1. 引言
人工智能技术正深刻改变企业的运作模式与人力结构，AI数字员工作为新兴工作形态，已逐步渗透至生产、管理等环节。然而，技术落地的关键瓶颈往往不在于技术本身，而在于员工的接受程度。现实中，企业员工普遍存在技术焦虑、技能断层及人机协作的抗拒心理，导致AI应用成效常低于预期。尽管技术接受模型(TAM)为理解用户采纳行为提供了经典框架，但其在AI情境下的解释力仍显不足。传统TAM侧重于“感知有用性”和“感知易用性”两大认知变量，未能充分纳入情感障碍与社会组织因素对员工接受行为的影响。尤其在AI可能替代人类工作的背景下，员工的工作保障焦虑与技术能力焦虑已成为不可忽视的心理阻力。同时，组织支持与群体规范也可能在AI采纳过程中扮演关键调节角色。为弥补上述研究缺口，本研究在TAM基础上，创新性地引入“工作保障焦虑”与“技术能力焦虑”两类情感变量，并整合“主观规范”与“企业支持”两类外部环境变量，构建一个适用于AI数字员工接受机制的综合理论模型。通过全国范围内10家企业400份问卷的实证分析，本研究旨在揭示焦虑情绪、组织支持与主观规范对员工接受AI的影响路径，为企业优化AI部署策略提供理论与实证依据。
2. 理论基础与研究假设
2.1. AI数字员工的概念
AI数字员工(AI Digital Employee)代表了一种基于人工智能技术构建的软件代理系统，它旨在模拟和增强人类员工在企业环境中的工作能力。这些系统不仅能执行特定的任务，还具备类人交互和持续学习的特征，能够处理传统上由人类完成的标准化或半结构化工作[1]。与通用人工智能模型或简单的机器人流程自动化(RPA)工具不同，AI数字员工更强调其在组织中的角色化、职责明确性以及与现有IT生态的深度整合能力。它们通常以虚拟形象、智能助手或后台服务代理的形式存在，并通过API集成、知识图谱和企业级安全治理框架实现功能。
2.2. 技术接受模型(TAM)
Davis于1989年提出了技术接受模型(Technology Acceptance Model, TAM)，该模型已成为该领域引用最广的理论基石。TAM脱胎于理性行为理论(TRA)，但其核心在于识别出两个决定用户接受意向的关键认知信念：感知有用性(Perceived Usefulness, PU)和感知易用性(Perceived Ease of Use, PEOU)。TAM假设，系统的使用态度由PU和PEOU共同决定，而使用态度进而影响使用意向，最终导致实际使用行为[2]。
将TAM确立为模型基石，确保了本研究与信息系统领域主流研究范式的有效对话，同时也肯定了技术自身属性在员工接受决策中不可动摇的基础性地位。据此，提出以下假设：
H1：感知有用性(PU)对企业员工使用AI数字员工的意愿(BI)具有显著的正向影响。
H2：感知易用性(PEOU)对企业员工使用AI数字员工的意愿(BI)具有显著的正向影响。
H3：感知易用性(PEOU)对感知有用性(PU)具有显著的正向影响。
2.3. 引入情感变量
李云等研究指出AI技术与传统信息技术的核心区别之一，在于其触及员工对职业安全与能力自信的根本感知[3]。为此，本研究引入“工作保障焦虑”与“技术能力焦虑”，构成“双焦虑”模型以揭示其独特的心理影响。
陈沛芹等研究将工作保障焦虑定义为人担心人工智能可能取代人类、夺走人类的工作，并使人类失去专业技能。工作保障焦虑指员工担心人工智能会取代人类工作、导致专业技能丧失的忧虑[4]。它源于员工对岗位被AI替代、进而引发失业或职业受阻的持续担忧。当员工认为AI旨在替代而非赋能时，无论技术本身多么有用易用，都可能触发心理防御，导致抵触。因此假设：
H4：工作保障焦虑对感知有用性有显著负向影响。
H5：工作保障焦虑对使用意愿有显著负向影响。
技术能力焦虑指员工对学习和使用人工智能所产生的焦虑与恐惧[4]。它表现为员工担忧自身知识滞后、操作失误引发事故(如决策偏差、数据泄露)而产生的无力感与紧张。这种焦虑超越了表面的“不易用”，核心是对自我效能与潜在风险的恐惧。因此假设：
H6：技术能力焦虑对感知易用性有显著负向影响。
H7：技术能力焦虑对使用意愿有显著负向影响。
“双焦虑”变量的引入，将研究视角从“认知–理性”评估扩展至“情感–风险”感知，深刻揭示了AI采纳过程中的非理性心理阻抗根源。
2.4. 引入社会与组织环境变量
员工对AI数字员工的接受行为深嵌于社会网络与组织环境中。为刻画外部影响，本研究引入“主观规范”与“企业支持”两个变量。
主观规范指个体感知到的、来自重要他人或群体的社会压力，即他人对其是否应采取某项行为的期望[5]。在本研究中，它涵盖同事使用行为与态度、行业领袖示范效应及企业内部的AI使用氛围。员工若感知到周围普遍积极使用AI数字员工，或获悉领先企业已将其作为核心竞争力，会产生遵从压力与技术落伍感。因此假设：
H8：主观规范对使用意愿有显著正向影响。
H9：主观规范对感知有用性有显著正向影响。
企业支持指企业为促进员工接受与使用AI数字员工所提供的系统性制度与资源支持[6]，包括：培训支持(带薪、系统、与岗位匹配的培训)；制度保障(明确事故责任认定、人员转型安置计划、承诺不因AI非自愿裁员)；激励措施(将AI使用效益与绩效考核、奖金挂钩)；技术保障(稳定可靠的技术平台与运维支持)。
有力的企业支持可缓解员工的“双焦虑”：培训支持降低技术能力焦虑，制度保障减少工作保障焦虑，激励措施提升感知有用性。因此假设：
H10：企业支持对感知易用性有显著正向影响。
H11：企业支持对感知有用性有显著正向影响。
H12：企业支持对工作保障焦虑有显著负向影响。
H13：企业支持对技术能力焦虑有显著负向影响。
研究模型如图1所示。
Figure 1. Research model
图1. 研究模型图
3. 研究方法
3.1. 样本选择
本研究以企业一线员工及基层、中层管理者为研究对象，所选企业均已部署、试点或开展AI数字员工相关认知培训。采用非概率抽样中的目的性抽样与滚雪球抽样相结合的方法，通过合作企业渠道，向全国范围内金融、制造、互联网、能源、服务业等10家企业发放问卷。共回收有效问卷400份，满足结构方程模型分析的基本样本量要求(N > 200)，且样本结构具有一定行业代表性[7]。
3.2. 变量与量表设计
问卷设计严格遵循社会科学研究的标准化流程，历经理论构念界定、初始题项生成、小组讨论、预测试与最终定稿五个阶段，以确保测量工具兼具理论准确性与情境适用性。
问卷主体对所有潜变量(感知有用性、感知易用性、工作保障焦虑、技术能力焦虑、主观规范、企业支持及使用意愿)均采用反射性测量模型。题项主要源于成熟量表，并结合AI数字员工的自主性、交互性及替代效应等具体情境进行了针对性改编。
所有核心变量均采用李克特五级量表(1 = 非常不同意，5 = 非常同意)进行测量[8]。在题项初稿完成后，研究团队组织了专家小组进行多轮审议，重点评估内容效度与表述清晰度，并据此对题项进行了删改与润色。量表中引入了反向计分题项(在表中以“(R)”标注)，在后续数据分析时将进行统一的数据转换处理。
各变量的具体测量题项设计逻辑详述如表1所示：
Table 1. Evaluation indicators and their measurement items
表1. 评价指标及观测问题项
维度 |
编号 |
测量题项 |
感知有用性(PU) |
PU1 |
AI数字员工能帮助我更快速地完成工作任务 |
PU2 |
AI数字员工提供的数据分析能优化我的工作决策质量 |
PU3 |
使用AI数字员工能显著减少工作中的操作失误率 |
感知易用性(PEOU) |
PEOU1 |
AI数字员工的操作界面简洁直观，无需复杂培训即可上手 |
|
PEOU2 |
AI系统能智能识别我的操作意图，交互过程自然流畅 |
PEOU3 |
AI系统能根据我的操作习惯自动优化界面布局 |
PEOU4 |
操作界面的设备急停按钮响应及时无延迟感 |
PEOU5 |
AI数字员工可将数据报告一键导出 |
工作保障焦虑(JSA) |
JSA1 |
我担忧当前核心岗位职责将在未来2年内被AI完全代替 |
JSA2 |
公司AI技术迭代速度让我难以获得新岗位所需技能 |
JSA3 |
管理层未明确承诺“不因AI替代裁员”(R) |
技术能力焦虑(TCA) |
TCA1 |
当AI系统突发故障时，我常因技术知识不足无法及时处理 |
TCA2 |
操作AI系统时，我忧虑误操作会导致生产事故或数据泄露 |
TCA3 |
同时监控多个AI界面让我感到注意力难以集中 |
TCA4 |
若AI引发事故，公司制度明确要求我承担主要责任(R) |
主观规范(SI) |
SI1 |
我的直接同事经常在工作中使用AI数字员工 |
SI2 |
同事普遍认可AI数字员工的价值，并积极推荐我使用 |
SI3 |
行业标杆企业的AI应用案例让我觉得必须掌握相关技能 |
SI4 |
我经常看到同事绕过AI使用传统方式工作(R) |
企业支持(ES) |
ES1 |
公司提供的带薪AI培训时间完全满足我的技能需求 |
ES2 |
培训内容针对我的岗位痛点(如故障处理/决策优化) |
ES3 |
《AI转型协议》能有效保障我被替代后的薪酬水平 |
ES4 |
公司未建立清晰的AI事故责任认定标准(R) |
ES5 |
因AI节省的成本会通过绩效奖金返还员工 |
使用意愿(BI) |
BI1 |
我愿意在日常工作中主动尝试使用AI数字员工 |
BI2 |
我会向新员工推荐使用AI数字员工提高效率 |
BI3 |
即使没有强制要求，我也计划在后续工作中增加AI使用频率 |
BI4 |
当前版本的AI系统存在风险，我建议暂停推广使用(R) |
通过上述系统、严谨的问卷设计过程，本研究力求所获数据能够真实、可靠地反映各理论构念，为后续的实证检验奠定坚实的基础。
4. 实证分析
4.1. 信效度检验
本研究采用 Cronbach’s α系数检验量表的信度，各潜变量的α值介于0.815至0.891之间(见表2)，均高于0.7的标准，表明量表具有较好的内部一致性[9]。
对所有因子进行效度检验，KMO值为0.929，远高于0.7的阈值标准，表明变量间存在显著的共同因素，样本数据非常适合进行因子分析；Bartlett球形度检验的近似卡方值为6154.975 (自由度为378)，对应的P值为0.000且在1%水平上显著，进一步证实数据具有显著的因子分析适用性[10]。两项检验结果综合表明，当前数据集满足效度分析的基本前提条件，变量间相关性强度与结构均支持后续因子分析的合理性。见表3。
Table 2. Reliability test results
表2. 信度检验表
变量 |
题项数 |
Cronbach’s α |
PU |
3 |
0.815 |
PEOU |
5 |
0.886 |
JSA |
3 |
0.817 |
TCA |
4 |
0.86 |
BI |
4 |
0.879 |
SI |
4 |
0.867 |
ES |
5 |
0.891 |
Table 3. KMO and Bartlett’s test
表3. KMO检验和Bartlett检验
KMO值 |
0.929 |
Bartlett球形度检验 |
近似卡方 |
6154.975 |
df |
378 |
P |
0 |
对单个因子进行效度检验，如表4所示，所有七个变量的KMO值均高于0.7的可接受标准，其中绝大多数更是达到了0.8以上的“良好”水平，同时各变量的巴特利特球形检验P值均显著小于0.001。这些数据充分表明，每个变量下属的题项之间均存在显著且紧密的相关关系，数据非常适合进行因子分析，从而有力地证明了本量表具有优异的结构效度，问卷调查很好地反映实际情况。
Table 4. Validity test results
表4. 效度检验表
变量 |
题项数 |
KMO值 |
P |
PU |
3 |
0.718 |
0 |
PEOU |
5 |
0.883 |
0 |
JSA |
3 |
0.822 |
0 |
TCA |
4 |
0.86 |
0 |
BI |
4 |
0.83 |
0 |
SI |
4 |
0.823 |
0 |
ES |
5 |
0.886 |
0 |
通过信效度检验后，继续使用验证性因子分析模型判断问卷的样本数据和假设的模型结构是否与实际情况一致，主要判断选取的潜变量是否合适，是否能够研究员工对数字员工的使用意愿。本研究的验证性因子分析结果表明，测量模型具有优异的信度与效度。所有观测变量在其对应潜变量上的标准化载荷系数均大于0.7，且在1%水平上显著，证明了良好的聚合效度。各潜变量的平均变异抽取量(AVE)介于0.595至0.646之间，组合信度(CR)介于0.815至0.891之间，全部高于0.5和0.7的临界标准，充分说明量表各维度内部具有高度一致性和可靠的聚合效度，AVE值和CR值具体情况见表5。
Table 5. Results of confirmatory factor analysis (CFA)
表5. 验证性因子分析表
因子 |
变量 |
Estimate |
STD |
z |
S.E. |
P |
AVE值 |
CR值 |
感知有用性 |
PU1 |
1 |
0.778 |
- |
- |
- |
0.595 |
0.815 |
PU2 |
1.012 |
0.777 |
14.269 |
0.071 |
0.000*** |
PU3 |
1.026 |
0.761 |
14.07 |
0.073 |
0.000*** |
感知易用性 |
PEOU1 |
1 |
0.782 |
- |
- |
- |
0.608 |
0.886 |
PEOU2 |
0.971 |
0.766 |
15.878 |
0.061 |
0.000*** |
PEOU3 |
1.022 |
0.784 |
16.332 |
0.063 |
0.000*** |
PEOU4 |
0.98 |
0.776 |
16.121 |
0.061 |
0.000*** |
PEOU5 |
1.047 |
0.79 |
16.476 |
0.064 |
0.000*** |
工作保障焦虑 |
JSA1 |
1 |
0.719 |
- |
- |
- |
0.602 |
0.819 |
JSA2 |
1.087 |
0.804 |
13.865 |
0.078 |
0.000*** |
JSA3 |
1.151 |
0.801 |
13.832 |
0.083 |
0.000*** |
技术能力焦虑 |
TCA1 |
1 |
0.788 |
- |
- |
- |
0.608 |
0.861 |
TCA2 |
0.97 |
0.763 |
15.476 |
0.063 |
0.000*** |
TCA3 |
1.057 |
0.815 |
16.6 |
0.064 |
0.000*** |
TCA4 |
0.979 |
0.751 |
15.219 |
0.064 |
0.000*** |
主观规范 |
SI1 |
1 |
0.81 |
- |
- |
- |
0.622 |
0.868 |
SI2 |
0.886 |
0.752 |
15.859 |
0.056 |
0.000*** |
SI3 |
0.955 |
0.788 |
16.798 |
0.057 |
0.000*** |
SI4 |
0.938 |
0.8 |
17.092 |
0.055 |
0.000*** |
企业支持 |
ES1 |
1 |
0.787 |
- |
- |
- |
0.62 |
0.891 |
ES2 |
0.985 |
0.791 |
16.69 |
0.059 |
0.000*** |
ES3 |
0.972 |
0.776 |
16.332 |
0.06 |
0.000*** |
ES4 |
0.981 |
0.798 |
16.87 |
0.058 |
0.000*** |
ES5 |
0.975 |
0.785 |
16.553 |
0.059 |
0.000*** |
使用意愿 |
BI1 |
1 |
0.813 |
- |
- |
- |
0.646 |
0.88 |
BI2 |
0.957 |
0.799 |
17.339 |
0.055 |
0.000*** |
BI3 |
0.991 |
0.813 |
17.725 |
0.056 |
0.000*** |
BI4 |
0.928 |
0.79 |
17.117 |
0.054 |
0.000*** |
注：***、**、*分别代表1%、5%、10%的显著性水平。下同。
4.2. 结构方程模型分析
为验证测量的变量是否有效，研究用结构方程模型对模型进行检验和评估[11]，使用AMOS24软件对影响员工对企业员工对数字员工使用意愿的各因素进行建模运算，构建出结构方程模型，如图2所示。
对结构方程模型进行分析如表6所示，模型整体拟合优度良好：卡方自由度比(χ2/df)为1.421，优于2的临界标准，表明理论模型与实证数据之间具有较高的匹配度，可以进行后续的路径分析与假设检验。
Figure 2. Structural equation modeling (SEM) diagram
图2. 结构方程模型图
Table 6. Model fit indices
表6. 拟合优度检验表
Model |
NPAR |
CMIN |
DF |
P |
CMIN/DF |
Default model |
71 |
475.993 |
335 |
0.000 |
1.421 |
Saturated model |
406 |
0.000 |
0 |
|
|
Independence model |
28 |
6315.906 |
378 |
0.000 |
16.709 |
4.3. 假设检验与路径分析
基于结构方程模型的路径系数与显著性检验结果(见表7)，本研究对提出的13条研究假设进行了逐一验证。
Table 7. Path coefficients of the structural equation model
表7. 结构方程模型路径系数表
路径 |
Estimate |
S.E. |
C.R. |
P |
Label |
感知易用 |
← |
主观规范 |
0.280 |
0.050 |
5.663 |
*** |
|
感知易用 |
← |
企业支持 |
0.379 |
0.052 |
7.259 |
*** |
|
感知有用 |
← |
感知易用 |
0.232 |
0.063 |
3.678 |
*** |
|
技术能力焦虑 |
← |
感知易用 |
−0.236 |
0.061 |
−3.887 |
*** |
|
技术能力焦虑 |
← |
主观规范 |
−0.321 |
0.052 |
−6.165 |
*** |
|
感知有用 |
← |
主观规范 |
0.307 |
0.053 |
5.743 |
*** |
|
感知有用 |
← |
企业支持 |
0.190 |
0.055 |
3.464 |
*** |
|
工作保障焦虑 |
← |
主观规范 |
−0.444 |
0.056 |
−7.861 |
*** |
|
技术能力焦虑 |
← |
企业支持 |
−0.174 |
0.053 |
−3.312 |
*** |
|
工作保障焦虑 |
← |
企业支持 |
−0.251 |
0.053 |
−4.729 |
*** |
|
使用意愿 |
← |
技术能力焦虑 |
−0.094 |
0.069 |
−1.363 |
0.173 |
|
使用意愿 |
← |
工作保障焦虑 |
−0.088 |
0.063 |
−1.386 |
0.166 |
|
使用意愿 |
← |
感知易用 |
0.290 |
0.068 |
4.269 |
*** |
|
使用意愿 |
← |
感知有用 |
0.241 |
0.073 |
3.316 |
*** |
|
使用意愿 |
← |
主观规范 |
0.250 |
0.067 |
3.733 |
*** |
|
4.3.1. 技术接受模型核心路径检验
H1 (感知有用性→使用意愿)路径系数为0.241，P值显著(P < 0.001)，假设成立；
H2 (感知易用性→使用意愿)路径系数为0.290，P值显著(P < 0.001)，假设成立；
H3 (感知易用性→感知有用性)路径系数为0.232，P值显著(P < 0.001)，假设成立。
结果表明，TAM核心路径在本研究情境下依然稳健，感知有用性与感知易用性对员工使用AI数字员工的意愿具有显著正向影响，且感知易用性通过提升感知有用性间接增强使用意愿。
4.3.2. 情感障碍路径检验
H4 (工作保障焦虑→感知有用性)路径系数为−0.088，P = 0.166，不显著，假设不成立；
H5 (工作保障焦虑→使用意愿)路径系数为−0.088，P = 0.166，不显著，假设不成立；
H6 (技术能力焦虑→感知易用性)路径系数为−0.236，P < 0.001，假设成立；
H7 (技术能力焦虑→使用意愿)路径系数为−0.094，P = 0.173，不显著，假设不成立。
可见，尽管技术能力焦虑显著降低了员工对系统易用性的评价，但两类焦虑对使用意愿的直接负面影响均不显著，说明焦虑情绪更多是间接影响行为意愿。
4.3.3. 社会与组织环境路径检验
H8 (主观规范→使用意愿)路径系数为0.250，P < 0.001，假设成立；
H9 (主观规范→感知有用性)路径系数为0.307，P < 0.001，假设成立；
H10 (企业支持→感知易用性)路径系数为0.379，P < 0.001，假设成立；
H11 (企业支持→感知有用性)路径系数为0.190，P < 0.001，假设成立；
H12 (企业支持→工作保障焦虑)路径系数为−0.251，P < 0.001，假设成立；
H13 (企业支持→技术能力焦虑)路径系数为−0.174，P < 0.001，假设成立。
结果表明，主观规范与企业支持在员工接受AI数字员工过程中发挥了关键作用。主观规范不仅能直接促进使用意愿，还能通过提升感知有用性与易用性间接增强意愿；企业支持则全面提升了员工对技术的正面认知，并有效缓解了其焦虑情绪。
5. 结论与启示
5.1. 研究结论
本研究基于拓展的技术接受模型，结合“工作保障焦虑”与“技术能力焦虑”两类情感障碍变量，以及“主观规范”与“企业支持”两类外部环境变量，构建了一个整合性的AI数字员工接受机制模型，并通过400份有效问卷与结构方程模型进行了实证检验。主要研究结论如下：
感知有用性与感知易用性对员工使用AI数字员工的意愿具有显著正向影响，且感知易用性通过提升感知有用性产生间接促进作用。
技术能力焦虑显著负向影响感知易用性，但两类焦虑对使用意愿的直接负面影响均不显著，表明焦虑情绪更多是通过认知评价的中介路径间接作用于行为意愿。
主观规范不仅能直接促进使用意愿，还能通过提升感知有用性与易用性产生间接影响；企业支持则被证明是关键的前因变量，既能直接增强员工对技术的正面认知，又能有效缓解其“双焦虑”。
5.2. 发展建议
基于上述结论，本研究从组织管理与实践推进角度提出以下建议：
企业应优化AI系统的交互设计，提升操作的直观性与反馈的及时性，降低使用门槛；同时通过场景化培训与案例展示，突出AI在提升工作效率、优化决策等方面的实际价值。
针对技术能力焦虑，应提供分层、分阶段的技能培训与实操演练，建立“AI导师制”或“人机协作模拟平台”；针对工作保障焦虑，企业应明确发布“人机协同”战略，承诺“不因AI替代裁员”，并建立内部转岗与再培训机制。
通过内部宣传、榜样示范、团队分享等方式，塑造“AI赋能”而非“AI替代”的组织共识；鼓励中层管理者与技术骨干带头使用并推广AI工具，形成正向群体压力。
企业应将AI部署视为系统性工程，整合技术平台、制度保障(如责任界定、激励机制)与文化引导，形成协同推进的“双轨支持体系”，从根本上提升员工的接受度与使用意愿。
值得注意的是，本研究发现“工作保障焦虑”与“技术能力焦虑”对使用意愿的直接影响均不显著，这可能源于本研究所选取的企业样本多处于AI系统强制推广阶段，员工在组织压力下可能表现出“服从性使用意愿”，从而削弱了焦虑对意愿的直接负向影响。此外，强大的主观规范与企业支持体系可能起到了情绪缓冲与行为引导作用，使员工更倾向于通过提升适应能力而非抗拒使用来应对焦虑。未来研究可进一步引入“组织强制程度”“个体应对策略”等变量，以更细致地揭示AI接受过程中的复杂心理机制。