AI赋能的知识工作增强（Knowledge Work Augmentation with AI）：基于AI技术特征分类体系及其对有意味工作（Meaningful Work）影响的分类学研究
《Behaviour & Information Technology》：Knowledge work augmentation with AI: a taxonomy of AI-based technology characteristics and their implications for meaningful work
编辑推荐：
摘要：用人工智能（Artificial Intelligence, AI）增强（Augmentation）知识工作会引起工作性质的变化，进而影响工作者参与有意味工作（Meaningful Work，指工作者感知其工作具有价值、意义或更高宗旨的工作体验）的机会。
摘要：用人工智能（Artificial Intelligence, AI）增强（Augmentation）知识工作会引起工作性质的变化，进而影响工作者参与有意味工作（Meaningful Work，指工作者感知其工作具有价值、意义或更高宗旨的工作体验）的机会。已有研究主要关注绩效结果，对特定AI技术特征如何塑造工作者体验的洞察有限。针对此研究缺口，研究人员开发了知识工作增强情境中基于AI的技术特征分类学（Taxonomy），并检验其与有意味工作的关联机制。研究人员通过两轮文献综合（N = 62项研究）构建了知识工作增强中AI技术特征分类体系，识别出五大核心特征——适应性（Adaptability）、拟人化（Human Likeness）、独立性（Independence）、不可透视性（Inscrutability）及知识生产（Knowledge Production），并阐明其影响知识工作的作用机制。研究发现知识工作增强具有配置性（Configurational），不同特征组合产生差异化的有意味工作影响。本研究为有意味工作导向的知识工作增强提供了以人为本的分析透镜。
论文解读：《Behaviour & Information Technology》（2026）——AI赋能知识工作增强的分类学与有意味工作意涵
一、研究背景与问题提出
随着人工智能（Artificial Intelligence, AI）——即机器执行感知、推理、学习、问题解决、决策及创造性等类人认知功能的能力——日益渗透知识工作领域（如软件开发、医疗、营销、新闻、科研），组织广泛采用AI技术以提升生产力。知识工作在此被定义为个体或集体基于既有经验与理解，在特定情境中进行知识的情境性创造、再生产与应用。现有文献多聚焦AI增强（Augmentation，指人与AI协作完成多样化任务的人机任务特定配置）带来的绩效提升，却忽视了"AI"作为伞状术语（Umbrella Term）掩盖了不同AI系统间异质性的技术特征（如自主性、不可解释性、学习能力），而这些特征会实质性改变工作性质并影响工作者参与有意味工作（Meaningful Work：Bankins and Formosa 2023定义为"感知自身工作具有价值、意义或更高宗旨"，包含任务完整性 Task Integrity、技能培养与使用 Skill Cultivation and Use、任务重要性 Task Significance、自主性 Autonomy、归属感 Belongingness 五维度）。已有研究表明高自主性AI可能威胁专业角色认同，不透明AI建议引发不确定性与拒绝采纳，但目前缺乏系统性框架阐明具体AI技术特征如何通过作用机制影响有意味工作各维度。因此研究人员提出核心研究问题（RQ）：知识工作增强情境中的AI技术特征如何影响工作者参与有意味工作的机会？
二、研究方法概述
研究人员采用Nickerson, Varshney, and Muntermann (2013)与Kundisch et al. (2022)推荐的三阶段分类学开发流程：（1）概念到实证（Conceptual-to-Empirical, CTE）演绎法——基于人机交互文献预定义维度，在Scopus＋Litbasket（L尺寸，87种IS期刊）中以"AI AND interaction AND human"及同义词检索，初检987篇，经格式筛选（同行评审英文期刊）、相关性筛选（须描述人-AI互动且至少明示一项AI技术特征影响工作增强，排除纯算法开发无用户交互研究）和质量评估，最终纳入44篇概念性文献进行演绎内容分析；（2）实证到概念（Empirical-to-Conceptual, ETC）归纳法——在AIS eLibrary和ACM DL中以"(human OR individual OR person) AND (artificial intelligence OR ai OR genai OR gai OR 'generative artificial intelligence') AND ('knowledge work*')"检索，初检298篇，限定实证研究后排除120篇，再依"有人机交互+可提取AI特征关联知识工作者结果"排除123篇，经质量评估（明确用例、清晰研究问题、适当设计、可信样本、透明收集、严谨分析）排除37篇，最终纳入18篇实证文献进行开放式编码与持续比较；（3）将稳定分类学映射至Bankins and Formosa (2023)有意味工作五维度，采用理论驱动模式匹配（Theory-informed Pattern Matching）分析AI特征→知识工作变化→结果链与有意味工作维度的对应关系，由两名作者讨论至共识。元特征（Meta-characteristic）定为"对知识工作者有意味工作机会有影响的、可区分的AI技术增强特征"。
三、研究结果
4.1. 适应性（Adaptability）
研究人员将适应性定义为AI技术适应用户/领域或被用户调整的程度，含四个子维度：领域特定输出质量（Domain-specific Output Quality，指输出速度、准确性与相关度）、灵活性（Flexibility，跨任务/域/流程嵌入能力）、交互响应性（Interactive Responsiveness，维持对话并动态吸纳反馈）、个性化（Personalization，按用户需求/语境/偏好定制输出）。通过文献分析发现适应性通过"对齐机制（Alignment Mechanism）"——知识工作需求与AI技术供给间的契合度——发挥作用：高质量领域输出与灵活性实现情境与工作流对齐，交互响应性与个性化实现个体层面迭代对齐。高适应性使AI动态调整以匹配异质工作语境，支持探索性解决问题、降低阻力并促进持续使用、维持工作者能动性感知与心理所有权。
4.2. 拟人化/人类相似度（Human Likeness）
研究人员将其定义为AI技术通过其外观与行为被感知为类人社会行动者的程度，含两个子维度：拟人化呈现（Anthropomorphic Presentation，如会话语言风格、虚拟形象、社会性表达UX线索）与角色归因（Role Attribution，使用者或开发者赋予AI的功能或关系角色如助理、组员）。通过"社会感知机制（Social Perception Mechanism）"——AI社会线索被知识工作者解读为将其视为社会行动者的程度——发挥作用：拟人化呈现影响初始互动感知，角色归因将其嵌入可识别的社会与层级结构中（如明确框定为"助理"保留决策权，或定位为"团队成员"诱发快速信任 Swift Trust）。这条件化了人-AI关系的建立与维持。
4.3. 独立性（Independence）
研究人员将其定义为AI技术在工作流程中被感知为独立行动并发起行动的程度（区别于纯技术自主能力，强调使用中感知到的代理显现），含操作自主性（Operational Autonomy，有限人工干预下执行任务的程度）与主动性/前摄性（Proactivity，无显式提示下主动发起行动或建议）。通过"代理分配机制（Agency Distribution Mechanism）"——感知代理在知识工作者与AI间分配比例——发挥作用：操作自主性重分配任务执行控制权，高自主全决策循环可能将人角色推至监控与后验意义建构；前摄性AI将工作者角色部分转向过滤、验证与把关。适度咨询式自主（缩小选项但留最终判断给人）可降低认知负荷并保留决策权威，过度自主可能挑战专业身份。
4.4. 不可透视性/难解性（Inscrutability）
研究人员将其定义为AI技术使其运作逻辑、推理过程及输出可被知识工作者理解的程度（低不可透视性＝高可理解），含可解释性（Explainability，提供人可理解的产出理由或依据）与透明度（Transparency，揭示处理过程、数据使用或决策路径，如溯源链接）。通过"认识可达性机制（Epistemic Accessibility Mechanism）"——AI生成输出经由可理解与可验证变得合理可用——发挥作用：可解释性降低理解门槛以翻译AI推理为人可懂依据，透明度允许更深审查与溯源验证（对高技能知识工作者尤有价值）。不透明或解释不足增加验证负担、削弱专业问责信心，使意义建构依赖外部专家或黑箱权威。
4.5. 知识生产（Knowledge Production）
研究人员将其定义为AI技术从数据中加工、提取及生成知识的能力，含数据处理（Data Processing，处理大体量多模态数据及持久化交互历史充当扩展记忆）、信息提取（Information Extraction，识别模式与关系但不改原内容，如高亮、分面摘要）、信息生成（Information Generation，基于数据与训练生成新内容/洞见/决策如摘要、创意建议、仿真）。通过"信息扩展机制（Information Expansion Mechanism）"——与AI交互增强知识工作者可得知识容量——发挥作用：数据处理建可扩展信息基础设施，信息提取放大相关信号保留人诠释权，信息生成部分转移知识创造重心至AI，要求工作者批判评估概率性构造物。
4.6. 基于AI的知识工作增强机制（Mechanism of AI-based Knowledge Worker Augmentation）
五大特征及对应机制（对齐、社会感知、代理分配、认识可达性、信息扩展）共同决定增强效果：适应性/知识生产主要塑造操作动力学，拟人化/不可透视性条件化接受度与可问责使用，独立性重分配流程中主动性与控制。增强是特征配置（Configuration）的产物而非单一能力结果。
4.7. 有意味工作维度映射（Mapping the Meaningful Work Dimensions）
映射显示：适应性与知识生产广泛关联任务完整性与技能培养使用；拟人化主要影响归属感；独立性与不可透视性选择性影响自主性及相关问责层面；任务重要性（Task Significance）在现有文献中缺乏直接关联，属研究盲点。同一特征可双向影响——适度透明与保留监督时支持自主与协作，过度独立与低透性致认知卸载、去技能化、降低整体任务投入感。含义是有意味工作影响是权变（Contingent）而非均一的，取决于AI特征在增强中的具体配置。
四、讨论与结论
研究人员指出理论贡献在于：（1）将笼统"AI"拆解为五维可操作特征，解决IS研究中AI作为伞状术语的概念模糊性问题；（2）阐明各特征通过特定机制影响增强过程及有意味工作维度，推进超越绩效本位的人本视角。讨论特别指出文献中缺失AI特征→任务重要性（Task Significance，即感知工作惠及他人与社会之程度）的直接证据，反映当前IS/HCI研究偏重近端任务执行效应而忽视宏观社会意义重塑；研究人员提出三层影响模型——层1：增强知识工作实践（即时）；层2：（有意味）知识工作体验；层3：知识工作的社会角色——微观实践变化可累积扩散至宏观社会评价，是未来重要研究方向。
实践启示方面，分类学助管理者诊断现有AI部署的隐性特征配置，通过反思问题（当前部署各特征如何配置？意图创建何种增强构型？潜在有意味工作风险？）指导情境敏感的设计与治理（如Midjourney案例：高独立性＋高知识生产＋高不可透视性＋中适应性＋低拟人化→设计师工作转向提示词编写与筛选，需配套提示素养培养、结构化评审与透明度支持以保全技能培养与自主感）。
局限包括依赖已有文献报告质量、分类具解释性判断成分、机制由异质实证归纳而非因果检验、聚焦个体层面未涵盖组织/社会动力学。未来研究应实证检验分类与机制、拓展至多层级（尤向社会意义维度）、随AI演进持续修订分类学。
结论翻译：研究人员通过对两轮文献综合开发分类学，识别出适应性、拟人化、独立性、不可透视性及知识生产五大AI技术特征并阐明其作用机制。知识工作增强是配置性与关系性过程，有意味工作意涵取决于特征的具体组合与实作方式。研究超越绩效中心视角，为有保留或促进有意味工作机会的AI整合提供人本透镜。
（注：原文发表于Behaviour & Information Technology，DOI: 10.1080/0144929X.2026.2679599）
