需要JoVE订阅才能观看此内容。 请登录或开始免费试用

研究文章

智能AI如何重塑工作：认知盈余、心理安全与人工智能-人类任务再分配的作用

110 次观看

⸱

DOI：

10.3791/71797

⸱

2026年8月4日

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

本文内容

摘要

本方案描述了一种基于问卷调查的工作流程，用于研究331名员工中主体性人工智能技术特征与认知盈余、心理安全感以及人机任务重新分配之间的关系。采用偏最小二乘法结构方程模型并结合多组分析，揭示了领导者与普通员工之间的角色差异。

摘要

本研究探讨了具身智能体人工智能（Agentic AI）的技术特征如何关联组织中员工的心理状态与行为反应。基于工作需求-资源（JD-R）理论和资源保存（COR）理论，我们将Agentic AI技术特征（AITC）概念化为一个高阶构念，包含自主规划、多工具协同和主动反馈三个维度，并提出这些特征作为工作资源，与更高的认知盈余和心理安全感相关，进而影响人机任务再分配。我们进一步探究了领导者与普通员工之间这些关系的差异。通过在线调查平台，采用目的性非概率抽样方式从研究小组招募参与者，开展了一项横断面匿名在线问卷调查；纳入标准限定为具有当前或过往与AI相关工作经验的成年人，经过筛选并排除注意力测试未通过的答卷后，最终获得331名员工的有效样本（其中领导者171人，普通员工160人）。所有构念均采用经过验证的量表，并根据Agentic AI情境调整为7点李克特量表进行测量。数据分析采用偏最小二乘结构方程模型（PLS-SEM），对二阶构念应用两阶段法，通过5000次重复抽样进行自举法检验直接与间接效应，并使用多群组分析（MGA）比较领导者与普通员工的差异。测量模型显示出可接受的信度与效度，结构模型结果支持理论预期的资源增益模型：AITC与认知盈余、心理安全感及任务再分配呈正向关联，存在显著的中介路径，且领导者群体中AITC与资源之间的关联更强。本研究聚焦于心理机制而非技术性能，拓展了新兴的Agentic AI研究，并为基于角色差异的人工智能采纳策略提供了实践启示。

引言

Agentic AI 的快速发展正在重新定义人工智能在各行业和组织运作中的角色1,2。Agentic AI 可被定义为一种先进的人工智能形式，能够感知动态环境，通过推理机制自主设定目标，并在极少人工监督的情况下协调一系列行动3,4。它在三个方面区别于传统人工智能（包括常规的生成式 AI 工具）：其一为自主性，因为 Agentic 系统以最小的人工干预追求目标，而非执行预设的程序化规则5,6；其二为核心功能，因其目的在于自动化复杂的流程，而非单一任务7；其三为架构，因其协调多个大语言模型、应用程序编程接口（API）和智能体，而非依赖单一模型7。这些能力基于本研究探讨的核心技术特征8,9。自主规划（AP）指系统在给定用户目标后，能独立将其分解为子任务，并在约束条件变化时动态调整计划10；例如，员工仅需提供一行指令，即可获得一个可行的多步骤项目计划。多工具协同（MTO）指系统能够选择、排序并整合外部工具和 API1,11,12；例如，结合网络搜索、文档编辑器和数据分析工具生成一份连贯的报告。主动反馈（PF）指系统能在被提示前主动识别错误、缺失信息和潜在风险假设10,13；例如，在任务执行过程中提醒员工注意验证或合规检查节点。本研究聚焦于这三个特征，统称为 Agentic AI 技术特征（AITC），因为它们是在日常工作中区分 Agentic AI 与传统 AI 的功能性能力7,10；诸如透明性、可控性和可解释性等属性虽普遍影响人工智能的信任度，但并非 Agentic 范式所特有，因此我们将其视为未来研究的边界条件，而非核心维度。

尽管具身人工智能（Agentic AI）在工作场所迅速普及，现有文献主要关注其技术架构、运行效率和任务自动化能力，而相对较少探讨这些特征如何重塑员工的心理状态和行为反应14,15。这一缺失至关重要，因为人类与人工智能之间的任务重新分配并非纯粹的技术调整，而是一个嵌入心理和组织层面的过程：员工必须挑战现有的工作流程，重新定义角色边界，并接受与智能系统协作的新形式16,17。此类变化并不会因先进技术的出现而自动发生。因此，本研究的目的有三：检验具身人工智能技术特征（AITC）是否作为与认知盈余、心理安全及人机任务再分配相关的工作资源；探讨认知盈余和心理安全的中介作用以及序列中介作用；并探究这些结构关系在领导者与普通员工之间是否存在差异。本研究的新颖之处体现在三个方面。第一，本研究在工作需求-资源（JD-R）框架下，将具身人工智能的技术特征——自主规划、多工具协同和主动反馈——概念化并操作化为一种高阶工作资源，而非将人工智能的采用视为无差异的背景因素。第二，本研究引入“人机任务再分配”这一概念，将其作为一种特定领域内由技术驱动的任务重塑形式，区别于一般性的岗位重塑以及自上而下的数字化转型结果。第三，据我们所知，本研究首次提供了多组证据，表明具身人工智能在生成资源方面的关联性在领导者与员工之间存在系统性差异。

该理论依据整合了工作需求-资源（Job Demands-Resources, JD-R）理论与资源保存（Conservation of Resources, COR）理论。JD-R 理论认为，所有工作均包含工作需求与工作资源：工作需求指工作中需要持续付出体力、情绪和认知努力的方面；工作资源则指能够减轻工作需求、支持目标达成并促进个人发展的因素；两者的平衡决定了员工的投入度、幸福感和工作绩效18,19。COR 理论补充了一个动态机制：个体致力于获取、保留和保护其珍视的资源，而积累的资源会引发“增益螺旋”，即已有资源被再投资以获取更多资源20,21,22。从这一整合视角出发，人工智能任务协作（AITC）不仅可被视为技术特征，更可被概念化为一种新型的工作资源：通过承担规划与诊断分析等重复性高且认知负荷重的任务，具有自主性的系统可降低工作需求，从而节约员工的认知能量与时间15,23。我们将认知盈余（cognitive surplus, CS）定义为：当此类常规任务被委派给技术系统后所释放出的认知能量与自由支配时间的储备，这些资源可被再投资于集体参与、协作以及新价值的创造24。因此，CS 在概念上不同于工作投入（一种情感-动机状态），也不同于单纯的时间充裕，因为它在 COR 理论意义上指的是一种可转化的个人资源存量20,24。CS 同样区别于心理脱离与恢复过程（关注工作之外能量的恢复）以及时间富足感（指主观上感觉时间充足）；CS 指的是在工作过程中仍可被再利用的已释放的认知能力。从 COR 理论角度看，积累的 CS 代表一种资源增益，应能通过缓冲耗竭与职业倦怠来促进职业幸福感；而若这些盈余被额外的常规任务所占用，则意味着资源损失20,23,24。节约下来的时间是否真正转化为盈余，可能取决于个体特征（如人工智能素养）、可能用新增任务吸收节省时间的工作负荷规范，以及组织文化；因此，我们将资源增益路径视为一个有待验证的假设，而非先验前提。

H1：AITC 与 CS 呈正相关。

心理安全感（PS）被定义为个体相信其工作环境允许进行人际风险行为，例如承认错误、寻求帮助以及挑战现状25,26。尽管心理安全感通常被作为团队层面的氛围进行研究，但本研究将其概念化并测量为个体层面的感知，这与我们个体层面的问卷设计一致27,28。当自主性系统提供以学习为导向的反馈和支持性工具时，尝试新方法和暴露错误的人际成本可能会降低，因为员工可以在将工作成果展示给他人之前进行测试和修正26,28。然而，我们也承认相反的动态是可能的：当自主性系统被用于监控或追责性评估时，个体感知到的人际风险和不信任感可能会增加29,30。由于本文所考察的系统特征本质上是辅助性的而非评价性的，我们假设其与心理安全感呈正向关联，同时将这种双向可能性视为重要的边界条件。

H2：AITC 与 PS 呈正相关。

我们将人工智能与人类任务再分配（AHTR）定义为员工主动在自身与人工智能系统之间重新分配任务，将常规性工作委派给人工智能，同时拓展自身的战略性与创造性职责。我们将AHTR视为一种特定领域的岗位重塑形式。在基于工作需求-资源模型（JD-R）的Tims与Bakker理论框架中，岗位重塑包括增加工作资源、提升挑战性需求以及降低阻碍性需求17,31；而在Wrzesniewski与Dutton的分类体系中，岗位重塑包括任务重塑、关系重塑和认知重塑32。AHTR最接近于通过技术实现的任务重塑：将常规任务转移给人工智能，既降低了阻碍性需求，又激活了一种新的工作资源17,23,32。它比一般的数字化转型结果更为具体，因为它聚焦于员工自主发起的任务边界调整，而非自上而下的组织重构33。我们优先关注任务再分配，而非关系重塑与认知重塑，因为任务的重新分配是员工与能动性系统之间最直接的行为接口，在早期采用阶段即可被直接观察，而关系与认知层面的重塑通常作为后续适应性行为才逐渐显现31,32。不同于以往将人工智能采纳视为一般性岗位重塑背景前因的研究16,34，我们将任务再分配本身建模为核心重塑行为。由于此类再分配会打破既有的工作流程，员工更可能在具备足够认知资源以重新设计工作内容，并感受到足够的心理安全感以承担相应人际风险时实施该行为16,34。根据资源保存理论（COR）的增益螺旋逻辑，心理安全感还作为一种情境资源，有助于保护并放大认知盈余的积累22。

H3：CS 与 AHTR 呈正相关。

H5：PS 与 AHTR 呈正相关。

H6：PS 与 CS 呈正相关。

H9：AITC 与 AHTR 呈正相关。

综合上述论点，AITC 不仅可能通过认知盈余和心理安全的资源获取路径对 AHTR 产生间接影响，还可能存在直接影响。

H4：CS 介导 AITC 与 AHTR 之间的关系。

假设7：PS介导了AITC与AHTR之间的关系。

H8：PS 和 CS 依次介导 AITC 与 AHTR 之间的关系。

最后，员工对能动性人工智能（Agentic AI）的理解和反应并不一致。Gibson、Cooper 和 Conger 将领导者与其团队之间的感知距离描述为对相同组织目标的认知差异，这种差异源于信息获取、问责机制、风险暴露程度以及工作经验方面的不对称35。基于这一观点，领导者与员工在人工智能采纳过程中处于结构性不同的位置：领导者承担战略责任，往往将人工智能视为提升生产力和实现数据驱动决策的增强型资源；而员工则相对更容易面临与自动化相关的职位不安全感以及学习负担过重的问题20,30。我们将这些模式视为需要通过实证加以检验的倾向，而非任一群体的固定特质。此类基于角色的差异可能导致人工智能技术采纳准备度（AITC）、变革支持（CS）、程序公平（PS）与人工智能辅助任务绩效（AHTR）之间关系呈现出异质性模式，但目前明确捕捉这些群体差异的实证研究仍较为有限。

H10a：AITC 与领导者和员工的 CS 和 PS 之间的关联存在差异。

H10b：PS 和 CS 与 AHTR 的关联性在领导者与员工之间存在差异。

以下方案描述了从参与者招募与筛选，到问卷施测、数据清洗、测量效度检验、结构模型估计、中介效应分析以及多群组分析（MGA）（图1）的完整工作流程，以确保该研究过程可被独立重复。研究模型如图2所示：将AITC作为一个二阶构念（包含AP、MTO和PF三个维度），直接及通过CS和PS间接影响AHTR，其中PS也与CS相关；并通过多群组分析考察领导与员工角色差异的影响。

展示研究流程步骤的流程图：招募、调查、数据清洗、模型验证。
图1．整体研究设计工作流程。 完整研究方案的示意图。通过在线调查面板采用目的性非概率抽样方式招募参与者，并筛选具有人工智能相关工作经验的人员；符合条件的受访者完成了一份匿名调查，所有构念均采用7点李克特量表进行测量。在数据清洗后（剔除筛选失败、注意力检查失败以及完成时间不合理过短的样本；最终有效样本量 N = 331），对测量模型进行了验证（信度：Cronbach's α、组合信度；收敛效度：平均方差提取量；区分效度：HTMT 和 Fornell-Larcker 准则），并通过两阶段法验证了二阶构念，最后使用5,000次自举重抽样估计了结构模型、中介路径以及领导者与普通员工的多组比较分析。 请点击此处查看该图的高清版本。

智能体AI流程图；展示认知盈余、心理安全感和人类任务重新分配。
图2．提出的研究模型。 假设关系的概念模型。智能体AI技术特征（AITC）是一个二阶构念，包含自主规划（AP；系统将目标分解为子任务并修订计划的能力）、多工具协同（MTO；选择、排序和整合多种工具与API的能力）以及主动反馈（PF；在无提示情况下标记错误和风险的能力），假设其与认知盈余（CS；当常规任务被委派给AI后所释放的认知能量和自由时间储备）、心理安全感（PS；个体感知到工作环境中可安全进行人际风险行为）以及AI-人类任务重新分配（AHTR；员工主动在自身与AI之间重新分配任务的行为）呈正相关（H1、H2、H9）。假设CS和PS与AHTR呈正相关（H3、H5），PS与CS呈正相关（H6），且CS和PS分别单独及依次中介AITC与AHTR之间的关系（H4、H7、H8）。箭头表示假设的结构路径；H10a/H10b表示通过多组分析检验的领导者与员工之间的差异假设。 请点击此处查看该图的放大版本。

访问受限。请登录或开始试用以查看此内容。

方案

所有操作均按照aSSIST大学和东国大学涉及人类参与者的研究所规定的伦理标准进行。由于所有回复在收集时均已匿名化，且在任何阶段均未收集个人身份信息，aSSIST大学机构审查委员会认定，根据《大韩民国生物伦理与安全法》第15条及其施行规则第13条，本研究无需接受全面审查。调查开始前设有信息告知与知情同意页面，说明仅限当前受雇并参与人工智能项目的人员参与，同时阐明研究目的，解释参与的自愿性、回复的匿名性以及数据的预期用途；只有明确表示同意的受访者方可进入问卷部分。知情同意页面详见补充文件1。

样本量确定

在数据收集前，使用 G*Power 3.1.9.7（RRID: SCR_013726）对线性多元回归模型进行先验统计功效分析，指定模型中指向单一内生构念的最大预测变量数；在本研究中，AHTR 由三个构念（AITC、CS 和 PS）预测。设定中等效应量（f2 = 0.15），α = 0.05，统计功效为 0.80 时，所需最小样本量为 77 例；G*Power 分析协议输出结果见补充文件 2。同时采用 PLS-SEM 的逆平方根法对最小样本量进行交叉验证36，该方法要求约 155 例样本，才能在 5% 显著性水平和 80% 功效下检测到约 0.20 的最小标准化路径系数。最终，设定的招募目标显著超过上述两个最小值，以支持对间接效应进行自举法检验以及分样本多组分析；最终样本量为 N = 331（领导者 n = 171，员工 n = 160），各子组均满足最小样本量要求。

受试者招募与筛选

通过在线研究小组采用目的性非概率抽样方式招募参与者；即样本被有意限定为满足预先设定的实质性标准的受访者——当前或曾经从事与人工智能（AI）相关的工作经历，而非从一般人群中随机抽取。受访者资格限定为年满18岁及以上者。在主问卷开始前，通过筛选问题“以下哪一项最能描述您当前的情况？”来界定与AI相关的工作经历；只有选择“目前受雇且正在从事与AI相关工作”的受访者方可继续参与，其余选项（受雇但未参与AI工作；未受雇但曾参与AI工作；未受雇且未参与AI工作）将立即被排除。数据收集于2026年2月8日（10:28–13:30）单次会话中完成，参与者根据平台的公平支付政策获得每小时6.98英镑的报酬。通过平台的唯一参与者标识符及调查平台的重复响应防止设置，避免了重复参与。记录了每个阶段的受访者数量，以记录纳入/排除流程：共记录537份响应；其中151份因未通过筛选问题被排除（剩余386份）；40份因未通过注意力检测（包括直线作答）被剔除（剩余346份）；另有15份因完成时间极不合理（少于约180秒）被剔除，最终获得有效样本量N = 331。

标准化定义与调查说明

参与者被告知，该调查旨在研究能动性人工智能（Agentic AI）可能对组织及其成员产生的影响。在调查开始时，所有参与者均会看到一段关于能动性人工智能的简要标准化定义，该定义与引言部分提供的定义一致：即一种先进的人工智能系统，其特征是具备自主规划、多工具协同以及主动反馈能力，能够在人类有限监督下执行目标导向的行为（图1，步骤2）。仅限当前受雇且参与人工智能项目的受访者参与，以确保其具备回答问卷所需的与工作相关的实际背景。调查未设置单独的理解检验题目；因此，该标准化定义仅作为情境引导，而非经过验证的理解检查。要求参与者根据其在组织环境中使用或与此类能动性人工智能系统协作的实际经验，逐项作答。

调查工具的开发与实施

该问卷基于已验证的测量量表，并针对自主型人工智能（Agentic AI）组织情境进行了调整。表1列出了所有题项、其来源量表及描述性统计：AP、MTO和PF题项改编自近期关于自主型人工智能的概念化研究7,8；CS题项改编自生成式人工智能认知资源相关研究37；PS题项改编自Plomp等人的研究38；AHTR题项则改编自基于JD-R模型的工作重塑量表17,39，并针对任务重新分配情境进行了调整。所有构念均采用7点李克特量表进行测量，取值范围从1（“强烈不同意”）到7（“强烈同意”）。问卷结构分为多个模块，依次涵盖知情同意页、筛选问题、AITC题项（AP、MTO、PF）、CS、PS、AHTR以及人口统计学与控制变量特征；问卷还包含其他额外量表（人工智能素养和角色广度自我效能），这些量表超出本研究模型的范围，虽已收集但未在此分析，报告以保证透明度。问卷通过在线调查平台发布，禁用返回按钮以防止受访者修改先前答案，且各模块内题项按固定顺序呈现。中位完成时间为7分44秒。问卷中嵌入了两个指令性反应注意力检查题项，作为调查流程的分支逻辑：若回答错误，则自动终止问卷。这两个题项分别为：（i）事实核查题，“AI是否为Artichoke Information（洋蓟信息）的缩写？”（正确答案：否）；（ii）量表理解核查题，确认受访者了解其回答将记录在从“强烈不同意”到“强烈同意”的7点李克特量表上。在正式施测前，先对124名受访者进行了预测试，以评估问卷题项的清晰度、整体流程、完成时长以及问卷的可行性；同时审查完成时间，以识别异常短的作答，并确认问卷长度是否适合目标受访者群体。预测试未发现任何需要修改题项措辞的问题，因此在正式调查前未对文字进行任何更改。此外，还使用偏最小二乘结构方程模型（PLS-SEM）对预测试数据进行了分析，作为初步的效度验证程序，用于评估指标表现、构念信度、收敛效度、区分效度、共线性以及所提出结构关系的合理性；分析结果支持该测量工具适用于正式调查。

构念条目问题均值标准差方差膨胀因子来源
AITCAPAP1当我设定一个目标时，人工智能会协助制定多步骤计划以实现该目标。5.810.91.44Abou Ali, M., et al. (2025) ; Sapkota, R., et al. (2025)
AP2当约束条件或需求发生变化时，人工智能能够调整其计划。5.750.991.37
AP3人工智能能够将复杂工作分解为可管理的子任务，而无需逐步指导。5.331.371.33
MTOMTO1人工智能能够结合多种工具或应用程序（例如搜索、文档、数据工具）来完成任务。5.691.111.5
MTO2人工智能会建议合适的工具，并按正确顺序使用这些工具以产出成果。5.361.041.64
MTO3人工智能有助于将不同工具的输出整合为一个连贯的结果。5.611.011.63
PFPF1人工智能会主动指出我工作中存在的错误、缺失信息或存在风险的假设。4.91.441.68
PF2在明确要求反馈之前，人工智能会主动提出改进建议。5.071.381.85
PF3人工智能会提醒我注意检查点（例如验证、合规性、质量），以防止返工。5.021.41.6
CSCS1使用人工智能使我节省了脑力，从而能够专注于更复杂且更有意义的工作。5.591.282.07Liu, Y., Sheng, F., & Liu, R. (2025)
CS2自从使用人工智能以来，我有更多时间用于战略思考和解决问题。5.611.232.38
CS3常规任务的工作量显著减少，使我有更多思维空间开展新项目。5.421.282.23
CS4由于人工智能处理了重复性任务，我在工作日结束时感觉精神上不那么疲惫。5.151.51.91
PSPS1在我的工作场所，以新方式使用人工智能承担风险是安全的。4.741.371.52Plomp et al. (2019)
PS2我的主管鼓励对人工智能进行试验，并能容忍错误。4.521.611.68
PS3如果我对团队中人工智能的使用方式有顾虑，我会感到可以放心表达。5.481.241.32
PS4当我尝试使用人工智能的新工作方式时，我的同事会给予支持。5.261.321.48
PS5 (排除)如果我在工作中提出人工智能的创新用途，我不担心会带来负面后果。4.471.591.23
AHTRAHTR1我有意识地将常规任务（例如数据录入、报告格式化）转移给人工智能，以便专注于更高价值的工作。5.121.351.68Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024)
AHTR2我积极寻找机会，利用人工智能处理我以前手动完成的任务。5.581.281.84
AHTR3自从使用人工智能以来，我承担了新的或扩展的职责，更具战略性和创造性。5.181.31.58
AHTR4 (排除)我会与主管协商哪些任务应由人工智能处理，哪些应由我本人完成。4.091.651.23
AHTR5我通过将常规工作重新分配给人工智能，重新设计了我的工作内容，使自己得以从事更有意义的任务。4.921.351.67

表1： 测量项目、来源、描述性统计及完全共线性评估。 完整的调查工具。每个项目均列出了其构念（AITC维度：AP、MTO、PF；CS；PS；AHTR）、项目编号、措辞、均值、标准差（STDEV）、完全共线性方差膨胀因子（VIF；VIF值<3.3表明不存在共同方法偏差污染），以及所借鉴的原始量表来源。所有项目均采用7点李克特量表进行测量（1 = 非常不同意，7 = 非常同意）。在测量模型评估过程中，由于外载荷较低，PS5和AHTR4被删除。AITC = 主动型人工智能技术特征；AP = 自主规划；MTO = 多工具协同；PF = 主动反馈；CS = 认知盈余；PS = 心理安全感；AHTR = 人工智能与人类任务再分配。请点击此处下载该表格。

数据准备与清洗

原始数据以 CSV 格式导出。未能通过筛选标准或任一注意力检查题目的样本均被排除，存在大量缺失数据的回应亦被排除（强制回答设置最大限度减少了问卷内的缺失值）；各阶段相应的排除数量记录于方案第 2 部分（537 个记录 → 保留 331 个）。对保留的数据进行一致性检查，并筛查不认真作答的模式：通过注意力检查剔除直线型作答回应，完成时间不合理地过短（约少于 180 秒）的回应也被排除。随后根据 表 2 对变量进行编码分析（例如，角色：领导者 = 1，员工 = 0；性别：男性 = 1，女性 = 0），分类控制变量（如行业）采用 k-1 虚拟变量编码，最终数据集导入 PLS-SEM 软件。每个变量与其题项文本、编码方式及对应构念的代码本作为 补充文件 2 提供。

测量模型评估

使用PLS-SEM软件，将每个观测项目分配至其对应的潜在构念，并将所有一阶构念（AP、MTO、PF、CS、PS、AHTR）设定为反射性构念。AITC被设定为一个二阶构念，包含AP、MTO和PF，并采用两阶段法进行估计40,41,42：首先获得一阶构念的潜在变量得分，然后将其（AP_LVS、MTO_LVS、PF_LVS）作为AITC的形成性指标。PLS算法采用路径权重方案，最大迭代次数为3,000次，收敛阈值设为10−7。内部一致性信度通过Cronbach’s α和组合信度（CR）0.70的阈值进行评估43，在新兴研究情境下的短量表中，α值介于0.5–0.6被视为勉强可接受43；收敛效度通过平均方差提取量（AVE）0.50的阈值进行评估44；区别效度则通过异质-单质比值（HTMT <0.85，保守阈值）45和Fornell-Larcker准则44进行评估。当信度或收敛效度标准未达标时，检查外部载荷，并在保持内容效度的前提下移除表现不佳的指标，每次移除及其理由均予以记录；在本研究中，由于PS5和AHTR4的外部载荷较低，将其移除，从而改善了PS和AHTR的收敛效度。

结构模型与中介效应分析

结构路径根据研究模型确定（图2），并使用内模型方差膨胀因子（VIF）检验预测变量构念间的共线性 < 5.0)36 完全共线性方差膨胀因子（VIFs）<3.3)46,47路径显著性通过5,000次重复抽样进行自助法检验，采用百分位置信区间和双尾检验；结果包括标准化路径系数（β）、样本均值（M）、标准差（STDEV）、t值、p值、95%置信区间以及R2，以及效应量（f2) 被报告。使用PLSpredict进行10折交叉验证并重复10次，以评估样本外预测能力；针对每个内生性指标，计算Q2预测>0 表示具有预测相关性）进行检验，并将偏最小二乘结构方程模型（PLS-SEM）的预测误差（均方根误差 RMSE 和平均绝对误差 MAE）与线性模型（LM）基准进行比较48在中介分析中，指定了AITC通过CS、通过PS以及通过PS→CS序列路径对AHTR的间接效应，并使用自举分布（5,000次重采样）评估每种特定的间接效应；当其95%置信区间不包含零时，判定该间接效应具有统计学显著性。

多组分析

根据受访者自报的组织角色，将其分为领导者组和员工组（角色：领导者 = 1，员工 = 0；表2）；其中领导者组包括团队负责人/主管、经理/部门主管以及高管/高级管理层，员工组则包括普通职员。在比较路径系数之前，采用复合模型测量不变性（MICOM）程序验证了各组之间的测量不变性45。第一步（构型不变性）通过在各组中设定相同的模型结构得以满足；第二步（组成不变性）在所有构念上均得到支持，原始相关系数均达到或高于其5%分位数，且置换检验的p值无统计学意义（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），表明满足部分测量不变性，支持进行多组比较（完整的MICOM结果见补充文件3）。随后，分别对每组估计模型，并使用基于自助法的PLS-MGA检验路径差异，报告各路径领导者与员工之间差异（Δ）的单尾和双尾p值；同时报告所有直接和间接路径的组别特异性路径系数、t值、p值以及组间差异的大小。

报告、验证与故障排除

汇总了所有信度、效度、结构、中介效应和多群组分析（MGA）的输出结果；导出了结果表格；并逐项核对所有报告的统计值与软件生成的输出结果，以确保表格、图表与正文之间的一致性。针对问题排查，应遵循以下指南：若大量应答未能通过筛选或注意力检查，应优化准入标准并明确调查说明；若信度（CR < 0.70）或聚合效度（AVE < 0.50）未达标，应审查外部载荷并剔除载荷较弱的指标，同时保持理论覆盖的完整性；若发现共线性问题（VIF 超过阈值），应重新评估构念设定并删除冗余指标；若中介效应或组间效应不显著，应在解释前重新检查样本量的充分性及构念的操作化定义；并使用足够数量的自举重抽样（例如，5,000 次）以稳定估计结果。

访问受限。请登录或开始试用以查看此内容。

结果

参与者特征

表2展示了最终样本（N = 331）的人口统计学特征。样本中男性占65.0%，女性占35.0%；领导者（51.7%，n = 171）与普通员工（48.3%，n = 160）的比例相对均衡。年龄分布以30岁以下者最多（46.5%），其次为31–40岁（32.0%）；76.4%的受访者拥有学士或研究生学位。受访者来自多个行业，以科技与电信行业为主（46.2%），所在组织规模亦各不相同。该样本特征与本研究有目的地聚焦于积极参与人工智能相关工作的员工相符。

特征类别频数 (n)%累积 %
性别男...

访问受限。请登录或开始试用以查看此内容。

讨论

本研究探讨了主动性人工智能的技术特征如何影响员工的心理资源和任务重新分配行为，并检验了这些关系在不同组织角色中是否存在差异。通过对331名具有人工智能使用经验的员工进行横断面调查，并采用偏最小二乘结构方程模型（PLS-SEM）进行中介效应和多群组分析，结果支持了理论提出的资源增益模型：主动性人工智能技术特征（AITC）与认知盈余、心理安全感以及人工智能-人类任务再分配呈正相关；认知盈余和心理安全感分别单独中介以及顺序中介了AITC与AI-人类任务再分配（AHTR）之间的关系；且AITC与两种心理资源变量之间的关联在领导者中显著强于普通员工。

研究结果具有三个理论意义。第一，研究将JD-R理论拓展至Agentic AI情境，将技术特征视为工作资源而非工具：较强的AITC与CS关联性（β = 0.485）支持了如下观点，即自主规划、多工具协调和主动反馈有助于节约认知能量和自由支配时间，员工可将这些资源重新投入工作15,23,

访问受限。请登录或开始试用以查看此内容。

披露

作者声明无利益冲突。

使用了生成式人工智能工具（ChatGPT，OpenAI）进行语言润色；所有内容均由作者审阅并确认，作者还核查了人工智能辅助编辑未在各章节中引入术语或语气的偏差。

致谢

本工作获得了aSSIST大学研究经费的资助。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
多产多产https://www.prolific.com/在线调查面板提供商
QualtricsQualtrics, LLChttps://www.qualtrics.com/问卷编码
SmartPLS SmartPLS GmbH版本 4.0.1，https://www.smartpls.com/偏最小二乘结构方程模型（PLS-SEM）分析

参考文献

  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.

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

234 234 JD R
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。