学研究都提出使用人工智能在复杂市场中促进经济增长、改善分配和协调的好处[6]，数字技术凭借其更具包容性、即时性和互动性的数据处理优势[7]，在经济价值转化方面带来了积极的成效。然而，有部分学者注意到，人工智能本质是对企业内部互动协同关系网络的重塑，机器学习与员工认知的迭代互动关系给创造力提升提供了新思路。学者进一步基于人机互动视角搭建了动态交互框架[8]，在企业层面，通过人工智能输出工作职能的创新实践是组织较为关心的问题[9]；在团队层面，从工作设计、信息处理、决策支持等方面验证了人工智能提升团队创造力的路径。目前，关于人工智能使用的赋能策略研究主要集中于宏观层面，在个体层面的探索有待进一步深入和细化。
基于注意力基础观理论，企业行为是组织引导和分配决策者注意力的结果[10]。一方面，人工智能使用弥补了信息冗余背景下员工注意力的局限性，协调企业的信息处理需求与环境模糊性、复杂性之间的冲突[11]，另一方面，员工对特定问题分配的注意力强度，决定了他们能否有效发掘利用与过往经验相悖的信息，人工智能辅助个体在多个信息源中优化注意力分配决策，从而增强创新想法被激活的可能性[12]。本研究分析了人工智能使用通过促进信息深度加工，进而提升员工创造力的路径。在此过程中，员工的自我决定可能会构成显著影响，即个体对于发起和调节自身行为感知到可凭借自己意志的程度[13]，因此进一步将自我决定引入作为调节变量，以此区分信息深度加工因人而异的不同影响过程。本研究试图探讨：1) 人工智能使用对员工创造力的促进作用；2) 这一促进作用是否被信息深度加工所中介；3) 自我决定是否调节信息深度加工的过程。以期拓展人工智能相关领域的研究，同时为组织和员工创新发展提供实践建议。
2. 文献回顾与研究假设
2.1. 人工智能使用与员工创造力
人工智能在工作场景中的应用对员工发挥创造力提出了新的要求和挑战。个体创造力由领域相关技能、创造力相关技能和内部工作动机构成，个体与人工智能的深度合作，在很大程度上有助于员工掌握领域新动态、综合信息、自主决策及构建工作流程[14]，从而促进相关技能和动机提升来激发创造力。
一方面，注意力基础观理论强调个体的注意力资源有限，在信息处理过程中需要减少注意力损耗以获取和利用相关信息。而在工作场景中，与任务相关且能够被激活的认知元素越多，个体产生创新想法的可能性就越高[15]，但受限于时间、精力和信息获取渠道，个体对所处环境进行选择性关注。人工智能使资源获取方式多样化、内容扩大化[16]，其对于重复且高认知需求的任务快速响应的特点，突破了个体注意力的局限性，更广泛的信息搜索有助于激发员工内部工作动机，提升必要技能，进而提高创造力。
另一方面，创新过程包含对各种关联因素的重组和方案的选择[17]，注意力基础观理论指出，个体在复杂的信息环境中需要对信息进行有效的整合和筛选，以做出合理的决策。人工智能的介入极大提升了知识的可及性[18]，可以更好地推动问题和解决方案的探索[19]，为创造力所需的自主性和胜任力提供情境注意力[20]。人工智能通过对收集到的大量信息进行分类、整理和分析，识别出信息之间的关联模式，为个体产生创造性想法提供支持。人工智能处理信息的深度有助于员工更好地整合信息来提升决策质量，通过相关技能的提高，进而提升创造力。由此可见，人工智能使用对员工创造力起着积极的促进作用。
H1：人工智能使用能提高员工创造力。
2.2. 信息深度加工的中介作用
信息深度加工是一个动态化的过程，涉及到信息的交换、理解和整合[21]，影响信息深度加工的因素包含任务信息和决策要求、任务动机以及任务能力三方面。在个体层面，由人工智能赋能信息处理到决策支持，再向员工自身的任务动机和能力转化，这一外部信息的内化过程中，人机交互越有可能引发信息和观点的深入和细化，员工参与信息阐述的主体性不断增强，对决策负责的成员因更强的动机和能力而进行更深入的信息处理。可见，人工智能使用对信息深度加工有着积极的作用。
注意力基础观理论认为员工在决策过程中为了获取信息不断消耗注意力，注意力在搜寻过程中的分配左右了最终的结果，在此过程中，与任务相关且能够被激活的认知元素越多，个体产生创新想法的可能性就越高[15]。在海量信息中，如何拓宽信息搜索渠道，并对冗余信息进行吸收整合是关键所在。信息深度加工作为一种知识源，不仅能为员工带来新的学习方法，还能促进知识积累[2]，以集中化的方式将更多注意力焦点聚焦于有价值的信息上，通过对元素的重新排列组合，新颖和有用的想法和创意就由此诞生了。由此，信息深度加工对员工创造力具有积极的影响。
通过使用人工智能，员工越能够参与信息深度加工，并且当所需资源在信息深度加工的过程中被满足，员工的创造力将会得到提升。注意力在此过程中如何被分配影响了创造力的结果，形成了一个“人工智能使用赋能外部信息内化最终导致个体结果”的过程。综上所述，信息深度加工在人工智能使用和员工创造力之间起中介作用。
H2：信息深度加工在人工智能使用和员工创造力之间起着中介作用。
2.3. 自我决定的调节作用
人工智能的快速发展重新定义了与员工之间的相互依存关系，以及他们如何共同执行任务[22] [23]。然而即使面对同样的组织环境和人工智能使用水平，不同个体对于自身行为自主性的感知也会有所差异，即员工自我决定。外部因素对员工激励有一定的作用，但关键在于员工自身形成坚定信念，进而才能影响其认知、动机，并对决策过程和质量产生影响[24]。基于注意力基础观理论的解释，我们将员工个体的感知与信息加工处理过程联系起来，个体对自身自主性的感知会影响他们决策的态度和信心程度[25]，这决定了员工如何通过人工智能来弥补注意力的消耗和再分配，以及是否关注外部资源对于信息处理工作的支持，在此过程中，员工的自我决定影响了人工智能的赋能程度，从而对信息深度加工的水平产生不同影响。
当个体在某项活动中感知到较高的自我决定时，会倾向于进行内部归因，这种对自身行为主导掌控能力的切实感知，进而会催生更高水平的内部驱动动机[26]。由于自我决定较强的员工对于开展他们的工作保持积极的态度，且在决策方面具有较高的自主权，在人工智能的外部支持下，员工可感知和可协调的资源增多，对人工智能的感知有用性和易用性得以增强，有助于推动员工更加主动地利用人工智能参与到信息处理过程中去，快速应对工作场景的变化，以实现利益最大化，因此，自我决定较高的员工对于使用人工智能促进信息深度加工的程度较高。与此相反，自我决定较低的员工在充分认识自我心理需求以及外界环境信息的基础上，对引入人工智能具有较小的外部支持感知，并引发与自身角色较大的冲突，人工智能使用要求员工具有较高的自我判断能力，这部分员工认为自身对于决策的可选择空间不大，则做出的自主性行为选择倾向于对人工智能投入较少的信任，因此，自我决定较低的员工对于使用人工智能促进信息深度加工的程度较低。
H3：自我决定正向调节了人工智能使用与信息深度加工之间的关系。即员工的自我决定越高，人工智能使用与信息深度加工之间的正向关系越强。
随着人工智能使用与信息深度加工之间关系的强化，信息深度加工所起的传递效应也随之增强。当员工的自我决定程度较高时，个体感知到的自主权较大，则会产生更高的内部动机，从而通过人工智能使用增强信息的有用性和易用性，更好地参与信息深度加工，激活更多可能产生创新想法的认知元素，进而提高创造力。反之，如果自我决定程度较低，员工可能会对人工智能产生较小的支持感知或主观回避，信息深度加工和员工创造力都会随之下降。因此，进一步提出调节性中介假设。
H4：自我决定正向调节了信息深度加工的中介作用。即员工的自我决定越高，员工信息深度加工的中介作用越明显，人工智能使用越容易通过信息深度加工提升员工的创造力。
基于上述假设，本研究构建的理论模型图如图1。
Figure 1. Theoretical model
图1. 理论模型图
3. 研究设计
3.1. 研究样本
研究对象为有一定工作经验且在组织中使用人工智能开展工作的员工，样本选取了人工智能使用程度较高的不同类型企业，包含国企、私企和外企等，这些企业的性质不同且信息化程度都较高，调研对象具有不同的背景特征。在取得被访员工同意后发放问卷，并加以解释说明。数据信息均通过两次调研来获取，每次之间相隔一个月，并对问卷进行编号，在发放时实现匿名性。在正式调研开始前，先进行了小范围样本的预调研，初始量表的信效度均通过检验，并根据调查分析结果对原始问卷进行进一步修改和完善，形成最终的调查问卷。
在正式调研阶段，采用电子问卷的形式累计发放问卷324份，剔除前后矛盾、信息缺失和规律性作答等30份无效问卷后，回收有效问卷共294份，回收率90.74%。样本数据中男性占比53.1%；年龄分布较分散；本科学历占47.3%，硕士及以上占43.5%，大专及以下占9.2%；5年以上工作经验的员工占45.9%，1年以下占33%；员工所在企业性质为民营/私营企业占33.3%，国有企业占20.7%，合资/外资企业占23.8%，也有部分员工所在事业单位或从事自由职业等其他；70.1%是一线员工，18.7%是基层管理者，11.2%是中高层管理者；人工智能使用年限为3年以上占比38.4%，1~3年占比27.2%，1年以下占比34.4%。
3.2. 变量测量
为了确保信效度，采用的量表均来自经过多次验证的国外成熟量表，并借鉴国内学者在研究中的使用，结合国内语境及实际情况进行翻译和适当修改，题项均采用Likert 5点量表进行测量。此外，将性别、年龄、受教育程度、工作年限、所在企业性质、职位以及使用人工智能年限作为控制变量。
人工智能使用采用Tang等(2022)在Medcof (1996)基础上改编的3个测量题项[14] [27]，如“我使用人工智能来完成我的大部分工作”，包含完成工作时的使用程度、使用时间以及参与决策三部分，α值为0.856。
信息深度加工采用Li等(2019)的4个测量题项[3]，如“在做出决定前，我尽可能广泛地与团队成员讨论备选方案”，α值为0.879。
员工创造力采用Tierney等(1999)的9个测量题项[28]，如“我在工作中敢于提出新想法”，通过考虑员工的特征、认知、内在动机以及与领导者的交互关系等，被测员工要求对九种创造性行为的程度进行自评，α值为0.910。
自我决定采用Spreitzer (1995)的3个测量题项[29]，并借鉴Chen等(2022)为适应研究背景对量表进行的改编[13]，如“我在决定如何完成我的工作方面拥有很大的自主权”，由被测员工自填在工作方式、工作进度和独立性三个方面的自主权程度，α值为0.844。
4. 实证分析
4.1. 测量模型
本研究虽然采用了两时点来收集数据，但是同一调查对象可能存在同源方差的问题，因此，通过控制未测量的潜在方法因子ULMC方法检验共同方法偏差。检验结果显示，RMR和RMSEA降幅均小于0.05，CFI和TLI增幅均小于0.1，与原模型差异并不显著，说明本调研数据不存在明显的共同方法偏差。
通过AMOS28.0对涉及的四个变量进行测量模型检验，结果见表1。由表1可知，四因子模型的各项指标均通过检验(χ2/df = 2.352, RMSEA = 0.068, TLI = 0.932, CFI = 0.942)，且各检验指标均明显优于其他任一模型，拟合效果最好，说明各因子间具有较好的区分效度。
Table 1. Results of confirmatory factor analysis
表1. 验证性因子分析结果
模型 |
因子结构 |
χ2/df |
χ2 |
df |
RMSEA |
TLI |
CFI |
零模型 |
A、B、C、D独立 |
5.834 |
886.770 |
152 |
0.128 |
0.757 |
0.784 |
四因子模型 |
A、B、C、D相关 |
2.352 |
343.406 |
146 |
0.068 |
0.932 |
0.942 |
三因子模型 |
A + B、C、D相关 |
4.057 |
604.526 |
149 |
0.102 |
0.846 |
0.866 |
三因子模型 |
A + D、B、C相关 |
3.580 |
533.346 |
149 |
0.094 |
0.870 |
0.887 |
二因子模型 |
A + D、B + C相关 |
4.488 |
677.762 |
151 |
0.109 |
0.825 |
0.845 |
单因子模型 |
A + B + C + D |
5.725 |
870.219 |
152 |
0.127 |
0.762 |
0.789 |
注：A表示人工智能使用、B表示信息深度加工、C表示员工创造力、D表示自我决定；“+”表示变量合并。
4.2. 相关性分析
Table 2. Results of descriptive statistical analysis and correlation analysis
表2. 描述性统计分析及相关性分析结果
|
均值 |
方差 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
1 |
0.53 |
0.250 |
|
|
|
|
|
|
|
|
|
|
2 |
32.17 |
89.423 |
0.515** |
|
|
|
|
|
|
|
|
|
3 |
2.34 |
0.411 |
−0.358** |
−0.372** |
|
|
|
|
|
|
|
|
4 |
2.64 |
1.815 |
0.513** |
0.863** |
−0.461** |
|
|
|
|
|
|
|
5 |
2.47 |
1.110 |
−0.07 |
0.033 |
−0.019 |
−0.062 |
|
|
|
|
|
|
6 |
1.41 |
0.468 |
0.247** |
0.380** |
0.003 |
0.384** |
0.027 |
|
|
|
|
|
7 |
2.04 |
0.729 |
0.597** |
0.716** |
−0.331** |
0.692** |
−0.041 |
0.304** |
|
|
|
|
8 |
3.05 |
1.484 |
0.407** |
0.417** |
−0.162** |
0.315** |
0.071 |
0.167** |
0.548** |
|
|
|
9 |
3.88 |
0.875 |
0.144* |
0.071 |
−0.018 |
0.028 |
−0.064 |
0.002 |
0.170** |
0.507** |
|
|
10 |
3.63 |
0.781 |
0.283** |
0.138* |
−0.085 |
0.133* |
−0.116* |
0.088 |
0.334** |
0.577** |
0.723** |
|
11 |
3.60 |
0.983 |
0.298** |
0.120* |
−0.106 |
0.121* |
0.02 |
0.082 |
0.271** |
0.552** |
0.512** |
0.669** |
注：1性别，2年龄，3受教育程度，4工作年限，5企业性质，6职位，7使用人工智能年限，8人工智能使用，9信息深度加工，10员工创造力，11自我决定；N = 294；*表示p < 0.05，**表示p < 0.01。
表2给出了各变量的均值、方差以及相关系数。相关系数显示，人工智能使用与信息深度加工(r = 0.507, p < 0.01)、员工创造力(r = 0.577, p < 0.01)呈显著正相关关系，信息深度加工与员工创造力呈显著正向相关(r = 0.723, p < 0.01)，为本研究的主效应和中介假设验证提供了初步依据。
4.3. 假设检验
本研究主要采用SPSS27.0进行假设检验，结果见表3。为保证结果的准确性，在回归分析之前进行多重共线性检验。结果显示，容忍度均大于0.1且VIF均小于10，说明不存在明显的多重共线性问题。
Table 3. Regression results of main effect, mediating effect and moderating effect
表3. 主效应、中介效应和调节效应回归结果
变量 |
员工创造力 |
信息深度加工 |
模型1 |
模型2 |
模型3 |
模型4 |
模型5 |
模型6 |
模型7 |
模型8 |
性别 |
0.279* |
0.127 |
0.167 |
0.122 |
0.176 |
0.010 |
−0.086 |
−0.083 |
年龄 |
−0.011 |
−0.026** |
−0.016* |
−0.021** |
0.007 |
−0.008 |
0.002 |
0.001 |
受教育程度 |
−0.011 |
−0.014 |
−0.023 |
−0.022 |
0.018 |
0.015 |
0.025 |
0.011 |
工作年限 |
−0.102 |
0.027 |
0.001 |
0.038 |
−0.161 |
−0.021 |
−0.047 |
−0.105 |
企业性质 |
−0.080 |
−0.115** |
−0.044 |
−0.064* |
−0.056 |
−0.095* |
−0.097* |
−0.085* |
职位 |
0.038 |
0.036 |
0.063 |
0.059 |
−0.040 |
−0.042 |
−0.052 |
−0.033 |
使用人工智能年限 |
0.432** |
0.125 |
0.270** |
0.169** |
0.254* |
−0.081 |
−0.076 |
−0.106 |
人工智能使用 |
|
0.425** |
|
0.174** |
|
0.464** |
0.317** |
0.287** |
信息深度加工 |
|
|
0.637** |
0.542** |
|
|
|
|
自我决定 |
|
|
|
|
|
|
0.311** |
0.375** |
人工智能使用 ×
自我决定 |
|
|
|
|
|
|
|
0.200** |
R2 |
0.161 |
0.386 |
0.590 |
0.618 |
0.055 |
0.294 |
0.365 |
0.411 |
Adj R2 |
0.141 |
0.368 |
0.578 |
0.606 |
0.032 |
0.274 |
0.345 |
0.390 |
F |
7.854** |
22.361** |
51.213** |
51.001** |
2.400* |
14.840** |
18.164** |
19.710** |
注：N = 294；*表示p < 0.05，**表示p < 0.01。
4.3.1. 主效应检验
如表3中的模型2所示，人工智能使用对员工创造力呈显著正向影响(β = 0.425, p < 0.01)，假设1得以验证。
4.3.2. 中介效应检验
表3模型6中人工智能使用对信息深度加工呈显著正向影响(β = 0.464, p < 0.01)，并且人工智能使用对员工创造力的影响由模型2的0.425 (p < 0.01)降低为模型4的0.174 (p < 0.01)，说明模型4加入信息深度加工后，人工智能使用的影响效应显著降低，中介作用得到初步检验。用Process插件进一步对中介结果进行验证，结果见表4，基于全样本数据，信息深度加工的间接效应显著([0.175, 0.335])，在人工智能使用与员工创造力的关系中起到部分中介作用，中介效应占总效应的比重为59.29%，结果验证了假设2。
Table 4. Test results of mediating effect
表4. 中介效应检验结果
|
效应值 |
Boot SE |
Bootstrap 95% CI |
占总效应比率 |
下限 |
上限 |
总效应 |
0.425 |
0.042 |
0.343 |
0.507 |
|
直接效应 |
0.174 |
0.038 |
0.099 |
0.249 |
|
间接效应 |
0.252 |
0.041 |
0.175 |
0.335 |
59.29% |
4.3.3. 调节效应检验
模型8给出了调节效应的验证结果，构建人工智能使用和自我决定的乘积项，这一乘积项对信息深度加工呈显著正向影响(β = 0.200, p < 0.01)。进一步以一个标准差为基准，绘制自我决定的调节效应图见图2，分析在不同的自我决定水平下，人工智能使用对信息深度加工的促进作用，结果表明，当自我决定较强时，人工智能使用对信息深度加工的促进作用更明显，因此假设3的调节作用得到验证。
使用Process插件，通过Bootstrap方法对假设4有调节的中介模型进行检验，结果见表5。结果显示，信息深度加工在不同的自我决定水平下所起的间接作用存在显著性差异，在低自我决定水平下中介效应值为0.048，在高自我决定水平下中介效应值为0.263，高低水平差异存在显著性([0.093, 0.227])，且有调节的中介作用显著([0.048, 0.168])，假设4有调节的中介作用得以验证。
Table 5. Test results of moderated mediating effect
表5. 有调节的中介效应检验结果
调节变量 |
效应值 |
Boot SE |
Bootstrap 95% CI |
下限 |
上限 |
低(−1 SD) |
0.048 |
0.043 |
−0.033 |
0.135 |
高(+1 SD) |
0.263 |
0.047 |
0.171 |
0.356 |
差异 |
0.156 |
0.034 |
0.093 |
0.227 |
有调节的中介 |
0.109 |
0.030 |
0.048 |
0.168 |
Figure 2. The moderating effect of self-determination
图2. 自我决定的调节效应
5. 结论与启示
5.1. 研究结论
本研究以注意力基础观理论为支撑，形成了有调节的中介作用模型。具体结论如下：
第三，自我决定不仅在人工智能使用和信息深度加工的关系间起到了正向调节作用，还起到了正向有调节的中介作用。在人工智能使用和信息深度加工的关系中，员工行为自主性的感知差异会影响其与人工智能的互动模式，信息深度加工及其所起的传递效应也随之影响，进一步影响员工创造力。
5.2. 理论贡献
第一，丰富和发展了数字经济时代人工智能使用的影响机制，并为员工创造力的前因变量研究提供了更多的可能性。基于新工作情景和创造力提升的新要求，本研究在一定程度上能够完善关于人工智能赋能机制的研究。
第二，拓展了注意力基础观的应用场景，尝试性地提出员工信息深度加工这一中介变量，从注意力的视角揭开了人工智能使用对员工创造力影响的“黑箱”，并丰富了人工智能赋能创造力提升的边界条件。
第三，从微观视角探究人工智能使用、信息深度加工和员工创造力之间的关系。现有研究集中于人工智能在宏观层面的赋能机制，本文为后续研究提供了新的思路。
5.3. 管理启示
第一，增强对人工智能的开发和利用，提升专业化、精细化程度。人工智能在现有组织中的利用效率和专业化程度普遍偏低，市场上也缺乏深耕不同行业进行精细化学习的机器，时常无法发挥出人工智能的实际决策作用。针对此现象，政府可以引导相关行业面向人工智能开放专业的学习数据，创业者可以将研发力度向专业化人工智能方向倾斜，企业应致力于打造一个能够促进人工智能研发、应用和不断创新的环境，吸引各方人才和资源参与其中，共同提升人工智能在行业内的专业化程度，更好地服务于组织和员工。
第二，提高组织内部人工智能水平，重视人机互动关系的融合发展。人工智能引入组织中本质上是对生产关系的重塑，许多企业仅仅将人工智能作为数据处理工具进行使用，并未意识到其对于迭代互动关系的颠覆，也有部分企业由于缺乏对人工智能引入后的培养，使得人工智能在组织中的融合受限。因此，在明确人工智能对于组织的战略性帮助下，企业应对自身使用人工智能的能力作出充分评估，使机器与员工相互适配，同时，也要加强对于员工技术学习能力的培育，带动组织内部与人工智能更好更快地融合。
第三，员工多措并举提升人机协作程度和能力。在组织引入人工智能后，员工如何使用人工智能以提升创造力至关重要。一是员工需要认识到人工智能的本质，加强与机器的互动配合，发挥人工智能的优势辅助决策；二是在利用人工智能的数据处理优势完成繁杂工作的同时，要不断加深个体信息深度加工的过程，面对海量数据和冗余信息时，关注到人工智能所提供的有价值的信息；三是提高自身的自我决定程度，提升对于个体的自我感知，主动积极地参与到信息阐述过程中去，对于创造力提升有很大的帮助。
5.4. 不足与展望
本研究的测量量表采用的都是自陈量表，这有可能会影响相关变量的准确测量，为了能够更加全面客观地评估这些变量，未来可以考虑引入他评的方法，提供更加全面准确的数据来源。此外，由于中国的组织情境和文化背景与西方国家存在差异，为了能够更加准确地测量中国组织中相关变量的影响，未来研究应着力于开发更具有代表性、适用于中国情境的成熟量表。未来也可以从更多元的理论和视角对相关问题进行探讨，例如关注个体目标清晰度的影响，或关注组织中的其他情境因素，也可以从其他路径来探索人工智能使用对员工产生的影响和作用。