厄瓜多尔企业人工智能（Artificial Intelligence, AI）采纳中的技术接受模型（Technology Acceptance Model, TAM）——感知有用性（Perceived Usefulness, PU）与感知易用性（Perceived Ease of Use, PEOU）的双向关系研究

《Frontiers in Artificial Intelligence》：Use of artificial intelligence in Ecuadorian companies

　　

摘要（Abstract）：人工智能（Artificial Intelligence, AI）日益融入组织流程，但其采纳机制尚不完全清楚，尤其在新兴经济体背景下。研究人员考察了厄瓜多尔瓜亚斯省（Guayas）企业中感知有用性（Perceived Usefulness, PU）与感知易用性（Perceived Ease of Use, PEOU）对AI采纳的关系。方法（Methods）：基于技术接受模型（Technology Acceptance Model, TAM），研究人员分析PEOU对PU的传统单向影响及两构念间可能存在的双向关联，考虑AI系统的自适应特性。采用定量研究设计，收集398名大中型企业管理者的调查数据，通过探索性因子分析（Exploratory Factor Analysis, EFA）、验证性因子分析（Confirmatory Factor Analysis, CFA）及结构方程模型（Structural Equation Modeling, SEM）进行分析。结果（Results）：研究发现感知易用性正向影响感知有用性（与TAM一致）；此外，感知有用性亦正向影响感知易用性，表明两构念间存在强化型交互作用。该结果符合AI采纳的动态解释——用户交互与系统响应随时间共同演化。讨论（Discussion）：本研究通过将TAM扩展至AI情境并提出双向视角，并以未被充分研究的新兴经济体提供实证证据，丰富了相关文献。管理启示强调AI系统设计应兼顾可用性与价值传递。由于数据为横断面，无法确立因果关系，结果需谨慎解释。

论文解读：《Use of artificial intelligence in Ecuadorian companies》发表于《Frontiers in Artificial Intelligence》

研究背景与问题提出

人工智能（Artificial Intelligence, AI）被视为推动组织流程再造与决策优化的重要技术驱动力，但企业层面AI采纳率仍不均衡且其影响因素尚未被完全揭示。传统技术接受模型（Technology Acceptance Model, TAM）认为感知有用性（Perceived Usefulness, PU——个体相信使用某技术能提升其工作绩效的程度）与感知易用性（Perceived Ease of Use, PEOU——个体认为使用某技术不需付出努力的程度）呈单向因果：PEOU促进PU。然而AI系统具备自适应（adaptive）、数据驱动及人机持续交互特征，可能形成用户"做中学（learning-by-doing）"与算法个性化反馈的闭环，使PU也可能反过来强化PEOU。此双向关系在AI采纳文献中较少被实证检验，尤其在新兴经济体（如厄瓜多尔）背景下更为缺乏。因此研究人员以厄瓜多尔瓜亚斯省（Guayas）大中型企业管理者为对象，检验TAM中PU与PEOU的单向及双向影响关系（H1：PEOU→PU正向；H2：PU→PEOU正向）。

主要研究方法

研究人员采用非概率便利抽样，向厄瓜多尔瓜亚斯省在Superintendency of Companies, Securities and Insurance (SUPER CIAS)注册的中大型企业的中高层管理者发放结构化问卷（基于经典TAM量表改编，含PU维度6题、PEOU维度5题，5点Likert量表），经预测试后最终回收有效样本398份。数据分析使用SPSS v23进行描述统计与探索性因子分析（Exploratory Factor Analysis, EFA，主成分分析+Varimax旋转），使用AMOS进行验证性因子分析（Confirmatory Factor Analysis, CFA）评估聚合效度（组合信度Composite Reliability, CR；平均方差萃取Average Variance Extracted, AVE）与区分效度（Fornell–Larcker准则），并通过结构方程模型（Structural Equation Modeling, SEM）分别建立PU→PEOU及PEOU→PU的路径模型，以标准化回归权重、协方差及拟合指数（χ²/df、CFI、RMSEA等）检验假设。

研究结果

4.1 样本描述（Sample description）

初始联系472人，剔除无效后有效样本398份，涵盖专业服务（22.36%）、信息与通信技术（11.31%）、建筑（10.30%）等多行业，超过G*Power先验计算所需样本量（n=366），抽样误差降至3.61%。

4.2 因子分析（Factor Analysis）

KMO值为0.923（＞0.60），Bartlett球形检验显著（p＜0.001），适宜做因子分析。主成分分析提取2个因子（PU与PEOU），共解释总方差75.946%。PU含6个条目，因子载荷0.856–0.911；PEOU含5个条目，因子载荷0.749–0.890，均≥0.70。PU的组合信度CR=0.96、平均方差萃取AVE=0.80；PEOU的CR=0.93、AVE=0.72，均超出阈值（CR≥0.70，AVE≥0.50），聚合效度良好。Fornell–Larcker判别效度检验显示各构念√AVE大于构念间相关系数（PU-PEOU r=0.563），判别效度成立。

4.3 因子模型的结构确认——协方差与方差分析（Structural confirmation of the factor model through covariances and variances）

PU与PEOU间协方差显著（估计值0.535，p＜0.001；相关系数0.563）。测量模型拟合指标：χ²/df=2.581（≤3），比较拟合指数Comparative Fit Index (CFI)=0.984（≥0.90），近似误差均方根Root Mean Square Error of Approximation (RMSEA)=0.063（0.05–0.08可接受），测量模型适配良好。

4.4 结构协方差与方差建模（Structural covariance and variance modeling）

路径分析结果显示：PEOU→PU的标准化路径系数为0.734（p＜0.001），支持H1；PU→PEOU的标准化路径系数为0.739（p＜0.001），支持H2。两方向路径均显著且强度相当，表明PU与PEOU存在相互强化的双向关联。对应结构模型拟合指标分别为χ²/df=4.467（在允许上限5内）、CFI=0.965、RMSEA=0.093（略超常规但可参考）；反向模型χ²/df=2.788、CFI=0.983、RMSEA=0.067（理想），整体结构模型可接受。

讨论与结论总结

讨论部分指出，本研究证实了传统TAM中PEOU对PU的正向影响，同时发现PU亦可正向影响PEOU，这一双向关系可由AI系统的自适应交互特性与组织学习中"做中学"机制解释——用户感知到AI带来决策质量与效率提升（高PU）后会加深互动与探索，从而降低主观难度（高PEOU），反之亦然。因采用横断面数据，结果反映显著关联而非严格因果，未来需纵向或非递归SEM验证。研究在新兴经济体情境下拓展了TAM理论框架，表明AI采纳是动态、迭代的人机协同过程，对管理者强调应同步重视界面易用性设计与价值显性化传达（培训、快速见效演示），以触发PU与PEOU互相促进的采纳循环。

结论（Conclusion）：

本研究扩展技术接受模型（TAM），提供实证证据表明在人工智能（AI）语境下感知有用性（PU）与感知易用性（PEOU）的关系并非严格单向——感知易用性正向影响感知有用性，且感知有用性亦正向影响感知易用性，形成双向强化关系。这提示将TAM应用于自适应、交互型技术时需重新审视其传统假设。研究引入动态采纳视角，契合组织学习与做中学理论，且填补了新兴经济体AI采纳实证研究空白。理论层面建议未来技术接受研究超越静态模型纳入动态交互视角；实践层面建议企业通过友好界面设计、价值沟通与实验性使用环境促进AI扩散，政策制定者在新兴经济体应通过培训与数字基建支持同步提升企业对AI的有用性与易用性感知。局限性包括横断面设计无法推断因果、未采用非递归结构方程模型正式检验互惠效应、2022年数据及厄瓜多尔区域样本限制外部推广性，未来宜在多国别、多行业及加入信任、组织准备度等变量拓展模型。