幻覺風險與演算法厭惡如何阻礙員工用 AI 找知識

2. 研究問題

這篇文章要回答的核心問題是：在真實組織裡，員工用生成式 AI 來找知識時，究竟是什麼在阻礙他們持續使用？作者特別聚焦兩個 GenAI 特有的風險來源。第一個是 hallucination risk，也就是系統可能講得很像真的、但其實內容錯誤。第二個是 algorithm aversion，也就是人們對演算法本身的偏見、排斥或不願依賴。文章真正關心的，不只是大家「喜不喜歡」AI，而是這兩種風險如何一步步削弱員工對 GenAI 的有用性感知、學習增長期待與最終使用行為。

3. 理論基礎

作者把兩套理論接在一起。第一套是社會交換理論，主張人們只有在預期收益大於成本時，才會進行某種互動或交換；放到知識尋求上，就是員工會在覺得 AI 能幫他更快、更有效找到知識，且附帶成本可接受時才會使用。第二套是分解計畫行為理論（DTPB），用來把使用行為拆成幾個更細的信念構面，例如知覺有用性、知覺易用性與預期知識成長。

4. 研究架構

研究模型把 hallucination risk 與 algorithm aversion 放在最前端，視為兩個外部前因。它們會影響三個核心中介變項：perceived usefulness、perceived ease of use、expected seeker knowledge growth。接著，這三個變項再去預測員工實際使用 GenAI 進行知識尋求的程度。作者另外也加上兩條直接路徑，檢查兩種風險是否會不經中介、直接壓低使用行為。整體來看，這是一個很典型但又有 GenAI 特化處理的行為模型：先看風險怎麼扭曲認知，再看認知怎麼影響使用。

5. 假設邏輯

本文是標準假設檢驗型研究。H1a 到 H1c 主張 hallucination risk 會降低知覺有用性、降低預期知識成長，並讓系統顯得更不容易使用。H2a 到 H2c 則主張 algorithm aversion 也會對這三個構面造成同方向的負面效果。後段 H3、H4、H5 分別預測：知覺有用性越高，實際使用越高；知覺越容易使用，實際使用越高；預期知識成長越高，實際使用越高。整體推論邏輯很清楚：若員工認為 AI 會胡說八道，或本能上就不信任演算法，那麼他們自然會覺得這工具不值得依賴、不會幫自己長知識，也就更不會把它納入日常知識工作流程。

6. 方法

研究採用真實組織中的問卷田野研究。樣本來自一家大型跨國化學企業，共 263 名員工，背景是公司已導入 Microsoft Copilot 作為協助取得、整合與生成組織知識的工具。受試者必須是在過去三個月內實際用過 Copilot 的員工，因此資料不是建立在假設情境，而是建立在已經有使用經驗的真實工作者身上。各構面多半沿用既有文獻量表，再依 GenAI 情境改寫。分析方法採 PLS-SEM，並加入年齡、性別、教育程度等控制變項。就設計來看，這篇的優勢不是因果識別最強，而是情境貼近目前企業導入 GenAI 的真實狀態。

7. 結果

結果支持 9 個主要假設中的 8 個。hallucination risk 對知覺有用性有顯著負向效果（HAR -> PUS = -0.232, p < .001），對預期知識成長也有顯著負向效果（HAR -> SKG = -0.246, p < .001）；它對易用性的係數表面上是正的（0.409, p < .001），但那是因為作者的易用性題項採反向編碼，所以實質上仍代表「風險越高，越覺得難用」。algorithm aversion 也呈現相同模式，分別顯著壓低知覺有用性（-0.239, p < .001）、預期知識成長（-0.250, p < .001），並使系統顯得更不易使用。到了最終使用行為階段，知覺有用性是最強驅動因子（PUS -> USE = 0.528, p < .001），預期知識成長也有正向效果（SKG -> USE = 0.146, p = .015）；只有知覺易用性對使用行為不顯著（H4 不成立）。中介分析進一步顯示，hallucination risk 對使用行為的影響大致是完全中介，而 algorithm aversion 則保留了一部分直接負向效果（AAV -> USE = -0.126, p = .009）。

8. 理論貢獻

這篇文章最重要的理論貢獻，是把 GenAI 特有的兩種阻力正式嵌進知識管理與技術採納文獻。過去很多採納模型把焦點放在 usefulness、ease of use 這類一般性變項，但這篇指出，在生成式 AI 場景裡，不能只問工具好不好用，還要問使用者是否擔心它會亂講，以及是否先天地排斥讓演算法參與知識工作。第二個貢獻是它把「expected seeker knowledge growth」拉進模型，讓採納不只是效率問題，也和使用者是否相信自己真的會因 AI 而變得更懂有關。第三個貢獻是它挑戰了傳統「易用性很重要」的預設：在 GenAI 知識尋求場景中，真正驅動使用的似乎不是簡不簡單，而是值不值得、能不能幫我做出更好的工作判斷。

9. 實務意涵

對企業來說，這篇文最直接的提醒是：導入 Copilot、ChatGPT Enterprise 或其他 GenAI 知識工具，不能只做功能上線與權限開通。若員工持續懷疑內容真實性，或對演算法抱有根深蒂固的不信任，再方便的工具也不會真正進入知識工作流程。管理實務上至少有三個方向。第一，要建立具體的查核與引用規範，降低員工對 hallucination 後果的焦慮。第二，要透過 training、示範案例與使用情境教育，處理 algorithm aversion，不是抽象宣傳 AI 很厲害，而是讓員工看到它在特定任務上如何可靠地提升產出。第三，要把導入目標從「省時間」轉成「提升知識工作品質」，因為這篇研究顯示，使用者是否感到有用，遠比是否覺得省力更能決定採用。

10. 研究限制

這篇研究仍有幾個限制。第一，樣本來自單一企業與單一產業，文化與工作性質相對集中，因此外推到其他產業或國家時要保守。第二，這是橫斷式問卷資料，雖能檢驗結構關係，但對風險感知如何隨時間變化、如何被訓練或實際經驗修正，仍無法直接回答。第三，研究測量的是使用者主觀感知與自陳使用，沒有把實際 prompt 紀錄、知識品質或工作績效輸出納入。第四，作者雖理論上提到 performance risk、trust erosion、epistemic uncertainty 等機制，但並未直接逐一測量，因此目前只能知道風險有效，還不能完全拆開是哪一種心理機制在主導。

11. 對我研究的啟發

這篇文對我最可重用的地方，在於它把 GenAI 採納研究從一般接受度問卷，往更貼近知識工作脈絡的方向推進。若我後續做 management、education、AI adoption 或 human-AI collaboration 類研究，至少有四條延伸路線值得直接拿來用。第一，可以把 hallucination risk、verification burden、epistemic uncertainty 當成一組更細的風險機制，去看它們在學生、教師、知識工作者之間是否作用不同。第二，可以把 expected knowledge growth 移植到教育情境，檢驗學生為何願意用 AI 學習，不只是因為方便，而是因為他們相信自己真的會學到東西。第三，可以把 algorithm aversion 和組織規範、專業認同、職業倫理結合，研究哪些職業特別抗拒 AI 介入知識判斷。第四，可以往更強設計走，例如用實驗操弄 AI 回答的可靠性標示、來源揭露、查核介面或人機共審流程，直接檢驗這些設計是否能降低風險感知並提高採納。這些方向都很適合我把 AI 應用、知識管理與教育研究串成同一條線。

12. 整體評價

它的題目非常切中當前企業導入 GenAI 的真實難題，不是停在抽象接受度，而是把 hallucination 與 algorithm aversion 這兩個最麻煩的問題放進一個可檢驗模型裡。方法上雖然不是實驗，但有真實企業場域與明確理論架構，結果也乾淨，尤其「易用性不重要、有用性才關鍵」這個發現非常值得記住。若要挑缺點，就是單一企業樣本與橫斷式資料讓外推仍有限。不過就晨讀價值來看，這篇兼具主題前沿性、管理意涵與後續研究可重用性，比起純概念評論或只談教育一般態度的文章，更適合今天優先深讀。