把责任推给AI:用人工智能逃避艰难的抉择

推文简介

参考文献：

Shifting accountability to artificial intelligence: delegating challenging decisions to AI for responsibility avoidance

推文期数：第43期

01

引言与假设推导

研究问题

随着人工智能系统变得越来越自主，它们正作为具有能动性的同事而非仅仅是工具被整合到组织决策中(Dennis et al., 2023; Einola & Khoreva, 2023; You & Robert Jr., 2024)。越来越多的任务——特别是那些涉及认知复杂决策的任务——被委托给AI，这种现象通常被称为AI委托(Candrian & Scherer，2022；Kobis等人，2025)

AI委托的实证研究已十分丰富，但大多数研究假设AI委托通常发生在人类缺乏处理复杂任务专业知识的背景下(Bockstedt & Buckman, 2026; Fugener et al., 2022; Taudien et al., 2022)；其他研究则聚焦于人机协作任务，即人类和AI协同工作以提高决策和运营效率 (Liu et al., 2025; Stelmaszak et al., 2025)。然而，这些研究往往忽视了AI委托的另一种动机。在那些以高度权衡困难为特征的背景下——决策者必须在同样不具吸引力或不受欢迎的选项中做出选择（Malkoc et al., 2013）——个人转向AI可能并非为了改善结果，而是为了卸下责任。

现实职场中，大量员工都会遭遇“两难决策” ，这类决策的共性是：不存在无争议的最优解，任意选择都可能招致抱怨、不满，事后还要承担追责压力(Gordon-Hecker et al., 2017; Steffel & Williams, 2018)。

在上述情境下，人们委派AI的动机从“优化绩效”转向“规避责任”。传统委派研究的核心逻辑是对受托方能力进行评估、监督(Dobrajska et al., 2015; Liu et al., 2025; Stelmaszak et al., 2025; Venkataramani et al., 2022)，但这套逻辑不再适用；此时人们选择受托方的核心标准变为：能否替自己承担指责。

认知复杂任务中的AI委托：绩效优化视角

委托是将任务责任与对应权限转移给他人(Akinola et al., 2018; Venkataramani et al., 2022)。但随着自主型AI成为人工智能新发展方向，委派不再局限于人与人之间。AI能够在不确定环境下自主决策、承担责任(Baird & Maruping, 2021)，成为复杂认知任务中可替代人类的委派对象(Bockstedt & Buckman, 2026; Fügener et al., 2022; Liu et al., 2025; Stelmaszak et al., 2025)

基于绩效导向的委派逻辑，人们会衡量AI能否更高效达成目标(Li et al., 2025)，判断是否委派AI。具体表现为对比人与AI的能力差距(Fügener et al., 2022)，并持续观测AI表现，动态调整委派意愿(Liu et al., 2025)。由于对AI能力的判断直接关联可信度感知(Li et al., 2025)，而委派意味着放弃任务直接控制权(Dobrajska et al., 2015)，将权限交给自主AI会天然增加结果不确定性，给委派者带来潜在风险(Vanneste & Puranam, 2024)。因此，当目标是提升决策质量时，影响委派意愿的核心因素均围绕信任建立机制展开。

权衡困境下的AI委托：责任规避视角

近年研究开始揭示AI应用的负面效应，例如，将决策委托给算法可以减少与道德过失相关的心理成本，从而促进不诚实行为(Kobis et al., 2025); 持续使用AI还可能引发同事的“懈怠归因”，导致对用户的负面道德评价(Zhou Kobis et al., 2025)。由于个人可以通过AI转移责任获得实质性好处，我们认为，AI委托在某些情况下可能受到战略性责任规避动机的支撑。

为了解释这种动机转变，我们采用Broniarczyk和Griffin（2014）的决策困难框架，该框架区分了认知难度（源于任务本身复杂）与权衡难度（多个选项互斥、均存在缺陷），以这些不同困难为特征的决策背景会产生根本不同的委托动机。

在本研究核心的权衡困境中——所有可用选项都不受欢迎且不可避免地带来损失——传统的绩效优化动机变得不那么相关。在这种情况下，个体的动机经历了从绩效驱动优化到动机性自我保护的根本转变。先前研究已确立责任规避是此类冲突条件下驱动委托的主要心理机制(Kardas et al., 2018; Steffel et al., 2016; Weiss & Forstmann, 2024)。面对“无赢”情境，决策者通常将权力转移给他人，以减轻与次优选择相关的预期责备或遗憾(Malkoc et al., 2013; Steffel & Williams, 2018)。

这种动机转变重新配置了用于选择委托对象的评估标准。如Bigman和Gray（2018）所指出的，对机器的道德责任归因取决于其感知到的自由意志；过度的监控或算法透明度可能会自相矛盾地重新建立委托者与结果之间的因果联系。因此，在责任规避动机下，评估逻辑转变为“这个代理能帮我推卸责任吗”强调了AI感知到的转移责任潜力，而非其工具性能力。

基于心智感知理论(Gray et al., 2007)，本文提出：两难场景下理想的受托方，需要同时具备高自主能力与低情感体验。高自主性确保了代理方可以看似合理地承担控制和责任，而低感受性则最小化了与委托相关的人际和道德成本。

在自主性上，AI已从被动工具演变为能够在不确定性下自主决策的自主行为者(Baird & Maruping, 2021; Dennis et al., 2023)。AI在复杂任务中越来越超越人类(Liu et al., 2025)，甚至开始将任务委托回给人类(Stelmaszak et al., 2025)，它满足了承担问责的结构性先决条件。

与此同时，AI有限的感受能力在委托背景下提供了独特的心理优势。大量研究证实，人类不会认为AI拥有共情、善意等情绪特质。因此，缺乏情绪感知让AI 成为无社交属性的执行工具，大幅降低人际成本(Blunden & Steffel, 2023)，也不会产生人与人之间推诿后亏欠对方的心理负担、互惠义务(Flynn & Yu, 2021)。人与AI的互动不受社会规范约束，即便人们利用AI 转嫁责任，也很难产生强烈的道德愧疚(Giroux et al., 2022)。此外，不确定决策场景中，人类因存在主观私心，会被视作更高社交风险载体；而AI不存在主观意志，行为可预测、威胁更低(Candrian & Scherer, 2022)。尽管AI缺乏情感体验在其他领域会引发算法厌恶(Bigman & Gray, 2018; Li & Bitterly, 2024)，但当委派目标是规避责任时，该短板反而成为核心优势。

假设H1：个人更可能将具有高权衡困难的决策委托给AI，“不愿承担责任”的心理动机在其中起到中介作用。

值得注意的是，该效应成立的前提是：AI在结构与心理层面，被视作可承接责任的合理载体。若AI自主程度低、或被认为具备丰富情感感知，即便人们想要转嫁责任，也不会优先选择委派AI。因此提出分假设：

假设H1a： 当 AI 代理被描述为具有低自主性时，这种效应会减弱。

假设H1b：当 AI 代理被描述为具有高感受性时，这种效应会减弱。

责任规避机制的边界条件

人们想要通过委派AI规避责任的倾向并非一成不变，基于感知问责理论(Hall et al., 2017)，我们认为，责任规避动机的强度及随之而来的委托可能性，取决于个人在多大程度上预期自己的决策会被他人评价。

感知问责是指个体感知到自己的行为会被他人观察、评判或评价的预期(Hall et al., 2017)。高问责要求个人向他人证明其行为的合理性(Lerner & Tetlock, 1999)，这增加了对责备的敏感性以及在困难决策（尤其是所有结果都不令人满意的决策）中卸下责任的动机(Leonhardt et al., 2011)。相反，在低问责情境下，避免责任的心理需求减弱，从而降低了对委托的偏好。基于这一推理，我们识别了两个塑造责任规避机制强度的边界条件：决策目标和决策可见性。

责任规避机制的边界条件：决策目标

决策目标（自我 vs. 他人）：

当决策影响他人时，个人更可能预期来自他人的评价(Liu & Baskin, 2021)和责备(Steffel et al., 2016)，从而增强了他们的问责感。这种效应在困难决策中尤为显著，因为所有可用选项都不受欢迎，且可能导致负面后果(Leonhardt et al., 2011)。在这种情况下，个人可能担心任何选择都会导致他人的不满或反对，从而增加他们转移决策责任的动机。在这些条件下，委托给AI尤其具有吸引力，因为它提供了一种转移责备和减少个人问责的手段。

H2：当决策影响他人（相对于自己）时，将困难决策委托给AI的倾向更强。

责任规避机制的边界条件：决策可见性

决策可见性（私下 vs. 公开）：

当决策在公开场合而非私下做出时，问责感会增强，因为公开可见性使选择暴露于社会评判和归因之下(Hall et al., 2017)。当个人预期外部审查时，他们对潜在的责备和声誉风险变得更加敏感。例如，Shaw等(2018)发现，在公开场合在朋友和陌生人之间分配资源的人倾向于偏袒陌生人以避免显得有偏见——这说明了评价压力如何促使防御性决策策略。在困难的、无赢的情境中，类似压力可能促使个人委托给AI，以此缓冲问责成本。相反，当决策是私下的时，评价性关切减弱，减少了卸下责任的需求。

H3： 当决策情境是公开的（相对于私下的）时，将困难决策委托给AI的倾向更强。

02

研究设计与结果

研究概述

研究1a：决策难度对AI委托的影响，及责任规避的中介作用；

研究1b：重复研究1a，并排除了对AI专业性的期望作为替代解释；

研究2：操纵转移责任的可能性，验证因果机制：只有责任可以转嫁时，高难度两难才会提升AI委派意愿；

补充研究1：检验了关于AI 作为委托替代品的非正式信念的调节作用；

研究3a&3b：操纵AI的自主性和感受性，验证假设1a1b；

研究4&5：操纵决策目标和情境匿名性，阐明了主效应的边界条件；

研究1a

样本：Credamo平台，最终样本180人（男性42.8%，平均年龄29.59岁，标准差7.92）

实验流程：随机分配至“高难度两难组 vs. 低难度简单组”；随机阅读5套改编自过往文献的职场决策情境（酒店预订、电影选择、优秀员工评选、知识竞赛打分、系统升级分配）。每种情境下，被试二选一：自行决策 / 交给公司AI助手决策。

情境示例（酒店预订情境）：高难度组--预算内所有酒店评价极差，无论选哪家，领导都会不满意；低难度组--全部酒店评分极高，任意选择领导都会满意。

测量：1. 委派意愿（1=完全自己决定，7=完全交给AI助手）；

2. 承担责任动机：无论结果好坏，你愿意为本次决策负责吗？(1=完全不想负责，7=非常愿意负责)(Steffel et al., 2016)。

3. 控制变量：算法熟悉度、算法知识水平、对算法好感度；

4. 操纵检验：自主完成该决策的主观难度（1=极易，7=极难）

5. 性别、年龄等人口统计学变量

研究1b

样本：Prolific平台，最终有效样本197人(男性48.7%，平均年龄31.57岁，标准差10.63)

实验流程：操纵及测量同研究1a

区别：①仅酒店预订情境

②新增一道题排除替代解释:“你认为谁能做出更好的决策？(1=自己，7=公司AI)”，检验人们委派AI是否单纯认为AI专业能力更强。

研究2

样本：Credamo招募，最终360份有效样本（男性35.3%，平均30.78岁，标准差8.92）

实验流程：2（决策难度：简单/两难）×2（责任转移：可行/不可行）；

责任可行组：参与者可以将决策委托给公司的AI助手；

责任不可行组：无论是否委托给AI，最终所有责任仍由被试本人承担。

研究1a中酒店预订情境，量表、操纵检验与实验1保持一致。

研究3a

样本：Credamo平台，最终360份有效样本（女性57.8%，平均31.52岁，标准差8.41）

实验流程：2（决策难度：简单/两难）×2（AI自主性：高/低）；

高自主AI描述：可独立分析复杂场景、自主决策，如同团队成员；

低自主AI描述：仅能执行固定预设规则，无法处理复杂判断，仅作辅助工具。

测量：6项自主性感知量表（α=0.96）(改编自Bigman & Gray, 2018)

研究1委派意愿、决策难度感知

研究3b

样本：Credamo平台，最终360份有效样本（平均年龄32.11岁，女性61.4%）

实验流程：2（决策难度：简单/两难）×2（AI感受性：高/低）；

人事请假审批情境：仅有一个休假名额，两名老员工申请休假；

高情感体验AI：深度学习模型，能识别人类情绪、意图，遵循人际互惠规则；

低情感体验AI：固定规则运行，无法感知情绪、不懂互惠。

测量：6项情绪感知量表（α=0.92） (改编自Bigman & Gray, 2018)

研究1委派意愿、决策难度感知

研究4

样本：Credamo平台，最终400份有效样本（男性38.3%，平均29.65 岁，标准差8.11）

实验流程：2（难度: 简单/两难）×2（决策对象: 为自己选/为团队他人选）;

电影选片团建情境

在自我条件下，参与者为自己选择电影；在他人条件下，他们代表公司团队选择电影。

测量：研究1a中的委托倾向、避免责任动机和操纵检验等测量。

研究5

样本：Credamo平台，最终400份有效样本（男性36.5%，平均31.69岁，标准差7.66）

实验流程：2（难度: 简单/两难）×2（决策可见性：私下 vs. 公开）

研究1a中知识竞赛情境；

在私下条件下，参与者被告知他们的决定将保持匿名；在公开条件下，他们被告知参赛者将知道是谁做的决定。

测量：研究2相同的委托倾向测量和操纵检验。

03

讨论

随着自主型AI日益融入组织决策，现有信息系统研究多聚焦其功能性效用，即利用AI的认知能力优化任务绩效，而本研究揭示了一种互补动机：当决策困难源于冲突选项间的权衡冲突而非单纯任务复杂性时，个体的委托逻辑从绩效优化转向责任规避。

通过八项研究证实，个人更倾向将高权衡困难的决策委托给AI以逃避责任，且这一效应独立于对AI专业性的信念，但取决于AI是否被视作合法的责任承担者；进一步发现，当AI被认为兼具自主性与情感惰性时委托意愿最大，而当决策影响他人或处于公开审视下时，因问责管理的社会性动因，委托行为会显著增强。

理论贡献

首先，重新定位AI委托的理论视角，从基于绩效的信任转向传略型责任规避。

其次，通过将主动型AI识别为一个心理上具有战略性的委托对象，拓展了先前关于责任规避的研究。在两难困境中，高自主性低感受性使AI成为一个有吸引力的委托对象，特别是对没有正式权威的个体，允许他们卸下责任而不会招致惩罚。通过这种方式，AI不仅可以帮助个人克服能力或信心上的个人不足(Candrian & Scherer, 2022)，还可以驾驭组织动态，赋能地位较低的决策者(Makridis & Han, 2021)。

第三，本研究证明通过AI委托进行责任规避取决于AI是否被视为道德上可问责的代理，完善了心智感知理论。

实践意义

首先，对组织问责系统。本文研究结果表明，员工可能战略性利用AI来规避困难决策的责任。组织应为AI辅助决策制定明确的指导方针，以确保AI的整合不会无意中削弱责任承担 规范或模糊问责线。

其次，我们的发现为AI决策系统的设计提供了信息。感知到的能动性或自主性不仅塑造了信任，也塑造了用户如何处理责备。因此，设计者应仔细考虑如何通过系统界面来信号和分担责任。

最后，政策制定者和机构必须认识到，AI不仅可以作为 决策辅助工具，还可以作为责任管理的心理工具，他们应建立规范和法律法规，明确谁 最终对涉及AI的决策负责。

局限与未来展望

（1）实验生态效度不足：未来可开展实地田野实验、真实金钱/利益奖惩行为实验

（2）决策场景局限：高风险、 强道德冲突场景下，算法厌恶会显著提升(Bigman & Gray, 2018; Longoni et al., 2019)， 决策重要性可能成为新边界条件，有待后续验证

（3）未来的工作可以进一步研究AI本身的特征如何塑造委托行为：算法透明度、拟人化程度、自适应能力等设计属性。

推荐人：中南财经政法大学工商管理学院 安琪

排版丨吴志杰

审核丨韩翼

中南财经政法大学领导力研究中心