يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة بحثية

كيف يعيد الذكاء الاصطناعي الوكيل تشكيل عمله: أدوار الفائض المعرفي، السلامة النفسية، وإعادة توزيع المهام بين الذكاء الاصطناعي والإنسان

115 مشاهدة

⸱

DOI:

10.3791/71797

⸱

أغسطس 4, 2026

 , 
1Seoul AI School, aSSIST University, 2Department of Management Information Systems, Dong-A University

في هذه المقالة

ملخص

يصف هذا البروتوكول سير عمل قائم على الاستبيان لفحص كيفية ارتباط خصائص الذكاء الاصطناعي التقني للوكلاء بالفائض المعرفي والسلامة النفسية وإعادة توزيع المهام بين 331 موظفا. تكشف نمذجة المعادلات الهيكلية الجزئية ذات المربعات الصغرى مع التحليل متعدد المجموعات عن فروق قائمة على الأدوار بين القادة والموظفين.

الملخص

تفحص هذه الدراسة كيف ترتبط الخصائص التكنولوجية للذكاء الاصطناعي الوكيل بالحالات النفسية للموظفين واستجاباتهم السلوكية في المؤسسات. استنادا إلى نظرية متطلبات الموارد الوظيفية (JD-R) ونظرية حفظ الموارد (COR)، نتصور الخصائص التكنولوجية للذكاء الاصطناعي الوكيلي (AITC) كبناء من الدرجة العليا يشمل التخطيط الذاتي، والتنسيق متعدد الأدوات، والتغذية الراجعة الاستباقية، ونقترح أن هذه الخصائص تعمل كموارد وظيفية مرتبطة بفائض معرفي أكبر وأمان نفسي، والتي بدورها ترتبط بإعادة تخصيص المهام بين الذكاء الاصطناعي والبشر. نبحث بشكل إضافي فيما إذا كانت هذه العلاقات تختلف بين القادة والموظفين. تم إجراء استبيان عبر الإنترنت مقطعي ومجهول الهوية عبر منصة استبيان إلكترونية للمشاركين الذين تم تجنيدهم من خلال لجنة بحثية باستخدام أخذ عينات غير احتمالية هادفة؛ تم اقتصار الأهلية على البالغين الذين لديهم خبرة عملية حالية أو سابقة متعلقة بالذكاء الاصطناعي، وأسفرت الإجابات المفحصة والتحقق من الانتباه عن عينة نهائية من 331 موظفا (171 قائدا، 160 موظفا). تم قياس جميع البنى باستخدام مقاييس معتمدة متكيفة مع سياق الذكاء الاصطناعي الوكيل على مقاييس ليكيرت ذات النقاط السبع. تم تحليل البيانات باستخدام نمذجة المعادلات الهيكلية ذات المربعات الصغرى الجزئية (PLS-SEM)، مع تطبيق نهج من مرحلتين للبناء من الدرجة الثانية، مع التمهيد مع 5,000 إعادة عينة للتأثيرات المباشرة وغير المباشرة، والتحليل متعدد المجموعات (MGA) لمقارنات القائد والموظفين. أظهر نموذج القياس موثوقية وصلاحية مقبولة، وكانت النتائج الهيكلية متوافقة مع نموذج الموارد المفترض المجمع: ارتبط AITC إيجابيا بفائض معرفي، والسلامة النفسية، وإعادة توزيع المهام، مع مسارات وساطة ذات دلالة وارتباطات أقوى بين AITC والموارد بين القادة. من خلال التركيز على الآليات النفسية بدلا من الأداء التقني، توسع هذه الدراسة أبحاث الذكاء الاصطناعي العامل الناشئة وتقدم تداعيات عملية لاستراتيجيات تبني الذكاء الاصطناعي المتباين للأدوار.

المقدمة

انتشار الذكاء الاصطناعي الوكيل يعيد تعريف دور الذكاء الاصطناعي في الصناعات والحياة التنظيمية 1,2. يمكن تعريف الذكاء الاصطناعي الوكيلي كشكل متقدم من الذكاء الاصطناعي يدرك البيئات المتغيرة، ويحدد الأهداف بشكل مستقل من خلال آليات التفكير، وينسق تسلسلات من الأفعال مع إشراف بشري بسيط 3,4. يتميز عن الذكاء الاصطناعي التقليدي، بما في ذلك أدوات الذكاء الاصطناعي التوليدي التقليدية، في ثلاثة جوانب: الاستقلالية، لأن الأنظمة الوكائلية تسعى لتحقيق أهداف بتدخل بشري محدود بدلا من تنفيذ قواعد مبرمجة مسبقا5،6؛ الوظيفة الأساسية، لأن هدفها هو أتمتة سير العمل المعقد بدلا من المهام الفردية7؛ والهندسة المعمارية، لأنها تنسق عدة نماذج لغوية كبيرة، وواجهات برمجة التطبيقات (APIs)، والوكلاء بدلا من الاعتماد على نموذجواحد 7. تعتمد هذه القدرات على الخصائص التكنولوجية المحددة التي فحصت في هذه الدراسة8،9. التخطيط الذاتي (AP) يعني أنه، بالنظر إلى هدف المستخدم، يقوم النظام بتفكيكه بشكل مستقل إلى مهام فرعية ويعيد مراجعة خطته مع تغير القيود10؛ على سبيل المثال، يمكن للموظف تقديم تعليمات من سطر واحد والحصول على خطة مشروع متعددة الخطوات قابلة للتطبيق. التنسيق متعدد الأدوات (MTO) يعني أن النظام يختار ويتسلسل ويدمج الأدوات الخارجية وواجهات برمجة التطبيقات 1,11,12; على سبيل المثال، دمج البحث على الويب، ومحرري المستندات، وأدوات تحليل البيانات لإنتاج تقرير واحد متماسك. تعني التغذية الراجعة الاستباقية (PF) أن النظام يعلم الأخطاء والمعلومات المفقودة والافتراضات الخطرة قبل أن يسأل10،13؛ على سبيل المثال، تذكير الموظف بنقاط التحقق من التحقق أو الامتثال أثناء تنفيذ المهمة. نركز على هذه الخصائص الثلاث، والتي تسمى مجتمعة الخصائص التكنولوجية للذكاء الاصطناعي الوكيل (AITC)، لأنها القدرات الوظيفية التي تميز الذكاء الاصطناعي الوكيل عن الذكاء الاصطناعي التقليدي في العمل اليومي7،10؛ صفات مثل الشفافية، وقابلية السيطرة، وقابلية التفسير تهم الثقة بالذكاء الاصطناعي بشكل عام، لكنها ليست محددة بالنموذج العامل، ولذلك نعتبرها شروط حدودية للأبحاث المستقبلية بدلا من كونها أبعادا محورية.

على الرغم من الانتشار السريع للذكاء الاصطناعي العامل في أماكن العمل، إلا أن الأدبيات الحالية تناولت بشكل أساسي هيكله التقني، وكفاءة العمليات، وقدراته على أتمتة المهام، مع إيلاء اهتمام قليل نسبيا لكيفية إعادة هذه الخصائص لتشكيل الحالات النفسية والاستجابات السلوكية للموظفين.. هذا الإغفال مهم لأن إعادة توزيع المهام بين البشر والذكاء الاصطناعي ليست تعديلا تقنيا بحتة، بل هي عملية متأصلة نفسيا وتنظيميا: يجب على الموظفين تحدي سير العمل الحالي، وإعادة تعريف حدود الأدوار، وقبول أشكال جديدة من التعاون مع الأنظمة الذكية16,17. هذه التغييرات لا تحدث تلقائيا لمجرد توفر التكنولوجيا المتقدمة. وبناء عليه، فإن هدف هذه الدراسة ثلاثي: دراسة ما إذا كانت AITC تعمل كموارد وظيفية مرتبطة بالفائض المعرفي، والسلامة النفسية، وإعادة تخصيص المهام بين الذكاء الاصطناعي والبشر؛ لدراسة الأدوار الوسيطة والوساطة المتسلسلة للفائض المعرفي والسلامة النفسية؛ واستكشاف ما إذا كانت هذه العلاقات الهيكلية تختلف بين القادة والموظفين. حداثة هذه الدراسة ثلاثية. أولا، يتصور وينفذ الخصائص التكنولوجية للذكاء الاصطناعي الوكيلي—التخطيط الذاتي، والتنسيق متعدد الأدوات، والتغذية الراجعة الاستباقية—كمورد وظيفي أعلى المستوى ضمن إطار JD-R، بدلا من اعتبار تبني الذكاء الاصطناعي سياقا غير مميز. ثانيا، يقدم إعادة تخصيص المهام بين الذكاء الاصطناعي والبشر كشكل محدد من صناعة المهام يعتمد على التكنولوجيا، يختلف عن كل من صياغة الوظائف العامة ونتائج التحول الرقمي من الأعلى إلى الأسفل. ثالثا، يوفر ذلك، حسب علمنا، أول دليل متعدد المجموعات على أن الارتباطات التي تولد الموارد للذكاء الاصطناعي الوكيلي تختلف بشكل منهجي بين القادة والموظفين.

يدمج المنطق النظري نظرية متطلبات الوظائف والموارد (JD-R) ونظرية حفظ الموارد (COR). تؤمن نظرية JD-R بأن كل وظيفة تتكون من متطلبات الوظيفة، والجوانب الجسدية والعاطفية والمعرفية للعمل التي تتطلب جهدا مستمرا، وموارد الوظيفة، وهي الجوانب التي تقلل من الطلبات، وتدعم تحقيق الأهداف، وتحفز التطور الشخصي؛ توازنهم يشكل التفاعل والرفاهيةوالأداء. تضيف نظرية COR آلية ديناميكية: يسعى الأفراد للحصول على الموارد الثمينة والاحتفاظ بها وحمايتها، وتبدأ الموارد المتراكمة دوامات مكسب يتم فيها إعادة استثمار الموارد الحالية للحصول على موارد إضافية 20,21,22. من هذا المنظور المشترك، يمكن تصور AITC ليس فقط كميزات تقنية بل كشكل جديد من موارد الوظائف: من خلال امتصاص المهام المتكررة والمرهقة معرفيا مثل التخطيط والتحليل التشخيصي، تقلل الأنظمة الوكالية من الطلبات وتوفر الطاقة المعرفية والوقت للموظفين. نعرف الفائض المعرفي (CS) بأنه مخزن الطاقة المعرفية والوقت التقديري الذي يصبح متاحا عندما تفوض مثل هذه المهام الروتينية للتكنولوجيا، ويمكن إعادة استثماره في المشاركة الجماعية والتعاون وخلق قيمة جديدة24. لذا فإن علوم الحاسب تختلف مفهوميا عن الانخراط في العمل، وهي حالة عاطفية-تحفيزية، وعن توفر الوقت فقط، لأنها تدل على مخزون قابل للتحويل من الموارد الشخصية بمعنىCOR 20,24. يختلف علوم الحاسب أيضا عن الانفصال النفسي والتعافي، اللذين يتعلقان باستعادة الطاقة المستنزفة بعيدا عن العمل، ومن الثراء الزمني، الذي يرمز إلى الإدراك الذاتي بوجود وقت كاف؛ بدلا من ذلك، يشير CS إلى القدرة المعرفية الحرة التي تبقى متاحة لإعادة الاستثمار أثناء العمل نفسه. بمصطلحات COR، يمثل CS المتراكم مكسبا للموارد يجب أن يدعم الرفاهية المهنية من خلال تخفيف الإرهاق والإرهاق، بينما امتصاصه من قبل المطالب الروتينية الإضافية سيشير إلى فقدان الموارد 20,23,24. ما إذا كان الوقت المحموم يتحول فعليا إلى فائض قد يعتمد على الخصائص الفردية مثل المعرفة بالذكاء الاصطناعي، ومعايير عبء العمل التي يمكنها امتصاص الوقت الموفر مع متطلبات إضافية، وعلى ثقافة المنظمة؛ لذلك نتعامل مع مسار الموارد والاكتساب كفرضية يجب اختبارها بدلا من افتراض.

H1: يرتبط AITC إيجابيا بCS.

تعرف السلامة النفسية (PS) بأنها الاعتقاد بأن بيئة العمل آمنة لتحمل المخاطر بين الأشخاص، مثل الاعتراف بالأخطاء، وطلب المساعدة، وتحدي الوضع الراهن25,26. على الرغم من أن السلامة النفسية غالبا ما درست كمناخ على مستوى الفريق، إلا أن هذه الدراسة تصورها وتقيسها كإدراك فردي، بما يتوافق مع تصميم الاستبيان الفرديلدينا 27،28. عندما توفر الأنظمة الوكائلية تغذية راجعة موجهة نحو التعلم وأدوات داعمة، قد تنخفض تكلفة التجربة وكشف الأخطاء، لأن الموظفين يمكنهم اختبار وتصحيح عملهم قبل عرضه على الآخرين26,28. ومع ذلك، نعترف بأن الديناميكية العكسية معقولة: حيث تستخدم الأنظمة الوكالية للمراقبة أو المساءلة في اكتشاف الأخطاء، قد تزداد المخاطر الشخصية وعدم الثقةالمدركة 29,30. نظرا لأن الخصائص التي تم فحصها هنا هي مساعدة وليست تقييمية بطبيعتها، فإننا نفترض وجود ارتباط إيجابي مع التعامل مع هذا الاحتمال ثنائي الجانب كشرط حدودي مهم.

H2: يرتبط اضطراب الحساسية الطارئة بشكل إيجابي ب PS.

نعرف إعادة تخصيص المهام بين الذكاء الاصطناعي والبشر (AHTR) بأنها إعادة توزيع المهام التي يبادر بها الموظفون بأنفسهم بينهم وبين أنظمة الذكاء الاصطناعي، حيث يفوضون العمل الروتيني للذكاء الاصطناعي مع توسيع مسؤولياتهم الاستراتيجية والإبداعية. نحن نضع AHTR كشكل خاص بمجال خاص بصياغة الوظائف. في نموذج تيمز وباكر القائم على JD-R، يتضمن صياغة الوظائف زيادة موارد الوظائف، وزيادة متطلبات التحدي، ومتطلبات العقبات المتناقصة17,31؛ في تصنيف ورزيسنيوسكي وداتون، يشمل الصياغة المهمة والعلاقية والمعرفية32. يتوافق AHTR بشكل أقرب مع صياغة المهام التي يتم تنفيذها عبر التكنولوجيا: حيث يؤدي نقل المهام الروتينية إلى الذكاء الاصطناعي في الوقت نفسه من تقليل متطلبات العوائق وتعبئة موارد عمل جديدة 17,23,32. إنه أضيق من نتيجة التحول الرقمي العامة لأنه يعكس تغييرات تقديرية يبدأها الموظفون في حدود المهام بدلا من إعادة تصميم المنظمة من الأعلى إلى الأسفل33. نعطي الأولوية لإعادة تخصيص المهام على الصياغة العلائقية والمعرفية لأن إعادة توزيع المهام هي الواجهة السلوكية الأكثر مباشرة بين الموظفين والأنظمة الوكالية، ويمكن ملاحظتها مباشرة في التبني المبكر، بينما تظهر الصياغة العلائقية والمعرفية عادة كتكيفات لاحقة31,32. على عكس الدراسات السابقة التي تعامل تبني الذكاء الاصطناعي كمقدمة سياقية لصياغة الوظائف العامة16،34، نحن نمذج إعادة التخصيص نفسها كسلوك الصياغة المحورية. نظرا لأن هذا التوزيع يعرقل سير العمل الراسخ، فإن الموظفين أكثر ميلا لتنفيذها عندما يمتلكون موارد معرفية كافية لإعادة تصميم عملهم ويشعروا بالأمان النفسي لتحمل المخاطر الشخصية المرتبطة16,34. ضمن منطق اللولب الكسب في نظرية COR، تعمل السلامة النفسية أيضا كمورد سياقي يحمي ويعزز تراكم الفائض المعرفي22.

H3: CS مرتبط إيجابيا ب AHTR.

H5: PS مرتبط إيجابيا ب AHTR.

H6: PS مرتبط إيجابيا بCS.

H9: يرتبط AITC إيجابيا ب AHTR.

من خلال دمج هذه الحجج، من المتوقع أن يرتبط AITC ب AHTR ليس فقط بشكل مباشر بل أيضا بشكل غير مباشر، من خلال مسارات اكتساب الموارد للفائض المعرفي والسلامة النفسية.

H4: CS يتوسط العلاقة بين AITC وAHTR.

H7: PS يتوسط العلاقة بين AITC وAHTR.

H8: PS وCS يتوسط بشكل تسلسلي في العلاقة بين AITC وAHTR.

وأخيرا، لا يفسر الموظفون أو يستجيبون للذكاء الاصطناعي الوكيلي بشكل موحد. وصف جيبسون وكوبر وكونجر المسافة الإدراكية بين القادة وفرقهم بأنها تناقض معرفي حول نفس الأهداف التنظيمية، متجذرة في عدم التماثل في الوصول إلى المعلومات، والمساءلة، والتعرض للمخاطر، والخبرة العملية35. استنادا إلى هذا الرأي، يشغل القادة والموظفون مناصب هيكلية مختلفة فيما يتعلق بتبني الذكاء الاصطناعي: يحمل القادة المساءلة الاستراتيجية ويميلون إلى تأطير الذكاء الاصطناعي كمورد موجه نحو التعزيز لاتخاذ القرارات المبنية على البيانات، بينما يكون الموظفون أكثر عرضة لعدم الأمان الوظيفي المرتبط بأتمتة وزيادة في التعلم20,30. نتعامل مع هذه الأنماط كاتجاهات يجب اختبارها تجريبيا بدلا من تجاهات ثابتة لأي من المجموعتين. قد تولد مثل هذه التناقضات القائمة على الأدوار أنماطا متباينة في العلاقات بين AITC وCS وPS وAHTR، ومع ذلك تظل الأبحاث التجريبية التي تلتقط هذه الفروقات الجماعية صراحة محدودة.

H10a: تختلف ارتباطات AITC مع CS وPS بين القادة والموظفين.

H10b: تختلف ارتباطات PS وCS مع AHTR بين القادة والموظفين.

يصف البروتوكول أدناه سير العمل الكامل، من استقطاب المشاركين وفرزهم مرورا بإدارة المسح، وتنظيف البيانات، والتحقق من صحة القياسات، وتقدير النموذج الهيكلي، وتحليل الوساطة، وتحليل المجموعات المتعددة (MGA) (الشكل 1)، بحيث يمكن تكرار الإجراء بشكل مستقل. يصور نموذج البحث في الشكل 2: AITC، الذي تم نمذجته كتركيب من الدرجة الثانية يتكون من AP وMTO وPF، ويرتبط ب AHTR بشكل مباشر وغير مباشر من خلال CS وPS، مع PS أيضا مرتبط بCS؛ يتم فحص فرق دور القائد والموظف من خلال MGA.

figure-introduction-1
الشكل 1. سير عمل تصميم الدراسة بشكل عام. مخطط لبروتوكول البحث الكامل. تم تجنيد المشاركين عبر اللجنة الإلكترونية باستخدام أخذ عينات غير احتمالية هادفة وتم فحصهم لخبرات عمل متعلقة بالذكاء الاصطناعي؛ أكمل المستجيبون المؤهلون استبيانا مجهولا يقيس جميع الهياكل على مقاييس ليكيرت ذات النقاط السبع. بعد تنظيف البيانات (فشل الفحص، فشل فحص الانتباه، وأزالة أوقات الإكمال القصيرة بشكل غير معقول؛ النهائي N = 331)، تم التحقق من صحة نموذج القياس (الموثوقية: α كرونباخ، الموثوقية المركبة؛ الصلاحية المتقاربة: تم استخراج التباين المتوسط؛ الصلاحية التمييزية: HTMT وFornell-Larcker)، تم التحقق من البناء من الدرجة الثانية عبر نهج المرحلتين، وتم تقدير النموذج البنيوي، ومسارات الوساطة، والتحليل متعدد المجموعات بين القائد والطاقم ب 5,000 إعادة عينات من الbootstrap. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-introduction-2
الشكل 2. نموذج البحث المقترح. النموذج المفاهيمي للعلاقات المفترضة. الخصائص التكنولوجية للذكاء الاصطناعي الوكيلي (AITC)، وهي بناء من الدرجة الثانية يشمل التخطيط الذاتي (AP؛ قدرة النظام على تقسيم الأهداف إلى مهام فرعية ومراجعة الخطط)، والتنسيق متعدد الأدوات (MTO؛ القدرة على اختيار وتسلسل ودمج أدوات وواجهات برمجة تطبيقات متعددة)، والتغذية الراجعة الاستباقية (PF؛ القدرة على الإبلاغ عن الأخطاء والمخاطر دون استحقاق)، مرتبطة إيجابيا بالفائض الإدراكي (CS؛ خزان الطاقة المعرفية والوقت التقديري يتحرر عندما تفوض المهام الروتينية إلى الذكاء الاصطناعي)، والسلامة النفسية (ملاحظة؛ التصور بأن بيئة العمل آمنة لتحمل المخاطر بين الأشخاص)، وإعادة توزيع المهام بين الذكاء الاصطناعي والبشري (AHTR؛ إعادة توزيع المهام التي يبادر بها الموظفون بأنفسهم بينهم وبين الذكاء الاصطناعي) (H1، H2، H9). يفترض أن CS وPS مرتبطان إيجابيا ب AHTR (H3، H5)، وPS مع CS (H6)، وCS و PS للوسط، بشكل فردي ومتسلسل، علاقة AITC-AHTR (H4، H7، H8). تمثل الأسهم مسارات هيكلية مفترضة؛ تشير H10a/H10b إلى فروق مفترضة بين القائد والطاقم تم اختبارها من خلال تحليل متعدد المجموعات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

تم تنفيذ جميع الإجراءات وفقا للمعايير الأخلاقية للأبحاث التي تشمل المشاركين البشريين في جامعة aSSIST وجامعة Dong-A. نظرا لأن جميع الردود تم إخفاؤها عند جمعها ولم يتم جمع أي معلومات شخصية قابلة للتعريف في أي مرحلة، قررت لجنة المراجعة المؤسسية لجامعة aSSIST أن الدراسة معفاة من المراجعة الكاملة وفقا للمادة 15 من قانون الأخلاقيات الحيوية والسلامة لجمهورية كوريا والمادة 13 من قاعدة التنفيذ الخاصة به. بدأ الاستطلاع بصفحة معلومات وموافقة توضح أن المشاركة مقصورة على الأفراد العاملين حاليا والمشاركين في مشروع ذكاء اصطناعي، موضحة هدف الدراسة، وشرحت الطبيعة الطوعية للمشاركة، وخصوصية الردود، والاستخدام المقصود للبيانات؛ فقط المستجيبون الذين وافقوا صراحة على الاستبيان تقدموا إلى الاستبيان. صفحة الموافقة موفرة في الملف التكميلي 1.

تحديد حجم العينة

تم إجراء تحليل قدرة مسبقة قبل جمع البيانات باستخدام G*Power 3.1.9.7 (RRID: SCR_013726) لعائلة الانحدار الخطي المتعدد، محددا أكبر عدد من المتنبئات الموجهة نحو بناء داخلي واحد في النموذج؛ في هذه الدراسة، يتم التنبؤ ب AHTR من خلال ثلاثة بنى (AITC، CS، وPS). مع حجم تأثير متوسط (f2 = 0.15)، α = 0.05، وقوة إحصائية 0.80، كان الحد الأدنى المطلوب للعينة 77 حالة؛ يتم توفير مخرج بروتوكول G*Power في الملف الإضافي 2. تم التحقق من الحد الأدنى لحجم العينة باستخدام طريقة الجذر التربيعي العكسي ل PLS-SEM36، حيث يتطلب الأمر حوالي 155 حالة للكشف عن معامل مسار موحد أدنى يبلغ حوالي 0.20 عند مستوى الدلالة 5٪ مع قدرة 80٪. وأخيرا، تم تحديد هدف التجنيد لتجاوز كلا الحدودين الدنيا، لدعم البدء في التأثيرات غير المباشرة وتحليل المجموعات متعددة العينات المنقسمة؛ العينة النهائية (N = 331؛ القادة n = 171، الموظفون n = 160) حققت الحد الأدنى من متطلبات العينة داخل كل مجموعة فرعية.

تجنيد المشاركين والفرز

تم تجنيد المشاركين من خلال لجنة البحث الإلكترونية باستخدام أخذ عينات غير احتمالية هادفة؛ أي أن العينة تم تقييدها عمدا على المشاركين الذين يستوفيون معيارا جوهريا مسبقا—خبرة عمل حالية أو سابقة تشمل الذكاء الاصطناعي—بدلا من أن يتم استدعاؤها عشوائيا من عامة السكان. كانت الأهلية مقتصرة على المستجيبين الذين تبلغ أعمارهم 18 عاما أو أكثر. تم تفعيل الخبرة العملية المتعلقة بالذكاء الاصطناعي من خلال بند الفرز "أي من ما يلي يصف وضعك الحالي بشكل أفضل؟"، الذي عرض قبل الاستبيان الرئيسي؛ فقط المستجيبون الذين أشاروا إلى أنهم موظفون حاليا ويشاركون حاليا في أعمال متعلقة بالذكاء الاصطناعي استمروا، بينما أدت الخيارات المتبقية (العاملين ولكن غير المشاركين في الذكاء الاصطناعي؛ غير موظفين لكن مشاركين سابقا؛ غير موظفين وغير مشاركين) إلى استبعاد فوري. تم جمع البيانات في جلسة واحدة واحدة بتاريخ 8 فبراير 2026 (10:28–13:30)، وتم تعويض المشاركين بقيمة 6.98 جنيه إسترليني في الساعة وفقا لسياسة الأجور العادلة للمنصة. تم منع المشاركة المكررة من خلال معرفات المشاركين الفريدة للمنصة وإعدادات منع الاستجابة المكررة في المنصة. تم تسجيل عدد المشاركين في كل مرحلة لتوثيق سير عمل الشمول/الاستبعاد: تم تسجيل 537 استجابة؛ تم استبعاد 151 من خلال أسئلة الفرز (تبقى 386 سؤالا)؛ تمت إزالة 40 لعدم اجتياز فحوصات الانتباه، بما في ذلك الخطوط المستقيمة (تبقى 346 منها)؛ وتمت إزالة 15 لأوقات إكمال قصيرة بشكل غير معقول (أقل من حوالي 180 ثانية)، مما أدى إلى العينة النهائية N = 331.

تعليمات التعريف والمسح الموحدة

تم إبلاغ المشاركين بأن الاستطلاع فحص كيف يمكن أن يؤثر الذكاء الاصطناعي الوكيل على المؤسسات وأعضائها. في بداية الاستطلاع، عرض على جميع المشاركين تعريف موجز وموحى للذكاء الاصطناعي الوكيلي، يتوافق مع التعريف المقدم في المقدمة—نظام ذكاء اصطناعي متقدم يتميز بالتخطيط الذاتي، والتنسيق متعدد الأدوات، والتغذية الراجعة الاستباقية التي تؤدي أفعال موجهة نحو الأهداف مع إشراف بشري محدود (الشكل 1، الخطوة 2). كانت الأهلية مقتصرة على المشاركين الذين يعملون حاليا ويشاركون في مشروع ذكاء اصطناعي، مما وفر أساسا عمليا ذا صلة للرد على الاستبيان. لم يتضمن أي بند منفصل لفحص الفهم؛ لذلك، كان التعريف الموحد بمثابة توجه سياقي بدلا من اختبار فهم موثق. تم توجيه المشاركين للإجابة على كل سؤال بناء على خبرتهم الفعلية في استخدام أو العمل مع أنظمة الذكاء الاصطناعي الوكيل في سياقات المنظمة.

تطوير وإدارة أدوات المسح

تم تطوير الاستبيان من مقاييس قياس معتمدة معدلة مع سياق تنظيم Agentic AI. يسرد الجدول 1 كل عنصر، ومقياسه المصدري، والإحصائيات الوصفية: تم تكييف عناصر AP، MTO، وPF من تصورات AI الوكلاء الحديثة7،8؛ عناصر علوم الحاسب من أبحاث الموارد المعرفية للذكاء الاصطناعي التوليدي37؛ بنود من Plomp وآخرين، 38؛ وعناصر AHTR من مقاييس صياغة الوظائف القائمة على JD-R17,39 معدلة لإعادة تخصيص المهام. تم قياس جميع البنى على مقاييس ليكرت ذات 7 نقاط تتراوح من 1 ("أختلف بشدة") إلى 7 ("أتفق بشدة"). تم تنظيم الاستبيان إلى كتل تغطي صفحة الموافقة، الفحص، عناصر AITC (AP، MTO، PF)، CS، PS، AHTR، والخصائص الديموغرافية/التحكمية؛ كما احتوت الأداة على مقاييس إضافية (الثقافة بالذكاء الاصطناعي وكفاءة الذات في نطاق الدور) تتجاوز نطاق النموذج الحالي وتم جمعها ولكن لم تحلل هنا، وتم الإبلاغ عنها من أجل الشفافية. تم استضافة الاستبيان على منصة الاستطلاع الإلكترونية؛ تم تعطيل زر العودة بحيث لا يتمكن المستجيبون من مراجعة الإجابات السابقة، وتم عرض العناصر بترتيب ثابت داخل الكتل. كان متوسط وقت الإكمال 7 دقائق و44 ثانية. تم تضمين عنصرين من التحقق من الانتباه من نوع الاستجابة الموجهة كفروع تدفق الاستطلاع التي أغلقت الاستبيان عند الإجابة عليها بشكل خاطئ: (1) فحص واقعي، "هل الذكاء الاصطناعي اختصار لمعلومات الخرشوف؟" (الإجابة الصحيحة: لا)، و(2) اختبار فهم المقياس يؤكد أن الإجابات تم تسجيلها على مقياس ليكرت المكون من 7 نقاط تتراوح من "لا يوافق بشدة" إلى "أتاح بشدة". قبل الإدارة الرئيسية، أجري اختبار تجريبي مع 124 مشاركا لتقييم وضوح عناصر المسح، وتدفق المسح بشكل عام، ومدة الإكمال، وجدوى الاستبيان؛ تمت مراجعة مدة الإكمال لتحديد الردود القصيرة بشكل غير معتاد والتأكد من أن مدة الاستبيان كانت مناسبة للمستجيبين المستهدفين. لم يشير الاختبار التجريبي إلى وجود مشاكل في الصياغة تتطلب مراجعة البند، ولم تجر أي تغييرات في الصياغة قبل المسح الرئيسي. بالإضافة إلى ذلك، تم تحليل البيانات التجريبية باستخدام PLS-SEM كإجراء تحقق أولي لتقييم أداء المؤشرات، وموثوقية البناء، وصلاحية التقارب، وصلاحية التمييز، والتوازن، ومعقولية العلاقات الهيكلية المقترحة؛ دعمت النتائج ملاءمة الجهاز للمسح الرئيسي.

التركيبالعنصرسؤالقاسيةSTDEVVIFالمصدر
AITCأسوشيتد برسAP1عندما أقدم هدفا، يساعد الذكاء الاصطناعي في وضع خطة متعددة الخطوات لتحقيقه.5.810.91.44أبو علي، م.، وآخرون (2025) ؛ سابكوتا، ر.، وآخرون (2025)
AP2يمكن للذكاء الاصطناعي تعديل خطته عندما تتغير القيود أو المتطلبات.5.750.991.37
AP3يقوم الذكاء الاصطناعي بتقسيم الأعمال المعقدة إلى مهام فرعية يمكن إدارتها دون الحاجة إلى تعليمات خطوة بخطوة.5.331.371.33
MTOMTO1يمكن للذكاء الاصطناعي دمج عدة أدوات أو تطبيقات (مثل البحث، المستندات، أدوات البيانات) لإتمام مهمة.5.691.111.5
MTO2يقترح الذكاء الاصطناعي الأداة المناسبة ويستخدمها بالتسلسل الصحيح لإنتاج مخرجات.5.361.041.64
MTO3يساعد الذكاء الاصطناعي في دمج مخرجات الأدوات المختلفة في نتيجة واحدة متماسكة.5.611.011.63
PFPF1الذكاء الاصطناعي يشير بشكل استباقي إلى الأخطاء، أو المعلومات المفقودة، أو الافتراضات الخطرة في عملي.4.91.441.68
PF2يقترح الذكاء الاصطناعي تحسينات قبل أن أطلب ملاحظات صريحة.5.071.381.85
PF3الذكاء الاصطناعي يذكرني بنقاط التفتيش (مثل التحقق، الامتثال، الجودة) لمنع إعادة التصميم.5.021.41.6
CSCS1استخدام الذكاء الاصطناعي حرر طاقتي الذهنية للتركيز على أعمال أكثر تعقيدا وذات معنى.5.591.282.07ليو، ي.، شينغ، ف.، وليو، ر. (2025)
CS2لدي وقت أكثر للتفكير الاستراتيجي وحل المشكلات منذ استخدام الذكاء الاصطناعي.5.611.232.38
CS3انخفض عبء العمل من المهام الروتينية بشكل كبير، مما منحني مساحة ذهنية للمبادرات الجديدة.5.421.282.23
CS4أشعر بأنني أقل إرهاقا ذهنيا في نهاية يوم العمل لأن الذكاء الاصطناعي يتعامل مع المهام المتكررة.5.151.51.91
ملاحظةPS1في مكان عملي، من الآمن أن أخاطر باستخدام الذكاء الاصطناعي بطرق جديدة.4.741.371.52بلومب وآخرون (2019)
PS2مديري يشجع على التجريب مع الذكاء الاصطناعي ويتسامح مع الأخطاء.4.521.611.68
PS3أشعر بالراحة في التعبير إذا كان لدي مخاوف بشأن كيفية استخدام الذكاء الاصطناعي في فريقي.5.481.241.32
بلاي إس 4زملائي يدعمونني إذا جربت طرقا جديدة للعمل مع الذكاء الاصطناعي.5.261.321.48
PS5 (مستثنا)لست خائفا من العواقب السلبية إذا اقترحت استخدامات مبتكرة للذكاء الاصطناعي في عملي.4.471.591.23
AHTRAHTR1أنقل عمدا المهام الروتينية (مثل إدخال البيانات، تنسيق التقارير) إلى الذكاء الاصطناعي حتى أتمكن من التركيز على أعمال ذات قيمة أعلى.5.121.351.68تيمز، م.، & باكر، أ. ب. (2010); لي، دبليو. وآخرون (2024)
AHTR2أبحث بنشاط عن فرص لاستخدام الذكاء الاصطناعي للتعامل مع المهام التي كنت أقوم بها يدويا سابقا.5.581.281.84
AHTR3منذ استخدام الذكاء الاصطناعي، توليت مسؤوليات جديدة أو موسعة أكثر استراتيجية أو إبداعا.5.181.31.58
AHTR4 (مستبعد)أتفاوض مع مديري حول المهام التي يجب أن يتولاها الذكاء الاصطناعي وأيها يجب أن أقوم به.4.091.651.23
AHTR5أعدت تصميم عملي بإعادة تخصيص العمل الروتيني للذكاء الاصطناعي، مما أتاح لنفسي مغامرات أكثر معنى.4.921.351.67

الجدول 1: عناصر القياس، المصادر، الإحصاءات الوصفية، والتقييم الكامل للتوافقية. أداة مسح كاملة. يتم إدراج كل عنصر مع تركيبه (أبعاد AITC AP، MTO، PF؛ CS; ملاحظة: AHTR)، ورمز البند، والصياغة، والمتوسط، والانحراف المعياري (STDEV)، وعامل التضخم الكامل للتباين (VIF؛ القيم <3.3 تشير إلى غياب تلوث تباين الطرق الشائعة)، والمقياس المصدر الذي تم تكييفها منه. تم قياس جميع العناصر على مقاييس ليكرت ذات 7 نقاط (1 = معارض بشدة، 7 = موافق بشدة). تمت إزالة PS5 وAHTR4 أثناء تقييم نموذج القياس بسبب انخفاض الأحمال الخارجية. AITC = الخصائص التكنولوجية للذكاء الاصطناعي الوكيلي؛ AP = التخطيط الذاتي؛ MTO = تنسيق متعدد الأدوات; PF = تغذية راجعة استباقية؛ CS = فائض معرفي؛ PS = السلامة النفسية؛ AHTR = إعادة تخصيص المهام بين الذكاء الاصطناعي والبشر. يرجى الضغط هنا لتحميل هذا الجدول.

إعداد البيانات وتنظيفها

تم تصدير الردود الخام بصيغة CSV. تم استبعاد الحالات التي فشلت في معيار الفحص أو أي من بندات فحص الانتباه، وكذلك الاستجابات التي تحتوي على بيانات مفقودة كبيرة (إعدادات الاستجابة القسرية تم تقليل الغياب داخل الاستبيان)؛ تم توثيق أعداد الاستبعاد الناتجة في كل مرحلة في القسم 2 من البروتوكول (تم تسجيل 537 → 331 محتفظ بها). تم فحص البيانات المحفوظة للتأكد من الاتساق وفحصها لأنماط الاستجابة غير المنتبهة: تمت إزالة الاستجابات المستقيمة عبر فحوصات الانتباه، وتم استبعاد الاستجابات ذات أوقات الإنجاز القصيرة بشكل غير معقول (أقل من حوالي 180 ثانية). ثم تم ترميز المتغيرات للتحليل (مثل: الدور: القائد = 1، العصا = 0؛ الجنس: ذكر = 1، أنثى = 0) كما هو موثق في الجدول 2، تم ترميز الضوابط الفئوية مثل الصناعة بشكل وهمي باستخدام مؤشرات k-1، وتم استيراد مجموعة البيانات النهائية إلى برنامج PLS-SEM. يتم توفير كتاب رموز يربط كل متغير بنص العنصر، والترميز، والبناء الخاص به كملف تكميلي 2.

تقييم نموذج القياس

باستخدام برنامج PLS-SEM، تم تعيين كل عنصر يلاحظ إلى بنيته الكامنة، وتم تحديد جميع البنى من الدرجة الأولى (AP، MTO، PF، CS، PS، AHTR) على أنها عاكسة. تم تحديد AITC كتركيب من الدرجة الثانية يتكون من AP وMTO وPF، وتم تقديره باستخدام النهج ذو المرحلتين 40,41,42: حيث تم الحصول أولا على درجات المتغيرات الكامنة للبنى من الدرجة الأولى ثم تم استخدامها (AP_LVS، MTO_LVS، PF_LVS) كمؤشرات تكوينية ل AITC. تم تشغيل خوارزمية PLS باستخدام نظام وزن المسارات، وحد أقصى 3000 تكرار، ومعيار توقف 10−7. تم تقييم موثوقية الاتساق الداخلي مقابل عتبات كرونباخ α وموثوقية مركبة (CR) عند 0.7043، مع اعتبار قيم α من 0.5 إلى 0.6 مقبولة بشكل هامشي للنطاقات القصيرة في سياقات بحثية ناشئة43؛ تم تقييم صلاحية التقارب مقابل عتبة التباين المستخرج المتوسط (AVE) البالغ 0.5044؛ وتم تقييم الصلاحية المميزة باستخدام نسبة التغاير إلى السمات الأحادية (HTMT <0.85، عتبة محافظة)45 ومعيار فورنيل-لاركر44. عندما لم تستوف معايير الموثوقية أو الصلاحية المتقاربة، تم فحص الأحمال الخارجية، وإزالة المؤشرات ذات الأداء الضعيف مع الحفاظ على صحة المحتوى، مع توثيق كل إزالة ومبرراتها؛ في هذه الدراسة، تم إزالة PS5 وAHTR4 بسبب انخفاض الأحمال الخارجية، مما حسن صلاحية التقارب بين PS وAHTR.

النموذج البنيوي وتحليل الوساطة

تم تحديد المسارات الهيكلية وفقا لنموذج البحث (الشكل 2)، وتم فحص التوازي بين البنى المتنبئة باستخدام عوامل التباين الداخلي للنموذج (VIF < 5.0)36 وعوامل التوازي الكامل (<3.3)46،47. تم تقدير دلالة المسار من خلال التمهيد باستخدام 5,000 إعادة أخذ عينات باستخدام فواصل ثقة النسبة المئوية والاختبارات ذات الذيلين، كما تم الإبلاغ عن معاملات المسار الموحدة (β)، ومتوسطات العينة (M)، والانحرافات المعيارية (STDEV)، وقيم t، وقيم p، وفواصل ثقة 95٪، وR2، وأحجام التأثير (f2). تم تقييم القدرة التنبؤية خارج العينة باستخدام PLSpredict مع 10 طيات و10 تكرارات؛ لكل مؤشر داخلي، تم فحص توقعQ2(>0 يشير إلى الصلة التنبؤية)، وتمت مقارنة أخطاء التنبؤ ب PLS-SEM (RMSE و MAE) مع المعيار48 للنموذج الخطي (LM). في تحليل الوساطة، تم تحديد التأثيرات غير المباشرة ل AITC على AHTR عبر CS، ومن خلال PS، ومن خلال مسار PS → CS المتسلسل، وتم تقييم كل تأثير غير مباشر محدد باستخدام توزيع bootstrap (5,000 إعادة عينة)، مع اعتبار التأثير غير المباشر ذا دلالة كبيرة عندما استبعد فترة الثقة 95٪ الصفر.

التحليل متعدد المجموعات

تم تصنيف المشاركين إلى مجموعات قائد وموظفين بناء على الدور التنظيمي المبلغ عنه ذاتيا (الدور: قائد = 1، الموظف = 0؛ الجدول 2)؛ تكونت مجموعة القادة من قادة الفرق/المشرفين، والمديرين/رؤساء الأقسام، والمديرين التنفيذيين/القيادة العليا، بينما كانت مجموعة الموظفين تتألف من موظفين على مستوى الموظفين. قبل مقارنة معاملات المسار، تم إثبات ثبات القياس عبر المجموعات باستخدام إجراء الثبات في النماذج المركبة (MICOM)رقم 45. تم تحقيق الخطوة 1 (ثبات التكوين) بمواصفات نموذجية متطابقة عبر المجموعات، وتم دعم الخطوة 2 (ثبات التركيب) لجميع التركيبات، مع ارتباطات أصلية عند أو أعلى من 5٪ من كمياتها وقيم p غير ذات دلالة (AHTR c = 0.999، p = 0.524؛ AITC c = 0.954، p = 0.205؛ CS c = 1.000، p = 0.800; PS c = 0.976، p = 0.073)، مما يثبت ثبات القياس الجزئي ويبرر المقارنة متعددة المجموعات (نتائج MICOM الكاملة في الملف التكميلي 3). ثم تم تقدير النموذج بشكل منفصل لكل مجموعة، وتم اختبار اختلافات المسارات باستخدام PLS-MGA القائم على القاعدة التشغيلية، مع الإبلاغ عن قيم p ذات ذيل واحد وذيل مزدوج لفرق القائد والعصا (Δ) لكل مسار؛ تم الإبلاغ عن معاملات مسار خاصة بالمجموعة، وقيم T، وقيم p لجميع المسارات المباشرة وغير المباشرة، بالإضافة إلى مقدار كل فرق بين المجموعات.

الإبلاغ والتحقق، وحل المشكلات

تم تجميع جميع مخرجات الموثوقية، والصلاحية، والهيكلية، والوساطة، وMGA؛ تم تصدير جداول النتائج؛ وتم التحقق من كل إحصائية تم الإبلاغ عنها مقابل المخرجات التي يولدها البرمجيات لضمان الاتساق عبر الجداول والأشكال والنصوص. لحل المشكلات، تنطبق الإرشادات التالية: إذا فشلت العديد من الردود في فحص الفحص أو فحص الانتباه، قم بتحسين متطلبات الأهلية ووضح تعليمات الاستبيان؛ إذا لم تستوفى معايير الموثوقية (CR < 0.70) أو الصلاحية المتقاربة (AVE < 0.50)، يجب مراجعة الأحمال الخارجية وإزالة المؤشرات الضعيفة مع الحفاظ على التغطية النظرية؛ إذا تم تحديد التوافق (VIF فوق العتبات)، يعيد تقييم مواصفات البناء ويستبعد المؤشرات الزائدة؛ إذا كانت التأثيرات الوساطة أو المجموعة غير ذات دلالة، أعد فحص كفاية العينة وبناء التشغيلية قبل التفسير؛ واستخدام عدد كاف من إعادة العينات (مثلا 5000) لتثبيت التقديرات.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

خصائص المشاركين

يعرض الجدول 2 الخصائص الديموغرافية للعينة النهائية (N = 331). شملت العينة 65.0٪ من الذكور و35.0٪ من الإناث، مع توزيع متوازن نسبيا بين القادة (51.7٪، n = 171) والموظفين (48.3٪، n = 160). كانت أكبر فئة عمرية تحت سن 30 عاما (46.5٪)، تلتها 31–40 سنة (32.0٪)؛ 76.4٪ منهم يحملون درجات جامعية أو دراسات عليا. تم اختيار المشاركين من مجموعة من الصناعات، بقيادة التكنولوجيا والاتصالات (46.2٪)، ومن منظمات بأحجام مختلفة. يتوا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

بحثت هذه الدراسة في كيفية ارتباط الخصائص التكنولوجية للذكاء الاصطناعي الوكيل بالموارد النفسية للموظفين وسلوك إعادة توزيع المهام، وما إذا كانت هذه العلاقات تختلف بين أدوار المنظمة. باستخدام مسح مقطعي شمل 331 موظفا ذو خبرة في الذكاء الاصطناعي وPLS-SEM مع الوساطة والتحليل متعدد المجموعات، كانت النتائج متوافقة مع نموذج الموارد-المكاسب المفترض المتصور: ارتبط AITC إيجابيا بالفائض المعرفي، والسلامة النفسية، وإعادة تخصيص المهام بين الذكاء الاصطناعي والبشر؛ الفائض المعرفي والسلامة النفسية ساهم في...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

يعلن المؤلفون عدم وجود تضارب مصالح.

تم استخدام أداة ذكاء اصطناعي توليدي (ChatGPT، OpenAI) لتحرير اللغة؛ تمت مراجعة والتحقق من جميع المحتويات من قبل المؤلفين، الذين تحققوا أيضا من أن التحرير بمساعدة الذكاء الاصطناعي لم يسبب تغييرات في المصطلحات أو النبرة عبر الأقسام.

شكر وتقدير

وقد تم دعم هذا العمل بتمويل بحثي من جامعة aSSIST.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
ProlificProlifichttps://www.prolific.com/مقدم خدمات لوحة المسح عبر الإنترنت
QualtricsQualtrics, LLChttps://www.qualtrics.com/ترميز الاستبيان
SmartPLS SmartPLS GmbHالإصدار 4.0.1، https://www.smartpls.com/تحليل PLS-SEM

المراجع

  1. Chawla C, Chatterjee S, Gadadinni SS, Verma P, Banerjee S. Agentic AI: The building blocks of sophisticated AI business applications. Journal of AI, Robotics & Workplace Automation. 2024;3(3):196–210.
  2. Lu C, et al. The AI scientist: Towards fully automated open-ended scientific discovery. arXiv [Preprint]. 2024. arXiv:2408.06292. Available from: https://arxiv.org/abs/2408.06292.
  3. Xie J, Chen Z, Zhang R, Wan X, Li G. Large multimodal agents: A survey. arXiv [Preprint]. 2024. arXiv:2402.15116. Available from: https://arxiv.org/abs/2402.15116.
  4. Du H, Thudumu S, Vasa R, Mouzakis K. A survey on context-aware multi-agent systems: Techniques, challenges and future directions. arXiv [Preprint]. 2024. arXiv:2402.01968. Available from: https://arxiv.org/abs/2402.01968.
  5. Acharya DB, Kuppan K, Divya B. Agentic AI: Autonomous intelligence for complex goals - a comprehensive survey. IEEE Access. 2025;13:18912–18936.
  6. Calegari R, Ciatto G, Mascardi V, Omicini A. Logic-based technologies for multi-agent systems: A systematic literature review. Auton Agent Multi Agent Syst. 2021;35(1):1.
  7. Sapkota R, Roumeliotis KI, Karkee M. AI agents vs. Agentic AI: A conceptual taxonomy, applications and challenges. Inf Fusion. 2026;126:103599.
  8. Abou Ali M, Dornaika F, Charafeddine J. Agentic AI: A comprehensive survey of architectures, applications, and future directions. Artif Intell Rev. 2025;59(1):11.
  9. Buyya R. Agentic artificial intelligence (AI): Architectures, taxonomies, and evaluation of large language model agents. arXiv [Preprint]. 2026. arXiv:2601.12560. Available from: https://arxiv.org/abs/2601.12560.
  10. Nisa U, Shirazi M, Saip MA, Pozi MSM. Agentic AI: The age of reasoning - a review. J Autom Intell. 2025. doi:10.1016/j.jai.2025.08.003.
  11. Singh A, Ehtesham A, Kumar S, Khoei TT. Enhancing AI systems with agentic workflows patterns in large language model. In: 2024 IEEE World AI IoT Congress (AIIoT); Seattle, WA; 2024:527–532.
  12. Zeng A, et al. AgentTuning: Enabling generalized agent abilities for LLMs. In: Findings of the Association for Computational Linguistics: ACL 2024; Bangkok, Thailand; 2024:3053–3077.
  13. Liu X, Zhang L, Wei X. Generative artificial intelligence literacy: Scale development and its effect on job performance. Behav Sci (Basel). 2025;15(6):811.
  14. Wooldridge M, Jennings NR. Intelligent agents: Theory and practice. Knowl Eng Rev. 1995;10(2):115–152.
  15. Masterman T, Besen S, Sawtell M, Chao A. The landscape of emerging AI agent architectures for reasoning, planning, and tool calling: A survey. arXiv [Preprint]. 2024. arXiv:2404.11584. Available from: https://arxiv.org/abs/2404.11584.
  16. Sha C, Chai T. When digital-AI transformation sparks adaptation: Job crafting and AI knowledge in job insecurity contexts. Front Psychol. 2025;16:1612245.
  17. Tims M, Bakker AB. Job crafting: Towards a new model of individual job redesign. SA J Ind Psychol. 2010;36(2):1–9.
  18. Bakker AB, Hakanen JJ, Demerouti E, Xanthopoulou D. Job resources boost work engagement, particularly when job demands are high. J Educ Psychol. 2007;99(2):274–284.
  19. Bakker AB, Demerouti E, Sanz-Vergel A. Job demands-resources theory: Ten years later. Annu Rev Organ Psychol Organ Behav. 2023;10(1):25–53.
  20. Hobfoll SE, Shirom A. Conservation of resources theory: Applications to stress and management in the workplace. In: Golembiewski RT, ed. Handbook of Organizational Behavior. 2nd ed. Marcel Dekker; New York; 2000:57–80.
  21. Hobfoll SE. Conservation of resources: A new attempt at conceptualizing stress. Am Psychol. 1989;44(3):513–524.
  22. Hobfoll SE, Halbesleben J, Neveu JP, Westman M. Conservation of resources in the organizational context: The reality of resources and their consequences. Annu Rev Organ Psychol Organ Behav. 2018;5(1):103–128.
  23. Bakker AB, Demerouti E. Job demands-resources theory: Taking stock and looking forward. J Occup Health Psychol. 2017;22(3):273–285.
  24. Shirky C. Cognitive Surplus: How Technology Makes Consumers into Collaborators. Penguin Press; New York; 2010.
  25. Edmondson A. Psychological safety and learning behavior in work teams. Adm Sci Q. 1999;44(2):350–383.
  26. Zhao G, Kumar N, Wang C, Liu Z. Bridging the AI gap: How AI-oriented leadership empowers non-technical employees in AI-based innovation engagement. Leadersh Organ Dev J. 2026;47(3):498–514.
  27. Edmondson AC, Lei Z. Psychological safety: The history, renaissance, and future of an interpersonal construct. Annu Rev Organ Psychol Organ Behav. 2014;1(1):23–43.
  28. Kim BJ, Kim MJ, Lee J. The dark side of artificial intelligence adoption: Linking artificial intelligence adoption to employee depression via psychological safety and ethical leadership. Humanit Soc Sci Commun. 2025;12(1):1–14.
  29. Cardon PW, Ma H, Fleischmann C. Recorded business meetings and AI algorithmic tools: Negotiating privacy concerns, psychological safety, and control. Int J Bus Commun. 2023;60(4):1095–1122.
  30. Raisch S, Krakowski S. Artificial intelligence and management: The automation-augmentation paradox. Acad Manage Rev. 2021;46(1):192–210.
  31. Tims M, Bakker AB, Derks D. Development and validation of the job crafting scale. J Vocat Behav. 2012;80(1):173–186.
  32. Wrzesniewski A, Dutton JE. Crafting a job: Revisioning employees as active crafters of their work. Acad Manage Rev. 2001;26(2):179–201.
  33. Grant AM, Parker SK. Redesigning work design theories: The rise of relational and proactive perspectives. Acad Manag Ann. 2009;3(1):317–375.
  34. Liu Q, Tian Q, Li X, Tan H. How does organizational AI adoption affect employees’ job crafting behaviors? An approach-avoidance perspective. Front Psychol. 2025;16:1690238.
  35. Gibson CB, Cooper CD, Conger JA. Do you see what we see? The complex effects of perceptual distance between leaders and teams. J Appl Psychol. 2009;94(1):62–76.
  36. Hair JF, et al. Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R: A Workbook. Springer; Cham; 2021:1–56.
  37. Liu Y, Sheng F, Liu R. Generative AI adoption and employee outcomes: A conservation of resources perspective on job crafting, career commitment, and the moderating role of liking of AI. Humanit Soc Sci Commun. 2025;12:1376.
  38. Plomp J, Tims M, Khapova SN, Jansen PG, Bakker AB. Psychological safety, job crafting, and employability: A comparison between permanent and temporary workers. Front Psychol. 2019;10:974.
  39. Li W, et al. Embracing artificial intelligence (AI) with job crafting: Exploring trickle-down effect and employees’ outcomes. Tour Manag. 2024;104:104935.
  40. Gaskin J, Godfrey S, Vance A. Successful system use: It’s not just who you are, but what you do. AIS Trans Hum Comput Interact. 2018;10(2):57–81.
  41. Marakas G, Johnson R, Clay PF. The evolving nature of the computer self-efficacy construct: An empirical investigation of measurement construction, validity, reliability and stability over time. J Assoc Inf Syst. 2007;8(1):2.
  42. Loch KD, Straub DW, Kamel S. Diffusing the Internet in the Arab world: The role of social norms and technological culturation. Global Information Systems. 2008;143–175.
  43. Nunnally JC. Psychometric Theory. 2nd ed. McGraw-Hill; New York; 1978.
  44. Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39–50.
  45. Henseler J, Ringle CM, Sarstedt M. A new criterion for assessing discriminant validity in variance-based structural equation modeling. J Acad Mark Sci. 2015;43(1):115–135.
  46. Kock N. Common method bias in PLS-SEM: A full collinearity assessment approach. Int J e-Collab. 2015;11(4):1–10.
  47. Kock N, Lynn GS. Lateral collinearity and misleading results in variance-based SEM: An illustration and recommendations. J Assoc Inf Syst. 2012;13(7):2.
  48. Shmueli G, et al. Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. Eur J Mark. 2019;53(11):2322–2347.
  49. Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: A critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879–903.
  50. Podsakoff PM, MacKenzie SB, Podsakoff NP. Sources of method bias in social science research and recommendations on how to control it. Annu Rev Psychol. 2012;63(1):539–569.
  51. Harman HH. Modern Factor Analysis. 3rd ed. University of Chicago Press; Chicago; 1976.
  52. Podsakoff PM, Organ DW. Self-reports in organizational research: Problems and prospects. J Manage. 1986;12(4):531–544.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

234 234
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.