Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Forschungsartikel

Wie agentische KI funktioniert: Die Rollen von kognitivem Überschuss, psychologischer Sicherheit und KI-Mensch-Aufgabenverteilung

110 Aufrufe

⸱

DOI:

10.3791/71797

⸱

4. August 2026

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

In diesem Artikel

Zusammenfassung

Dieses Protokoll beschreibt einen umfragenden Workflow, um zu untersuchen, wie die technologischen Eigenschaften der agentischen KI mit kognitivem Überschuss, psychologischer Sicherheit und der Aufgabenverteilung zwischen KI und Mensch unter 331 Mitarbeitern zusammenhängen. Teilweise kleinste Quadrate strukturelle Gleichungsmodellierung mit Multigruppenanalyse zeigt rollenbasierte Unterschiede zwischen Führungskräften und Mitarbeitern.

Zusammenfassung

Diese Studie untersucht, wie die technologischen Eigenschaften der agentischen KI mit den psychologischen Zuständen und Verhaltensreaktionen der Mitarbeiter in Organisationen zusammenhängen. Basierend auf der Job Demands-Resources (JD-R)-Theorie und der Ressourcenerhaltungstheorie (COR) konzeptualisieren wir die technologischen Eigenschaften der agentischen KI (AITC) als ein höherstufiges Konstrukt, das autonome Planung, Multitool-Orchestrierung und proaktives Feedback umfasst, und schlagen vor, dass diese Eigenschaften als Arbeitsressourcen fungieren, die mit größerem kognitiven Überschuss und psychologischer Sicherheit verbunden sind, welche wiederum mit der Aufgabenumverteilung von KI und Mensch zusammenhängen. Wir untersuchen außerdem, ob diese Beziehungen zwischen Führungskräften und Mitarbeitern unterschiedlich sind. Eine querschnittsübergreifende, anonyme Online-Umfrage wurde über eine Online-Umfrageplattform an Teilnehmer durchgeführt, die über ein Forschungspanel mittels gezielter Nichtwahrscheinlichkeitsstichprobe rekrutiert wurden; Die Berechtigung war auf Erwachsene mit aktueller oder früherer KI-bezogener Berufserfahrung beschränkt, und geprüfte, aufmerksamkeitsgeprüfte Antworten ergaben eine Endstichprobe von 331 Mitarbeitern (171 Führungskräfte, 160 Mitarbeiter). Alle Konstrukte wurden mit validierten Skalen gemessen, die an den Agentic-KI-Kontext auf 7-Punkte-Likert-Skalen angepasst wurden. Die Daten wurden mittels partieller Strukturgleichungsmodellierung (PLS-SEM) analysiert, wobei ein zweistufiger Ansatz für das Konstrukt zweiter Ordnung, Bootstrapping mit 5.000 Resamples für direkte und indirekte Effekte sowie Multi-Group-Analyse (MGA) für Führungskräfte-Staff-Vergleiche verwendet wurden. Das Messmodell zeigte akzeptable Zuverlässigkeit und Validität, und die strukturellen Ergebnisse stimmten mit dem theoretisierten Ressourcengewinnmodell überein: AITC war positiv mit kognitivem Überschuss, psychologischer Sicherheit und Aufgabenumverteilung assoziiert, mit bedeutenden Vermittlungswegen und stärkeren AITC-Ressourcen-Assoziationen unter den Führungskräften. Indem sie sich auf psychologische Mechanismen statt auf technische Leistung konzentriert, erweitert diese Studie die aufkommende Forschung zur agentischen KI und bietet praktische Implikationen für rollendifferenzierte KI-Adoptionsstrategien.

Einleitung

Die Verbreitung der agentischen KI definiert die Rolle der künstlichen Intelligenz in Industrien und im organisatorischen Lebenneu 1,2. Agentische KI kann als eine fortgeschrittene Form künstlicher Intelligenz definiert werden, die sich verändernde Umgebungen wahrnimmt, Ziele unabhängig durch Denkmechanismen setzt und Handlungssequenzen mit minimaler menschlicher Aufsicht orchestriert 3,4. Sie unterscheidet sich von traditioneller KI, einschließlich konventioneller generativer KI-Werkzeuge, in drei Punkten: Autonomie, da agentische Systeme Ziele mit minimalem menschlichem Eingreifen verfolgen, anstatt vorprogrammierte Regeln 5,6 auszuführen; Kernfunktion, da ihr Zweck darin besteht, komplexe Arbeitsabläufe zu automatisieren und nicht einzelne Aufgaben7; und Architektur, weil sie mehrere große Sprachmodelle, Anwendungsprogrammierschnittstellen (APIs) und Agenten koordinieren, anstatt sich auf ein einziges Modell7 zu verlassen. Diese Fähigkeiten beruhen auf den in dieser Studie untersuchten technologischen Merkmalen 8,9. Autonome Planung (AP) bedeutet, dass das System, basierend auf dem Ziel eines Benutzers, es unabhängig in Teilaufgaben zerlegt und seinen Plan überarbeitet, wenn sich Einschränkungen ändern10; Zum Beispiel kann ein Mitarbeiter eine einzeilige Anweisung geben und einen praktikablen mehrstufigen Projektplan erhalten. Multi-Tool-Orchestrierung (MTO) bedeutet, dass das System externe Tools und APIs 1,11,12 auswählt, sequenziert und integriert; Zum Beispiel die Kombination aus Websuche, Dokumenteneditoren und Datenanalysetools, um einen einzigen, kohärenten Bericht zu erstellen. Proaktives Feedback (PF) bedeutet, dass das System Fehler, fehlende Informationen und riskante Annahmen warnt, bevor es gefragt wird10,13; Zum Beispiel erinnern Sie einen Mitarbeiter an Validierungs- oder Compliance-Kontrollen während der Aufgabenausführung. Wir konzentrieren uns auf diese drei Merkmale, die zusammen als Agentische KI-Technologiemerkmale (AITC) bezeichnet werden, da sie die funktionalen Fähigkeiten sind, die agentische KI von traditioneller KI im Alltag unterscheiden 7,10; Eigenschaften wie Transparenz, Kontrollierbarkeit und Erklärbarkeit sind für KI-Vertrauen im Allgemeinen wichtig, sind aber nicht spezifisch für das agentische Paradigma, weshalb wir sie als Randbedingungen für zukünftige Forschung und nicht als Fokusdimensionen betrachten.

Trotz der raschen Verbreitung der agentischen KI an Arbeitsplätzen hat die vorhandene Literatur sich hauptsächlich mit ihrer technischen Architektur, operativen Effizienz und Aufgabenautomatisierungsfähigkeiten befasst, während sie vergleichsweise wenig darauf achtet, wie diese Eigenschaften die psychologischen Zustände und Verhaltensreaktionen der Mitarbeiter verändern14,15. Dieses Auslassen ist wichtig, weil die Umverteilung von Aufgaben zwischen Menschen und KI keine rein technische Anpassung ist, sondern ein psychologisch und organisatorisch eingebetteter Prozess: Mitarbeiter müssen bestehende Arbeitsabläufe herausfordern, Rollengrenzen neu definieren und neue Formen der Zusammenarbeit mit intelligenten Systemen akzeptieren16,17. Solche Veränderungen erfolgen nicht automatisch, einfach weil fortschrittliche Technologie verfügbar ist. Dementsprechend ist das Ziel dieser Studie dreifach: Zu untersuchen, ob AITC als Arbeitsressourcen im Zusammenhang mit kognitivem Überschuss, psychologischer Sicherheit und KI-Mensch-Aufgabenumverteilung funktionieren; die vermittelnden und sequentiell vermittelnden Rollen von kognitivem Überschuss und psychologischer Sicherheit zu untersuchen; und zu untersuchen, ob sich diese strukturellen Beziehungen zwischen Führungskräften und Mitarbeitern unterscheiden. Die Neuheit dieser Studie ist dreifach. Erstens konzeptualisiert und operationalisiert es die technologischen Eigenschaften der agentischen KI – autonome Planung, Multitool-Orchestrierung und proaktives Feedback – als eine höherwertige Arbeitsressource innerhalb des JD-R-Rahmens, anstatt KI-Einführung als undifferenzierten Kontext zu behandeln. Zweitens führt es die KI-Mensch-Aufgabenumverteilung als domänenspezifische, technologiebasierte Form der Aufgabenentwicklung ein, die sich sowohl von generischem Job-Crafting als auch von Top-down-Digitaltransformationsergebnissen unterscheidet. Drittens liefert es, soweit wir wissen, den ersten Multi-Group-Beweis dafür, dass die ressourcengenerierenden Assoziationen von Agentic AI systematisch zwischen Führungskräften und Mitarbeitern unterschiedlich sind.

Die theoretische Begründung integriert die Job Demands-Resources (JD-R)-Theorie und die Ressourcenerhaltungstheorie (COR). Die JD-R-Theorie besagt, dass jeder Job Arbeitsanforderungen umfasst, die physischen, emotionalen und kognitiven Aspekte der Arbeit, die anhaltenden Einsatz erfordern, sowie Arbeitsressourcen, also Aspekte, die Anforderungen verringern, die Zielerreichung unterstützen und die persönliche Entwicklung fördern; Ihr Gleichgewicht prägt Engagement, Wohlbefinden und Leistung18,19. Die COR-Theorie fügt einen dynamischen Mechanismus hinzu: Individuen bestreben, wertvolle Ressourcen zu erwerben, zu behalten und zu schützen, und angesammelte Ressourcen leiten Gewinnspiralen ein, in denen bestehende Ressourcen reinvestiert werden, um weitere Ressourcenzu erwerben. Aus dieser gemeinsamen Perspektive kann AITC nicht nur als technische Merkmale, sondern als neue Form von Arbeitsplatzressource konzeptualisiert werden: Durch die Aufnahme repetitiver und kognitiv anstrengender Aufgaben wie Planung und diagnostische Analyse reduzieren agentische Systeme die Anforderungen und sparen die kognitive Energie und Zeit der Mitarbeiter15,23. Wir definieren kognitiven Überschuss (CS) als das Reservoir an kognitiver Energie und diskretionärer Zeit, das verfügbar wird, wenn solche Routineaufgaben an die Technologie delegiert werden und das in kollektive Teilnahme, Zusammenarbeit und die Schaffung neuen Werts neu investiert werden kann24. CS unterscheidet sich somit konzeptionell von Arbeitsengagement, das ein affektiv-motivationaler Zustand ist, und von bloßer Zeitverfügbarkeit, da es einen wandelbaren Bestand an persönlichen Ressourcen im COR-Sinne20,24 bezeichnet. CS unterscheidet sich auch von psychischer Ablösung und Genesung, die die Wiederherstellung erschöpfter Energie von der Arbeit betrifft, und von Zeitwohlstand, was die subjektive Wahrnehmung von genügend Zeit bezeichnet; CS bezieht sich stattdessen auf freigesetzte kognitive Kapazitäten, die während der Arbeit selbst zur Wiederinvestition verfügbar bleiben. In COR-Begriffen stellt akkumulierte CS einen Ressourcengewinn dar, der das berufliche Wohlbefinden durch Pufferung von Erschöpfung und Burnout unterstützen sollte, während seine Aufnahme durch zusätzliche routinemäßige Anforderungen einen Ressourcenverlust20, 23 und 24 signalisieren würde. Ob eingesparte Zeit tatsächlich in Überschuss umgewandelt wird, hängt möglicherweise von individuellen Eigenschaften wie KI-Kompetenz, Arbeitsbelastungsnormen, die gespartene Zeit mit zusätzlichen Anforderungen aufnehmen können, und von der Unternehmenskultur ab; Wir behandeln den Rohstoffgewinnpfad daher als eine zu testende Hypothese und nicht als Annahme.

H1: AITC ist positiv mit CS assoziiert.

Psychologische Sicherheit (PS) wird definiert als der Glaube, dass das Arbeitsumfeld für zwischenmenschliches Risikoeingehen sicher ist, wie das Eingeständnis von Fehlern, das Bitten um Hilfe und das Infrage des Status quo25,26. Obwohl psychologische Sicherheit oft als ein Klima auf Teamebene untersucht wurde, konzeptualisiert und misst diese Studie sie als individuelle Wahrnehmung, was mit unserem individuellen Umfragedesign27,28 übereinstimmt. Wenn agentische Systeme lernorientiertes Feedback und unterstützende Werkzeuge bieten, können die zwischenmenschlichen Kosten für Experimentieren und das Aufdecken von Fehlern sinken, da Mitarbeiter ihre Arbeit testen und korrigieren können, bevor sie sie anderen präsentieren26,28. Wir erkennen jedoch an, dass die umgekehrte Dynamik plausibel ist: Wo agentische Systeme zur Überwachung oder zur Fehlersuche eingesetzt werden, können das wahrgenommene zwischenmenschliche Risiko und Misstrauenum 29,30 steigen. Da die hier untersuchten Merkmale hilfreicher und nicht evaluativer Natur sind, vermuten wir eine positive Assoziation, während wir diese zweiseitige Möglichkeit als wichtige Randbedingung betrachten.

H2: AITC ist positiv mit PS assoziiert.

Wir definieren KI-Mensch-Aufgabenverteilung (AHTR) als die von Mitarbeitern selbst initiierte Umverteilung von Aufgaben zwischen sich und KI-Systemen, indem sie Routinearbeiten an KI delegieren und gleichzeitig ihre eigenen strategischen und kreativen Aufgaben ausweiten. Wir positionieren AHTR als eine domänenspezifische Form der Jobgestaltung. Im JD-R-basierten Modell von Tims und Bakker umfasst Job Crafting die Erhöhung von Arbeitsressourcen, steigende Herausforderungsanforderungen und abnehmende Hindernisanforderungen17,31; in der Typologie von Wrzesniewski und Dutton umfasst sie Aufgaben-, Relational- und kognitives Crafting32. AHTR entspricht am engsten der durch Technologie umgesetzten Aufgabenentwicklung: Die gleichzeitige Übertragung von Routineaufgaben an KI verringert den Hindernisbedarf und mobilisiert eine neue Arbeitsplatzressource 17,23,32. Es ist enger als ein allgemeines Ergebnis der digitalen Transformation, da es diskretionäre, von Mitarbeitern initiierte Änderungen der Aufgabengrenzen erfasst und nicht eine Top-down-Organisationsumgestaltung33. Wir bevorzugen Aufgabenumverteilung gegenüber relationalem und kognitivem Crafting, da die Umverteilung der Aufgaben die unmittelbarste verhaltensbezogene Schnittstelle zwischen Mitarbeitern und agentischen Systemen ist und direkt in früher Adoption beobachtbar ist, während relationales und kognitives Crafting typischerweise als nachgelagerte Anpassungenauftreten 31,32. Im Gegensatz zu früheren Studien, die die Einführung von KI als kontextuellen Vorläufer des allgemeinen Jobwritings16,34 betrachten, modellieren wir die Umverteilung selbst als das zentrale Crafting-Verhalten. Da eine solche Umverteilung etablierte Arbeitsabläufe stört, sind Mitarbeiter eher bereit, sie umzusetzen, wenn sie über ausreichende kognitive Ressourcen verfügen, um ihre Arbeit neu zu gestalten und sich psychologisch sicher fühlen, die damit verbundenen zwischenmenschlichen Risikeneinzugehen 16,34. Innerhalb der Gewinnspiral-Logik der COR-Theorie fungiert psychologische Sicherheit auch als kontextuelle Ressource, die die Ansammlung des kognitiven Überschusses22 schützt und verstärkt.

H3: CS ist positiv mit AHTR assoziiert.

H5: PS ist positiv mit AHTR assoziiert.

H6: PS ist positiv mit CS assoziiert.

H9: AITC ist positiv mit AHTR assoziiert.

Durch die Integration dieser Argumente wird erwartet, dass AITC sich nicht nur direkt, sondern auch indirekt auf AHTR bezieht, über die Ressourcengewinnwege des kognitiven Überschusses und der psychologischen Sicherheit.

H4: CS vermittelt die Beziehung zwischen AITC und AHTR.

H7: PS vermittelt die Beziehung zwischen AITC und AHTR.

H8: PS und CS vermitteln nacheinander die Beziehung zwischen AITC und AHTR.

Schließlich interpretieren und reagieren Mitarbeiter nicht einheitlich auf Agentic AI. Gibson, Cooper und Conger beschrieben die Wahrnehmungsdistanz zwischen Führungskräften und ihren Teams als kognitive Diskrepanz hinsichtlich derselben organisatorischen Ziele, die in Asymmetrien bei Informationszugang, Verantwortlichkeit, Risikoexposition und Berufserfahrung beruht35. Aufbauend auf dieser Sichtweise nehmen Führungskräfte und Mitarbeitende strukturell unterschiedliche Positionen in Bezug auf die Einführung von KI ein: Führungskräfte tragen strategische Verantwortung und neigen dazu, KI als ergänzende Ressource für Produktivität und datengetriebene Entscheidungsfindung zu sehen, während Mitarbeiter relativ stärker automatisierter Arbeitsplatzunsicherheit und Lernüberlastung ausgesetzt sind20,30. Wir betrachten diese Muster als Tendenzen, die empirisch getestet werden sollen, und nicht als feste Dispositionen einer der beiden Gruppen. Solche rollenbasierten Unterschiede können heterogene Muster in den Beziehungen zwischen AITC, CS, PS und AHTR erzeugen, doch empirische Forschung, die diese Gruppenunterschiede explizit erfasst, bleibt begrenzt.

H10a: Die Verbindungen von AITC zu CS und PS unterscheiden sich zwischen Führungskräften und Mitarbeitern.

H10b: Die Assoziationen von PS und CS mit AHTR unterscheiden sich zwischen Führungskräften und Mitarbeitern.

Das folgende Protokoll beschreibt den gesamten Arbeitsablauf – von der Teilnehmerrekrutierung und -auswahl über die Umfrageverwaltung, Datenbereinigung, Messvalidierung, strukturelle Modellschätzung, Mediationsanalyse bis hin zur Multigruppenanalyse (MGA) (Abbildung 1), sodass das Verfahren unabhängig repliziert werden kann. Das Forschungsmodell ist in Abbildung 2 dargestellt: AITC, modelliert als Konstrukt zweiter Ordnung bestehend aus AP, MTO und PF, steht direkt und indirekt in Bezug auf AHTR durch CS und PS, wobei PS ebenfalls mit CS zusammenhängt; der Unterschied zwischen Führungskraft und Mitarbeiterrolle wird durch MGA untersucht.

figure-introduction-1
Abbildung 1. Gesamtablauf des Studien-Designs. Schaltplan des vollständigen Forschungsprotokolls. Die Teilnehmer wurden über das Online-Panel mittels gezielter nicht-wahrscheinlicher Stichprobe rekrutiert und auf KI-bezogene Berufserfahrung gescreent; Berechtigte Befragte füllten eine anonyme Umfrage aus, die alle Konstrukte auf 7-Punkt-Likert-Skalen maß. Nach der Datenbereinigung (Screening-Fehler, Aufmerksamkeitskontrollfehler und unwahrscheinlich kurze Fertigstellungszeiten entfernt; endgültig N = 331) wurde das Messmodell validiert (Zuverlässigkeit: Cronbachs α, zusammengesetzte Zuverlässigkeit; konvergente Validität: durchschnittliche Varianz extrahiert; Diskriminantvalidität: HTMT und Fornell-Larcker), das Konstrukt zweiter Ordnung wurde mit dem zweistufigen Ansatz validiert, und das strukturelle Modell, Mediationspfade sowie die Multi-Gruppen-Analyse von Führungskräften wurden mit 5.000 geschätzt Bootstrap-Resamples. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-introduction-2
Abbildung 2. Vorgeschlagenes Forschungsmodell. Konzeptuelles Modell hypothetischer Beziehungen. Agentische KI-Technologiemerkmale (AITC), ein Konstrukt zweiter Ordnung, das autonome Planung (AP; die Fähigkeit des Systems, Ziele in Teilaufgaben zu zerlegen und Pläne zu überarbeiten), Multi-Tool-Orchestrierung (MTO; die Fähigkeit, mehrere Werkzeuge und APIs auszuwählen, zu sequenzieren und zu integrieren) sowie proaktives Feedback (PF; die Fähigkeit, Fehler und Risiken ungefragt zu markieren) umfasst, wird als positiv mit kognitivem Überschuss (CS; dem Reservoir an kognitiver Energie und diskretionärer Zeit verbunden) vermutet, positiv mit kognitivem Überschuss (CS; dem Reservoir an kognitiver Energie und diskretionärer Zeit verbunden zu sein) befreit, wenn Routineaufgaben an KI delegiert werden), psychologische Sicherheit (PS; die Wahrnehmung, dass das Arbeitsumfeld für zwischenmenschliches Risikoverhalten sicher ist) und KI-Mensch-Aufgabenverteilung (AHTR; selbst initiierte Aufgabenverteilung der Mitarbeiter zwischen sich und KI) (H1, H2, H9). CS und PS werden als positiv mit AHTR (H3, H5), PS mit CS (H6) und CS und PS als individuell und sequentiell für die AITC-AHTR-Beziehung (H4, H7, H8) vermutet. Pfeile stellen hypothetische strukturelle Wege dar; H10a/H10b bezeichnen hypothetische Unterschiede zwischen Führungskraft und Personal, die mittels Multigruppenanalyse getestet wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Alle Verfahren wurden gemäß den ethischen Standards für Forschung mit menschlichen Teilnehmern an der aSSIST-Universität und der Dong-A-Universität durchgeführt. Da alle Antworten bei der Sammlung anonymisiert wurden und zu keinem Zeitpunkt personenbezogene Daten erhoben wurden, entschied das Institutional Review Board der aSSIST University, dass die Studie gemäß Artikel 15 des Bioethics and Safety Act der Republik Korea und Artikel 13 der Durchsetzungsregel von der vollständigen Überprüfung ausgenommen war. Die Umfrage begann mit einer Informations- und Einwilligungsseite, die erklärte, dass die Teilnahme auf Personen beschränkt ist, die derzeit beschäftigt sind und an einem KI-Projekt beteiligt sind, den Zweck der Studie beschrieb und die freiwillige Natur der Teilnahme, die Anonymität der Antworten und die beabsichtigte Nutzung der Daten erläuterte; Nur die Befragten, die ausdrücklich zustimmten, gingen zum Fragebogen weiter. Die Zustimmungsseite ist in Supplementary File 1 bereitgestellt.

Bestimmung der Stichprobengröße

Vor der Datenerhebung mit G*Power 3.1.9.7 (RRID: SCR_013726) für die lineare Mehrfachregressionsfamilie wurde eine a priori Power-Analyse durchgeführt, wobei die größte Anzahl von Prädiktoren für ein einzelnes endogenes Konstrukt im Modell festgelegt wurde; in dieser Studie wird AHTR durch drei Konstrukte vorhergesagt (AITC, CS und PS). Bei mittlerer Effektgröße (f2 = 0,15), α = 0,05 und einer statistischen Potenz von 0,80 betrug die erforderliche Mindeststichprobe 77 Fälle; der Ausgang des G*Power-Protokolls wird in Supplementary File 2 bereitgestellt. Die minimale Stichprobengröße wurde mit der inversen Quadratwurzelmethode für PLS-SEM36 überprüft, bei der etwa 155 Fälle erforderlich sind, um einen minimalen standardisierten Pfadkoeffizienten von etwa 0,20 bei 5 % Signifikanz und 80 % Potenz zu erkennen. Schließlich wurde das Rekrutierungsziel so gesetzt, dass es beide Minima erheblich übertrifft, um das Bootstrapping indirekter Effekte und die Split-Sample-Multi-Group-Analyse zu unterstützen; die endgültige Stichprobe (N = 331; Leader n = 171, Personal n = 160) erfüllte die Mindeststichprobenanforderung innerhalb jeder Untergruppe.

Teilnehmerrekrutierung und Auswahl

Die Teilnehmer wurden über das Online-Forschungspanel mittels gezielter nicht-wahrscheinlicher Stichprobe rekrutiert; das heißt, die Stichprobe wurde bewusst auf Befragte beschränkt, die ein a priori substanzielles Kriterium erfüllten – aktuelle oder frühere Berufserfahrung im Zusammenhang mit KI – anstatt zufällig aus der Allgemeinbevölkerung gezogen zu werden. Die Berechtigung war auf Bewerber ab 18 Jahren beschränkt. KI-bezogene Berufserfahrung wurde durch den Screening-Punkt "Welcher der folgenden beschreibt Ihre aktuelle Situation am besten?", der vor dem Hauptfragebogen präsentiert wurde, operationalisiert; nur die Befragten, die angaben, derzeit beschäftigt zu sein und derzeit in KI-bezogener Arbeit tätig zu sein, wurden fortgesetzt, während die übrigen Optionen (beschäftigt, aber nicht in KI-Arbeit tätig; nicht beschäftigt, aber zuvor beteiligt; nicht beschäftigt und nicht beteiligt) sofortige Screen-out auslösten. Die Datenerhebung erfolgte in einer einzigen Sitzung am 8. Februar 2026 (10:28–13:30), und die Teilnehmer wurden gemäß der fairen Bezahlungspolitik der Plattform mit 6,98 GBP pro Stunde entschädigt. Doppelteilnahme wurde durch die eindeutigen Teilnehmerkennungen der Plattform und die Einstellungen zur Verhinderung von doppelten Antworten verhindert. Die Anzahl der Befragten in jeder Phase wurde erfasst, um den Inklusions-/Ausschluss-Workflow zu dokumentieren: 537 Antworten wurden erfasst; 151 wurden durch die Auswahlfragen aussortiert (386 übrig); 40 wurden entfernt, weil sie die Aufmerksamkeitskontrollen nicht bestanden hatten, darunter gerade Linien (346 verbleiben); und 15 wurden entfernt wegen unwahrscheinlich kurzer Abschlusszeiten (unter etwa 180 s), was die Endprobe von N = 331 ergab.

Standardisierte Definition und Vermessungsanweisungen

Die Teilnehmer wurden darüber informiert, dass die Umfrage untersuchte, wie Agentic AI Organisationen und ihre Mitglieder beeinflussen könnte. Zu Beginn der Umfrage wurde allen Teilnehmern eine kurze standardisierte Definition von Agentic AI gezeigt, die mit der Definition der Einführung übereinstimmt – ein fortschrittliches KI-System, das sich durch autonome Planung, Multitool-Orchestrierung und proaktives Feedback auszeichnet und zielgerichtete Aktionen mit begrenzter menschlicher Aufsicht ausführt (Abbildung 1, Schritt 2). Die Berechtigung war auf Befragte beschränkt, die derzeit beschäftigt waren und an einem KI-Projekt beteiligt waren, was eine relevante arbeitsbezogene Grundlage für die Beantwortung des Fragebogens bot. Kein separater Verständnisprüfpunkt war enthalten; Die standardisierte Definition diente daher als kontextuelle Orientierung und nicht als verifizierte Verständnisprüfung. Die Teilnehmer wurden angewiesen, jede Frage basierend auf ihrer tatsächlichen Erfahrung mit der Nutzung oder Arbeit mit solchen agentischen KI-Systemen in organisatorischen Kontexten zu beantworten.

Entwicklung und Verwaltung von Vermessungsinstrumenten

Der Fragebogen wurde aus validierten Messskalen entwickelt, die an den organisatorischen Kontext der Agentic AI angepasst wurden. Tabelle 1 listet jedes Element, seine Quellskala und beschreibende Statistiken auf: AP-, MTO- und PF-Elemente wurden aus aktuellen Agentic-AI-Konzeptionen 7,8 adaptiert; Informatik-Items aus der generativ-KI-kognitiven Ressourcenforschung37; PS-Elemente aus Plomp et al.38; und AHTR-Elemente aus JD-R-basierten Job-Crafting-Skalen17,39, angepasst an die Aufgabenumverteilung. Alle Konstrukte wurden auf 7-Punkt-Likert-Skalen gemessen, die von 1 ("stark anderer Meinung") bis 7 ("stark übereinstimmen") reichten. Die Umfrage war in Blöcke gegliedert, die die Einwilligungsseite, Screening, AITC-Elemente (AP, MTO, PF), CS, PS, AHTR sowie demografische bzw. kontrollbezogene Eigenschaften abdeckten; das Instrument enthielt außerdem zusätzliche Skalen (KI-Kompetenz und Rollenbreite-Selbstwirksamkeit), die über den Anwendungsbereich des vorliegenden Modells hinausgehen und hier gesammelt, aber nicht analysiert, um Transparenz zu gewährleisten. Die Umfrage wurde auf der Online-Umfrageplattform gehostet; Der Zurück-Button wurde deaktiviert, sodass die Befragten frühere Antworten nicht mehr überarbeiten konnten, und die Elemente wurden in einer festen Reihenfolge innerhalb von Blöcken präsentiert. Die mittlere Abschlusszeit betrug 7 Minuten und 44 Sekunden. Zwei Aufmerksamkeitsprüfungspunkte mit Anweisungen und Antworten wurden als Umfrage-Fluss-Zweige eingebettet, die die Umfrage bei falscher Beantwortung schlossen: (i) eine Faktenkontrolle, "Ist KI eine Abkürzung für Artischockeninformation?" (richtige Antwort: Nein), und (ii) eine Skalen-Verständnisprüfung, die bestätigt, dass die Antworten auf einer 7-Punkte-Likert-Skala von "stark anderer Meinung" bis "sehr übereinstimmend" aufgezeichnet wurden. Vor der Hauptdurchführung wurde ein Pilottest mit 124 Befragten durchgeführt, um die Klarheit der Umfrageaufgaben, den Gesamtverlauf der Umfrage, die Ausfülldauer und die Machbarkeit des Fragebogens zu bewerten; Die Ausfülldauer wurde überprüft, um ungewöhnlich kurze Antworten zu identifizieren und zu bestätigen, dass die Umfragelänge für die Zielbefragten angemessen war. Der Pilottest zeigte keine Formulierungsfehler, die eine Überarbeitung der Aufgaben erforderlich machten, und vor der Hauptbefragung wurden keine Wortlautänderungen vorgenommen. Zusätzlich wurden die Pilotdaten mit PLS-SEM als vorläufiges Validierungsverfahren analysiert, um Indikatorleistung, Konstruktzuverlässigkeit, konvergente Validität, diskriminierende Validität, Kollinearität und die Plausibilität der vorgeschlagenen strukturellen Beziehungen zu bewerten; Die Ergebnisse bestätigten die Eignung des Instruments für die Hauptuntersuchung.

KonstruktGegenstandFrageMittelSTDEVVIFQuelle
AITCAPAP1Wenn ich ein Ziel angebe, hilft die KI dabei, einen mehrstufigen Plan zu erstellen, um es zu erreichen.5.810.91.44Abou Ali, M., et al. (2025); Sapkota, R., et al. (2025)
AP2Die KI kann ihren Plan überarbeiten, wenn sich Einschränkungen oder Anforderungen ändern.5.750.991.37
AP3Die KI teilt komplexe Arbeit in überschaubare Teilaufgaben auf, ohne Schritt-für-Schritt-Anweisungen zu benötigen.5.331.371.33
MTOMTO1Die KI kann mehrere Werkzeuge oder Apps (z. B. Suche, Dokumente, Datenwerkzeuge) kombinieren, um eine Aufgabe zu erfüllen.5.691.111.5
MTO2Die KI schlägt das richtige Werkzeug vor und verwendet sie in der richtigen Reihenfolge, um eine Lieferung zu erstellen.5.361.041.64
MTO3Die KI hilft, Ausgaben verschiedener Werkzeuge zu einem kohärenten Ergebnis zu integrieren.5.611.011.63
PFPF1Die KI weist proaktiv auf Fehler, fehlende Informationen oder riskante Annahmen in meiner Arbeit hin.4.91.441.68
PF2Die KI schlägt Verbesserungen vor, bevor ich ausdrücklich um Feedback bitte.5.071.381.85
PF3Die KI erinnert mich an Kontrollpunkte (z. B. Validierung, Compliance, Qualität), um Überarbeitungen zu verhindern.5.021.41.6
CSCS1Die Nutzung von KI hat meine mentale Energie freigesetzt, um mich auf komplexere und sinnvollere Aufgaben zu konzentrieren.5.591.282.07Liu, Y., Sheng, F., & Liu, R. (2025)
CS2Seit ich KI nutze, habe ich mehr Zeit für strategisches Denken und Problemlösen.5.611.232.38
CS3Die Arbeitsbelastung durch Routineaufgaben hat sich deutlich verringert, was mir Kopffreiheit für neue Initiativen gibt.5.421.282.23
CS4Am Ende des Arbeitstages fühle ich mich mental weniger erschöpft, weil KI sich um sich wiederholende Aufgaben kümmert.5.151.51.91
PSPS1An meinem Arbeitsplatz ist es sicher, ein Risiko einzugehen, das mit der Nutzung von KI auf neue Weise zusammenhängt.4.741.371.52Plomp et al. (2019)
PS2Mein Manager fördert Experimente mit KI und ist fehlertolerant.4.521.611.68
PS3Ich fühle mich wohl dabei, mich zu äußern, wenn ich Bedenken habe, wie KI in meinem Team eingesetzt wird.5.481.241.32
PS4Meine Kollegen unterstützen mich, wenn ich neue Arbeitsweisen mit KI ausprobiere.5.261.321.48
PS5 (ausgenommen)Ich habe keine Angst vor negativen Konsequenzen, wenn ich innovative Anwendungen von KI in meiner Arbeit vorschlage.4.471.591.23
AHTRAHTR1Ich übertrage bewusst Routineaufgaben (z. B. Dateneingabe, Berichtsformatierung) auf KI, damit ich mich auf höherwertige Arbeiten konzentrieren kann.5.121.351.68Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024)
AHTR2Ich suche aktiv nach Möglichkeiten, KI zu nutzen, um Aufgaben zu erledigen, die ich zuvor manuell erledigt habe.5.581.281.84
AHTR3Seit ich KI nutze, habe ich neue oder erweiterte Aufgaben übernommen, die strategischer oder kreativer sind.5.181.31.58
AHTR4 (ausgeschlossen)Ich verhandle mit meinem Vorgesetzten darüber, welche Aufgaben die KI übernehmen soll und welche ich übernehmen soll.4.091.651.23
AHTR5Ich habe meinen Job neu gestaltet, indem ich Routinearbeit auf KI umverteilt habe, um mich für sinnvollere Aufgaben zu befreien.4.921.351.67

Tabelle 1: Messitems, Quellen, deskriptive Statistiken und vollständige Kollinearitätsbewertung. Vollständiges Umfrageinstrument. Jeder Gegenstand ist mit seinem Konstrukt (AITC-Dimensionen AP, MTO, PF; Informatik; PS: AHTR), Artikelcode, Formulierung, Mittelwert, Standardabweichung (STDEV), vollständiger Kollinearitätsvarianzinflationsfaktor (VIF; Werte <3,3 zeigen das Fehlen einer Variantenkontamination der gemeinsamen Methode) sowie die Quellskala, von der sie adaptiert wurde. Alle Punkte wurden auf 7-Punkte-Likert-Skalen gemessen (1 = stark anderer Meinung, 7 = stark übereinstimmend). PS5 und AHTR4 wurden während der Bewertung des Messmodells aufgrund geringer äußerer Belastungen entfernt. AITC = Agentische KI-Technologiemerkmale; AP = autonome Planung; MTO = Multitool-Orchestrierung; PF = proaktives Feedback; CS = kognitiver Überschuss; PS = psychologische Sicherheit; AHTR = KI-Mensch-Aufgabenumverteilung. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Datenvorbereitung und -reinigung

Die rohen Antworten wurden im CSV-Format exportiert. Fälle, die das Screening-Kriterium oder eine der beiden Aufmerksamkeitsprüfungen nicht erfüllten, wurden ausgeschlossen, ebenso wie Antworten mit erheblichen fehlenden Daten (Erzwungen-Antwort-Einstellungen innerhalb der Umfrage minimiert); Die daraus resultierenden Ausschlusszahlen in jeder Phase sind in Protokollabschnitt 2 dokumentiert (537 erfasst → 331 behalten). Die gespeicherten Daten wurden auf Konsistenz geprüft und auf unaufmerksame Reaktionsmuster geprüft: Gerade Antworten wurden durch die Aufmerksamkeitskontrollen entfernt, und Antworten mit unwahrscheinlich kurzen Abschlusszeiten (unter etwa 180 Sekunden) wurden ausgeschlossen. Dann wurden Variablen für die Analyse kodiert (z. B. Rolle: Leiter = 1, Stab = 0; Geschlecht: Männlich = 1, Frau = 0) Wie in Tabelle 2 dokumentiert, wurden kategorische Kontrollen wie die Industrie mit k-1-Indikatoren dummycodiert, und der endgültige Datensatz wurde in die PLS-SEM-Software importiert. Ein Codebuch, das jede Variable auf ihren Elementtext, ihre Codierung und das Konstrukt abbildet, wird als Ergänzungsdatei 2 bereitgestellt.

Bewertung von Messmodellen

Mit der PLS-SEM-Software wurde jedes beobachtete Element seinem latenten Konstrukt zugeordnet, und alle Konstrukte erster Ordnung (AP, MTO, PF, CS, PS, AHTR) wurden als reflektiv angegeben. AITC wurde als Konstrukt zweiter Ordnung mit AP, MTO und PF spezifiziert und mit dem zweistufigen Ansatz 40,41,42 geschätzt: Für die Konstrukte erster Stufe wurden zunächst latente Variablen ermittelt und dann (AP_LVS, MTO_LVS, PF_LVS) als formative Indikatoren für AITC verwendet. Der PLS-Algorithmus wurde mit dem Pfadbewertungsschema, maximal 3.000 Iterationen und einem Stoppkriterium von 10−7 ausgeführt. Die interne Konsistenzzuverlässigkeit wurde anhand von Cronbachs α- und zusammengesetzten Zuverlässigkeitsschwellen (CR) von 0,7043 bewertet, wobei α Werte von 0,5–0,6 als marginal akzeptabel für kurze Skalen in aufkommenden Forschungskontexten behandeltwurden 43; die konvergente Validität wurde gegen die durchschnittliche Varianz-extrahierte (AVE) Schwelle von 0,5044 bewertet; und die Diskriminantvalidität wurde unter Verwendung des Heterotrait-Monotrait-Verhältnisses (HTMT <0,85, konservativer Schwellenwert)45 und des Fornell-Larcker-Kriteriums44 bewertet. Wo die Kriterien für Zuverlässigkeit oder konvergente Validität nicht erfüllt waren, wurden äußere Lasten inspiziert und schlecht funktionierende Indikatoren entfernt, während die Inhaltsvalidität erhalten blieb, wobei jede Entfernung und deren Begründung dokumentiert wurden; in dieser Studie wurden PS5 und AHTR4 aufgrund niedriger äußerer Belastungen entfernt, was die konvergente Validität von PS und AHTR verbesserte.

Strukturmodell- und Mediationsanalyse

Die strukturellen Pfade wurden gemäß dem Forschungsmodell (Abbildung 2) festgelegt, und die Kollinearität zwischen Prädiktorkonstrukten wurde anhand innerer Varianzinflationsfaktoren (VIF < 5.0)36 und vollständigen Kollinearitäts-VIFs (<3.3)46,47 untersucht. Die Pfadsignifikanz wurde durch Bootstrapping mit 5.000 Neustichproben unter Verwendung von Konfidenzintervallen und zweiseitigen Tests geschätzt; standardisierte Pfadkoeffizienten (β), Stichprobendurchschnitte (M), Standardabweichungen (STDEV), t-Werte, p-Werte, 95%-Konfidenzintervalle, R2 und Effektgrößen (f2) wurden berichtet. Die prädiktive Leistung außerhalb der Stichprobe wurde mit PLSpredict mit 10 Falten und 10 Wiederholungen bewertet; für jeden endogenen Indikator wurde die Q2-Prognose(>0 zeigt prädiktive Relevanz) untersucht, und die PLS-SEM-Vorhersagefehler (RMSE und MAE) wurden mit dem linearen Modell (LM) Benchmark48 verglichen. Für die Mediationsanalyse wurden die indirekten Effekte von AITC auf AHTR über CS, durch PS und durch den sequentiellen PS → CS-Weg spezifiziert, und jeder spezifische indirekte Effekt wurde anhand der Bootstrap-Verteilung (5.000 Resamples) bewertet, wobei ein indirekter Effekt als signifikant bewertet wurde, wenn das 95%-Konfidenzintervall Null ausschloss.

Multigruppenanalyse

Die Befragten wurden in Führungs- und Mitarbeitergruppen eingeteilt, basierend auf selbstberichteter organisatorischer Rolle (Rolle: Führungskraft = 1, Mitarbeiter = 0; Tabelle 2); Die Führungsgruppe bestand aus Teamleitern/Vorgesetzten, Managern/Abteilungsleitern sowie Führungskräften/Führungskräften, und die Mitarbeitergruppe bestand aus Mitarbeitern auf Staff-Ebene. Bevor die Wegkoeffizienten verglichen wurden, wurde die Messinvarianz zwischen den Gruppen mittels des MICOM-Verfahrens45 (MICOM) festgelegt. Schritt 1 (konfigururale Invarianz) wurde durch identische Modellspezifikation über Gruppen hinweg erfüllt, und Schritt 2 (Kompositionsinvarianz) wurde für alle Konstrukte unterstützt, mit ursprünglichen Korrelationen bei oder über ihren 5%-Quantilen und nicht-signifikanten permutationsbezogenen p-Werten (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), wobei partielle Messinvarianz festgestellt und der Mehrgruppenvergleich gerechtfertigt wird (vollständige MICOM-Ergebnisse in Supplementary File 3). Das Modell wurde dann separat für jede Gruppe geschätzt, und Pfadunterschiede wurden mit bootstrap-basiertem PLS-MGA getestet, wobei einseitige und zweiseitige p-Werte für die Leiter-Staff-Differenz (Δ) jedes Weges gemeldet wurden; Gruppenspezifische Wegkoeffizienten, t-Werte und p-Werte wurden für alle direkten und indirekten Wege sowie die Größe jeder Zwischengruppendifferenz angegeben.

Berichterstattung, Verifizierung und Fehlerbehebung

Alle Zuverlässigkeits-, Validitäts-, Struktur-, Vermittlungs- und MGA-Ausgaben wurden zusammengestellt; Die Ergebnistabellen wurden exportiert; und jede gemeldete Statistik wurde mit den softwaregenerierten Ausgaben überprüft, um Konsistenz über Tabellen, Abbildungen und Text hinweg zu gewährleisten. Für die Fehlerbehebung gelten folgende Richtlinien: Wenn viele Antworten die Screening oder Aufmerksamkeitskontrollen nicht bestehen, die Zulassungsvoraussetzungen verfeinern und die Umfrageanweisungen klarstellen; wenn die Kriterien für Zuverlässigkeit (CR < 0,70) oder konvergente Validität (AVE < 0,50) nicht erfüllt sind, überprüfen Sie äußere Lasten und entfernen schwache Indikatoren, während die theoretische Abdeckung erhalten bleibt; wenn Kollinearität festgestellt wird (VIF über Schwellenwerten), werden Konstruktspezifikationen neu bewertet und redundante Indikatoren eliminiert; Wenn Mediations- oder Gruppeneffekte nicht signifikant sind, wird die Stichprobenadäquanz erneut überprüft und vor der Interpretation operationalisiert konstruiert; und eine ausreichende Anzahl von Bootstrap-Resamples (z. B. 5.000) verwenden, um die Schätzungen zu stabilisieren.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Teilnehmercharakteristika

Tabelle 2 zeigt die demografischen Merkmale der Endstichprobe (N = 331). Die Stichprobe bestand aus 65,0 % männlichen und 35,0 % weiblichen Befragten, mit einer relativ ausgewogenen Verteilung zwischen Führungskräften (51,7 %, n = 171) und Mitarbeitern (48,3 %, n = 160). Die größte Altersgruppe war unter 30 Jahre (46,5 %), gefolgt von 31–40 Jahren (32,0 %); 76,4 % hatten einen Bachelor- oder Masterabs...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Diese Studie untersuchte, wie die technologischen Eigenschaften der agentischen KI mit den psychologischen Ressourcen und dem Aufgabenumverteilungsverhalten der Mitarbeiter zusammenhängen und ob sich diese Beziehungen zwischen den Organisationsrollen unterscheiden. Anhand einer Querschnittsbefragung unter 331 KI-erfahrenen Mitarbeitern und PLS-SEM mit Mediation und Multigruppenanalyse stimmten die Ergebnisse mit dem theoretisierten Ressourcengewinnmodell überein: AITC war positiv mit kog...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären keine Interessenkonflikte.

Ein generatives KI-Tool (ChatGPT, OpenAI) wurde zur Sprachbearbeitung verwendet; alle Inhalte wurden von den Autoren überprüft und überprüft, die auch überprüften, ob KI-unterstütztes Bearbeiten keine Veränderungen in Terminologie oder Ton zwischen den Abschnitten einführte.

Danksagungen

Diese Arbeit wurde durch Forschungsmittel der aSSIST University unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
ProlificProlifichttps://www.prolific.com/Online-Umfrage-Panel-Anbieter
QualtricsQualtrics, LLChttps://www.qualtrics.com/Umfrage-Codierung
SmartPLS SmartPLS GmbHVersion 4.0.1, https://www.smartpls.com/PLS-SEM-Analyse

Referenzen

  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.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

VerhaltenAusgabe 234Ausgabe 234Leerer WertAusgabeJD R TheorieConservation of Resources Theorie
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.