مقالة بحثية

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

DOI:

10.3791/71797

⸱

أغسطس 4, 2026

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

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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. يتوافق هذا الملف مع تركيز الدراسة الهادف على الموظفين المشاركين بنشاط في الأعمال المتعلقة بالذكاء الاصطناعي.

الخصائصالفئاتالتردد (n)%النسبة التراكمية
الجنسذكر (1)2156565
أنثى (0)11635100
العمر-3015446.546.5
31-401063278.5
41-504413.391.8
51-278.2100
الدورالقائد (1)17151.751.7
الطاقم (0)16048.3100
التعليمالمدرسة الثانوية3410.310.3
الجامعة4413.323.6
البكالوريوس14242.966.5
الدراسات العليا11133.5100
الصناعةتكنولوجيا الاتصالات والاتصالات والاتصالات15346.246.2
الخدمات المهنية (الاستشارات، القانون، المحاسبة)3811.557.7
التصنيع الصناعي3711.268.9
الخدمات المالية309.177.9
الرعاية الصحية309.187
القطاع العام247.394.3
التجزئة195.7100
حجم الشركةأقل من 507221.821.8
50-993610.932.6
100-4998525.758.3
500-9994613.972.2
1000-49995015.187.3
5000 أو أكثر4212.7100
المجموع331100100

الجدول 2: الخصائص الديموغرافية للعينة النهائية. توزيع 331 مشاركا حسب الجنس، العمر، الدور التنظيمي، التعليم، الصناعة، وحجم الشركة. n = التردد؛ ٪ = نسبة من العينة الكلية؛ النسبة التراكمية = النسبة التراكمية داخل كل خاصية. تشير القيم بين قوسين في عمود الفئات إلى الترميز الثنائي المستخدم في التحليل (مثلا، القائد = 1، العصا = 0).

تقييم نموذج القياس

نظرا لأن AITC تم نمذجته كبناء من الدرجة الثانية، تم تطبيق نهج من خطوتين40. أولا، تم تقييم موثوقية وصحة البنى من الدرجة الأولى باستخدام α كرونباخ، والموثوقية المركبة (CR)، ومتوسط التباين المستخرج (AVE)، كما هو موضح في الجدول 3. تم استبعاد PS5 وAHTR4 بسبب انخفاض الأحمال الخارجية، مما حسن صحة التقارب ل PS (AVE = 0.563) وAHTR (AVE = 0.619)36. تجاوزت جميع قيم CR عتبة 0.70، وتجاوزت جميع قيم AVE 0.50. على الرغم من أن α كرونباخ ل AP كان 0.585، إلا أن CR (0.781) وAVE (0.547) ظليا ضمن الحدود المقبولة، ويمكن اعتبار α قيم 0.5–0.6 مقبولة للمقاييس القصيرة43. تم دعم الصلاحية التمييزية: جميع نسب HTMT (0.25–0.77) كانت أقل من العتبة المحافظة 0.85 (الجدول 4)45، وتجاوز الجذر التربيعي لكل بناء AVE أعلى ارتباط بين التركيبات وفقا لمعيار فورنيل-لاركر (الجدول 5)44.

التركيبαموثوقية المركبAVE
AITCأسوشيتد برس0.5850.7810.547
MTO0.7310.8480.65
PF0.7580.8580.669
CS0.8580.9040.701
ملاحظة0.7410.8370.563
AHTR0.7950.8670.619

الجدول 3: الموثوقية والصلاحية المتقاربة للبنى من الدرجة الأولى. α = ألفا كرونباخ (الاتساق الداخلي؛ العتبة 0.70، مع قبول هامشي بين 0.5–0.6 للمقاييس القصيرة); موثوقية المركب (CR؛ العتبة 0.70)؛ AVE = متوسط التباين المستخرج (صلاحية متقاربة؛ عتبة 0.50). تم الإبلاغ عن القيم بعد إزالة PS5 و AHTR4. 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.

التركيباتنسبة السمات الأحادية غير المتجانسة (HTMT)
أسوشيتد برسMTOPFCSملاحظةAHTR
AITCأسوشيتد برس
MTO0.75
PF0.640.59
CS0.630.590.48
ملاحظة0.450.360.250.48
AHTR0.620.590.450.770.54

الجدول 4: الصلاحية التمييزية للبنى من الدرجة الأولى (HTMT). نسبة الترابط بين أزواج البناء، الصفات المتجانسة إلى السمات الأحادية. القيم التي تقل عن العتبة المحافظة 0.85 تدعم صلاحية التمييز. 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.

التركيباتمعيار فورنيل-لاركر
أسوشيتد برسMTOPFCSملاحظةAHTR
AITCأسوشيتد برس0.74
MTO0.490.81
PF0.420.440.82
CS0.460.470.40.84
ملاحظة0.310.270.190.390.75
AHTR0.430.450.370.640.430.79

الجدول 5: صلاحية التمييز للبنى من الدرجة الأولى (معيار فورنيل-لاركر). العناصر القطرية (بالخط العريض) هي الجذور التربيعية لقيمة AVE لكل تركيب؛ العناصر خارج القطر هي ارتباطات بين البناءات. يتم دعم صلاحية التمييز عندما يتجاوز كل عنصر قطري جميع الترابطات في صفه وعموده.

ونظرا لأن جميع المتغيرات تم الإبلاغ عنها ذاتيا من نفس المستجيبين، فقد تم تطبيق الحلول الإجرائية والإحصائية49,50. إجرائيا، تم ضمان إخفاء هوية المستجيبين، وأكد بيان الموافقة على المشاركة الطوعية وغياب الإجابات الصحيحة أو الخاطئة، وتم وضع عناصر التنبؤ والمعايير في أقسام منفصلة للاستبيان، واستخدمت مقاييس قصيرة معتمدة لتقليل التعب، وتم استبعاد الاستجابات غير المبالية في فحوصات الانتباه. إحصائيا، أظهر اختبار هارمان العاملالواحد 51 أن العامل غير المدور واحد يفسر 30.99٪ من التباين، أقل من معيار 50٪البالغ 49.52. كفحص أكثر صرامة، أظهر تقييم التزامنالكامل 46 جميع القيم الثنائية الدقيقة دون 3.3 (الجدول 1)، مما يشير إلى عدم وجود دليل على تحيز الطرق الشائعة الشديد، رغم أن مثل هذه التشخيصات لا تستبعد بشكل قاطع تباين الطريقة46,47.

تم تقييم أهمية تأثيرات البعد التصاعدي للبناء التكويني من الدرجة الثانية (AITC) باستخدام التمهيد مع 5,000 إعادة عينة36,41. كما هو موضح في الجدول 6، كانت الأوزان التكوينية ل AP_LVS (0.493، ص < 0.001)، MTO_LVS (0.492، ص < 0.001)، و PF_LVS (0.249، p < 0.001) كلها ذات دلالة، وكانت جميع الأبعاد الدقيقة أقل من 3.3، مما يشير إلى أن كل بعد من الرتبة الأدنى يساهم جوهريا في AITC دون مخاوف تقارنية. ثم تم تقدير النموذج الإنشائي النهائي باستخدام إجراء المرحلتين 41,42 (الشكل 3).

المؤشر التكوينيVIFβ الأصليةقاسية βSTDEVقيمة tقيمة p
AP_LVS → AITC1.4180.4930.4890.0945.2320
MTO_LVS → AITC1.4570.4920.4890.0925.3330
PF_LVS → AITC1.3350.2490.2480.092.7540.006

الجدول 6: التأثيرات الأبعاد الصاعدة للبناء التكويني من الدرجة الثانية. تقديرات Bootstrap (5,000 إعادة عينة) للأوزان التكوينية التي تربط درجات المتغيرات الكامنة ل AP وMTO وPF (AP_LVS، MTO_LVS، PF_LVS) ب AITC في النهج ذي المرحلتين. β = الوزن المعياري (الأصلي) ومتوسط الحزام التشغيلي؛ STDEV = انحراف معيار الإقلاع؛ VIF = عامل التضخم التبايني (<3.3 يشير إلى عدم وجود قلق في التوازن); t-value = \|β/STDEV\|; قيمة p من توزيع bootstrap. AITC = الخصائص التكنولوجية للذكاء الاصطناعي الوكيلي؛ AP = التخطيط الذاتي؛ MTO = تنسيق متعدد الأدوات; PF = تغذية راجعة استباقية.

figure-results-1
الشكل 3. النموذج الإنشائي المقدر. النموذج النهائي مع معاملات مسار موحدة (β) للعينة الكاملة (N = 331). جميع الاختصارات كما في الشكل 2؛ تشير AP_LVS و MTO_LVS و PF_LVS إلى درجات المتغيرات الكامنة ل AP وMTO وPF المستخدمة كمؤشرات تكوينية ل AITC في النهج ذي المرحلتين. تشير الأسهم الصلبة إلى مسارات مهمة؛ القيم بين قوسين هي R2 (نسبة التباين المفسرة في كل تركيب داخلي: AHTR = 0.471، CS = 0.363، PS = 0.114). تم تقييم الأهمية من خلال إعادة التعيين مع 5,000 عينة معادة؛ p < 0.001. AP = التخطيط الذاتي؛ MTO = تنسيق متعدد الأدوات; PF = تغذية راجعة استباقية؛ AITC = الخصائص التكنولوجية للذكاء الاصطناعي الوكيلي؛ CS = فائض معرفي؛ PS = السلامة النفسية؛ AHTR = إعادة تخصيص المهام بين الذكاء الاصطناعي والبشر. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

النموذج البنيوي وتحليل الوساطة

يوضح الجدول 7 معاملات المسار ذات قيم p، ومتوسط العينة (M)، والانحرافات المعيارية (STDEV)، وقيم t، وفترات ثقة 95٪. ارتبط AITC إيجابيا ب CS (β = 0.485، p < 0.001)، الداعم ل H1، وPS (β = 0.338، p < 0.001)، الذي يدعم H2. ارتبط CS إيجابيا ب AHTR (β = 0.444، p < 0.001)، الداعم ل H3، وكذلك PS (β = 0.179، p < 0.001)، الذي يدعم H5. كان PS مرتبطا إيجابيا ب CS (β = 0.230، p < 0.001)، الداعم ل H6، وAITC مع AHTR (β = 0.215، p < 0.001)، داعما ل H9. شرح النموذج 47.1٪ من التباين في AHTR (R2 = 0.471)، و36.3٪ في CS، و11.4٪ في PS.

التركيباتβمتوسط العينة (M)الانحراف المعياري (STDEV)إحصائيات T (|O/STDEV|)قيم p0.0250.975R²
AITC → AHTR0.2150.2120.0593.6400.0990.3320.471
CS → AHTR0.4440.4450.0548.15500.3350.549
ملاحظة → AHTR0.1790.1810.053.59600.0850.279
AITC → علوم الحاسب0.4850.4850.0519.58700.3840.5790.363
ملاحظة → علوم الحاسب0.230.2310.0534.29900.1290.336
AITC → PS0.3380.3470.0556.09400.2360.4510.114
ملاحظة → علوم الحاسب → AHTR0.1020.1030.0273.78600.0540.159
AITC → PS → AHTR0.060.0620.0193.2250.0010.0270.102
AITC → علوم الحاسب → AHTR0.2150.2160.0366.00700.1490.29
AITC → PS → CS → AHTR0.0340.0360.0113.1220.0020.0170.06
AITC → PS → CS0.0780.080.0223.48500.0410.127

الجدول 7: نتائج النموذج البنيوي والتأثيرات غير المباشرة المحددة (العينة الكاملة). β = معامل المسار الموحد؛ M = متوسط عينة bootstrap; STDEV = انحراف معيار الإقلاع؛ t = \|β/STDEV\|; p = قيمة p ذات الذيلين; 0.025/0.975 = الحدود الدنيا/العليا لفاصل ثقة الترتيل 95٪ (الفترة التي لا تستبعد الصفر تشير إلى دلالة); R2 = تباين مفسر في البناء الذاتي. الصفوف التي تحتوي على أسهم عبر عدة بنى (مثل AITC → PS → CS → AHTR) تبلغ عن تأثيرات غير مباشرة (وساطة) محددة. استخدم Bootstrapping 5,000 إعادة عينة.

تظهر نتائج التمهيد للتأثيرات غير المباشرة المحددة (الجدول 7) أن CS توسط بشكل كبير في علاقة AITC-AHTR (β = 0.215، فترة الثقة 95٪ [0.149، 0.290]، الصفحة < 0.001)، داعمة ل H4، وPS بالمثل (β = 0.060، فاصل الثقة 95٪ [0.027، 0.102]، p = 0.001)، داعمة ل H7. كما كان المسار التسلسلي AITC → PS → CS → AHTR دلاليا (β = 0.034، فترة الثقة 95٪ [0.017، 0.060]، p = 0.002)، داعما ل H8. يلخص الجدول 8 نتائج اختبار الفرضيات.

الفرضيةالنتائج
H1ترتبط خصائص التكنولوجيا للذكاء الاصطناعي الوكيل إيجابيا بالفائض المعرفي.تم قبوله
H2ترتبط خصائص التكنولوجيا للذكاء الاصطناعي الوكيل بشكل إيجابي بالسلامة النفسية.تم قبوله
H3يرتبط الفائض المعرفي إيجابيا بإعادة تخصيص المهام بين الذكاء الاصطناعي والبشر.تم قبوله
H4الفائض المعرفي يتوسط العلاقة بين الخصائص التكنولوجية للذكاء الاصطناعي الوكيل وإعادة تخصيص المهام بين الذكاء الاصطناعي والبشر.تم قبوله
H5ترتبط السلامة النفسية إيجابيا بإعادة توزيع المهام بين الذكاء الاصطناعي والبشر.تم قبوله
H6الأمان النفسي مرتبط إيجابيا بالفائض المعرفي.تم قبوله
H7تتوسط السلامة النفسية العلاقة بين الخصائص التكنولوجية للذكاء الاصطناعي الوكيل وإعادة تخصيص المهام بين الذكاء الاصطناعي والإنسان.تم قبوله
H8تتوسط السلامة النفسية والفائض المعرفي بشكل متتابع العلاقة بين الخصائص التكنولوجية للذكاء الاصطناعي الوكيل وإعادة تخصيص المهام بين الذكاء الاصطناعي والإنسان.تم قبوله
H9ترتبط خصائص التكنولوجيا للذكاء الاصطناعي الوكيلي إيجابيا بإعادة تخصيص المهام بين الذكاء الاصطناعي والبشر.تم قبوله
H10aتختلف الروابط بين خصائص التكنولوجيا للذكاء الاصطناعي الوكيل والفائض المعرفي والسلامة النفسية بين القادة والموظفين.تم قبوله
H10bتختلف الروابط بين السلامة النفسية والفائض الإدراكي مع إعادة توزيع المهام بين القادة والموظفين.قبول جزئي

الجدول 8: ملخص اختبارات الفرضيات. كل فرضية مع مسارها البنيوي المقابل وقرارها (مقبول/مرفوض) بناء على القاعدة النهائية تظهر في الجدول 7 (عتبة الدلالة p < 0.05). AITC = الخصائص التكنولوجية للذكاء الاصطناعي الوكيلي؛ CS = فائض معرفي؛ PS = السلامة النفسية؛ AHTR = إعادة تخصيص المهام بين الذكاء الاصطناعي والبشر.

تم تقييم قوة التنبؤ خارج العينة باستخدام PLSpredict (10 طيات، 10 تكرارات؛ الجدول 9). جميع المؤشرات الداخلية أعادت قيم تنبؤية إيجابية للربعالثاني، مما يشير إلى الصلة التنبؤية، وأنتج نموذج PLS-SEM معدلات RMSE وMAE أقل من معيار النموذج الخطي (LM) لمعظم المؤشرات، باستثناء PS_4. تشير هذه النتائج إلى أداء تنبؤي متوسط إلى عالي خارج العينة للسلامة النفسية، والفائض المعرفي، وإعادة تخصيص المهام بين الذكاء الاصطناعي والبشري48.

المؤشرQ²predictيرجى RMSEمن فضلك، سام مايLM RMSEإل إم إيهIA RMSEIA MAE
PS_10.0671.3211.0421.3251.0421.3681.098
PS_20.0181.5961.3141.6021.3331.6101.363
PS_30.0481.2090.9371.2180.9411.2390.983
PS_40.0841.2620.9771.2580.9651.3181.046
CS_10.2181.1380.8761.1440.8811.2871.030
CS_20.2761.0450.7921.0480.7931.2290.971
CS_30.1811.1570.8841.1610.8891.2781.011
CS_40.1701.3711.0881.3771.0931.5061.209
AHTR_10.1491.2510.9701.2590.9771.3571.028
AHTR_20.1881.1510.8951.1580.9001.2771.003
AHTR_30.1761.1850.9011.1910.9081.3050.990
AHTR_50.1301.2610.9821.2690.9911.3521.039

الجدول 9: التقييم التنبؤي خارج العينة (PLSpredict). المقاييس التنبؤية لكل مؤشر داخلي (PS, CS, AHTR) من PLSpredict (10 طيات، 10 تكرارات). Q2التنبؤ = الصلة التنبؤية (>0 يشير إلى أن نموذج PLS-SEM يتفوق على أكثر المعايير سذاجة); PLS-SEM RMSE/MAE = خطأ جذر متوسط تربيع ومتوسط خطأ مطلق لنموذج PLS-SEM؛ LM RMSE/MAE = الأخطاء المقابلة لمعيار النموذج الخطي؛ IA RMSE/MAE = مؤشر متوسط المؤشر. تشير أخطاء PLS-SEM تحت معيار LM إلى أداء تنبؤي مرض. PS = السلامة النفسية؛ CS = فائض معرفي؛ AHTR = إعادة تخصيص المهام بين الذكاء الاصطناعي والبشر. ملاحظة: جميع الربعالثانييتنبأ > 0. من فضلك وسام RMSE/MAE < معيار LM لجميع المؤشرات باستثناء PS_4، مما يشير إلى أداء تنبؤي متوسط إلى عالي.

التحليل متعدد المجموعات

فحصت MGA ما إذا كانت العلاقات الهيكلية تختلف بين القادة والموظفين، الذين يشغلون مناصب مختلفة من حيث المساءلة، والأمان الوظيفي، وتركيب المهام. كما هو موضح في الجدول 10، كانت ارتباطات AITC مع المتغيرين الموردين أقوى بشكل ملحوظ بين القادة: AITC → CS (القائد β = 0.599 مقابل β الموظفين = 0.363؛ Δ = 0.236، p ثنائي الطرف = 0.014) وAITC → PS (β القائد = 0.435 مقابل β الموظفين = 0.199؛ Δ = 0.236، p ثنائي الذيل = 0.043). هذه الاختلافات ذات معنى عملي: فارتباط AITC-CS بين القادة كان حوالي 1.6 ضعف ما بين الموظفين، وكانت رابطة AITC-PS أقوى بأكثر من الضعف. المسارات المباشرة المتبقية (AITC → AHTR، CS → AHTR، PS → AHTR، PS → CS) لم تختلف بشكل كبير بين المجموعات (جميعها ذات ذيلين p > 0.19)، مما يشير إلى أنه بمجرد تشكيل الموارد، تعمل ارتباطاتها بإعادة تخصيص المهام بشكل مشابه عبر الأدوار. تكشف تقديرات الbootstrap الخاصة بالمجموعة (الجدول 11) أيضا عن أنماط دلالة غير متماثلة في أربعة مسارات: PS → AHTR كانت ذات دلالة كبيرة للقادة (β = 0.234، p = 0.001) ولكن ليس للموظفين (β = 0.133، p = 0.064); كان المسار غير المباشر AITC → PS → AHTR ذا أهمية للقادة (β = 0.102، p = 0.005) ولكن ليس للموظفين (β = 0.026، p = 0.178); وعلى العكس، كان PS → CS → AHTR دلاليا للموظفين (β = 0.140، p = 0.001) لكنه كان هامشا فقط للقادة (β = 0.059، p = 0.054); وكانت نسبة AITC → PS → CS ذات دلالة كبيرة للموظفين (β = 0.057، p = 0.043) لكنها كانت هامشية للقادة (β = 0.067، p = 0.065). عند جمع المسار معا، يبدو أن الطريق النفسي والسلامة لإعادة توزيع المهام أكثر مباشرة للقادة، بينما بالنسبة للموظفين، ترتبط الأمان النفسي بإعادة التخصيص بشكل أساسي من خلال تمكين الفائض المعرفي، وهو نمط يتوافق مع اختلافات الأدوار في المساءلة والتعرض للأمان الوظيفي (مدعوم ب H10a؛ H10b مدعوم جزئيا).

التركيباتΔ (القائد - الطاقم)قيمة p ذات ذيل واحد (القائد مقابل العصا)قيمة p ذات الذيل الثنائي (القائد مقابل العصا)
AITC → AHTR0.0070.4820.963
AITC → علوم الحاسب0.2360.0070.014
AITC → PS0.2360.0220.043
CS → AHTR-0.10.8140.371
ملاحظة → AHTR0.1010.1610.322
ملاحظة → علوم الحاسب-0.1350.9010.199

الجدول 10: تحليل متعدد المجموعات (PLS-MGA) لفروق مسار القائد والموظفين. Δ = الفرق بين معاملات المسار الموحدة للقائد والموظف (القائد مطروحا منه الموظفون); قيم p من PLS-MGA المعتمدة على الbootstrap (ذي ذيل واحد وذيل ثاني). تشير الفروقات الإدلالية ( p ذو الذيل < 0.05) إلى أن المسار يختلف بين القادة (n = 171) والطاقم (n = 160). 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؛ AITC = الخصائص التكنولوجية للذكاء الاصطناعي الوكيل.

الأصل (القائد)الأصل (الطاقم)مين (القائد)المتوسط (العصا)STDEV (القائد)STDEV (الموظفون)قيمة t (القائد)t value (العصا)قيمة p (القائد)p value (العصا)
AITC → AHTR0.2330.2270.2370.2240.0980.0772.3812.9450.0170.003
AITC → علوم الحاسب0.5990.3630.5990.3680.0570.07710.4264.73400
AITC → PS0.4350.1990.4480.2260.0750.0895.822.2400.025
CS → AHTR0.3830.4840.3810.4860.0910.0654.197.40600
ملاحظة → AHTR0.2340.1330.2340.1340.0730.0723.1851.8560.0010.064
ملاحظة → علوم الحاسب0.1540.2890.1570.2890.070.0772.2123.7410.0270
ملاحظة → علوم الحاسب → AHTR0.0590.140.060.1410.0310.0431.933.2690.0540.001
AITC → PS → AHTR0.1020.0260.1040.0290.0360.022.8081.3470.0050.178
AITC → علوم الحاسب → AHTR0.2290.1760.2280.180.060.0473.8343.75700
AITC → PS → CS → AHTR0.0260.0280.0270.0310.0160.0151.651.8520.0990.064
AITC → PS → CS0.0670.0570.0710.0640.0360.0281.8442.020.0650.043

الجدول 11: تقديرات التدريبات الخاصة بالمجموعة للقادة والموظفين. تم تقدير معاملات المسار الموحدة (الأصلية)، ومتوسطات التمهيد، والانحرافات المعيارية (STDEV)، وقيم t، وقيم p ذات الطرفين بشكل منفصل ضمن مجموعتي القائد (n = 171) والعصا (n = 160)، لجميع المسارات غير المباشرة والمحددة. استخدم نظام التمهيد 5,000 إعادة عينات داخل كل مجموعة. 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؛ AITC = الخصائص التكنولوجية للذكاء الاصطناعي الوكيل.

باختصار، استوفى نموذج القياس معايير الموثوقية والصلاحية؛ ارتبط AITC إيجابيا ب CS وPS وAHTR؛ قامت CS وPS بالتوسط في ارتباط AITC-AHTR بشكل فردي وتسلسلي؛ أظهر النموذج أداء تنبؤيا مرضيا خارج العينة؛ وكانت ارتباطات AITC مع CS وPS أقوى بشكل ملحوظ بين القادة، في حين لم تختلف المسارات من الموارد إلى إعادة تخصيص المهام بشكل كبير بين الأدوار. وعند جمع النتائج معا، تدعم نموذج الموارد المفترض وتكسب النموذج وتحفز التفسير المختلف للأدوار الذي تم تطويره في النقاش.

توفر البيانات:

يتم رفع البيانات وملفات التحليل كملف تكميلي 1، ملف تكميلي 2، ملف تكميلي 3، ملف تكميلي 4، ملف تكميلي 5، ملف تكميلي 6، وملف تكميلي 7.

الملف التكميلي 1: استبيان.يرجى الضغط هنا لتحميل هذا الملف.

الملف الإضافي 2. خرج بروتوكول G*Power.يرجى الضغط هنا لتحميل هذا الملف.

الملف التكميلي 3. MICOM الخطوة 2 — ثبات التركيب (التبديل، 1000). تم تثبيت ثبات التركيب لجميع البنى (الأصل c ≥ 5٪ كم؛ التبديل p > 0.05). ثبات القياس الجزئي كاف لتبرير PLS-MGA. يرجى الضغط هنا لتحميل هذا الملف.

الملف التكميلي 4. مجموعة البيانات.يرجى الضغط هنا لتحميل هذا الملف.

الملف الإضافي 5. تقرير SmartPLS من MGA bootstrap.يرجى الضغط هنا لتحميل هذا الملف.

الملف الإضافي 6. تقرير استبدال MGA SmartPLS. يرجى الضغط هنا لتحميل هذا الملف.

الملف التكميلي 7. كتاب الشيفرة — المتغير، العنصر، البنية، المقياس، البرمجة، والمصدر.يرجى الضغط هنا لتحميل هذا الملف.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 علاقة AITC-AHTR بشكل فردي وتسلسلي؛ وكانت ارتباطات AITC مع كلا المتغيرين من الموارد أقوى بكثير بين القادة مقارنة بالموظفين.

تحمل النتائج ثلاثة دلالات نظرية. أولا، يوسعون نظرية JD-R إلى سياق الذكاء الاصطناعي الوكيلي من خلال التعامل مع الخصائص التكنولوجية ليس كأدوات بل كموارد وظيفية: الارتباط القوي بين AITC-CS (β = 0.485) يتوافق مع الرأي القائل بأن التخطيط الذاتي، والتنسيق متعدد الأدوات، والتغذية الراجعة الاستباقية توفر الطاقة المعرفية والوقت التقديري الذي يمكن للموظفين إعادة استثماره15، 23، 24. ثانيا، يربطون منطق الدوامة الربحية في نظرية COR بإعادة تصميم العمل المدعومة بالذكاء الاصطناعي: فالمسار التسلسلي المهم (AITC → PS → CS → AHTR) يشير إلى أن السلامة النفسية تعمل كمورد سياقي يدعم تراكم الفائض المعرفي، والذي يرتبط بدوره بسلوك إعادة التخصيص20,22. ثالثا، من خلال وضع AHTR كشكل تقني محدد من صياغة المهام ضمن أدبيات صياغة الوظائف 17,31,32، تتجاوز الدراسة التركيز السائد على الأداء التقني ونتائج الأتمتة وتقدم تفسيرا نفسيا لكيفية دمج الأنظمة الوكالية في إعادة تصميم العمل. وبما أن التصميم مقطعي، يجب قراءة هذه المسارات كارتباطات متوافقة مع الترتيب السببي المفترض بدلا من إثبات السببية.

توضح نتائج الوساطة لماذا قد لا يترجم توفر الذكاء الاصطناعي المتقدم وحده إلى تغيير في ممارسات العمل. تم تعزيز الارتباط المباشر بين AITC-AHTR (β = 0.215) بمسارات غير مباشرة ذات حجم مشترك مماثل من خلال فائض معرفي (β = 0.215) والسلامة النفسية (β = 0.060): يبدو أن الموظفين يعيدون تخصيص المهام للذكاء الاصطناعي عندما تثبت التكنولوجيا الموارد المعرفية وعندما يجعل المناخ الاجتماعي التجارب تشعر بالأمان 16,25,38. تشير هذه الآلية المزدوجة إلى أن إعادة تخصيص المهام هي ظاهرة تتعلق بالموارد والمناخ بقدر ما هي ظاهرة تكنولوجية، مما قد يفسر نتائج التبني المتجانسة عبر عمليات نشر متشابهة.

تضيف نتائج المجموعات المتعددة شرطا حدوديا قائما على الأدوار. كانت ارتباطات AITC-CS وAITC-PS أقوى بحوالي 1.6 و2.2 مرة على التوالي للقادة مقارنة بالموظفين، في حين لم تختلف المسارات اللاحقة من الموارد إلى إعادة التخصيص بشكل كبير بين المجموعات. تفسير واحد، يتوافق مع حجج المسافة الإدراكية30,35، هو أن القادة، الذين يمتلكون سلطة اتخاذ القرار ومحاسبة استراتيجية، يحولون القدرات الوكالية بسهولة أكبر إلى موارد متصورة، بينما يدرك الموظفون، الذين يتعرضون أكثر لعدم الأمان الوظيفي المرتبط بالأتمتة ومتطلبات التعلم، فوائد السلامة النفسية بشكل أقل مباشرة: بالنسبة للموظفين، السلامة النفسية المرتبطة بإعادة التخصيص أساسا من خلال فائض معرفي (PS → CS → AHTR: β = 0.140، p = 0.001)، بينما كان المسار المباشر PS → AHTR بالنسبة للقادة دلالة للكثير (β = 0.234، p = 0.001). هذه ميول لوحظت في هذه العينة وليست ميولها ثابتة، وتستحق فترات الثقة حول الفروق الجماعية تفسيرا حذرا.

عمليا، تشير النتائج إلى استراتيجيات نشر متمايزة حسب الأدوار. بالنسبة لجميع الموظفين، يمكن للمؤسسات حماية تحويل الوقت الموفر إلى فائض معرفي من خلال تعديل معايير عبء العمل ومؤشرات الأداء الرئيسية بحيث يتم إعادة استثمار الساعات الخالية من الذكاء الاصطناعي في مهام استراتيجية وإبداعية وتعاونية بدلا من امتصاصها بمتطلبات روتينية إضافية؛ تشمل الرافعات الملموسة حوكمة استخدام الذكاء الاصطناعي التي توضح المساءلة عند ارتكاب الذكاء الاصطناعي خطأ، والتدريب المنظم على مهارات الذكاء الاصطناعي الموجهة للتفويض، وأنظمة الاعتراف التي تكافئ إعادة تصميم المهام الموثقة. بالنسبة للموظفين تحديدا، تشير النتائج إلى أن التدخلات النفسية للسلامة، مثل مراجعة تجارب الذكاء الاصطناعي بدون لوم، وتحمل المدير للأخطاء المبكرة، والتواصل الصريح للأمان الوظيفي، هي متطلبات أساسية لتكون فائض معرفي على الإطلاق؛ بالنسبة للقادة، الذين يحولون AITC إلى موارد بسهولة أكبر، فإن الأولوية هي توجيه هذا الفائض إلى الحوكمة والتخطيط للطوارئ الذي يضيق الفجوة بين القائد والموظفين بدلا من توسيعها. تمتد هذه التداعيات إلى بيئات عالية المخاطر مثل كشف الاحتيال وعمليات الأمن المالي، حيث تقوم الأنظمة الوكائلية بشكل متزايد بفرز التنبيهات، وتنظيم سير عمل التحقيق، والإبلاغ عن المعاملات الشاذة: في مثل هذه البيئات، تكون السلامة النفسية شرطا مسبقا للموظفين لاستجواب وتجاوز وإبلاغ الأحكام التي يولدها الذكاء الاصطناعي دون خوف من اللوم، وإعادة تخصيص المراقبة الروتينية للذكاء الاصطناعي يمكن أن يحرر الموارد المعرفية للمحللين من المشاكل المعقدة. في القضايا التي تتطلب الكثير من الحكم، بينما يجب على الحوكمة ضمان ألا تؤدي الأتمتة إلى تآكل المساءلة عن القرارات ذات العواقب العالية. وبشكل أوسع، تجادل الفروق الملحوظة بين القائد والموظفين بوجود تدخلات متمايزة: مناهج تدريب تركز على مهارات التفويض والإشراف للقادة والتجريب وإعادة تدريب الدعم للموظفين، وأدوار الحوكمة التي تعكس تعرض كل مجموعة للمخاطر، واستراتيجيات تواصل تجعل المكاسب التي يحققها القادة مرئية وقابلة للتحقيق للموظفين.

هناك عدة قيود تؤهل هذه الاستنتاجات وتحدد اتجاهات مستقبلية. جميع المتغيرات أبلغت عن نفسها من قبل نفس المستجيبين في نقطة زمنية واحدة؛ على الرغم من الحلول الإجرائية والفحوصات الإحصائية التي تشير إلى أن تحيز الطرق الشائعة لم يكن شديدا، إلا أن التصميم المقطعي العرضي يمنع الاستدلال السببي ولا يمكنه التقاط دوامات الموارد التي تأخرت فيها زمنيا. بالإضافة إلى ذلك، تم قياس AITC من خلال تصورات الموظفين الذاتية المبلغ عنها لقدرات النظام الوكئي، والتي قد لا تتوافق مع القدرات التقنية الفعلية للأنظمة؛ يجب أن تقرن التصاميم المستقبلية القياسات الإدراكية مع سجلات النظام أو تدقيقات القدرات. على الرغم من عرض تعريف موجز وموحد للمشاركين للذكاء الاصطناعي العامل في بداية الاستطلاع، إلا أنه لم يؤكد أي عنصر من عناصر التحقق من الفهم فهمهم للتقنية المحورية، ومن المتوقع أن تتضمن الدراسات المستقبلية مثل هذا الفحص. العينة الهادفة التي تم توظيفها عبر المنصات من الموظفين ذوي الخبرة في الذكاء الاصطناعي، والتي تركز على صناعات التكنولوجيا والشباب، مناسبة لاختبار النموذج المبكر لكنها تحد من قابلية التعميم إلى المؤسسات ذات النضج المنخفض في الذكاء الاصطناعي، والشركات الصغيرة، والقطاعات غير الرقمية؛ كما أن التوظيف في لجنة واحدة في فترة جمع واحدة يعني أيضا الخصوصية الثقافية والسياقية، لذا قد لا تعمم الروابط المرصودة عبر أسواق العمل أو أنظمة حوكمة الذكاء الاصطناعي أو الثقافات المهنية. كما تم قياس السلامة النفسية كتصور فردي وليس كمناخ مشترك للفريق. يجب أن تستخدم الأبحاث المستقبلية تصاميم طولية أو عينات من الخبرة لتتبع دوامات المكاسب، وتصاميم متعددة المستويات تفصل بين السلامة النفسية على مستوى الفرد والفريق، والاحتمالات أو العينات القائمة على التنظيم عبر مستويات نضج الذكاء الاصطناعي، وتوسيع بناء AITC إلى سمات مثل الشفافية، وقابلية التحكم، والتفسير. على الرغم من هذه القيود، توفر الدراسة بروتوكولا قابلا للتكرار وأدلة أولية على أن ارتباطات الذكاء الاصطناعي الوكيل بنتائج العمل تعمل من خلال الموارد النفسية للموظفين، وهي معرفة يجب أن تساعد الباحثين والممارسين وصناع السياسات على نشر أنظمة الوكلاء بطرق تعزز الجانب البشري من العمل بدلا من تقويشه.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وقد تم دعم هذا العمل بتمويل بحثي من جامعة aSSIST.

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

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

234 234

مقالات ذات صلة