知識工作者會不會聽 AI 的建議

2. 研究問題

這篇文章要回答的核心問題，不只是知識工作者會不會使用 GenAI，而是當他們在高複雜、專業型任務裡收到 GenAI 建議時，實際上會不會比收到人類專家的建議更願意採納。作者把問題拆成三層。第一層是最直接的比較：知識工作者在複雜任務中，對 GenAI 建議與人類專家建議的 advice-taking 行為是否不同。第二層是 reception 問題：不同人如何理解、解讀、定位 GenAI，會不會導致不同的採納程度。第三層則是機制問題：technological innovativeness 是否會透過 competence-based trust、integrity-based trust 與 emotional trust 影響實際 advice-taking。換句話說，作者不是停在 adoption intention，而是把焦點放到更接近真實協作的「你最後有沒有真的把 AI 建議拿來改判斷」。

3. 理論基礎

本文主要結合兩條理論線。第一條是 trust theory，特別是 IS 文獻中把信任拆成 competence-based trust、integrity-based trust 與 emotional trust 的做法。作者認為，知識工作者是否採納 GenAI 的建議，不是單看它看起來聰不聰明，而是要區分他們是否相信 AI 有能力、是否覺得它做事有原則，以及是否在情感上願意安心依賴它。第二條則是 reception theory。這原本多用在媒體與文化研究，強調使用者不是被動接收訊息，而是會依自己的背景、經驗與價值觀主動詮釋技術。作者把 reception 分成 dominant、negotiated、oppositional 三類，用來理解同樣一個 GenAI 建議，為什麼有人會積極採納、有人邊用邊保留、有人則先天抗拒。再加上 technological innovativeness 這個個人特質變項，文章就把「願不願意吃 AI 建議」從單一態度問題，提升成結合個人傾向、詮釋框架與信任形成的完整模型。

4. 研究架構

整體設計是三段式 multi-study。Study 1 用實驗比較知識工作者在複雜專業任務中，面對 GAI 建議與人類建議時的 weight-on-advice（WOA）差異，用來回答 RQ1。Study 2 聚焦在 GAI 情境本身，透過 reception survey 加上 K-means clustering，把受試者分成 dominant、negotiated、oppositional 三群，再比較各群的 WOA，用來回答 RQ2。Study 3 則用問卷模型檢驗 innovativeness 如何透過 competence-based trust、integrity-based trust、emotional trust 影響 advice-taking，並進一步檢查這條機制在不同 reception 群體之間是否有 path variance。除此之外，作者還補做了一個 configurational analysis，以 fsQCA 檢查 task complexity、perceived security risk、past exposure 這些情境因素如何組合成高或低 trust。這讓整篇文章同時具備行為比較、心理機制與情境組態三種層次。

5. 假設邏輯

作者的推論很清楚。首先，GenAI 已經不再只是規則式或窄功能的傳統演算法，而是能處理含糊、非結構化、帶創造性與專業判斷的任務，因此過去「知識工作者通常排斥演算法建議」的結論可能不再穩定成立。這構成 H1 的基礎，也就是知識工作者在複雜任務中可能反而更欣賞 GAI advice。其次，根據 reception theory，不同人不是只是多一點或少一點採納意願，而是用不同詮釋框架看待 GAI：dominant reception 的人傾向把 GAI 視為有價值且可合作的對象，oppositional reception 的人則更容易用懷疑與抵抗的方式解碼它，因此 H2 預期不同 reception group 會有不同 advice-taking 程度。第三，作者認為 innovativeness 會先影響 trust formation，再影響是否採納建議。高 innovativeness 的人較可能先建立 competence-based trust，進而推動 integrity-based trust 與 emotional trust；最後由 emotional trust 最直接帶動 advice-taking。H4 則更進一步主張，這套機制在不同 reception 群體之間不會完全一樣，因為相同的信任訊號，會被不同群體用不同方式解讀。

6. 方法

Study 1 招募了 259 位美國專業程式設計師，平均年齡 32 歲、平均工作經驗約 2 年，隨機分派到 human advice 與 GAI advice 兩組。任務是閱讀一段由 junior programmer 撰寫的 Python 程式碼，估計其中的錯誤數量；之後再得知「GitHub Copilot」或「一位資深程式設計師」判斷有 9 個錯誤，並據此修正自己的原判斷。研究用 WOA 衡量受試者採納建議的程度。Study 2 招募 148 位美國程式設計師，只保留 GAI 情境，先做 reception 問卷，再用 K-means 分成三群：N1=51、N2=45、N3=52，接著比較不同群的 WOA。Study 3 使用 175 位美國專業程式設計師的問卷資料，量測 innovativeness 與三種信任構面，採三步驟分析：CFA、path analysis、group moderation。補充的 configurational study 同樣使用 175 位樣本，加入 past exposure、task complexity、perceived security risk，使用 fsQCA 分析高信任與低信任的組態。

7. 結果

Study 1 顯示，知識工作者在這個複雜專業任務中，對 GAI advice 的採納程度高於人類建議。清理資料後 human 組為 111 人、GAI 組為 148 人；由於 WOA 分布不正常，作者使用 Wilcoxon rank sum test，比較結果達顯著（W = 6978, p = .028），平均 WOA 為 MHuman = 0.56、MGAI = 0.68，效果量 r = 0.14。這表示至少在程式審查這種複雜任務裡，受試者並沒有表現出傳統文獻常說的 algorithm aversion，反而更願意往 GAI 建議靠攏。Study 2 顯示 reception 確實會影響 advice-taking。三群的 WOA 差異在 Kruskal-Wallis test 下達顯著（statistic = 7.99, p = .018, ε² = 0.041）；pairwise comparison 中，dominant group 的 WOA 顯著高於 oppositional group（Bonferroni corrected p = .019783），但 negotiated group 與另外兩群的差異不顯著。Study 3 則支持大多數信任路徑：innovativeness 顯著提升 competence-based trust（β = .412, z = 4.753），但對 integrity-based trust 的直接效果不顯著（β = .041, ns）；competence-based trust 顯著提升 integrity-based trust（β = .762）與 emotional trust（β = .324），integrity-based trust 也顯著提升 emotional trust（β = .616），而 emotional trust 進一步正向影響 WOA（β = .151, z = 1.997）。Reception group moderation 顯示至少三條路徑具有群間差異：innovativeness → competence-based trust、competence-based trust → integrity-based trust、integrity-based trust → emotional trust。補充的 fsQCA 則發現，高 competence-based trust 常由兩種配置產生：一是高 task complexity 加上 past exposure 的「Cognitive Load Relief」，二是 past exposure 加上低 perceived security risk 的「Safe Familiarity」；而低 trust 則常來自「Unfamiliarity Effect」與「Unneeded and Unsafe」。

8. 理論貢獻

這篇文章的第一個理論價值，是它正面挑戰了「knowledge workers 對演算法建議通常較排斥」這條常見敘事。作者指出，在 GenAI 時代，尤其當 AI 已能處理高階、模糊、非例行的專業任務時，algorithm aversion 未必仍是預設結論。第二個貢獻，是把 reception theory 有效帶進 IS / human-AI interaction 文獻。很多研究會談 trust、adoption、intention，但較少真正處理「使用者如何主動解讀 AI」；這篇補上了詮釋層，讓 dominant / negotiated / oppositional 不只是態度標籤，而是與 advice-taking 行為直接相關的分析架構。第三個貢獻，是把 innovativeness 與多維 trust 串成序列性機制，指出真正驅動 advice-taking 的，不只是對技術新奇性的開放，而是這種開放如何先轉成 competence judgment，再推進到 integrity 與 emotional reliance。最後，fsQCA 的補充讓文章不只是一條線性 SEM 模型，而是補出了 trust 形成的情境組合邏輯。

9. 實務意涵

對組織來說，這篇最重要的提醒是：在知識工作場景裡，不要預設員工一定會抗拒 GenAI，也不要反過來假設大家都會自然接受。真正關鍵的是 reception segmentation 與 trust design。若組織只做一套通用導入方案，dominant 使用者可能很快擴大採用，但 oppositional 使用者會留在低採納狀態，形成內部落差。第二，管理者若希望員工在複雜任務中有效利用 GAI，應優先設計能建立 competence-based trust 的使用情境，例如讓使用者在高複雜任務中看到 AI 的具體幫助，而不是只做抽象宣傳。第三，past exposure 很重要。安全、低風險、可逐步熟悉的使用經驗，會比空泛的倡議更能建立 trust。第四，安全風險認知也不能忽略；若員工覺得任務不複雜、又認為 AI 不安全，就很容易落入「Unneeded and Unsafe」的低信任配置。換句話說，GAI 導入應該是差異化、分群化、情境化，而不是一刀切。

10. 研究限制

這篇有幾個明顯限制。第一，三個 study 都以美國專業程式設計師為主，雖然這群人是很好的 knowledge worker 代表，但外推到教師、顧問、研究人員、設計師或跨部門管理工作者時仍要保守。第二，實驗任務是程式碼錯誤審查，雖然屬於複雜專業任務，但畢竟仍是單一情境，對其他型態的知識工作是否一樣成立還需要再驗證。第三，WOA 衡量的是根據建議修正判斷的程度，不等於長期信任、持續依賴或真實組織績效。第四，Study 3 的模型顯示 innovativeness 無法直接提升 integrity-based trust，這意味著信任形成仍可能受更複雜的倫理、透明度與控制感因素影響，但這篇沒有更細拆。第五，reception 群體差異雖然存在，但 negotiated group 和其他兩群差異不明顯，代表理論分類在實務上可能比想像中更模糊。

11. 對我研究的啟發

這篇對我很有用，因為它把我最近一直在追的幾條線自然接起來了。我前面讀的文多半在談 Human-GenAI collaboration 對 creativity、knowledge creation 或 organizational learning 的正負效果，但這篇補上了一個很關鍵的「前置條件」問題：人為什麼願意把 GenAI 建議真正納入自己的判斷。這對我後續做 AI × cognition × knowledge creation 很重要，因為知識創造不只取決於 AI 能產出什麼，也取決於人會不會接納、修改、重組、內化那些產出。第一個可直接延伸的方向，是把 reception 當成認知或解釋框架變項，去看不同認知風格的人是否更容易落在 dominant、negotiated 或 oppositional reception。第二個方向，是把本文的 trust sequence 接到 knowledge creation 流程裡，例如 competence-based trust 可能影響知識探索，integrity-based trust 可能影響知識驗證，而 emotional trust 可能影響最終是否把 AI 產出整合進工作成果。第三個方向，是把這篇和我前面讀過的創意階段、組織 sandbox、cognitive style 文章合在一起，形成一個更完整的 phase-based model：組織設計情境、個體帶著不同 reception 與 trust 進入人機互動，最後才影響知識創造與創新結果。這樣我未來的研究模型會比單純問「AI 有沒有幫助」更有理論厚度。

12. 整體評價

我認為這篇是 backlog 裡很值得優先讀的一篇，尤其如果我想把研究重心放在 Human-GenAI collaboration 的心理與組織機制，而不是只停在 adoption 或 performance。它的優點是問題抓得很準，知道在 GenAI 時代，真正值得問的不是「人喜不喜歡 AI」這種粗問題，而是「在複雜知識工作裡，人會不會真的根據 AI 建議改變判斷，以及這背後的 trust 與 reception 怎麼運作」。方法上它不只做單一 survey，而是用兩個行為實驗加上一個信任模型，再補一個 configurational analysis，說服力很夠。最值得保留的，是它把 reception theory 引進來，讓我在未來討論 AI 採納時，不必只用 TAM 或一般 trust 變項，而能更細地說明不同人如何解碼與定位 GenAI。若要挑缺點，就是樣本和任務仍偏向 programming context，且 WOA 雖然是很好的行為指標，但還不足以等同真實長期協作成效。不過整體來看，這篇非常適合當我後續建構 trust / cognition / knowledge creation bridge model 的關鍵文獻。