生成式人工智能（Gen AI）的迅速普及正在重塑一线服务工作。在酒店业、零售业和客户支持等领域，员工越来越多地使用基于AI的系统来解读客户需求、生成响应并实时个性化服务互动（Huang和Rust，2018；van Doorn等人，2017）。这一转变的规模是巨大的。最近的调查显示，超过60%的面向客户的组织已经部署或正在积极测试对话式AI工具，预计在未来十年内，AI辅助的互动将占服务接触点的大部分（Davenport等人，2020；Prentice等人，2020）。特别是在呼叫中心和零售服务单位，语言生成系统、AI驱动的决策辅助工具和实时脚本工具已成为标准配置，而不再是实验性功能（Wirtz等人，2018；Huang和Rust，2021）。虽然这些技术提高了效率和一致性，但它们也引入了服务互动中的新的复杂性。特别是，Gen AI的日益普及提出了一个重要但尚未充分探讨的问题：Gen AI如何影响员工在面向客户角色中管理和表达情绪的方式？
情绪劳动，即调节情感和表达以满足组织展示规则，仍然是服务绩效的核心组成部分（Grandey，2000；Hochschild，1983）。即使在压力或情绪不一致的情况下，员工也被期望传达温暖、同理心和关注。先前的研究区分了深度表演（deep acting）和表面表演（surface acting）：深度表演涉及将内在情感与所需表达对齐，而表面表演则涉及在不改变内在情感的情况下修改外在表现（Grandey，2003；Diefendorff等人，2005）。这些策略有不同的后果：深度表演通常与更高的服务质量和员工幸福感相关，而表面表演则与情绪疲劳和绩效下降相关（Hulsheger和Schewe，2011；Brotheridge和Grandey，2002）。尽管情绪劳动在人际互动中已被广泛研究，但智能技术在塑造这些过程中的作用仍不够清楚。
Gen AI融入服务环境代表了服务互动方式的质变。与早期主要自动化后台任务的数字工具不同，Gen AI通过生成自然语言、总结客户历史、定制响应建议和支持实时交互式问题解决等方式积极参与沟通过程（Huang和Rust，2018；Jarrahi，2018）。如今，基于大型语言模型的响应生成器、AI辅助的脚本平台和实时情感检测工具已成为客户服务代表、酒店员工和零售员工日常工作的一部分。因此，员工不再仅仅是服务提供的唯一执行者，而是与智能系统进行协作互动。这种混合安排在运营效率和情感真实性之间引入了紧张关系，因为员工必须将算法输出整合到社会和情感上适当的响应中。
新兴研究开始记录AI在服务环境中的绩效优势，包括生产力、决策速度和个性化方面的改进（Davenport等人，2020；Huang和Rust，2021）。然而，这些文献大多将AI视为一种中性或有益的资源，对其对员工的心理影响关注不足。实际上，员工与AI的体验可能并不总是积极的。一方面，AI可能被视为一种支持性资源，有助于在客户互动中增强理解、响应能力和信心；另一方面，它可能被视为一种侵入性因素，限制了员工的自主性和真实性（Kellogg等人，2020；Lee，2018）。这种双重性表明，Gen AI在服务工作中可以产生双重影响。
为了捕捉这种差异，本研究通过两种不同的评估来概念化员工与Gen AI的互动：感知到的算法支持（perceived algorithmic support）和感知到的算法侵扰（perceived algorithmic intrusion）。感知到的算法支持反映了员工将AI视为有助于执行服务任务的有用认知资源的程度；相反，感知到的算法侵扰反映了员工将AI视为限制其自主性并以削弱真实互动的方式塑造互动的程度。这种基于评估的视角将关注点从员工是否使用AI转移到他们如何体验和解释AI在其工作中的作用，这更直接地关系到情感结果。
基于资源保护理论（Conservation of Resources Theory，Hobfoll，1989），我们认为这些评估对员工的心理资源有不同影响。当AI被视为支持性资源时，它可以增强员工处理信息和管理服务需求的能力；相反，当AI被视为侵入性资源时，它可能威胁到自主性和真实性等资源，促使员工采取更防御性的情绪调节方式。我们进一步提出，认知适应性（cognitive adaptability）是连接AI评估与情绪劳动的关键机制（Griffin等人，2007；Martin等人，2013）。此外，挑战压力（challenge stress）和阻碍压力（hindrance stress）预计会调节这些关系，反映了AI情感后果的不确定性。
尽管AI在服务工作中的重要性日益增加，但仍存在一些空白。现有研究尚未充分探讨AI如何影响情绪劳动背后的心理机制。以往的研究往往将技术使用视为一个同质化的概念，忽视了员工评估在塑造结果中的作用。AI产生有益或有害效应的边界条件尚未得到充分探索。解决这些空白对于更全面地理解服务环境中的人机协作至关重要。
为了解决这些问题，本研究开发并测试了一个调节中介模型，将感知到的算法支持、感知到的算法侵扰与情绪劳动通过认知适应性联系起来，同时考虑了挑战压力和阻碍压力的调节作用。三个研究问题指导了这项研究：（1）对Gen AI的不同评估如何与员工的情绪劳动策略相关？（2）什么心理机制解释了这些关系？（3）在什么条件下，这些效应会得到加强或减弱？
本研究有几个贡献。首先，它通过引入AI评估作为服务工作中情绪调节的重要前因，扩展了情绪劳动研究。其次，它通过确定认知适应性作为连接AI与情绪劳动结果的关键机制，推进了理论发展。第三，它通过展示工作压力的调节作用，突出了AI效应的不确定性。第四，它为设计既高效又支持情感真实性的AI支持服务系统提供了实际见解。
