摘 "要""隨著數(shù)字科技的發(fā)展， 人工智能為組織帶來了新的機會和挑戰(zhàn)， 其在工作場所中的應用對員工行為和心理的影響日益得到學術界的密切關注。但相關影響方向、程度和邊界等研究結論尚未取得共識。本研究對包含85個結果變量， 150個效應量的64篇國內(nèi)外文獻進行了元分析。研究發(fā)現(xiàn)：工作場所AI應用有助于觸發(fā)員工工作投入、組織承諾、工作幸福感等積極心理， 調(diào)動其知識共享、數(shù)字創(chuàng)新、工作重塑等積極行為， 但同時也會引發(fā)員工焦慮、離職傾向、工作不安全感等消極心理， 出現(xiàn)知識隱藏、工作退縮、服務破壞等消極行為， 且AI應用類型、行業(yè)類型以及AI應用測量方式對上述關系有不同程度的調(diào)節(jié)作用。研究結論表明工作場所AI應用是一柄雙刃劍， 它既可以作為技術支持豐富員工心理資源， 激發(fā)積極行為， 亦會給員工造成威脅從而消耗心理資源， 引發(fā)消極行為。本研究在工作要求?資源模型的理論框架下， 明晰了工作場所AI應用與員工行為和心理結果變量間的關系效果以及邊界條件， 對組織科學地調(diào)整AI管理方式、引導員工正確認識AI以有效發(fā)揮其價值具有指導意義。

關鍵詞""工作場所， 人工智能應用， 積極行為和心理， 消極行為和心理， 元分析

分類號""B849： C93

1""引言

近年來， 人工智能（Artificial Intelligence， AI）技術在工作場所得到廣泛運用， 虛擬助手、智能機器人等AI工具開始輔助或替代過去由人類承擔的工作。AI應用以更具協(xié)作性的方式將員工從重復、沉悶的工作任務中解放出來， 使員工能更加專注于提高自身專業(yè)技能以從事高價值創(chuàng)造性活動（Chuang， 2021）。例如， 通過部署虛擬助理來管理員工的工作量并提高其業(yè)務績效（Brachten "et al.， 2020）; 通過智能機器人實現(xiàn)任務自動化并提高工作效率， 幫助員工進一步了解客戶個性化偏好和市場變化， 以提供更優(yōu)質(zhì)的客戶服務（Wang， Lin， et al.， 2022）。AI賦能下靈活的工作設計和遠程工作模式還提高了員工的工作滿意度（Singh amp; Tarkar， 2022）。

然而， 一些學者也關注到了AI應用的“黑暗面”。AI在工作場所中的合法性應用可能導致大規(guī)模失業(yè)（Smith amp; Anderson， 2014）， 員工正日益強烈地表達出對AI應用可能帶來失業(yè)等后果的擔憂（Rampersad， 2020）。AI技術賦能傳統(tǒng)行業(yè)后導致工作內(nèi)容和業(yè)務流程發(fā)生變化也給員工提出了更高的崗位能力要求（朱曉妹 等， 2021）。AI應用所帶來的挑戰(zhàn)已成為員工不可避免的壓力源（Brougham amp; Haar， 2020）， 使員工在工作中感到不安全、個人價值被低估（Li et al.， 2019）， 工作滿意度和組織承諾降低， 離職傾向和抑郁等消極狀態(tài)更加突出（Raj amp; Seamans， 2019）。

近5年來， 關于AI主題的文獻數(shù)量迅速增加， AI應用對員工行為和心理影響的相關實證研究也在不斷涌現(xiàn)。已有研究結論呈現(xiàn)以下特點：

第一， 不同研究中報告的AI應用與員工行為和心理變量的關系呈現(xiàn)出較大差異。有研究表明AI應用會對工作績效、工作重塑、工作投入、工作滿意度等積極行為或心理產(chǎn)生正向影響（盛曉娟 等， 2022; Brachten et al.， 2020; Prentice et al.， 2023; Wang， Lin， et al.， 2022; Wijayati et al.， 2022）， 而另一些研究則發(fā)現(xiàn)AI應用會降低工作績效、工作重塑、組織承諾、工作滿意度等（Brougham amp; Haar， 2018; Kong et al.， 2021; Matsunaga， 2021; Song et al.， 2022）。與此類似， 盡管諸多研究表明AI應用會加劇員工的退縮行為、離職傾向、情緒耗竭、焦慮等消極效果（張恒 等， 2024; 朱曉妹 等， 2020; Man Tang et al.， 2022; Xu et al.， 2023a）， 但另一方面， AI應用也在一定程度上緩解了員工的工作載荷、角色沖突、身心疲勞等（Man Tang et al.， 2022; Qiu et al.， 2022; Ro?man et al.， 2023）。

第二， AI應用對員工行為和心理的影響結論存在差異的理論機制有待進一步厘清。以往研究大多基于資源、認知和情感等視角挖掘AI應用對單一結果變量的影響路徑（Brougham amp; Haar， 2018; Shaikh et al.， 2023; Xu et al.， 2023a， 2023b）， 少數(shù)文獻對工作場所AI應用產(chǎn)生的影響進行了綜述（Zirar et al.， 2023）， 但仍缺乏基于某一理論框架對工作場所AI應用與員工的行為和心理結果變量間關系進行系統(tǒng)的定量整合研究。一方面， AI應用通過提供工作資源、改善工作設計， 解放員工的生產(chǎn)力從而讓員工有更多時間從事創(chuàng)造性任務， 另一方面， 人機協(xié)作需要員工具有更高的數(shù)字化素養(yǎng)和數(shù)字化技能（Zirar et al.， 2023）。因此， AI的資源支持屬性賦予員工諸多積極體驗， 然而它在某些方面也給員工帶來消極后果。但這種影響程度究竟如何？現(xiàn)有研究尚未給出答案。工作要求?資源模型認為， 工作資源和工作要求共同決定了個體資源的盈虧狀態(tài)， 該盈虧狀態(tài)決定了員工的工作狀態(tài)（Hobfoll， 1990， 2011）。因此， 明晰和比較AI應用對員工的影響方向和影響效應， 有助于深化對AI應用作用效果的整體認識。

第三， 現(xiàn)有研究結論的不一致， 提醒研究者要充分考慮AI應用影響員工行為和心理的情境因素， 重視AI應用影響結果變量的邊界條件。Raisch和Krakowski （2021）提出了AI與人協(xié)作時的角色可分為增強智能和自動化智能， 并在研究中強調(diào)了前者的好處， 對后者的影響持消極態(tài)度。增強智能意味著員工與AI密切協(xié)作來完成任務， 而自動化智能則意味著AI接管員工的任務。AI應用類型不同， 其對員工的影響效果及影響機理可能大相徑庭。但相關實證研究較為缺乏。另一方面， AI應用已悄然覆蓋各行各業(yè)， 其帶來的工作環(huán)境變化和工作要求轉變對于不同行業(yè)員工的影響也存在差異， 特定行業(yè)情境下的研究結果難以具有普適性。因此， 有必要深入考察AI應用類型以及行業(yè)類型的潛在調(diào)節(jié)作用， 深化對其作用效果在不同情景下的理解。

為探討上述問題， 本研究發(fā)揮元分析能夠克服單一實證研究在測量和取樣等方面的局限性， 基于工作要求?資源模型運用元分析方法整合眾多單個研究結果進行綜合再分析（衛(wèi)旭華， 2021）， 期望在三個方面取得進展：第一， 探究工作場所AI應用與員工積極行為、積極心理效應以及消極行為、消極心理效應間的關系強度和方向， 以期澄清過往不一致的結論和填補定量整合的空白。第二， 基于整合理論框架， 梳理AI作為一項新技術引入組織后給員工行為和心理造成影響的理論邏輯， 厘清其作用的具體影響路徑。第三， 探明AI應用對員工行為和心理的影響是否受到AI類型、行業(yè)類型以及測量方式的潛在影響， 以期為AI與員工結果之間的關系提供一個更清晰全面的整體圖景， 為后續(xù)實踐界因地制宜發(fā)揮AI優(yōu)勢以及學術界相關實證研究的方法設計提供理論依據(jù)。

1.1""人工智能的概念界定

早期的研究者們認為AI是對人類智能過程的模擬， 它基于計算機技術和計算系統(tǒng)自動從經(jīng)驗中學習并執(zhí)行人類的任務， 幫助人類提高工作效率（Aghaei et al.， 2012）。此后關于AI的定義也在研究中不斷發(fā)展和完善。大部分學者將其定義為“能夠正確識別和解釋外部數(shù)據(jù)， 從中學習適應， 并靈活地利用學習成果獨立實現(xiàn)特定的組織目標和任務的系統(tǒng)” （Bag et al.， 2021; Challen et al.， 2019; Haenlein amp; Kaplan， 2019; Mikalef amp; Gupta， 2021）。相比于一般性自動化軟件或機器人按照事先的指令或流程化的代碼運行， AI則具備了較高的認知能力， 能通過計算機視覺、語音識別、自然語言處理等技術即興自主創(chuàng)作， 提高信息輸出能力。相比于傳統(tǒng)算法通過一系列指令組合按精準步驟和規(guī)則完成目標任務， AI則基于編程， 利用數(shù)據(jù)和網(wǎng)絡構建更高邏輯層次的復雜系統(tǒng)， 并隨著數(shù)據(jù)持續(xù)輸入而不斷開發(fā)、調(diào)整和自我升級（Li amp; Du， 2017）。借鑒前人研究成果， 本研究將AI界定為：（1）具有認知和反饋能力的嵌入式智能工具， 如虛擬助手等; （2）無需遵循固定程序或流程化腳本即可自主工作的智能機器人， 如機器人服務員等; （3）基于以大數(shù)據(jù)驅動的機器學習能力以實現(xiàn)高效管理和決策的AI算法。

1.2""人工智能在現(xiàn)實中的應用

當前， AI技術和AI工具在各類組織中的應用呈指數(shù)級增長（Balakrishnan amp; Dwivedi， 2024; Dwivedi et al.， 2021; Torre et al.， 2021）。在酒店行業(yè)， 禮賓機器人常被用于接待顧客， 客房里也廣泛安裝虛擬語音助手（Ivanov et al.， 2017）; 在咨詢服務行業(yè)， 則引入基于AI的情緒識別軟件幫助員工管理客戶情緒（Henkel et al.， 2020）; 在餐飲行業(yè)， 使用AI智能廚房管理系統(tǒng)實現(xiàn)對餐食的精確和動態(tài)管理并使用服務機器人上菜（Ding， 2021）?；贏I算法和智能風險管理的AI投資決策在金融領域也越來越受歡迎（Guo amp; Polák， 2021; Ren， 2021）， 銀行銷售代理利用AI智能柜臺開展業(yè)務（高萍， 2021）。基于AI技術的醫(yī)學成像、疾病診斷、藥物發(fā)現(xiàn)、各種實時跟蹤患者健康狀況的設備也為醫(yī)療從業(yè)者了提供巨大支持（Wang et al.， 2023）。教育領域也廣泛運用AI技術智能化批改學生作業(yè)（Cao， 2021; Huang et al.， 2021）。此外， 前幾年新冠疫情客觀上也加快了AI的應用進程（Gentilini et al.， 2020）。疫情期間， 企業(yè)利用AI遠程安排員工辦公， 利用聊天機器人滿足客戶的需求等措施， 進一步掀起了AI在工作場景下應用的新熱潮（Aylett-Bullock et al.， 2020; Howard amp; Borenstein， 2020）。

2""文獻回顧與研究假設

2.1""工作場所人工智能應用與員工的行為和心理

本研究將以往研究中關于AI應用對員工行為和心理產(chǎn)生影響的效應分成4種類型：積極行為、積極心理、消極行為以及消極心理， 具體概念界定見表1， 并基于該分類進行工作場所AI應用與4類效應之間整體相關關系的元分析探索。

本研究以工作要求?資源模型為基礎， 探究和解釋了工作場所AI應用與員工行為和心理的關系。工作要求?資源模型指出， 工作資源和工作要求共同決定了個體資源的盈虧狀態(tài)， 繼而影響員工的工作狀態(tài)（Hobfoll， 1990， 2011）。工作資源指的是工作中物質(zhì)、心理、組織等方面提供的支持和幫助， 工作要求則指的是完成任務所需持續(xù)付出的物質(zhì)和心理成本。具體而言， 工作資源是可以減少員工由工作引起的物質(zhì)和心理消耗的“增益因素” （Bakker et al.， 2003）， 它能激發(fā)員工的積極工作態(tài)度， 進而促進其產(chǎn)生積極工作行為（Bakker et al.， 2014）。工作資源不僅可以緩沖工作要求的負面影響， 還能直接給員工帶來積極效應（Walsh et al.， 2015）。一般而言， 工作要求是消耗員工資源的“損耗因素”， 給員工帶來負面認知， 進而對員工的行為和心理造成消極影響（Huang "et al.， 2016）。只有當工作要求被認為具有挑戰(zhàn)性時， 它才可能會促進員工的工作表現(xiàn)（Lesener et al.，"2019; Zhang et al.， 2020）。

本研究認為， AI應用為員工完成任務提供了所需要的工作資源， 促進其工作目標實現(xiàn)的同時也能促進個人成長、學習和發(fā)展， 實現(xiàn)資源增益。首先， AI技術賦能員工整合內(nèi)外部資源， 有助于提高員工的工作績效（盛曉娟 等， 2022）。如AI虛擬助理可以為員工提供即時和個性化的建議和指導， 提高員工工作滿意度（Dutta amp; Mishra， 2021）。與虛擬助理、擬人化AI的溝通還可以在工作場所中創(chuàng)造良好的人機合作氛圍， 滿足員工的工具需求和關系需求， 提升員工積極情緒（Qiu et al.， 2022）， 有利于讓員工更多更好地投入到工作中（Dutta amp; Mishra， 2021）。其次， AI技術的發(fā)展和普及在提高了工作效率的同時也催生了新的工作機會， 員工能充分利用AI工具積極共享知識（Shaikh et al.， 2023）， 促進非正式學習（Xu et al.， 2023b）， 提高個人生產(chǎn)力和創(chuàng)新水平（Ding， 2021， 2022）， 使自己在工作中更具競爭力。

然而， 工作場所AI應用帶來的資源通常也伴隨著高工作要求， 可能會給員工帶來工作壓力。首先， 員工必須專注于學習新的技能和專業(yè)知識（Dunlap amp; Lacity， 2017）， 這給他們提出了更高的工作負荷、工作強度和工作技能要求（朱曉妹 等， 2021; Zhu amp; Kanjanamekanant， 2022）， 員工需消耗額外的心理資源來獲得平衡。有研究發(fā)現(xiàn)， 與服務機器人共事的員工經(jīng)常感覺到來自機器人的競爭壓力， 導致他們無法提供高質(zhì)量的服務（Hobfoll et al.， 2018）， 并且更容易出現(xiàn)服務破壞等消極行為（Ma amp; Ye， 2022）。此外， 在工作中頻繁地與缺乏情境化和個性化體驗的智能機器互動， 員工孤獨感和疏離感更強， 不斷的損耗不僅導致員工失去工作動力產(chǎn)生退縮行為， 還會產(chǎn)生溢出效應加劇家庭退縮行為， 給生活帶來困擾（Tang "et al.， 2022）。其次， 工作場所AI的快速擴張威脅到員工的職業(yè)發(fā)展， 員工會認為自己被低估和不受重視， 工作價值觀和獲得感低下（Brougham amp; Haar， 2018）， 通常會因此產(chǎn)生工作不安全感（Bhargava et al.， 2020; Brougham amp; Haar， 2020; Presbitero amp; Teng-Calleja， 2023）， 感受到身份威脅（Mirbabaie， Brünker， et al.， 2021）， 對未來產(chǎn)生擔憂和焦慮（Cudré-Mauroux， 2011）。這些負面狀態(tài)降低了員工保存或獲取資源來應對這種情況的能力， 導致情緒耗竭（Nauman et al.， 2020; Xu et al.， 2023a）。如果個體無法獲取關鍵資源緩解， 心理狀態(tài)將進一步惡化， 導致抑郁（Xu et al.， 2023a; Zhang et al.， 2021）。當個體采取逃避等消極應對方式時， 將導致更高的離職傾向（高萍， 2021; Brougham amp; Haar， 2018; Li et al.， 2019）。基于上述分析， 本研究提出如下假設：

H1：工作場所AI應用與員工積極行為間存在正向關系。

H2：工作場所AI應用與員工積極心理間存在正向關系。

H3：工作場所AI應用與員工消極行為間存在正向關系。

H4：工作場所AI應用與員工消極心理間存在正向關系。

2.2""員工行為和心理的調(diào)節(jié)變量

2.2.1""工作場所AI應用類型的調(diào)節(jié)作用

AI作為一項新興技術， 已被廣泛引入并應用于各類工作場所， 改變了傳統(tǒng)的工作特征。鑒于工作場所中AI形式的多樣性， 本研究結合文獻梳理以及現(xiàn)實應用， 依據(jù)AI工具在工作場所中展現(xiàn)出的功能（Corea， 2019; Oosthuizen， 2019; Raisch amp; Krakowski， 2021）， 將AI在工作場所的應用劃分為4種類型， 如表2所示。

本研究認為， 不同類型AI所提供的功能與員工的行為和心理的關系存在不同程度的差別。輔助智能和增強智能旨在幫助員工完成其原本能夠完成的簡單任務或原本無法獨立完成的復雜任務， 給予員工更多自主權和工作資源。這些充裕的工作資源在減少工作要求和與之相關的物質(zhì)、心理成本的同時， 也為員工提高效率促進工作目標實現(xiàn)（Brachten et al.， 2020）， 提升工作準確性（Gr?nsund amp; Aanestad， 2020）， 進而提高和改善他們的主動學習、工作投入等積極行為表現(xiàn)和心理狀態(tài)（Dutta et al.， 2022; Wang， Zhang， et al.， 2022）。進一步地， 輔助智能和增強智能將員工從低效勞動中釋放出來， 員工可以通過學習新的技能和知識來從事其他創(chuàng)造性任務。循此邏輯， 作為支持工具提供工作資源的AI應用類型， 對員工的行為和心理表現(xiàn)出更強的積極效應（Hakanen et al.， 2008; Lewig et al.， 2007）。

管理智能和自主智能主要表現(xiàn)為智能監(jiān)管員工任務以及利用自動化智能設備取代員工完成工作， 一定程度上而言能夠增強管理， 改進工作流程提高任務匹配效率（Kellogg et al.， 2020）和準確性（Bai et al.， 2022）， 完善并優(yōu)化員工決策（Langer amp; Landers， 2021）。但與此同時， 員工也會因感知到工作被監(jiān)管、工作被取代而產(chǎn)生壓力和緊張感。根據(jù)工作要求?資源模型， 這種持續(xù)的挑戰(zhàn)性環(huán)境不僅給員工提出了更高的工作要求， 他們還需要不斷消耗自身資源來應對其中的壓力和威脅。在此種AI應用類型下， 員工無法及時彌補工作資源， 進而更容易對自身的工作行為和心理產(chǎn)生消極影響。

因此， 本研究將工作場所AI應用類型作為調(diào)節(jié)變量納入元分析， 直接比較員工行為和心理效應在各類型AI應用下是否存在差異。綜上所述， 本研究提出如下假設：

H5：工作場所AI應用類型對AI應用與員工積極行為和心理間關系存在調(diào)節(jié)作用。相較于管理智能和自主智能， 輔助智能和增強智能對員工積極行為（a）和積極心理（b）表現(xiàn)出更強的正向關系。

H6：工作場所AI應用類型對AI應用與員工消極行為和心理間關系存在調(diào)節(jié)作用。相較于輔助智能和增強智能， 管理智能和自主智能對員工消極行為（a）和消極心理（b）表現(xiàn)出更強的正向關系。

2.2.2""行業(yè)類型的調(diào)節(jié)作用

不同于勞動力密集型行業(yè)， 知識密集型行業(yè)的員工通常學歷更高， 專業(yè)技能更強、自主性和創(chuàng)新性更突出。金融、科技、IT等服務領域是典型的知識密集型行業(yè)。這些行業(yè)往往需要快速適應時代的變遷， 通常能夠以更加包容開放的方式推廣并應用先進的AI工具， 而在勞動力密集型行業(yè)， 低職業(yè)技能員工比例更高， 且AI領域的相關專業(yè)知識和技能培訓有限， 對于他們來說難以發(fā)揮AI的優(yōu)勢實現(xiàn)價值創(chuàng)造和資源補充。進一步地， AI能夠取代人類完成低效勞動， 協(xié)助改變工作設計， 這使得高素質(zhì)員工在面對挑戰(zhàn)性任務時更能以節(jié)約資源的方式積極發(fā)展更多的工作技能， 同時高素質(zhì)員工學習新信息和適應新技術的能力更強， 往往難以被機器替代， 因此在AI應用環(huán)境中受益良多（Fossen amp; Sorgner， 2022）。而低職業(yè)技能員工則要經(jīng)歷“雙重損失”——缺乏使用AI的工作技能和可能面臨的失業(yè)， 這給員工的行為和心理帶來負面影響（Jia et al.， 2024）。因此本研究將知識密集型和勞動力密集型兩類行業(yè)類型作為調(diào)節(jié)因素， 檢驗員工行為和心理效應在不同行業(yè)類型的AI應用下是否存在差異。

綜上所述， 本研究提出如下假設：

H7：行業(yè)類型對AI應用與員工積極行為和心理間關系存在調(diào)節(jié)作用。相較于勞動力密集型行業(yè)， 在知識密集型行業(yè)的AI應用對員工積極行為（a）和積極心理（b）表現(xiàn)出更強的正向關系。

H8：行業(yè)類型對AI應用與員工消極行為和心理間關系存在調(diào)節(jié)作用。相較于知識密集型行業(yè)， 在勞動力密集型行業(yè)的AI應用對員工消極行為（a）和消極心理（b）表現(xiàn)出更強的正向關系。

2.2.3 "AI應用測量方式的調(diào)節(jié)作用

現(xiàn)有關于AI應用的測量， 主要包含客觀測量法與主觀評價法兩類。客觀測量法一定程度上能夠避免評分者主觀偏倚（DeChurch amp; Mesmer-"Magnus， 2010）和共同方法偏差（O'Neill et al.， 2013）等問題， 而主觀評價法允許學者利用相關但不可忽略的信息來更準確地評估AI應用（Dai et al.， 2018）。文獻回顧發(fā)現(xiàn)， 基于客觀測量和主觀評價得出的研究結論存在不一致。例如， 有學者通過情境實驗的方法模擬并探究了虛擬助手給員工帶來的一系列積極影響（Brachten et al.， 2020; Dutta amp; Mishra， 2021）， 而另一部份學者則通過問卷調(diào)查評價員工感知到的AI應用， 并發(fā)現(xiàn)AI技術帶來的沖擊會降低員工的工作滿意度（徐廣路， 王皓天， 2023; Brougham amp; Haar， 2018）， 增加工作不安全感（Bhargava et al.， 2020; Brougham amp; Haar， 2020; Presbitero amp; Teng-Calleja， 2023）， 產(chǎn)生離職傾向（高萍， 2021; Brougham amp; Haar， 2018; Li et al.， 2019）等負面效應。因此， 不同的測量方式是否影響了AI應用與員工行為和心理狀態(tài)的關系值得關注。本研究將以往研究中“AI應用”的測量分成“工作場所是否采用AI”和“對于AI應用的感受”兩種類型， 前者從客觀事實角度測量組織是否使用AI， 后者基于員工主觀感受評價體驗到的AI應用。至于哪種測量方式更會暴露出AI應用對員工影響的積極/消極作用， 以往研究中尚不存在強有力的事實依據(jù)。因此我們提出如下研究問題：

AI應用的測量方式是否調(diào)節(jié)了AI應用與員工行為和心理的關系？

綜上所述， 本研究的研究模型如圖1所示。

3""研究方法

3.1""文獻收集

自Aleksander在2017年探討了技術進步對人類工作可能造成的后果以來（Aleksander， 2017）， 學術界對于AI技術如何影響員工行為或心理的學術興趣逐年增加。本研究將文獻的發(fā)表時間限定在 2017年1月至2023年7月， 通過三種方式對目標主題文獻進行了檢索：（1）英文文獻主要在Web of Science、Google Scholar、Emerald、Taylor amp; Francis和Springer數(shù)據(jù)庫中進行查找， 以“AI”"“Artificial Intelligence”"“AI robot"/"bot”"“AI algorithm”"“Chat-bot”"“Virtual assistant”和“Adoption"/"Application” “Employee"/"Worker”"“Workplace”為關鍵字進行組合檢索; 中文文獻通過知網(wǎng)、萬方和維普數(shù)據(jù)庫進行查找， 以“人工智能”"“人工智能機器人”"“人工智能算法”"“聊天機器人”"“虛擬助手”和“采用/應用”"“員工”"“工作場所”為關鍵字進行搭配檢索。（2）為避免遺漏， 本研究還檢索了相關主題的綜述性論文和元分析論文以及所檢索到的相關實證論文的參考文獻。（3）最后， 在目標領域頂級期刊或具備較大影響力的管理學期刊中進行搜索和梳理， 并不定期檢索最新發(fā)表的相關文章。

3.2""文獻篩選

本研究按照以下4個原則對初步收集到的文獻進行篩選：（1）必須是關于AI應用與員工行為或心理關系的實證研究， 剔除非實證研究文獻（如訪談、文獻綜述等）， 且實證研究資料數(shù)據(jù)完整， 樣本大小明確; （2）剔除未報告AI應用與個體層面行為/心理結果變量間相關效應量的文獻。非實驗類文獻中應報告相關系數(shù)（r）或可轉換的路徑系數(shù)或回歸系數(shù)（β）; 實驗類文獻應報告可轉換成相關系數(shù)（r）的統(tǒng)計量（如統(tǒng)計量F、t值等）; （3）剔除不符合本研究概念界定的文獻， 如以不具有明確AI定義的機器人、流程化算法為研究對象的文獻等; （4）剔除非員工個體層面研究的文獻?；谝陨显瓌t閱讀全文， 總計共篩選出有效文獻64篇， 其中英文文獻50篇， 中文文獻14篇。部分文獻包含多個可供分析的效應量， 如同個樣本不同結果變量、一個結果變量多個樣本或基于不同研究方法等情況。根據(jù)效應量獨立性原則， 本研究將這些效應量作為獨立樣本處理， 分開編碼。最后共得到85個結果變量， 150個效應量。文獻檢索及篩選流程見圖2。

3.3""元分析程序

3.3.1""文獻編碼

本研究利用Microsoft Excel 2016對上述64篇文獻進行手動編碼。文獻及變量編碼工作由兩位研究者獨立完成。首先， 由兩位研究者協(xié)商制定變量編碼標準， 并進行首輪編碼; 隨后， 兩位研究者就首輪不一致的編碼進行核對和重新編碼; 最后， 兩位研究者邀請另外一位研究者集體討論不一致的編碼， 直到達成一致。

編碼信息包括研究特征、影響變量和效應量。研究特征主要包括作者、文獻出版年份、樣本量、AI應用類型、樣本所在行業(yè)、AI應用測量方式; 影響變量指文獻中的結果變量， 本研究對文獻中的結果變量作分類， 形成積極行為、積極心理、消極行為和消極心理4類， 具體分類見表3; 效應量工作績效、知識共享、AI支持行為、數(shù)字創(chuàng)新、數(shù)字彈性、非正式學習、工作重塑、員工創(chuàng)造力、主動學習、關系重塑、認知重塑、預期績效、員工生產(chǎn)力、知識共享、職業(yè)探索行為、服務質(zhì)量、創(chuàng)新工作行為、服務革新行為、職業(yè)勝任力、工作目標達成、人際情緒調(diào)節(jié)行為、個人競爭生產(chǎn)力、自我擴展、學習導向行為、建言、突破性創(chuàng)新行為積極心理（28個）工作信任、工作投入、工作旺盛感、工作勝任感、工作滿意度、工作幸福感、工作安全感、工作自主性、突破性創(chuàng)新投入、AI使用意愿、與服務機器人合作意愿、內(nèi)在動機、組織承諾、組織自尊、角色寬度自我效能、社會認同感、積極情緒、健康和福祉、繼續(xù)使用意愿、AI技術接受意愿、程序公平感知、與AI合作意愿、整體幸福感、心理幸福感、生理幸福感、社會幸福感、變革支持意愿、冒險意愿消極效應消極行為（5個）知識隱藏、家庭退縮行為、工作退縮行為、服務破壞、對機器人主管的報復消極心理（26個）消極情緒、技能要求、工作要求、知識技能要求、AI焦慮、AI身份威脅、服務機器人技術焦慮、離職傾向、工作不安全感、工作強度、預期負荷、感知虐待、失業(yè)風險感知、抑郁、情緒耗竭、激情衰退、工作載荷、心理疲勞、身體疲勞、心理困擾、角色模糊、角色沖突、工作倦怠、壓力、玩世不恭、威脅感知包括以雙變量相關系數(shù)（r）為中心的統(tǒng)計數(shù)據(jù)。

3.3.2""元分析過程

本研究借助Comprehensive Meta Analysis （CMA） 3.0軟件對數(shù)據(jù)進行分析和檢驗。編碼數(shù)據(jù)預處理過程中， 首先， 選擇相關系數(shù)r作為原始效應量， 對可轉化為相關系數(shù)r的其他效應量進行轉換（Peterson amp; Brown， 2005）。其次， 為了避免因量表信度缺陷而導致相關系數(shù)的衰減偏差， 對從每個獨立樣本中提取出的相關系數(shù)進行信度修正（Hunter et al.， 1990）; 對于有些研究中個別變量信度缺失的情況， 參考其他學者的做法， 將其他文獻信度的均值作為代替（Jiang amp; Lavaysse， 2018; Li et al.， 2021）; 對于使用客觀實驗方法或者單個項目測量的情況， 其測量信度系數(shù)用1代替。隨后將樣本數(shù)據(jù)和修正后的相關系數(shù)錄入CMA 3.0軟件中， 并將所有相關系數(shù)轉為Fisher’s Z分數(shù)（Cooper et al.， 2019）， 進行異質(zhì)性檢驗、發(fā)表偏倚檢驗、主效應檢驗以及調(diào)節(jié)效應檢驗。

4""研究結果

4.1""異質(zhì)性檢驗

異質(zhì)性檢驗用于分析效應量異質(zhì)性的大小， 為后續(xù)選擇固定效應模型還是隨機效應模型進行元分析提供依據(jù)。如表4所示， Q檢驗中積極行為、積極心理、消極行為和消極心理效應在統(tǒng)計學上均具有顯著性（p lt;"0.001）， 表明效應量之間存在異質(zhì)性; 4種影響效應均高于75%， 說明其中各效應量異質(zhì)性程度高。因此， 本研究選擇隨機效應模型進行分析。

4.2""發(fā)表偏倚檢驗

發(fā)表偏倚是指在統(tǒng)計上顯著的研究結果更容易發(fā)表， 而造成的效應量出現(xiàn)偏差的現(xiàn)象（Rothstein et al.， 2005）。本研究通過Begg秩相關檢驗（Begg amp; Mazumdar， 1994）、Egger’s回歸系數(shù)檢驗（Egger amp; Smith， 1997）以及失安全系數(shù)（Rosenthal， 1979）方法檢驗了發(fā)表偏倚問題。

由表5可知， 各結果變量組的Egger’s"回歸系數(shù)的p值都不顯著（p gt; 0.05）， Begg秩相關檢驗的p值都不顯著（p gt; 0.05）。進一步采用失安全系數(shù)法檢驗， 失安全系數(shù)越大說明發(fā)表偏倚越小， 元分析結果越穩(wěn)定（麥勁壯 等， 2006; Rosenthal， 1979）。結果顯示各類研究的失安全系數(shù)均遠遠超過其臨界值， 說明各類研究均不存在發(fā)表偏倚， 本研究整體結論具有較好的穩(wěn)定性和可靠性。

4.3""主效應檢驗

本研究采用測量誤差修正后的樣本加權平均效應量的大小來解釋變量間關系強度。根據(jù)Lipsey和Wilson的研究（Lipsey amp; Wilson， 2001）， 變量間相關系數(shù)r"≤"0.1時相關關系為弱正相關， 0.1 lt; r"lt; 0.4時為中等強度正相關， r"≥"0.4時為高度正相關。

如表6所示， 工作場所AI應用與員工積極行為呈中等強度正相關關系， 為0.32 （p lt; 0.001）， 95% CI為[0.24， 0.39]; 與員工積極心理呈中等強度正相關關系， 為0.22 （p lt; 0.01）， 95% CI為[0.09， 0.34]， H1、H2得到支持。工作場所AI應用與員工消極行為呈中等強度正相關關系， 為0.27 （p lt; 0.01）， 95% CI為[0.09， 0.43]; 與員工消極心理呈中等強度正相關關系， 為0.27 （p lt; 0.001）， 95% CI為[0.14， 0.39]， H3、H4得到支持。

4.4""調(diào)節(jié)效應分析

前述異質(zhì)性檢驗結果表明研究存在高異質(zhì)性， 故可能存在潛在的調(diào)節(jié)變量。本研究在對調(diào)節(jié)效應的檢驗中同樣選擇隨機效應模型。為確保亞組分析結果的代表性， 在對變量關系進行調(diào)節(jié)效應分組后， 如果出現(xiàn)任意一組效應量數(shù)K"lt; 2， 將不再對該變量關系進行調(diào)節(jié)效應分析（苗蕊 等， 2024）。

4.4.1""工作場所人工智能應用類型的調(diào)節(jié)效應

在剔除了未明確說明工作場所中所應用的AI類型的樣本后， AI應用類型的調(diào)節(jié)效應檢驗結果如表7所示：（1） AI應用類型顯著調(diào)節(jié)了工作場所AI應用與員工積極行為間的關系（Q_b"= 64.75，""p = 0.000）， 其中工作場所輔助智能（= 0.31）和增強智能應用的效應量（= 0.44）大于管理智能應用的效應量（= ?0.22）， H5a得到支持。（2） AI應用類型顯著調(diào)節(jié)了工作場所AI應用與員工積極心理效應間的關系（Q_b"= 77.55， p = 0.000）， 其中工作場所增強智能應用的效應量（"= 0.37）大于管理智能應用的效應量（= ?0.48）， H5b得到支持。（3） AI應用類型顯著調(diào)節(jié)了工作場所AI應用與員工消極心理效應間的關系（Q_b"= 10.50， p = 0.015）， 其中只有工作場所自主智能應用的效應量顯著（= 0.38）， H6得到部分支持。具體而言， 應用輔助智能和增強智能類型的AI更有助于觸發(fā)員工的積極行為， 而應用管理智能會對員工的積極行為產(chǎn)生阻抑傾向， 自主智能的應用則沒有表現(xiàn)出明顯的影響。應用增強智能類型的AI也有助于更好的激發(fā)員工的積極心理， 而應用管理智能會對員工的積極心理出現(xiàn)抑制傾向。輔助智能和自主智能的應用雖未能體現(xiàn)出積極心理效應的顯著差異但輔助智能的應用仍表現(xiàn)出正向趨勢， 而自主智能表現(xiàn)出負向趨勢。同時自主智能的應用與員工消極心理呈現(xiàn)出明顯的正向聯(lián)系且效應量大于另外三類。

4.4.2""行業(yè)類型的調(diào)節(jié)效應

在剔除了未明確報告研究對象從事何種行業(yè)或行業(yè)分布情況模糊的樣本后， 行業(yè)類型的調(diào)節(jié)

效應檢驗結果如表8所示：（1）行業(yè)類型顯著調(diào)節(jié)了工作場所AI應用與員工積極行為效應的關系（Q_b"= 6.50， p = 0.011）， 其中知識密集型行業(yè)的員工積極行為效應量（= 0.42）顯著大于勞動力密集型的效應量（= 0.21）， H7a得到支持。（2）行業(yè)類型顯著調(diào)節(jié)了工作場所AI應用與員工積極心理效應的關系（Q_b"= 4.68， p = 0.030）， 其中知識密集型行業(yè)的員工積極心理效應量（= 0.36）大于勞動力密集型的效應量（= ?0.02）， H7b得到支持。（3）對于消極心理效應， 行業(yè)類型的調(diào)節(jié)效應不顯著（Q_b"= 0.59， p = 0.441）， H8b未得到支持。具體而言， 相比于勞動力密集型行業(yè)， 在知識密集型行業(yè)中應用AI與員工積極行為效應的關系更為緊密， 并且在員工積極心理上有更為明顯的表現(xiàn)。行業(yè)類型在消極心理效應方面沒有出現(xiàn)顯著差異， 這也說明AI應用與員工消極心理效應的關系穩(wěn)定， 不受行業(yè)類型的影響， 但勞動力密集型行業(yè)的消極心理效應量表現(xiàn)出比知識密集型行業(yè)更大的趨勢。

4.4.3 "AI應用測量方式的調(diào)節(jié)效應

AI應用測量方式的調(diào)節(jié)效應檢驗結果如表9所示：（1） AI應用測量方式未能調(diào)節(jié)工作場所AI應用與員工積極行為（Q_b"= 1.00， p = 0.318）和積極心理效應的關系（Q_b"= 1.27， p = 0.259）。（2） AI應用測量方式顯著調(diào)節(jié)了工作場所AI應用與員工消極行為效應的關系（Q_b"= 4.50， p = 0.034）， 其中采用主觀評價法測量的AI應用與員工消極行為關系的效應量（= 0.48）顯著大于采用客觀測量法的效應量（= 0.19）。（3） AI應用測量方式顯著調(diào)節(jié)了工作場所AI應用與員工消極心理效應的關系（Q_b"= 8.96， p = 0.003）， 其中采用主觀評價法的AI應用與員工消極心理關系的效應量（= 0.35）顯著大于采用客觀測量法的效應量（= 0.08）。換言之， AI應用與員工積極行為和心理效應的關系不受AI應用測量方式的顯著影響。而在員工消極行為和心理效應方面， 相比于客觀測量法， 主觀評價法下的AI應用對員工影響的研究更傾向于暴露出AI帶來的消極面。

5""結論與討論

本研究采用元分析方法， 基于來自64篇國內(nèi)外文獻的85個結果變量和150個效應量檢驗了工作場所AI應用與員工積極行為、積極心理、消極行為以及消極心理的結果變量集之間的相關性。研究發(fā)現(xiàn)， 工作場所AI應用存在“雙刃劍”效應， 它既可以作為技術支持豐富員工的心理資源， 激發(fā)員工積極行為， 亦可能給員工造成威脅消耗其心理資源， 引發(fā)消極行為。產(chǎn)生積極效應的可能原因是， AI應用將員工從重復、乏味的低效勞動中解放， 員工能專注于提高自身的能力和技能以實現(xiàn)高效的價值創(chuàng)造; 同時， AI應用能夠提供新的工作機會、為員工提供即時和個性化的反饋， 給予員工完成工作所需的積極心理資源。產(chǎn)生消極效應的可能原因則在于， AI應用給員工提出了更高的工作負荷、工作強度和工作技能要求， 甚至威脅到員工的職業(yè)發(fā)展， 員工需消耗額外的心理資源來獲得平衡。加之員工在工作中頻繁地與缺乏情境化和個性化體驗的智能機器互動， 員工孤獨感和疏離感更強， 不斷的損耗不僅導致員工失去工作動力產(chǎn)生退縮行為， 還會產(chǎn)生溢出效應加劇家庭退縮行為。

研究也發(fā)現(xiàn)， 上述關系在不同的AI類型應用下存在差異：一方面， 輔助類型和增強類型AI在促進員工工作目標實現(xiàn)的同時減少了員工完成任務所需要的成本， 這種充裕的工作資源有助于提高員工工作幸福感和滿意度， 此時， 員工在工作中投入更多， 創(chuàng)造力和生產(chǎn)力也更高。另一方面， 管理類型和自主類型的AI雖然在一定程度上提高員工的工作效率， 釋放其雙手給予員工更多自主權， 但AI的監(jiān)管、控制屬性給員工帶來壓力， 員工產(chǎn)生被威脅感和不安全感， 導致員工在工作中的積極體驗被抑制， 出現(xiàn)消極的心理狀態(tài)。

此外， AI應用與員工行為和心理效應間的關系在不同行業(yè)類型下存在差異。勞動力密集型行業(yè)員工所處的結構化工作環(huán)境和所擁有的低職業(yè)技能， 使他們更強烈地感受到AI所帶來的消極效應， 如“被AI取代”帶來的恐懼以及無法在短時間內(nèi)找到新的或更好的工作（Jia et al.， 2024）。知識密集型行業(yè)員工則在AI應用加持下獲得了更加靈活自主的工作環(huán)境， 他們接收、學習新信息和適應新技術的能力更強， 并且能夠通過節(jié)約資源和主動應對挑戰(zhàn)性任務展現(xiàn)出更多積極的狀態(tài)。擁有不易被自動化替代的高職業(yè)技能員工在AI應用下受益良多， 這一結果與前人研究結論相一致（Fossen amp; Sorgner， 2022; Jia et al.， 2024）。另外， 行業(yè)類型對消極心理效應的調(diào)節(jié)假設未被支持， 可能原因是行業(yè)類型的作用還受到其他因素的影響， 如行業(yè)發(fā)展程度等。這也提示未來研究可以探索在同一行業(yè)不同發(fā)展程度或同一發(fā)展程度不同行業(yè)下AI應用對員工可能造成的影響。

最后， AI應用與員工行為和心理效應間的關系在不同的AI應用測量方式下存在差異。具體而言， AI應用與員工積極行為和心理效應的關系不受AI應用測量方式的顯著影響。而在員工消極行為和心理效應方面， 相比于客觀測量法， 主觀評價法下的AI應用對員工影響的研究更傾向于暴露出AI帶來的消極面?？赡艿脑蚴牵?從員工主觀評價的角度測量AI給自身帶來的影響， 容易產(chǎn)生負面偏差， 突出員工消極評價AI的可能性， 造成不準確的研究結果， 即放大AI應用與員工消極行為和心理間的變量關系。究其原因， 人們往往對新事物表現(xiàn)出消極偏差， 其對于負面信息的關注遠遠超過對于正面信息的關注（Vaish et al.， 2008）， 對損失的感受也往往要強于對收益的感受（Tversky amp; Kahneman， 1996）。尤其近幾年， 互聯(lián)網(wǎng)所披露的AI相關信息層出不窮， 琳瑯滿目。在頗受熱議的話題中， 人們傾向于關注AI所帶來的負面信息， 如人工智能的技術沖擊（徐廣路， 王皓天， 2023; Brougham amp; Haar， 2020）、工作崗位替代風險（Li et al.， 2019; Mirbabaie， Brünker， et al.， 2021）等， 并對其帶來的危機表示擔憂。因此， 當處于人-AI交互環(huán)境中， 員工也可能更容易感受到AI所帶來的消耗和損失， 而淡化它所帶來的優(yōu)勢和好處。在未來研究中， 建議研究者盡量采取客觀測量和主觀評價相結合的方式或運用實驗、計量等科學方法開展AI應用下有關員工結果的深入研究， 以保證結果的客觀性和準確性。

5.1""理論貢獻

第一， 本研究將近年來AI應用對員工影響的文獻進行了梳理和整合， 通過元分析方法揭示了AI應用與員工的不同行為和心理效應間均呈中等程度的顯著正相關。這一結論回應了學者們關于自動化技術對員工個人影響的研究呼吁（Bock et al.，"2020; Brougham amp; Haar， 2018; Ma amp; Ye， 2022; Terminio amp; Rimbau Gilabert， 2018）， 是對現(xiàn)有研究的重要擴展。在過往研究中， 工作場所中AI應用對員工影響效果的研究結論不一致， 致使AI應用與員工行為和心理的關系一直朦朧不清。本研究將這些具有啟發(fā)意義但呈現(xiàn)碎片化的研究結論進行了系統(tǒng)整合與檢驗， 歸納出這些實證研究結果所反映的綜合效應， 探索了變量之間的相關關系（Prasad Agrawal， 2023）， 運用工作要求?資源模型框架發(fā)現(xiàn)了工作場所應用AI對員工影響同時存在增益和損耗兩種作用機制。

第二， 本研究在工作要求?資源模型的框架下， 解釋了不同類型的AI應用對員工行為和心理的差異化影響， 擴展了可能加強AI應用有利結果的影響因素（Budhwar et al.， 2022）， 同時也回應了Lesener等人（2019）對于探究工作要求可能產(chǎn)生積極影響的呼吁。與過去觀點一致的是， 輔助類型和增強類型的AI在提供充裕的工作資源時， 有利于給員工在工作中帶來好的結果（Budhwar et al.， 2022; Raisch amp; Krakowski， 2021）， 而當工作要求被認為具有挑戰(zhàn)性時， 它也可能會促進員工的工作表現(xiàn)（Cheng et al.， 2023; Ding， 2021）。管理類型和自主類型的AI雖然在一定程度上優(yōu)化了員工效率， 釋放其雙手給予員工更多自由， 但其隨之而來的監(jiān)管、控制以及被取代的挑戰(zhàn)卻傾向于抑制員工的積極效應， 甚至給員工帶來了一系列的消極結果。該結論進一步驗證了學者們對于AI可能給員工帶來不良后果的觀點（Malik et al.， 2021; Zel amp; Kongar， 2020）。未來研究可以對目標AI做出更明確的界定， 進一步明晰并圍繞特定類型AI展開研究。另外， 未來可以繼續(xù)關注輔助智能和增強智能這類以增益功能為主的AI對員工有何負面影響， 挖掘管理智能和自主智能這類AI存在的積極面。

第三， 本研究豐富了工作場所AI應用與員工行為和心理關系的邊界條件， 響應了學者對于未來進一步探討AI應用影響員工體驗的調(diào)節(jié)變量的呼吁（Cheng et al.， 2023; Liang et al.， 2022; Lingmont amp; Alexiou， 2020; Ma amp; Ye， 2022; Malik et al.， 2023）。以往研究從員工個體層面如責任心特質(zhì)（Tang et al.， 2022）、未來導向（Liang et al.， 2022）、目標導向（徐廣路， 王皓天， 2023）、組織支持感知（Li et al.， 2019; Ma amp; Ye， 2022; Xu et al.， 2023a）、競爭性心理氛圍（Li et al.， 2019; Khaliq""et al.， 2022）、組織包容性氛圍感知（裴嘉良 等， 2021）、工作安全感（Prentice et al.， 2023）等探討了AI應用的調(diào)節(jié)機制， 也有學者關注組織情境如人機共生關系（朱曉妹 等， 2021）以及領導力的影響（Matsunaga， 2021; Wijayati et al.， 2022）。本研究探明了AI類型、行業(yè)類型以及測量方式的調(diào)節(jié)作用， 進一步探索了獨立研究間的異質(zhì)性來源， 為以往學術界對于工作場所AI應用對于員工影響不一致的研究結論提供新的解釋。研究發(fā)現(xiàn)輔助類型和增強類型的AI應用更有助于調(diào)動員工的積極行為， 在知識密集型行業(yè)中AI應用與員工積極行為的關系更為緊密; 增強類型的AI應用以及在知識密集型行業(yè)的AI應用更有助于觸發(fā)員工的積極心理， 而管理類型的AI應用以及在勞動力密集型行業(yè)的AI應用卻傾向于抑制員工積極心理; 自主類型的AI應用更容易引起員工的消極心理。上述發(fā)現(xiàn)也回應了學者們關于在研究AI 應用效果時應關注組織內(nèi)外部情境因素影響的呼吁（Prasad Agrawal， 2023; Lane amp; Williams， 2023）， 為后續(xù)開展相關研究提供借鑒。最后， 本研究還發(fā)現(xiàn)主觀評價法測量AI應用會傾向于放大AI應用與員工消極行為和心理變量間的效應關系， 這表明測量方式的差異會產(chǎn)生一定程度上的數(shù)據(jù)偏差， 啟示未來研究者需要采取科學客觀的測量方式以保證研究結果的準確性。

5.2""實踐啟示

在外部技術進步與企業(yè)內(nèi)部管理需求的驅動下， 工作場所引入AI技術是必然趨勢。盡管現(xiàn)在還處于弱AI時代， 但是AI技術對組織和員工的影響并非短暫、局部的， 而是長遠、全面的滲透性影響。本研究的實踐啟示在于：第一， 對組織而言， 應充分認識到AI應用對員工影響的雙面性。組織有必要在應用AI時降低員工對其的負面感知?？梢酝ㄟ^提供培訓、職業(yè)咨詢和技術指導等措施， 減輕因AI應用導致員工工作機會減少的沖擊?？山⒕o密的人-AI協(xié)作機制， 邀請員工參與AI的相關決策， 提高員工對技術實施的接受度， 使其感到自己被重視。同時調(diào)整工作設計， 評估哪些工作可以交給AI， 并將員工轉移從事一些短期內(nèi)不易被AI取代的非重復性工作， 最大程度地發(fā)揮員工的能力和AI的優(yōu)勢。另外， 還需要在AI轉型過程中認可員工所付出的努力， 并給予積極反饋， 使他們在工作困境中保持充裕的心理資源。

第二， 對員工而言， AI應用下消極行為和心理主要來自于自身對新技術壓力的一種應激反應。因此， 員工應該認識到技術進步和工作變革是時代潮流， 要以積極樂觀的態(tài)度應對新技術的滲透。員工要有自我提升的意識， 主動更新自身知識結構， 更好地適應AI時代。既要調(diào)動一切可以利用的資源， 提升自身使用AI技術的硬能力， 還要加強培養(yǎng)包括創(chuàng)新能力、時間管理等軟技能， 將其融入日常生活工作中， 讓危機轉變成新的發(fā)展機遇， 提升與AI“并肩作戰(zhàn)”的能力。

第三， 輔助和增強類型智能能夠給員工帶來充裕的工作資源進而觸發(fā)員工的積極反饋， 而管理和自主類型智能給員工帶來的監(jiān)管、控制感以及工作被替代的威脅感， 使員工產(chǎn)生消極的行為和心理。因此組織在工作場所引入AI時， 需有意識地根據(jù)組織架構和業(yè)務進行選擇（Zel amp; Kongar， 2020）， 在不沖突的情況下盡量應用輔助和增強智能這類帶有強協(xié)助性的AI， 發(fā)揮其先進的技術優(yōu)勢。而在應用管理和自主智能這類帶有一定程度監(jiān)控、挑戰(zhàn)屬性的AI時， 組織應及時調(diào)節(jié)員工與AI的關系， 最大程度地降低智能機器帶來的負面效應。此外， 無論處于哪種類型的行業(yè)， AI應用或多或少都會給員工帶來一定的負面影響， 但相比于勞動力密集型行業(yè)， 在工作環(huán)境更為自主、工作技能水平更高的知識密集型行業(yè)應用AI更能夠發(fā)揮其積極效果。知識密集型行業(yè)的組織可以有意識地逐步引入AI工具， 推進AI數(shù)字化轉型。而在勞動力密集型行業(yè)應用AI時， 組織需因地制宜， 考量所處工作環(huán)境是否適宜以及員工技能水平是否滿足應用AI的條件， 確認應用后還需保持關注員工的工作行為和身心健康。

5.3""局限與展望

第一， 本研究篩選納入的國內(nèi)外文獻僅限于中英文， 未涉及其他語言， 這可能會遺漏部分有用效應量， 導致一定程度的可獲得性偏差。因此， 未來研究可以考慮納入不同語言的研究以豐富樣本量。

第二， 本研究雖然通過整合大樣本數(shù)據(jù)揭示了工作場所AI應用對員工影響的“陽光面”和“黑暗面”， 但目前有關員工結果的實證研究主要聚焦在其與積極行為、積極心理和消極心理效應的關系上， 而消極行為效應還未得到充分的研究。在納入元分析的64篇文獻中， 只有小部分關注了工作場所AI應用與員工消極行為效應變量間的關系， 這可能會在一定程度上影響這類結果的代表性。在調(diào)節(jié)效應檢驗中， 由于現(xiàn)存的有限樣本中所需信息多數(shù)未被報告， 導致研究變量缺失。這種研究數(shù)量的不充分狀態(tài)尚未能支持深入探索員工消極行為的調(diào)節(jié)因素以及驗證員工心理效應潛在的中介機制。因此這方面的探討有待學者未來進一步擴展。

第三， 現(xiàn)有文獻中大多未提供如員工特質(zhì)以及組織特征等有用信息， 這導致本研究關注的調(diào)節(jié)因素有限。未來研究者可在更為充足的實證研究基礎上， 進一步討論和補充工作場所AI應用與員工行為和心理之間是否存在其它未被挖掘的調(diào)節(jié)變量。另外， 未來研究需充分重視并規(guī)范報告調(diào)查樣本的描述性統(tǒng)計結果， 從而為相關領域的元分析提供穩(wěn)固的數(shù)據(jù)支撐。

參考文獻

（*標識納入元分析的文獻）

*陳晨. （2021）. 人工智能技術強度感知對員工離職意向的影響： 一個有調(diào)節(jié)的中介模型. 巢湖學院學報， 23（6）， 31?41.

*高萍. （2021）. 人工智能對金融業(yè)員工離職意愿的影響研究——基于感知組織支持和競爭心理氛圍的調(diào)節(jié)作用. 企業(yè)改革與管理， （12）， 81?83.

*韓明燕， 張毛龍， 胡恩華， 單紅梅. （2023）. 因參與而支持： 員工參與AI實施過程對其AI支持行為的影響. 經(jīng)濟管理， 45（5）， 151?169.

*黃麗滿， 宋晨鵬， 李軍. （2020）. 旅游企業(yè)員工人工智能焦慮對知識共享的作用機制——基于技術接受模型. 資源開發(fā)與市場， 36（11）， 1192?1196+1258.

*劉智強， 王子婧， 程歡， 許玉平， 倪佳豪. （2024）. 迎難而上： 知覺資源稀缺對員工突破性創(chuàng)造力的影響機制研究. 管理工程學報， 38（1）， 88?100.

麥勁壯， 李河， 方積乾， 劉小清， 饒栩栩. （2006）. Meta分析中失安全系數(shù)的估計. 循證醫(yī)學， （5）， 297?300+303.

苗蕊， 呂成戍， 魯顏. （2024）. 企業(yè)社交媒體使用與員工行為及心理結果間關系的元分析. 南開管理評論， 27（1）， 200?212.

*裴嘉良， 劉善仕， 鐘楚燕， 諶一璠. （2021）. AI算法決策能提高員工的程序公平感知嗎？ 外國經(jīng)濟與管理， 43（11）， 41?55.

*盛曉娟， 郭輝， 何勤. （2022）. 人工智能技術運用何以提高員工任務績效？ 北京聯(lián)合大學學報（人文社會科學版）， 20（4）， 85?94.

衛(wèi)旭華. （主編）. （2021）. 組織與管理研究中的元分析方法."北京： 科學出版社.

*吳慈恩， 皮平凡， 關新華. （2023）. 機器人性能特征如何影響員工工作幸福感——基于創(chuàng)新抵制理論與資源保存理論的雙重視角. 旅游導刊， 7（2）， 55?78.

*徐廣路， 王皓天. （2022）. 技術沖擊意識對員工變革支持意愿的影響研究——以人工智能發(fā)展為背景. 華東經(jīng)濟管理， 36（6）， 119?128.

*徐廣路， 王皓天. （2023）. 人工智能沖擊意識對員工職業(yè)滿意度的影響： 工作壓力和目標導向的作用. 中國人力資源開發(fā)， 40（7）， 15?33.

*張恒， 高中華， 徐燕. （2024）. AI技術替代感對工作場所人與AI合作意愿的影響機制. 軟科學， 38（3）， 107?114.

*祝楚琳， 王亞男， 何伶俐. （2022）. 人工智能發(fā)展對員工工作幸福感的影響研究. 經(jīng)營與管理，"https：//doi.org/"10.16517/j.cnki.cn12-1034/f.20221227.004

*朱曉妹， 任晶晶， 何勤. （2020）. 人工智能技術應用會引發(fā)員工的消極情緒嗎？——基于資源保存理論的視角. 中國臨床心理學雜志， 28（6）， 1285?1288.

*朱曉妹， 王森， 何勤. （2021）. 人工智能嵌入視域下崗位技能要求對員工工作旺盛感的影響研究. 外國經(jīng)濟與管理， 43（11）， 15?25.

*Abbas， S. M.， Liu， Z.， amp; Khushnood， M. （2023）. When human meets technology： Unlocking hybrid intelligence role in breakthrough innovation engagement via self-"extension and social intelligence. Journal of Computer Information Systems， 63（5）， 1183?1200.

Aghaei， S.， Nematbakhsh， M. A.， amp; Farsani， H. K. （2012）. Evolution of the world wide web： From web 1.0 to web 4.0. International Journal of Web amp; Semantic Technology， 3（1）， 1?10.

Aleksander， I. （2017）. Partners of humans： A realistic assessment of the role of robots in the foreseeable future. Journal of Information Technology， 32， 1?9.

*Arias-Pérez， J.， amp; Vélez-Jaramillo， J. （2022）. Understanding"knowledge hiding under technological turbulence caused by artificial intelligence and robotics. Journal of Knowledge Management， 26（6）， 1476?1491.

Aylett-Bullock， J.， Luccioni， A. S.， Pham， K. H.， Lam， C. S. N.， amp; Luengo-Oroz， M. A. （2020）. Mapping the landscape of artificial intelligence applications against COVID-19. Journal of Artificial Intelligence Research， 69， 807?845.

Bag， S.， Pretorius， J. H. C.， Gupta， S.， amp; Dwivedi， Y. K. （2021）. Role of institutional pressures and resources in the adoption of big data analytics powered artificial intelligence， sustainable manufacturing practices and circular economy capabilities. Technological Forecasting and Social Change， 163， 120420.

Bai， B.， Dai， H.， Zhang， D. J.， Zhang， F.， amp; Hu， H. （2022）. The impacts of algorithmic work assignment on fairness perceptions and productivity： Evidence from field experiments. Manufacturing amp; Service Operations Management， 24（6）， 3060?3078.

Bakker， A. B.， Demerouti， E.， amp; Sanz-Vergel， A. I. （2014）. Burnout and work engagement： The JD-R approach. Annual Review of Organizational Psychology and Organizational Behavior， 1（1）， 389?411.

Bakker， A. B.， Demerouti， E.， Taris， T. W.， Schaufeli， W. B.， amp; Schreurs， P. J. （2003）. A multigroup analysis of the job demands-resources model in four home care organizations. International Journal of stress management， 10（1）， 16?38.

Balakrishnan， J.， amp; Dwivedi， Y. K. （2024）. Conversational commerce： Entering the next stage of AI-powered digital assistants. Annals of Operations Research， 333（2）， 653?"687.

Begg， C. B.， amp; Mazumdar， M. （1994）. Operating characteristics of a rank correlation test for publication bias. Biometrics， 50（4）， 1088?1101.

Bhargava， A.， Bester， M. S.， amp; Bolton， L. E. （2020）. Employees’ perceptions of the implementation of robotics， artificial intelligence， and automation （RAIA） on job satisfaction， job security， and employability. Journal of Technology in Behavioral Science， 6（1）， 106?113.

Bock， D. E.， Wolter， J. S.， amp; Ferrell， O. C. （2020）. Artificial intelligence： Disrupting what we know about services. Journal of Services Marketing， 34（3）， 317?334.

*Brachten， F.， Brünker， F.， Frick， N. R. J.， Ross， B.， amp; Stieglitz， S. （2020）. On the ability of virtual agents to decrease cognitive load： An experimental study. Information Systems and e-Business Management， 18（2）， 187?207.

*Braganza， A.， Chen， W.， Canhoto， A.， amp; Sap， S. （2021）. Productive employment and decent work： The impact of AI adoption on psychological contracts， job engagement and employee trust. Journal of business research， 131， 485?494.

*Brougham， D.， amp; Haar， J. （2018）. Smart technology， artificial intelligence， robotics， and algorithms （STARA）： Employees’ perceptions of our future workplace. Journal of Management amp; Organization， 24（2）， 239?257.

*Brougham， D.， amp; Haar， J. （2020）. Technological disruption and employment： The influence on job insecurity and turnover intentions： A multi-country study. Technological Forecasting and Social Change， 161， 120276.

Budhwar， P.， Malik， A.， De Silva， M. T.， amp; Thevisuthan， P. （2022）. Artificial intelligence-challenges and opportunities for international HRM： A review and research agenda. The International Journal of Human Resource Management， 33（6）， 1065?1097.

Cao， Y. （2021）. Portrait-based academic performance evaluation of college students from the perspective of big data. International Journal of Emerging Technologies in Learning， 16（4）， 95?106.

Challen， R.， Denny， J. C.， Pitt， M. A.， Gompels， L.， Edwards， T.， amp; Tsaneva-Atanasova， K. （2019）. Artificial intelligence， bias and clinical safety. BMJ Quality amp; Safety， 28（3）， 231?237.

*Cheng， B.， Lin， H.， amp; Kong， Y. （2023）. Challenge or hindrance？ How and when organizational artificial intelligence adoption influences employee job crafting. Journal of Business Research， 164， 113987.

Chuang， S. （2021）. An empirical study of displaceable job skills in the age of robots. European Journal of Training and Development， 45（6/7）， 617?632.

Cooper， H.， Hedges， L. V.， amp; Valentine， J. C. （Eds）. （2009）. The handbook of research synthesis and meta-analysis. Russell Sage Foundation.

Corea， F. （2019）. AI knowledge map： How to classify AI technologies. In F. Corea （Ed.）， An introduction to data"（Vol. 50， pp. 25?29）. Springer.

Cudré-Mauroux， A. （2011）. Staff and challenging behaviours of people with developmental disabilities： Influence of individual and contextual factors on the transactional stress process. The British Journal of Development Disabilities， 57（112）， 21?40.

*Dabbous， A.， Aoun Barakat， K.， amp; Merhej Sayegh， M. （2022）. Enabling organizational use of artificial intelligence： An employee perspective. Journal of Asia Business Studies， 16（2）， 245?266.

Dai， N. T.， Kuang， X.， amp; Tang， G. （2018）. Differential weighting of objective versus subjective measures in performance evaluation： Experimental evidence. European Accounting Review， 27（1）， 129?148.

DeChurch， L. A.， amp; Mesmer-Magnus， J. R. （2010）. The cognitive underpinnings of effective teamwork： A meta-analysis. Journal of Applied Psychology， 95（1）， 32?"53.

*Ding， L. （2021）. Employees’ challenge-hindrance appraisals"toward STARA awareness and competitive productivity： A micro-level case. International Journal of Contemporary Hospitality Management， 33（9）， 2950?2969.

*Ding， L. （2022）. Employees’ STARA awareness and innovative work behavioural intentions： Evidence from US casual dining restaurants. In S. Tabari amp; W. Chen （Eds.）， Global strategic management in the service industry： A perspective of the new era"（pp. 17?56）. Emerald Publishing Limited.

Dunlap， R. D.， amp; Lacity， M. C. （2017）. Resolving tussles in service automation deployments： Service automation at Blue Cross Blue Shield North Carolina （BCBSNC）. Journal of Information Technology Teaching Cases， 7（1）， 29?34.

*Dutta， D.， amp; Mishra， S. K. （2021）. Chatting with the CEO’s virtual assistant： Impact on climate for trust， fairness， employee satisfaction， and engagement. AIS Transactions on Human-Computer Interaction， 13（4）， 431?452.

*Dutta， D.， Mishra， S. K.， amp; Tyagi， D. （2022）. Augmented employee voice and employee engagement using artificial intelligence-enabled chatbots： A field study. The International Journal of Human Resource Management， 34（12）， 2451?2480.

Dwivedi， Y. K.， Hughes， L.， Ismagilova， E.， Aarts， G.， Coombs， C. R.， Crick， T.， … Williams， M. D. （2021）. Artificial intelligence （AI）： Multidisciplinary perspectives on emerging challenges， opportunities， and agenda for research， practice and policy. International Journal of Information Management， 57， 101994.

Egger， M.， amp; Smith， G. D. （1997）. Meta-analysis： Potentials and promise. BMJ， 315（7119）， 1371?1374.

Fossen， F. M.， amp; Sorgner， A. （2022）. New digital technologies and heterogeneous wage and employment dynamics in the United States： Evidence from individual-"level data. Technological Forecasting and Social Change， 175， 121381.

Gentilini， U.， Almenfi， M. B. A.， Orton， I.， amp; Dale， P. （2020）. Social protection and jobs responses to COVID-19： A real-time review of country measures. Retrieved July 10， 2020， from https：//hdl.handle.net/10986/33635

Gr?nsund， T.， amp; Aanestad， M. （2020）. Augmenting the algorithm： Emerging human-in-the-loop work configurations. The Journal of Strategic Information Systems， 29（2）， 101614.

Guo， H.， amp; Polák， P. （2021）. Artificial intelligence and financial technology FinTech： How AI is being used under the pandemic in 2020. In A. Hamdan， A. Ella Hassanien， A. Razzaque， amp; B. Alareeni （Eds.）， The fourth industrial revolution： Implementation of artificial intelligence for growing business success"（Vol. 935， pp. 169?186）. Springer Cham.

Haenlein， M.， amp; Kaplan， A. M. （2019）. A brief history of artificial intelligence： On the past， present， and future of artificial intelligence. California Management Review， 61（4）， 14?15.

Hakanen， J. J.， Schaufeli， W. B.， amp; Ahola， K. （2008）. The job demands-resources model： A three-year cross-lagged study of burnout， depression， commitment， and work engagement."Work amp; stress， 22（3）， 224?241.

*Henkel， A. P.， Bromuri， S.， Iren， D.， amp; Urovi， V. （2020）. Half human， half machine-augmenting service employees with AI for interpersonal emotion regulation. Journal of Service Management， 31（2）， 247?265.

Hobfoll， S. E. （1990）. Loss as the active ingredient in stress： Response to Arnold Lazarus. American Psychologist， 45（11）， 1275?1276.

Hobfoll， S. E. （2011）. Conservation of resources theory： Its implication for stress， health， and resilience. In S. Folkman （Ed.）， The Oxford handbook of stress， health， and coping"（pp. 127–147）. Oxford University Press.

Hobfoll， S. E.， Halbesleben， J. R. B.， Neveu， J. P.， amp; Westman， M. （2018）. Conservation of resources in the organizational context： The reality of resources and their consequences. Annual Review of Organizational Psychology and Organizational Behavior， 5（1）， 103?128.

Howard， A.， amp; Borenstein， J. （2020）. AI， robots， and ethics in the age of COVID-19. Retrieved May 18， 2020， from https：//sloanreview.mit.edu/article/ai-robots-and-ethics-in-the-age-of-covid-19/

Huang， J.， Saleh， S.， amp; Liu， Y. （2021）. A review on artificial intelligence in education. Academic Journal of Interdisciplinary Studies， 10（3）， 206?206.

Huang， J.， Wang， Y.， amp; You， X. （2016）. The job demands-"resources model and job burnout： The mediating role of personal resources. Current Psychology， 35（4）， 562?569.

Hunter， J. E.， Schmidt， F. L.， amp; Judiesch， M. K. （1990）. Individual differences in output variability as a function of job complexity. Journal of Applied Psychology， 75（1）， 28?42.

Ivanov， S.， Webster， C.， amp; Berezina， K. （2017）. Adoption of robots and service automation by tourism and hospitality companies. Revista Turismo amp; Desenvolvimento， 27（28）， 1501?1517.

Jia， N.， Luo， X.， Fang， Z.， amp; Liao， C. （2024）. When and how artificial intelligence augments employee creativity. Academy of Management Journal， 67（1）， 5?32.

Jiang， L.， amp; Lavaysse， L. M. （2018）. Cognitive and affective job insecurity： A meta-analysis and a primary study. Journal of Management， 44（6）， 2307?2342.

Kellogg， K. C.， Valentine， M. A.， amp; Christin， A. （2020）. Algorithms at work： The new contested terrain of control. Academy of Management Annals， 14（1）， 366?410.

*Kensbock， J. M.， amp; St?ckmann， C. （2021）. “Big brother is watching you”： Surveillance via technology undermines employees’ learning and voice behavior during digital transformation. Journal of Business Economics， 91（4）， 565?594.

*Khaliq， A.， Waqas， A.， Nisar， Q. A.， Haider， S.， amp; Asghar， Z. （2022）. Application of AI and robotics in hospitality sector： A resource gain and resource loss perspective. Technology in Society， 68， 101807.

*Kim， Y. （2023）. Examining the impact of frontline service robots service competence on hotel frontline employees from a collaboration perspective. Sustainability， 15（9）， 7563.

*Kong， H.， Yuan， Y.， Baruch， Y.， Bu， N.， Jiang， X.， amp; Wang， K. （2021）. Influences of artificial intelligence （AI） awareness on career competency and job burnout. International Journal of Contemporary Hospitality Management， 33（2）， 717?734.

Lane， M.， amp; Williams， M. （2023）. \"Defining and classifying AI in the workplace\". OECD Social， Employment and Migration Working Papers."OECD Publishing， Paris. https：//doi.org/10.1787/59e89d7f-en

Langer， M.， amp; Landers， R. N. （2021）. The future of artificial intelligence at work： A review on effects of decision automation and augmentation on workers targeted by algorithms and third-party observers. Computers in Human Behavior， 123， 106878.

Lesener， T.， Gusy， B.， amp; Wolter， C. （2019）. The job demands-resources model： A meta-analytic review of longitudinal studies. Work amp; stress， 33（1）， 76?103.

Lewig， K. A.， Xanthopoulou， D.， Bakker， A. B.， Dollard， M. F.， amp; Metzer， J. C. （2007）. Burnout and connectedness among Australian volunteers： A test of the job demands-"resources model. Journal of vocational behavior， 71（3）， 429?445.

Li， D.， amp; Du， Y. （Eds）. （2017）. Artificial intelligence with uncertainty. CRC press.

*Li， J.， Bonn， M. A.， amp; Ye， B. H. （2019）. Hotel employee's artificial intelligence and robotics awareness and its impact on turnover intention： The moderating roles of perceived organizational support and competitive psychological climate. Tourism Management， 73， 172?"181.

Li， P.， Sun， J.-M.， Taris， T. W.， Xing， L.， amp; Peeters， M. C. W. （2021）. Country differences in the relationship between leadership and employee engagement： A meta-analysis. Leadership Quarterly， 32（1）， 101458.

*Liang， X.， Guo， G.， Shu， L.， Gong， Q.， amp; Luo， P. （2022）. Investigating the double-edged sword effect of AI awareness on employee's service innovative behavior. Tourism Management， 92， 104564.

*Lingmont， D. N.， amp; Alexiou， A. （2020）. The contingent effect of job automating technology awareness on perceived job insecurity： Exploring the moderating role of organizational culture. Technological Forecasting and Social Change， 161， 120302.

Lipsey， M. W.， amp; Wilson， D. B. （Eds）. （2001）. Practical meta-analysis. SAGE publications， Inc.

*Loureiro， S. M. C.， Bilro， R. G.， amp; Neto， D. （2022）. Working with AI： Can stress bring happiness？ Service Business， 17（1）， 233?255.

*Ma， C.， amp; Ye， J. （2022）. Linking artificial intelligence to service sabotage. The Service Industries Journal， 42（13?14）， 1054?1074.

Malik， A.， Budhwar， P.， amp; Kazmi， B. A. （2023）. Artificial intelligence （AI）-assisted HRM： Towards an extended strategic framework. Human Resource Management Review， 33（1）， 100940.

Malik， A.， Thevisuthan， P.， amp; De Sliva， T. （2022）. Artificial intelligence， employee engagement， experience， and HRM. In A. Malik （Ed.）， Strategic human resource management and employment relations： An international perspective"（pp. 171?184）. Springer International Publishing.

Malik， N.， Tripathi， S. N.， Kar， A. K.， amp; Gupta， S. （2021）. Impact of artificial intelligence on employees working in industry 4.0 led organizations. International Journal of Manpower， 43（2）， 334?354.

*Man Tang， P.， Koopman， J.， McClean， S. T.， Zhang， J. H.， Li， C. H.， De Cremer， D.， … Ng， C. T. S. （2022）. When conscientious employees meet intelligent machines： An integrative approach inspired by complementarity theory and role theory. Academy of Management Journal， 65（3）， 1019?1054.

*Marikyan， D.， Papagiannidis， S.， Rana， O. F.， Ranjan， R.， amp; Morgan， G. （2022）. “Alexa， let’s talk about my productivity”： The impact of digital assistants on work productivity. Journal of Business Research， 142， 572?584.

*Matsunaga， M. （2021）. Uncertainty management， transformational leadership， and job performance in an AI-powered organizational context. Communication Monographs， 89（1）， 118?139.

Mikalef， P.， amp; Gupta， M. （2021）. Artificial intelligence capability： Conceptualization， measurement calibration， and empirical study on its impact on organizational creativity and firm performance. Information amp; Management， 58（3）， 103434.

*Mirbabaie， M.， Brünker， F.， M?llmann Frick， N. R. J.， amp; Stieglitz， S. （2021）. The rise of artificial intelligence-"understanding the AI identity threat at the workplace. Electronic Markets， 32（1）， 73?99.

*Mirbabaie， M.， Stieglitz， S.， Brünker， F.， Hofeditz， L.， Ross， B.， amp; Frick， N. R. （2021）. Understanding collaboration with virtual assistants-the role of social identity and the extended self. Business amp; Information Systems Engineering， 63， 21?37.

*Nguyen， T. M.， amp; Malik， A. （2022a）. A two-wave cross-lagged study on AI service quality： The moderating effects of the job level and job role. British Journal of Management， 33（3）， 1221?1237.

*Nguyen， T. M.， amp; Malik， A. （2022b）. Impact of knowledge sharing on employees' service quality： The moderating role of artificial intelligence. International Marketing Review， 39（3）， 482?508.

Nauman， S.， Zheng， C.， amp; Naseer， S. （2020）. Job insecurity and work-family conflict： A moderated mediation model of perceived organizational justice， emotional exhaustion and work withdrawal. International Journal of Conflict Management， 31（5）， 729?751.

*Odugbesan， J. A.， Aghazadeh， S.， Al Qaralleh， R. E.， amp; Sogeke， O. S. （2023）. Green talent management and employees’ innovative work behavior： The roles of artificial intelligence and transformational leadership. Journal of knowledge management， 27（3）， 696?716.

O'Neill， T. A.， Allen， N. J.， amp; Hastings， S. E. （2013）. Examining the \"pros\" and \"cons\" of team conflict： A team-level meta-analysis of task， relationship， and process conflict. Human Performance， 26（3）， 236?260.

Oosthuizen， R. M. （2019）. Smart technology， artificial intelligence， robotics and algorithms （STARA）： Employees’ perceptions and wellbeing in future workplaces. In Potgieter， I.， Ferreira， N.， amp; Coetzee， M. （Eds.）， Theory， research and dynamics of career wellbeing （pp. 17?40）. Springer.

Peterson， R. A.， amp; Brown， S. P. （2005）. On the use of beta coefficients in meta-analysis. Journal of Applied Psychology，"90（1）， 175?181.

Prasad Agrawal， K. （2023）. Towards adoption of generative AI in organizational settings. Journal of Computer Information Systems， https：//doi.org/10.1080/08874417."2023.2240744

*Prentice， C.， Wong， I. A.， amp; Lin， Z. （2023）. Artificial intelligence as a boundary-crossing object for employee engagement and performance. Journal of Retailing and Consumer Services， 73， 103376.

*Presbitero， A.， amp; Teng-Calleja， M. （2023）. Job attitudes and career behaviors relating to employees' perceived incorporation of artificial intelligence in the workplace： A career self-management perspective. Personnel Review， 52（4）， 1169?1187.

*Qiu， H.， Li， M.， Bai， B.， Wang， N.， amp; Li， Y. （2022）. The impact of AI-enabled service attributes on service hospitableness： The role of employee physical and psychological workload. International Journal of Contemporary Hospitality Management， 34（4）， 1374?"1398.

Raisch， S.， amp; Krakowski， S. （2021）. Artificial intelligence and management： The automation-augmentation paradox. Academy of Management Review， 46（1）， 192?210.

Raj， M.， amp; Seamans， R. （2019）. Primer on artificial intelligence and robotics. Journal of Organization Design， 8（1）， 1?14.

Rampersad， G. （2020）. Robot will take your job： Innovation for an era of artificial intelligence. Journal of Business Research， 116， 68?74.

Ren， J. （2021）. Research on financial investment decision based on artificial intelligence algorithm. IEEE Sensors Journal， 21（22）， 25190?25197.

Rosenthal， R. （1979）. The file drawer problem and tolerance for 1 results. Psychological Bulletin， 86（3）， 638?641.

Rothstein， H. R.， Sutton， A. J.， amp; Borenstein， M. （2005）. Publication bias in meta-analysis. In Rothstein， H. R.， Sutton， A. J.， amp; Borenstein， M. （Eds.）， Publication bias in meta‐analysis："Prevention， assessment and adjustments"（pp. 1?7）. John Wiley amp; Sons， Ltd.

*Ro?man， M.， Ore?ki， D.， amp; Tominc， P. （2023）. Artificial-"intelligence-supported reduction of employees’ workload to increase the company’s performance in today’s VUCA environment. Sustainability， 15（6）， 5019.

*Shaikh， F.， Afshan， G.， Anwar， R. S.， Abbas， Z.， amp; Chana， K. A. （2023）. Analyzing the impact of artificial intelligence on employee productivity： The mediating effect of knowledge sharing and well-being. Asia Pacific Journal of Human Resources， 61（4）， 794?820.

*Singh， R.， amp; Tarkar， P. （2022）. Future of work： How artificial intelligence will change the dynamics of work culture and influence employees work satisfaction post-covid-19. In V. Goyal， M. Gupta， S. Mirjalili， amp; A. Trivedi （Eds.）， Proceedings of International Conference on Communication and Artificial Intelligence： ICCAI 2021"（pp. 239?260）. Springer Nature Singapore， Singapore.

Smith， A.， amp; Anderson， J. （2014）. AI， robotics， and the future of jobs. Pew Research Center， 6， 51.

*Song， Y.， Zhang， M.， Hu， J.， amp; Cao， X. （2022）. Dancing with service robots： The impacts of employee-robot collaboration on hotel employees’ job crafting. International Journal of Hospitality Management， 103， 103220.

*Tahir， K. H. K.， Iqbal， A.， amp; Khudai， M. S. （2021）. Articulating manager’s skills and employee performance management through artificial intelligence. Multicultural Education， 7（10）， Article e5646563. http：//doi.org/10.5281/"zenodo.5646563

*Tang， P. M.， Koopman， J.， Elfenbein， H. A.， Zhang， J. H.， De Cremer， D.， Li， C. H.， amp; Chan， E. T. （2022）. Using robots at work during the COVID-19 crisis evokes passion decay： Evidence from field and experimental studies. Applied Psychology， 71（3）， 881?911.

Terminio， R.， amp; Rimbau Gilabert， E. （2018）. The digitalization of the working environment： The advent of robotics， automation， and artificial intelligence （RAAI） from the employees perspective-a scoping review. In M."Coeckelbergh， J. Loh， M. Funk， J. Seibt， amp; M. N?rskov （Eds.）， Envisioning robots in society-power， politics and public space"（pp. 166?177）. IOS Press， Amsterdam.

*Tong， S.， Jia， N.， Luo， X.， amp; Fang， Z. （2021）. The Janus face of artificial intelligence feedback： Deployment versus disclosure effects on employee performance. Strategic Management Journal， 42（9）， 1600?1631.

Torre， D. L.， Colapinto， C.， Durosini， I.， amp; Triberti， S. （2021）. Team formation for human-artificial intelligence collaboration"in the workplace： A goal programming model to foster organizational change. IEEE Transactions on Engineering Management， 70（5）， 1966?1976.

Tversky， A.， amp; Kahneman， D. （1996）. On the reality of cognitive illusions. Psychological Review， 103（3）， 582?591.

Vaish， A.， Grossmann， T.， amp; Woodward， A. （2008）. Not all emotions are created equal： The negativity bias in social-emotional development. Psychological Bulletin， 134（3）， 383?403.

*Verma， S.， amp; Singh， V. （2022）. Impact of artificial intelligence-enabled job characteristics and perceived substitution crisis on innovative work behavior of employees from high-tech firms. Computers in Human Behavior， 131， 107215.

Walsh， G.， Yang， Z.， Dose， D.， amp; Hille， P. （2015）. The effect of job-related demands and resources on service employees’ willingness to report complaints： Germany versus China. Journal of Service Research， 18（2）， 193?"209.

*Wang， H.， Zhang， H.， Chen， Z.， Zhu， J.， amp; Zhang， Y. （2022）. Influence of artificial intelligence and robotics awareness on employee creativity in the hotel industry. Frontiers in Psychology， 13， 834160.

*Wang， W.， Chen， L.， Xiong， M.， amp; Wang， Y. （2023）. Accelerating AI adoption with responsible AI signals and employee engagement mechanisms in health care. Information Systems Frontiers， 25（6）， 2239?2256.

Wang， X.， Lin， X.， amp; Shao， B. （2022）. How does artificial intelligence create business agility？ Evidence from chatbots. International Journal of Information Management， 66， 102535.

*Wijayati， D. T.， Rahman， Z.， Rahman， M. F. W.， Arifah， I. D. C.， amp; Kautsar， A. （2022）. A study of artificial intelligence on employee performance and work engagement： The moderating role of change leadership. International Journal of Manpower， 43（2）， 486?512.

*Xu， G.， Xue， M.， amp; Zhao， J. （2023a）. The association between artificial intelligence awareness and employee depression： The mediating role of emotional exhaustion and the moderating role of perceived organizational support. International Journal of Environmental Research and Public Health， 20（6）， 5147.

*Xu， G.， Xue， M.， amp; Zhao， J. （2023b）. The relationship of artificial intelligence opportunity perception and employee workplace well-being： A moderated mediation model. International Journal of Environmental Research and Public Health， 20（3）， 1974.

*Yam， K. C.， Goh， E. Y.， Fehr， R.， Lee， R.， Soh， H.， amp; Gray， K. （2022）. When your boss is a robot： Workers are more spiteful to robot supervisors that seem more human. Journal of Experimental Social Psychology， 102， 104360.

*Yu， H.， Shum， C.， Alcorn， M.， Sun， J.， amp; He， Z. （2022）. Robots can’t take my job： Antecedents and outcomes of Gen Z employees’ service robot risk awareness. International Journal of Contemporary Hospitality Management， 34（8）， 2971?2988.

Zel， S.， amp; Kongar， E. （2020， September）. Transforming digital employee experience with artificial intelligence. In 2020 IEEE/ITU International Conference on Artificial Intelligence for Good （AI4G） （pp. 176?179）. IEEE.

*Zeng， X.， Li， S.， amp; Yousaf， Z. （2022）. Artificial intelligence adoption and digital innovation： How does digital resilience act as a mediator and training protocols as a moderator？ Sustainability， 14（14）， 8286.

Zhang， H.， Cui， N.， Chen， D.， Zou， P.， Shao， J.， Wang， X.， … Zheng， D. （2021）. Social support， anxiety symptoms， and depression symptoms among residents in standardized residency training programs： The mediating effects of emotional exhaustion. BMC Psychiatry， 21， 1?8.

Zhang， M.， Geng， R.， Hong， Z.， Song， W.， amp; Wang， W. （2020）. The double-edged sword effect of service recovery awareness of frontline employees： From a job demands-"resources perspective. International Journal of Hospitality Management， 88， 102536.

*Zhu， Y. Q.， amp; Kanjanamekanant， K. （2022）. Human-bot co-working： Job outcomes and employee responses. Industrial Management amp; Data Systems， 123（2）， 515?533.

Zirar， A.， Ali， S. I.， amp; Islam， N. （2023）. Worker and workplace Artificial Intelligence （AI） coexistence： Emerging"themes and research agenda. Technovation， 124， 102747.

A meta-analysis of the impact of AI application on employees in the workplace

JIANG Jianwu¹， LONG Hanhuan¹， HU Jieyu²

（¹College of Management， Shenzhen University， Shenzhen 518060， China）

（²School of Business， Nanjing University， Nanjing 210093，"China）

Abstract： With the development of digital technology， artificial intelligence （AI） presents new opportunities and challenges for organizations. Its impact on employee behavior and psychology in the workplace has attracted increasing academic attention. However， consensus on the direction， extent， and boundary conditions of these effects remains elusive. In this paper， we conduct a meta-analysis based on 64 domestic and international literatures， encompassing 85 outcome variables and 150 effect sizes. The result indicates that： The application of AI in the workplace can facilitate employees’ positive psychology such as work engagement， organizational commitment， and work happiness， as well as promote positive behaviors such as knowledge sharing， digital innovation， and job crafting. However， it can also induce negative psychology such as employee anxiety， turnover intention， and job insecurity， leading to negative behaviors such as knowledge hiding， work withdrawal， and service destruction. The study further reveals that the type of AI application， industry context， and measurement methods moderate these relationships to varying degrees. The conclusion shows that the application of AI in the workplace is a double-edged sword， enriching psychological resources and fostering positive behaviors while also posing threats that deplete psychological resources and trigger negative behaviors. Within the theoretical framework of the Job Demands-Resources model， this study clarifies the relationship effects and boundary conditions between the application of AI in the workplace and the employee behavior and psychological outcomes， which provides guidance for organizations to scientifically adjust the management strategies of AI， accurately direct employees perceptions， and effectively maximize its value.

Keywords："workplace， AI application， positive behavior and psychology， negative behavior and psychology， meta-analysis