《Sage Open》:How Human Call Center Agents Perceive Generative AI Chatbots: A Threat or Ally Through the Lens of the JD–R Model?
编辑推荐:
具有先进自然语言处理、强上下文感知和情感智能能力的生成式AI(Generative AI, GenAI)智能体正日益改变商业运营。在客户服务中,尤其是呼入型呼叫中心,GenAI聊天机器人已成为一种有前景的替代沟通渠道,能够以高度可扩展且灵活的方式处理客户需求。
具有先进自然语言处理、强上下文感知和情感智能能力的生成式AI(Generative AI, GenAI)智能体正日益改变商业运营。在客户服务中,尤其是呼入型呼叫中心,GenAI聊天机器人已成为一种有前景的替代沟通渠道,能够以高度可扩展且灵活的方式处理客户需求。本研究考察了人类呼叫中心员工如何感知GenAI聊天机器人的整合,探讨这些系统是被视为支持性盟友还是感知威胁。在工作要求–资源(Job Demands–Resources, JD-R)模型的指导下,研究人员探索了积极影响(如工作量减少、效率提升和服务质量改善)与消极影响(包括对失业的恐惧、角色意义削弱以及关键任务参与度降低)。通过实证方法,本研究旨在为平衡技术创新与员工福祉提供可操作的见解。研究结果有助于更广泛地讨论在客户服务环境中采用GenAI聊天机器人的组织与战略意义。
随着生成式人工智能(Generative AI, GenAI)在客户服务领域的快速普及,特别是呼入型呼叫中心中,GenAI聊天机器人开始作为独立替代渠道承担原本由人工客服完成的任务。尽管已有研究关注AI对客户结果的影响,但员工侧的后果却鲜有充分探讨。传统工作要求–资源(Job Demands–Resources, JD-R)模型通常假设工作需求与工作资源源于不同工作特征,而GenAI的引入可能同时产生需求与资源,构成JD-R模型的边界条件。基于这一背景,研究人员开展本研究,旨在考察呼叫中心员工如何同时将GenAI聊天机器人感知为支持性盟友和潜在威胁,并解释这种双元感知如何通过JD-R模型的“健康损耗”与“激励”双路径影响员工结果。该研究不仅回应了服务研究中日益增长的员工侧关注,也为理解技术替代背景下员工福祉提供了新视角。
在研究方法上,研究人员采用定量横截面调查设计,以土耳其两家大型电力分销公司的呼叫中心员工为样本。这两家公司共同为土耳其约14%的电力用户提供服务,呼叫中心运营约十年,且夏季存在显著的需求高峰。GenAI客服系统于2025年5月作为替代性呼入渠道引入,调查于2025年11月进行,即系统上线约六个月后。当时呼叫中心约有350名员工,研究人员基于至少1.5年组织任期的标准,向250名合格员工发放问卷,回收243份有效问卷,有效率为97.2%。样本中60%为女性,年龄介于24至38岁。数据分析采用结构方程模型(Structural Equation Modeling, SEM),使用R软件中的lavaan包,分两阶段进行:测量模型验证采用验证性因子分析(Confirmatory Factor Analysis, CFA)评估信效度;结构模型检验则考察潜变量间的假设路径,并使用自助法检验显著性。
在结果部分,按照论文结构,首先呈现测量模型评估结果。CFA显示模型拟合良好,比较拟合指数(CFI)=0.977,塔克–刘易斯指数(TLI)=0.973,近似误差均方根(RMSEA)=0.046,标准化残差均方根(SRMR)=0.043,均达到推荐标准。所有条目因子载荷介于0.539至0.920之间,高于0.50的阈值。各构念的Cronbach's α和组合信度(Composite Reliability, CR)均超过0.70,平均方差抽取量(Average Variance Extracted, AVE)均高于0.50,表明信度与收敛效度良好。此外,构念间相关分析显示:工作需求与健康/精力消耗呈正相关(r=0.648),与动机(r=-0.508)和工作满意度(r=-0.523)呈负相关;工作资源与动机(r=0.712)和工作满意度(r=0.631)正相关,与健康/精力消耗负相关(r=-0.674);健康/精力消耗与工作满意度负相关(r=-0.709);动机与工作满意度正相关(r=0.727)。
随后是结构模型评估结果。模型整体拟合良好,所有六条研究假设均得到支持。具体而言,工作需求正向显著预测健康/精力消耗(β=0.430, p<0.001),负向预测动机(β=-0.260, p<0.001);工作资源负向预测健康/精力消耗(β=-0.439, p<0.001),正向预测动机(β=0.560, p<0.001);动机正向预测工作满意度(β=0.563, p<0.001);健康/精力消耗负向预测工作满意度(β=-0.530, p<0.001)。这些结果验证了JD-R框架在GenAI整合情境下的适用性,表明工作资源不仅能缓解压力,还能增强动机;而工作需求则会损耗精力并降低动机,二者通过不同路径共同影响员工满意度。
讨论部分指出,GenAI在呼叫中心环境中确实同时具有资源和需求的双重性质。员工既感受到工作量减轻和效率提升,又担忧工作安全、技能贬值和角色不确定性。这种双元感知并非相互排斥,而是同一技术系统同时激活了JD-R模型的激励和健康损耗路径。值得注意的是,运营数据提供了感知替代与实际操作增强之间的区分:在正常条件下GenAI通道处理约8%的客户联系,而在高需求日其份额可升至约40%,但呼叫中心员工数量并未减少,加班时间下降了约30%,客户等待时间缩短,服务水平提升。这表明员工可能感知到替代威胁,而实际上GenAI更多是作为可扩展的补充服务容量,而非替代劳动力。
理论方面,本研究将JD-R框架扩展至技术替代情境,挑战了工作需求与工作资源来自不同来源的传统假设,提出单一技术系统可以同时成为需求和资源的来源。管理层面,研究强调组织应认识到运营效率并不必然消除员工的不安全感和替代焦虑,透明的沟通和绩效管理需要同时兼顾人机互补贡献。结论方面,本研究通过JD-R模型提供了人类呼叫中心员工对GenAI聊天机器人整合感知的实证证据:GenAI既是资源——减少工作量、提高效率、改善任务绩效,也是需求——增加工作不安全感和技术压力。单一GenAI系统可同时激活健康损耗与激励双路径,这提示了模型在AI赋能工作场景中的边界条件。展望未来,组织宜将GenAI视为可扩展的补充服务容量而非单纯的降本工具,后续研究可关注纵向效应、跨行业比较以及信任和数字自我效能的作用。