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

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 Leben^{neu 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 wird^10,13; 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 verändern^14,15. 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 akzeptieren^16,17. 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 Leistung^18,19. 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 Ressourcen^{zu 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 Mitarbeiter^15,23. 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-Sinne^20,24 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 Ressourcenverlust^{20, 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 quo^25,26. Obwohl psychologische Sicherheit oft als ein Klima auf Teamebene untersucht wurde, konzeptualisiert und misst diese Studie sie als individuelle Wahrnehmung, was mit unserem individuellen Umfragedesign^27,28 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 präsentieren^26,28. 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 Misstrauen^{um 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 Hindernisanforderungen^17,31; 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 Anpassungen^{auftreten 31,32}. Im Gegensatz zu früheren Studien, die die Einführung von KI als kontextuellen Vorläufer des allgemeinen Jobwritings^16,34 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 Risiken^{einzugehen 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 sind^20,30. 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.

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.

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.

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-Skalen^17,39, 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.

Konstrukt		Gegenstand	Frage			Mittel	STDEV	VIF	Quelle
AITC	AP	AP1	Wenn ich ein Ziel angebe, hilft die KI dabei, einen mehrstufigen Plan zu erstellen, um es zu erreichen.			5.81	0.9	1.44	Abou Ali, M., et al. (2025); Sapkota, R., et al. (2025)
		AP2	Die KI kann ihren Plan überarbeiten, wenn sich Einschränkungen oder Anforderungen ändern.			5.75	0.99	1.37
		AP3	Die KI teilt komplexe Arbeit in überschaubare Teilaufgaben auf, ohne Schritt-für-Schritt-Anweisungen zu benötigen.			5.33	1.37	1.33
	MTO	MTO1	Die KI kann mehrere Werkzeuge oder Apps (z. B. Suche, Dokumente, Datenwerkzeuge) kombinieren, um eine Aufgabe zu erfüllen.			5.69	1.11	1.5
		MTO2	Die KI schlägt das richtige Werkzeug vor und verwendet sie in der richtigen Reihenfolge, um eine Lieferung zu erstellen.			5.36	1.04	1.64
		MTO3	Die KI hilft, Ausgaben verschiedener Werkzeuge zu einem kohärenten Ergebnis zu integrieren.			5.61	1.01	1.63
	PF	PF1	Die KI weist proaktiv auf Fehler, fehlende Informationen oder riskante Annahmen in meiner Arbeit hin.			4.9	1.44	1.68
		PF2	Die KI schlägt Verbesserungen vor, bevor ich ausdrücklich um Feedback bitte.			5.07	1.38	1.85
		PF3	Die KI erinnert mich an Kontrollpunkte (z. B. Validierung, Compliance, Qualität), um Überarbeitungen zu verhindern.			5.02	1.4	1.6
CS		CS1	Die Nutzung von KI hat meine mentale Energie freigesetzt, um mich auf komplexere und sinnvollere Aufgaben zu konzentrieren.			5.59	1.28	2.07	Liu, Y., Sheng, F., & Liu, R. (2025)
		CS2	Seit ich KI nutze, habe ich mehr Zeit für strategisches Denken und Problemlösen.			5.61	1.23	2.38
		CS3	Die Arbeitsbelastung durch Routineaufgaben hat sich deutlich verringert, was mir Kopffreiheit für neue Initiativen gibt.			5.42	1.28	2.23
		CS4	Am Ende des Arbeitstages fühle ich mich mental weniger erschöpft, weil KI sich um sich wiederholende Aufgaben kümmert.			5.15	1.5	1.91
PS		PS1	An meinem Arbeitsplatz ist es sicher, ein Risiko einzugehen, das mit der Nutzung von KI auf neue Weise zusammenhängt.			4.74	1.37	1.52	Plomp et al. (2019)
		PS2	Mein Manager fördert Experimente mit KI und ist fehlertolerant.			4.52	1.61	1.68
		PS3	Ich fühle mich wohl dabei, mich zu äußern, wenn ich Bedenken habe, wie KI in meinem Team eingesetzt wird.			5.48	1.24	1.32
		PS4	Meine Kollegen unterstützen mich, wenn ich neue Arbeitsweisen mit KI ausprobiere.			5.26	1.32	1.48
		PS5 (ausgenommen)	Ich habe keine Angst vor negativen Konsequenzen, wenn ich innovative Anwendungen von KI in meiner Arbeit vorschlage.			4.47	1.59	1.23
AHTR		AHTR1	Ich übertrage bewusst Routineaufgaben (z. B. Dateneingabe, Berichtsformatierung) auf KI, damit ich mich auf höherwertige Arbeiten konzentrieren kann.			5.12	1.35	1.68	Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024)
		AHTR2	Ich suche aktiv nach Möglichkeiten, KI zu nutzen, um Aufgaben zu erledigen, die ich zuvor manuell erledigt habe.			5.58	1.28	1.84
		AHTR3	Seit ich KI nutze, habe ich neue oder erweiterte Aufgaben übernommen, die strategischer oder kreativer sind.			5.18	1.3	1.58
		AHTR4 (ausgeschlossen)	Ich verhandle mit meinem Vorgesetzten darüber, welche Aufgaben die KI übernehmen soll und welche ich übernehmen soll.			4.09	1.65	1.23
		AHTR5	Ich habe meinen Job neu gestaltet, indem ich Routinearbeit auf KI umverteilt habe, um mich für sinnvollere Aufgaben zu befreien.			4.92	1.35	1.67

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 behandelt^{wurden 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.

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 Masterabschluss. Die Befragten kamen aus verschiedenen Branchen, angeführt von Technologie und Telekommunikation (46,2 %) sowie aus Organisationen unterschiedlicher Größe. Dieses Profil entspricht dem gezielten Fokus der Studie auf Mitarbeiter, die aktiv in KI-bezogener Arbeit tätig sind.

Merkmale	Kategorien	Frequenz (n)	%	Kumulativer %
Geschlecht	Männlich (1)	215	65	65
	Weiblich (0)	116	35	100
Alter	-30	154	46.5	46.5
	31-40	106	32	78.5
	41-50	44	13.3	91.8
	51-	27	8.2	100
Rolle	Anführer (1)	171	51.7	51.7
	Personal (0)	160	48.3	100
Bildung	Oberschule	34	10.3	10.3
	College	44	13.3	23.6
	Bachelorstudium	142	42.9	66.5
	Postgraduiertenstudium	111	33.5	100
Industrie	Technologie Telekommunikations-IKT	153	46.2	46.2
	Professionelle Dienstleistungen (Beratung, Recht, Buchhaltung)	38	11.5	57.7
	Industrielle Fertigung	37	11.2	68.9
	Finanzdienstleistungen	30	9.1	77.9
	Gesundheitswesen	30	9.1	87
	Öffentlicher Sektor	24	7.3	94.3
	Einzelhandel	19	5.7	100
Firmengröße	Weniger als 50	72	21.8	21.8
	50-99	36	10.9	32.6
	100-499	85	25.7	58.3
	500-999	46	13.9	72.2
	1000-4999	50	15.1	87.3
	5000 oder mehr	42	12.7	100
Gesamt		331	100	100

Tabelle 2: Demografische Merkmale der endgültigen Stichprobe. Verteilung der 331 Befragten nach Geschlecht, Alter, Organisationsrolle, Ausbildung, Branche und Unternehmensgröße. n = Frequenz; % = Prozentsatz der Gesamtstichprobe; Kumulativer Prozentsatz = kumulativer Prozentsatz innerhalb jeder Eigenschaft. In Klammern stehende Werte in der Spalte Kategorien geben die in der Analyse verwendete binäre Codierung an (z. B. Leader = 1, Staff = 0).

Bewertung von Messmodellen

Da AITC als Konstrukt zweiter Ordnung modelliert wird, wurde ein zweistufiger Ansatz^angewandt. Erstens wurden die Zuverlässigkeit und Validität der Konstrukte erster Ordnung mit Cronbachs α, der kompositen Zuverlässigkeit (CR) und der durchschnittlichen Varianz (AVE) bewertet, wie in Tabelle 3 gezeigt. PS5 und AHTR4 wurden aufgrund niedriger äußerer Belastungen ausgeschlossen, was die konvergente Validität von PS (AVE = 0,563) und AHTR (AVE = 0,619)³⁶ verbesserte. Alle CR-Werte überschritten die Schwelle von 0,70, und alle AVE-Werte überschritten 0,50. Obwohl Cronbachs α für AP 0,585 betrug, blieben sein CR (0,781) und AVE (0,547) innerhalb akzeptabler Grenzen, und α Werte von 0,5–0,6 können für kurze Skalen⁴³ als akzeptabel angesehen werden. Die Diskriminantenvalidität wurde unterstützt: Alle HTMT-Verhältnisse (0,25–0,77) lagen unterhalb der konservativen 0,85-Schwelle (Tabelle 4)⁴⁵, und die Quadratwurzel der AVE jedes Konstrukts übertraf ihre höchste Inter-Konstrukt-Korrelation gemäß dem Fornell-Larcker-Kriterium (Tabelle 5)⁴⁴.

Konstrukt		α	Zusammengesetzte Zuverlässigkeit	AVE
AITC	AP	0.585	0.781	0.547
	MTO	0.731	0.848	0.65
	PF	0.758	0.858	0.669
CS		0.858	0.904	0.701
PS		0.741	0.837	0.563
AHTR		0.795	0.867	0.619

Tabelle 3: Zuverlässigkeit und konvergente Validität der Konstrukte erster Ordnung. α = Cronbachs Alpha (interne Konsistenz; Schwellenwert 0,70, wobei 0,5–0,6 für kurze Skalen marginal akzeptabel ist); Zusammengesetzte Zuverlässigkeit (CR; Schwelle 0,70); AVE = durchschnittliche extrahierte Varianz (konvergente Validität; Schwelle 0,50). Werte wurden nach der Entfernung von PS5 und AHTR4 gemeldet. AP = autonome Planung; MTO = Multitool-Orchestrierung; PF = proaktives Feedback; CS = kognitiver Überschuss; PS = psychologische Sicherheit; AHTR = KI-Mensch-Aufgabenumverteilung.

Konstrukte		Heterotrait-Monotrait-Ration (HTMT)
		AP	MTO	PF	CS	PS	AHTR
AITC	AP
	MTO	0.75
	PF	0.64	0.59
CS		0.63	0.59	0.48
PS		0.45	0.36	0.25	0.48
AHTR		0.62	0.59	0.45	0.77	0.54

Tabelle 4: Diskriminantenvalidität der Konstrukte erster Ordnung (HTMT). Heterotrait-Monotrait-Verhältnis der Korrelationen zwischen Konstruktpaaren. Werte unterhalb der konservativen Schwelle von 0,85 unterstützen die Validität der diskriminanten. AP = autonome Planung; MTO = Multitool-Orchestrierung; PF = proaktives Feedback; CS = kognitiver Überschuss; PS = psychologische Sicherheit; AHTR = KI-Mensch-Aufgabenumverteilung.

Konstrukte		Fornell-Larcker-Kriterium
		AP	MTO	PF	CS	PS	AHTR
AITC	AP	0.74
	MTO	0.49	0.81
	PF	0.42	0.44	0.82
CS		0.46	0.47	0.4	0.84
PS		0.31	0.27	0.19	0.39	0.75
AHTR		0.43	0.45	0.37	0.64	0.43	0.79

Tabelle 5: Diskriminantenvalidität der Konstrukte erster Ordnung (Fornell-Larcker-Kriterium). Diagonale Elemente (fettgedruckt) sind die Quadratwurzeln der AVE jedes Konstrukts; Off-diagonale Elemente sind interkonstruktive Korrelationen. Die diskriminierende Validität wird unterstützt, wenn jedes diagonale Element alle Korrelationen in seiner Zeile und Spalte überschreitet.

Da alle Variablen von denselben Befragten selbst gemeldet wurden, wurden sowohl prozedurale als auch statistische Maßnahmen angewendet^49,50. Prozedural wurden den Befragten Anonymität garantiert, die Einverständniserklärung betonte die freiwillige Teilnahme und das Fehlen richtiger oder falscher Antworten, Prädiktor- und Kriteriumsfragen wurden in getrennte Umfrageabschnitte eingeordnet, validierte kurze Skalen wurden verwendet, um Müdigkeit zu reduzieren, und Aufmerksamkeitskontrollen filterten nachlässiges Antworten aus. Statistisch zeigte Harmans Ein-Faktor-Test⁵¹, dass ein einzelner nicht rotierter Faktor 30,99 % der Varianz erklärte, unterhalb des 50-Kriteriums^49,52. Als strengere Überprüfung zeigte eine vollständige Kollinearitätsbewertung⁴⁶ alle VIFs unter 3,3 (Tabelle 1), was auf keinen Nachweis einer schwerwiegenden gemeinsamen Methodenverzerrung hindeutet, obwohl solche Diagnosen die Methodenvarianz^46,47 nicht abschließen können.

Die Bedeutung der Aufwärts-Dimension-Effekte des zweitordnungsformativen Konstrukts (AITC) wurde mittels Bootstrapping mit 5.000 Neustichproben^{bewertet, 36,41}. Wie in Tabelle 6 gezeigt, waren die formativen Gewichtungen von AP_LVS (0,493, S. < 0,001), MTO_LVS (0,492, S. < 0,001) und PF_LVS (0,249, S. < 0,001) alle signifikant, und alle VIFs lagen unter 3,3, was darauf hindeutet, dass jede untergeordnete Dimension substanziell zu AITC beiträgt, ohne dass es sich um Kollinearität kümmert. Das endgültige Strukturmodell wurde anschließend mit dem zweistufigen Verfahren^41,42 geschätzt (Abbildung 3).

Formativer Indikator	VIF	Ursprüngliche β	Mean β	STDEV	T-Wert	p-Wert
AP_LVS → AITC	1.418	0.493	0.489	0.094	5.232	0
MTO_LVS → AITC	1.457	0.492	0.489	0.092	5.333	0
PF_LVS → AITC	1.335	0.249	0.248	0.09	2.754	0.006

Tabelle 6: Aufwärtsdimensionale Effekte für das formative Konstrukt zweiter Ordnung. Bootstrap-Schätzungen (5.000 Resamples) der formativen Gewichte, die die latenten Variablenwerte von AP, MTO und PF (AP_LVS, MTO_LVS, PF_LVS) mit AITC im zweistufigen Ansatz verknüpfen. β = standardisiertes Gewicht (Original) und Bootstrap-Mittelwert; STDEV = Bootstrap-Standardabweichung; VIF = Varianzinflationsfaktor (<3,3 zeigt keine Kollinearitätsbedenken) an); t-Wert = \|β/STDEV\|; p-Wert aus der Bootstrap-Verteilung. AITC = Agentische KI-Technologiemerkmale; AP = autonome Planung; MTO = Multitool-Orchestrierung; PF = proaktives Feedback.

Abbildung 3. Geschätztes Strukturmodell. Endgültiges Modell mit standardisierten Pfadkoeffizienten (β) für die vollständige Stichprobe (N = 331). Alle Abkürzungen wie in Abbildung 2; AP_LVS, MTO_LVS und PF_LVS bezeichnen die latenten Variablenwerte von AP, MTO und PF, die als formative Indikatoren für AITC im zweistufigen Ansatz verwendet werden. Solide Pfeile zeigen bedeutende Wege an; Die Werte in Klammern sind R² (der Varianzanteil, der in jedem endogenen Konstrukt erklärt wird: AHTR = 0,471, CS = 0,363, PS = 0,114). Die Signifikanz wurde durch Bootstrapping mit 5.000 Neuproben bewertet; p < 0,001. AP = autonome Planung; MTO = Multitool-Orchestrierung; PF = proaktives Feedback; AITC = Agentische KI-Technologiemerkmale; CS = kognitiver Überschuss; PS = psychologische Sicherheit; AHTR = KI-Mensch-Aufgabenumverteilung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Strukturmodell- und Mediationsanalyse

Tabelle 7 zeigt die Wegkoeffizienten mit p-Werten, Stichprobenmittelwerten (M), Standardabweichungen (STDEV), t-Werten und 95%-Konfidenzintervallen. AITC war positiv mit CS (β = 0,485, p < 0,001) assoziiert, das H1 unterstützt, und mit PS (β = 0,338, p < 0,001), das H2 unterstützt. CS war positiv mit AHTR (β = 0,444, p < 0,001) assoziiert, was H3 unterstützte, ebenso wie PS (β = 0,179, p < 0,001), das H5 unterstützte. PS war positiv mit CS assoziiert (β = 0,230, p < 0,001), was H6 unterstützt, und AITC mit AHTR (β = 0,215, p < 0,001), das H9 unterstützt. Das Modell erklärte 47,1 % der Varianz in AHTR (R² = 0,471), 36,3 % in CS und 11,4 % bei PS.

Konstrukte	β	Stichprobenmittelwert (M)	Standardabweichung (STDEV)	T-Statistik (|O/STDEV|)	p-Werte	0.025	0.975	R²
AITC → AHTR	0.215	0.212	0.059	3.64	0	0.099	0.332	0.471
CS → AHTR	0.444	0.445	0.054	8.155	0	0.335	0.549
PS → AHTR	0.179	0.181	0.05	3.596	0	0.085	0.279
AITC → CS	0.485	0.485	0.051	9.587	0	0.384	0.579	0.363
PS → CS	0.23	0.231	0.053	4.299	0	0.129	0.336
AITC → PS	0.338	0.347	0.055	6.094	0	0.236	0.451	0.114
PS → CS → AHTR	0.102	0.103	0.027	3.786	0	0.054	0.159
AITC → PS → AHTR	0.06	0.062	0.019	3.225	0.001	0.027	0.102
AITC → CS → AHTR	0.215	0.216	0.036	6.007	0	0.149	0.29
AITC → PS → CS → AHTR	0.034	0.036	0.011	3.122	0.002	0.017	0.06
AITC → PS → CS	0.078	0.08	0.022	3.485	0	0.041	0.127

Tabelle 7: Ergebnisse des strukturellen Modells und spezifische indirekte Effekte (vollständige Stichprobe). β = standardisierter Wegkoeffizient; M = Bootstrap-Stichprobenmittelwert; STDEV = Bootstrap-Standardabweichung; t = \|β/STDEV\|; p = zweiseitiger p-Wert; 0,025/0,975 = untere/obere Schranken des 95%igen Bootstrap-Konfidenzintervalls (ein Intervall ohne Null zeigt Signifikanz an); R² = Varianz, die im endogenen Konstrukt erklärt wird. Reihen mit Pfeilen durch mehrere Konstrukte (z. B. AITC → PS → CS → AHTR) berichten über spezifische indirekte (Mediations-)Effekte. Bootstrapping verwendete 5.000 Resamples.

Die Bootstrap-Ergebnisse für spezifische indirekte Effekte (Tabelle 7) zeigen, dass CS signifikant die AITC-AHTR-Beziehung vermittelte (β = 0,215, 95%-KI [0,149, 0,290], S. < 0,001), was H4 unterstützte, und PS ebenso (β = 0,060, 95%-KI [0,027, 0,102], p = 0,001), was H7 unterstützte. Der sequentielle Signalweg AITC → PS → CS → AHTR war ebenfalls signifikant (β = 0,034, 95%-KI [0,017, 0,060], p = 0,002) und unterstützte H8. Tabelle 8 fasst die Hypothesentests zusammen.

	Hypothese			Ergebnisse
H1	Technologische Eigenschaften der agentischen KI sind positiv mit kognitivem Überschuss assoziiert.			Angenommen
H2	Technologische Eigenschaften der agentischen KI sind positiv mit psychologischer Sicherheit verbunden.			Angenommen
H3	Kognitiver Überschuss ist positiv mit der Aufgabenverteilung zwischen KI und Mensch verbunden.			Angenommen
H4	Kognitiver Überschuss vermittelt die Beziehung zwischen den technologischen Eigenschaften der agentischen KI und der Aufgabenumverteilung zwischen KI und Mensch.			Angenommen
H5	Psychologische Sicherheit ist positiv mit der Umverteilung von KI-Mensch-Aufgaben verbunden.			Angenommen
H6	Psychologische Sicherheit ist positiv mit kognitivem Überschuss verbunden.			Angenommen
H7	Psychologische Sicherheit vermittelt die Beziehung zwischen den technologischen Eigenschaften der agentischen KI und der Aufgabenumverteilung zwischen KI und Mensch.			Angenommen
H8	Psychologische Sicherheit und kognitiver Überschuss vermitteln sequentiell die Beziehung zwischen den technologischen Eigenschaften der agentischen KI und der Aufgabenverteilung zwischen KI und Mensch.			Angenommen
H9	Agentische KI-Technologiemerkmale stehen positiv im Zusammenhang mit der Aufgabenverteilung zwischen KI und Mensch.			Angenommen
H10a	Die Zusammenhänge der technologischen Eigenschaften der agentischen KI mit kognitivem Überschuss und psychologischer Sicherheit unterscheiden sich zwischen Führungskräften und Mitarbeitern.			Angenommen
H10b	Die Zusammenhänge von psychologischer Sicherheit und kognitivem Überschuss mit der Aufgabenverteilung zwischen KI und Mensch unterscheiden sich zwischen Führungskräften und Mitarbeitern.			Teilweise akzeptiert

Tabelle 8: Zusammenfassung der Hypothesentests. Jede Hypothese mit ihrem entsprechenden strukturellen Weg und der Entscheidung (akzeptiert/abgelehnt) basierend auf dem Bootstrap ergibt in Tabelle 7 (Signifikanzschwelle p < 0,05). AITC = Agentische KI-Technologiemerkmale; CS = kognitiver Überschuss; PS = psychologische Sicherheit; AHTR = KI-Mensch-Aufgabenumverteilung.

Die prädiktive Leistung außerhalb der Stichprobe wurde mit PLSpredict bewertet (10-fach, 10 Wiederholungen; Tabelle 9). Alle endogenen Indikatoren lieferten positive Q2-Prädiktionswerte, was auf prädiktive Relevanz hinweist, und das PLS-SEM-Modell erzeugte für fast alle Indikatoren niedrigere RMSE und MAE als der lineare Modell (LM)-Benchmark, mit der einzigen Ausnahme PS_4. Diese Ergebnisse zeigen mittel- bis hohe prädiktive Leistung außerhalb der Stichprobe für psychologische Sicherheit, kognitiven Überschuss und KI-Mensch-Aufgabenumverteilung⁴⁸.

Indikator	Q²predict	PLS-SEM RMSE	PLS-SEM MAE	LM RMSE	LM MAE	IA RMSE	IA MAE
PS_1	0.067	1.321	1.042	1.325	1.042	1.368	1.098
PS_2	0.018	1.596	1.314	1.602	1.333	1.610	1.363
PS_3	0.048	1.209	0.937	1.218	0.941	1.239	0.983
PS_4	0.084	1.262	0.977	1.258	0.965	1.318	1.046
CS_1	0.218	1.138	0.876	1.144	0.881	1.287	1.030
CS_2	0.276	1.045	0.792	1.048	0.793	1.229	0.971
CS_3	0.181	1.157	0.884	1.161	0.889	1.278	1.011
CS_4	0.170	1.371	1.088	1.377	1.093	1.506	1.209
AHTR_1	0.149	1.251	0.970	1.259	0.977	1.357	1.028
AHTR_2	0.188	1.151	0.895	1.158	0.900	1.277	1.003
AHTR_3	0.176	1.185	0.901	1.191	0.908	1.305	0.990
AHTR_5	0.130	1.261	0.982	1.269	0.991	1.352	1.039

Tabelle 9: Prädiktive Bewertung außerhalb der Stichprobe (PLSpredict). Prädiktive Metriken für jeden endogenen Indikator (PS, CS, AHTR) von PLSpredict (10-fach, 10 Wiederholungen). Q²predict = predictive relevance (>0 zeigt an, dass das PLS-SEM-Modell den naivsten Benchmark übertrifft); PLS-SEM RMSE/MAE = Wurzel-Mittel-Quadrat-Fehler und mittlerer absoluter Fehler des PLS-SEM-Modells; LM RMSE/MAE = entsprechende Fehler für den linearen Modell-Benchmark; IA RMSE/MAE = Indikator-Durchschnitts-Benchmark. PLS-SEM-Fehler unterhalb des LM-Benchmarks deuten auf eine zufriedenstellende prädiktive Leistung hin. PS = psychologische Sicherheit; CS = kognitiver Überschuss; AHTR = KI-Mensch-Aufgabenumverteilung. Hinweis: Alle^Q2prognostizieren > 0. PLS-SEM RMSE/MAE < LM-Benchmark für alle Indikatoren außer PS_4, was auf mittlere bis hohe Prädiktionsleistung hinweist.

Multigruppenanalyse

MGA untersuchte, ob die strukturellen Beziehungen zwischen Führungskräften und Mitarbeitern unterschiedlich sind, die unterschiedliche Positionen in Verantwortlichkeit, Arbeitsplatzsicherheit und Aufgabenzusammensetzung innehaben. Wie in Tabelle 10 gezeigt, waren die Assoziationen von AITC mit den beiden Ressourcenvariablen bei den Führungskräften signifikant stärker: AITC → CS (Leiter β = 0,599 vs. Mitarbeiter β = 0,363; Δ = 0,236, zweiseitig p = 0,014) und AITC → PS (Führer β = 0,435 vs. Mitarbeiter β = 0,199; Δ = 0,236, zweiseitig p = 0,043). Diese Unterschiede sind praktisch bedeutsam: Die AITC-CS-Verbindung unter den Führungskräften war etwa 1,6-mal so groß wie unter den Mitarbeitern, und die AITC-PS-Vereinigung war mehr als doppelt so stark. Die übrigen direkten Pfade (AITC → AHTR, CS → AHTR, PS → AHTR, PS → CS) unterschieden sich zwischen den Gruppen nicht signifikant (alle zweiseitig p > 0,19), was darauf hindeutet, dass ihre Assoziationen mit der Aufgabenverteilung nach der Bildung der Ressourcen ähnlich über verschiedene Rollen hinweg funktionieren. Die gruppenspezifischen Bootstrap-Schätzungen (Tabelle 11) zeigen zudem asymmetrische Signifikanzmuster in vier Wegen: PS → AHTR war signifikant für Führungskräfte (β = 0,234, p = 0,001), aber nicht für das Personal (β = 0,133, p = 0,064); der indirekte Pfad AITC → PS → AHTR war signifikant für Führungskräfte (β = 0,102, p = 0,005), aber nicht für das Personal (β = 0,026, p = 0,178); umgekehrt waren PS → CS → AHTR für das Personal signifikant (β = 0,140, p = 0,001), aber nur marginal für Führungskräfte (β = 0,059, p = 0,054); und AITC → PS → CS war für das Personal signifikant (β = 0,057, p = 0,043), aber marginal für Führungskräfte (β = 0,067, p = 0,065). Insgesamt erscheint der psychologisch-sicherheitsorientierte Weg zur Aufgabenverteilung für Führungskräfte direkter, während psychologische Sicherheit für das Personal hauptsächlich auf eine Umverteilung beruht, indem sie kognitiven Überschuss ermöglicht – ein Muster, das mit Rollenunterschieden in Verantwortlichkeit und Arbeitsplatzsicherheit übereinstimmt (H10a unterstützt; H10b teilweise unterstützt).

Konstrukte	Δ (Leiter – Stab)	Einschwänziger (Anführer vs. Stab) p-Wert	Zweischwänziger (Anführer vs. Stab) p-Wert
AITC → AHTR	0.007	0.482	0.963
AITC → CS	0.236	0.007	0.014
AITC → PS	0.236	0.022	0.043
CS → AHTR	-0.1	0.814	0.371
PS → AHTR	0.101	0.161	0.322
PS → CS	-0.135	0.901	0.199

Tabelle 10: Multi-Gruppenanalyse (PLS-MGA) der Unterschiede zwischen Führungskräften und Mitarbeiter. Δ = Differenz zwischen standardisierten Wegkoeffizienten von Führungskraft und Personal (Führungskraft minus Personal); p-Werte von bootstrap-basiertem PLS-MGA (ein- und zweischwänzig). Signifikante Unterschiede (zweiseitig p < 0,05) deuten darauf hin, dass sich der Weg zwischen Führungskräften (n = 171) und Mitarbeitern (n = 160) unterscheidet. AP = autonome Planung; MTO = Multitool-Orchestrierung; PF = proaktives Feedback; CS = kognitiver Überschuss; PS = psychologische Sicherheit; AHTR = KI-Mensch-Aufgabenumverteilung; AITC = Agentische KI-Technologiemerkmale.

	Original (Leader)	Original (Mitarbeiter)	Mean (Leader)	Mittel (Stab)	STDEV (Leiter)	STDEV (Personal)	t-Wert (Leader)	t value (Personal)	p-Wert (Führer)	p-Wert (Personal)
AITC → AHTR	0.233	0.227	0.237	0.224	0.098	0.077	2.381	2.945	0.017	0.003
AITC → CS	0.599	0.363	0.599	0.368	0.057	0.077	10.426	4.734	0	0
AITC → PS	0.435	0.199	0.448	0.226	0.075	0.089	5.82	2.24	0	0.025
CS → AHTR	0.383	0.484	0.381	0.486	0.091	0.065	4.19	7.406	0	0
PS → AHTR	0.234	0.133	0.234	0.134	0.073	0.072	3.185	1.856	0.001	0.064
PS → CS	0.154	0.289	0.157	0.289	0.07	0.077	2.212	3.741	0.027	0
PS → CS → AHTR	0.059	0.14	0.06	0.141	0.031	0.043	1.93	3.269	0.054	0.001
AITC → PS → AHTR	0.102	0.026	0.104	0.029	0.036	0.02	2.808	1.347	0.005	0.178
AITC → CS → AHTR	0.229	0.176	0.228	0.18	0.06	0.047	3.834	3.757	0	0
AITC → PS → CS → AHTR	0.026	0.028	0.027	0.031	0.016	0.015	1.65	1.852	0.099	0.064
AITC → PS → CS	0.067	0.057	0.071	0.064	0.036	0.028	1.844	2.02	0.065	0.043

Tabelle 11: Gruppenspezifische Bootstrap-Schätzungen für Führungskräfte und Mitarbeiter. Standardisierte Pfadkoeffizienten (Original), Bootstrap-Mittelwerte, Standardabweichungen (STDEV), t-Werte und zweiseitige p-Werte wurden innerhalb der Leader- (n = 171) und Stabsgruppe (n = 160) separat für alle direkten und spezifischen indirekten Pfade geschätzt. Bootstrapping verwendete innerhalb jeder Gruppe 5.000 Resamples. AP = autonome Planung; MTO = Multitool-Orchestrierung; PF = proaktives Feedback; CS = kognitiver Überschuss; PS = psychologische Sicherheit; AHTR = KI-Mensch-Aufgabenumverteilung; AITC = Agentische KI-Technologiemerkmale.

Zusammenfassend erfüllte das Messmodell die Zuverlässigkeits- und Validitätskriterien; AITC war positiv mit CS, PS und AHTR assoziiert; CS und PS vermittelten die AITC-AHTR-Vereinigung einzeln und nacheinander; Das Modell zeigte zufriedenstellende prädiktive Leistung außerhalb der Stichprobe; und die Verbindungen von AITC zu CS und PS waren unter den Führungskräften signifikant stärker, während die Wege von Ressourcen zur Aufgabenverteilung zwischen den Rollen nicht signifikant unterschieden. Zusammen unterstützen die Ergebnisse das hypothetische Ressourcengewinnmodell und motivieren die rollendifferenzierte Interpretation, die in der Diskussion entwickelt wurde.

DATENVERFÜGBARKEIT:

Die Daten- und Analysedateien werden als Supplementary File 1, Supplementary File 2, Supplementary File 3, Supplementary File 4, Supplementary File 5, Supplementary File 6 und Supplementary File 7 hochgeladen.

Ergänzende Akte 1: Fragebogen.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Akte 2. G*Power-Protokollausgang.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Akte 3. MICOM Schritt 2 — Kompositionale Invarianz (Permutation 1.000). Kompositionale Invarianz für alle Konstrukte festgelegt (ursprüngliches c ≥ 5%-Quantil; Permutation p > 0,05). Partielle Messinvarianz reicht aus, um PLS-MGA zu rechtfertigen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Akte 4. Datensatz.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Akte 5. MGA Bootstrap SmartPLS-Bericht.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Akte 6. MGA-Permutation SmartPLS-Bericht. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Akte 7. Codebuch – Variable, Item, Konstruktion, Skalierung, Coding und Quelle.Bitte klicken Sie hier, um diese Datei herunterzuladen.

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 kognitivem Überschuss, psychologischer Sicherheit und KI-Mensch-Aufgabenumverteilung assoziiert; kognitiver Überschuss und psychologische Sicherheit vermittelten die Beziehung zwischen AITC und AHTR individuell und sequenziell; und die Assoziationen von AITC mit beiden Ressourcenvariablen waren bei den Führungskräften signifikant stärker als bei den Mitarbeitern.

Die Ergebnisse haben drei theoretische Implikationen. Erstens erweitern sie die JD-R-Theorie in den Kontext der agentischen KI, indem sie technologische Eigenschaften nicht als Werkzeuge, sondern als Arbeitsressourcen behandeln: Die starke AITC-CS-Assoziation (β = 0,485) ist mit der Ansicht vereinbar, dass autonome Planung, Multitool-Orchestrierung und proaktives Feedback kognitive Energie und diskretionäre Zeit sparen, die Mitarbeiter reinvestieren können 15,23,24. Zweitens verbinden sie die Gewinnspiral-Logik der COR-Theorie mit KI-gestütztem Arbeits-Redesign: Der signifikante sequentielle Pfad (AITC → PS → CS → AHTR) legt nahe, dass psychologische Sicherheit als kontextuelle Ressource fungiert, die die Ansammlung von kognitivem Überschuss unterstützt, was wiederum mit Umverteilungsverhalten^{zusammenhängt 20,22}. Drittens geht die Studie durch die Positionierung von AHTR als technologiespezifische Form der Aufgabenentwicklung innerhalb der Job Crafting-Literatur 17,31,32 über den dominanten Fokus auf technische Leistung und Automatisierungsergebnisse hinaus und bietet eine psychologische Darstellung davon, wie agentische Systeme in Arbeitsredesign eingebettet werden. Da das Design querschnittsbasiert ist, sollten diese Signalwege als Assoziationen gelesen werden, die mit der theoretisierten kausalen Ordnung übereinstimmen, und nicht als Nachweise der Kausalität.

Die Mediationsergebnisse verdeutlichen, warum die fortschrittliche KI-Verfügbarkeit allein nicht zu veränderten Arbeitspraktiken führen muss. Die direkte AITC-AHTR-Assoziation (β = 0,215) wurde durch indirekte Wege vergleichbarer kombinierter Größenordnung durch kognitiven Überschuss (β = 0,215) und psychologische Sicherheit (β = 0,060) ergänzt: Mitarbeiter scheinen Aufgaben an KI umzuweisen, wenn die Technologie nachweislich kognitive Ressourcen freisetzt und wenn das zwischenmenschliche Klima das Experimentieren sicher macht 16,25,38. Dieser doppelte Mechanismus impliziert, dass die Aufgabenumverteilung ebenso sehr ein Ressourcen- und Klimaphänomen wie ein technologisches Phänomen ist, was heterogene Akzeptanzergebnisse in ansonsten ähnlichen Einsätzen erklären könnte.

Die Multigruppen-Ergebnisse fügen eine rollenbasierte Randbedingung hinzu. Die AITC-CS- und AITC-PS-Verbände waren für Führungskräfte etwa 1,6 bzw. 2,2-mal stärker als für das Personal, während die nachgelagerten Wege von Ressourcen zur Umverteilung zwischen den Gruppen nicht signifikant unterschieden. Eine Interpretation, die mit den Argumenten^der Wahrnehmungsdistanz ^30,35 übereinstimmt, besagt, dass Führungskräfte, die mehr Entscheidungsbefugnis und strategische Verantwortlichkeit besitzen, agentische Fähigkeiten leichter in wahrgenommene Ressourcen umwandeln, während das Personal, das stärker automatisierten Arbeitsplatzunsicherheiten und Lernanforderungen ausgesetzt ist, psychologische Sicherheitsvorteile weniger direkt realisieren: Für das Personal ist die psychologische Sicherheit vor allem durch kognitiven Überschuss im Zusammenhang mit Umverteilung (PS → CS → AHTR: β = 0,140, p = 0,001), während für Führer der direkte PS- → AHTR-Pfad signifikant war (β = 0,234, p = 0,001). Dies sind in dieser Stichprobe beobachtete Tendenzen statt fester Dispositionen, und die Konfidenzintervalle rund um Gruppenunterschiede erfordern eine vorsichtige Interpretation.

Praktisch deuten die Ergebnisse auf rollendifferenzierte Einsatzstrategien hin. Für alle Mitarbeitenden können Organisationen die Umwandlung gesparter Zeit in kognitiven Überschuss schützen, indem sie Arbeitslastnormen und Leistungsindikatoren so anpassen, dass KI-freie Stunden in strategische, kreative und kollaborative Aufgaben investiert werden, anstatt von zusätzlichen Routineanforderungen übernommen zu werden; konkrete Hebel umfassen KI-Nutzungs-Governance, die Verantwortlichkeit klärt, wenn KI Fehler macht, strukturierte Schulungen in delegationsorientierten KI-Fähigkeiten sowie Anerkennungssysteme, die dokumentierte Aufgabenumgestaltung belohnen. Für das Personal implizieren die Ergebnisse speziell, dass psychologische Sicherheitsmaßnahmen wie eine No-Carblame-Überprüfung von KI-Experimenten, Managertoleranz gegenüber frühen Fehlern und explizite Kommunikation zur Arbeitsplatzsicherheit Voraussetzung dafür sind, dass kognitiver Überschuss überhaupt entstehen kann; Für Führungskräfte, die AITC leichter in Ressourcen umwandeln, liegt die Priorität darin, diesen Überschuss in Governance und Notfallplanung zu lenken, die die Wahrnehmungslücke zwischen Führungskräften und Mitarbeitern verringern, anstatt sie zu vergrößern. Diese Auswirkungen erstrecken sich auch auf hochrisikoreiche Bereiche wie Betrugserkennung und Finanzsicherheitsoperationen, in denen agentische Systeme zunehmend Alarme triagieren, Untersuchungsabläufe orchestrieren und anomale Transaktionen markieren: In solchen Umgebungen ist psychologische Sicherheit eine Voraussetzung dafür, dass Mitarbeiter KI-generierte Urteile ohne Angst vor Schuld hinterfragen, überschreiben und melden, und die Umverteilung routinemäßiger Überwachung auf KI kann die kognitiven Ressourcen der Analysten für komplexe, urteilsintensive Fälle, während die Governance sicherstellen muss, dass Automatisierung die Verantwortlichkeit für Entscheidungen mit hohen Konsequenzen nicht untergräbt. Allgemeiner sprechen die beobachteten Unterschiede zwischen Führungskräften und Mitarbeitern für differenzierte Interventionen: Lehrpläne, die Delegations- und Aufsichtsfähigkeiten für Führungskräfte sowie Experimentier- und Umschulungsunterstützung für das Personal betonen, Governance-Rollen, die die Risikobelastung jeder Gruppe widerspiegeln, sowie Kommunikationsstrategien, die die von Führungskräften erzielten Ressourcengewinne sichtbar und erreichbar für das Personal machen.

Mehrere Einschränkungen qualifizieren diese Schlussfolgerungen und definieren zukünftige Richtungen. Alle Variablen wurden zu einem Zeitpunkt von denselben Befragten selbst angegeben; Trotz prozeduraler Maßnahmen und statistischer Überprüfungen, die darauf hindeuten, dass Common Method Bias nicht gravierend war, schließt das Querschnittsdesign kausale Inferenz aus und kann zeitverzögerte Ressourcenspiralen nicht erfassen. Darüber hinaus wurde AITC anhand der selbstberichteten Wahrnehmungen agentischer Systemfähigkeiten der Mitarbeiter gemessen, die möglicherweise nicht mit den tatsächlichen technischen Fähigkeiten der Systeme übereinstimmen; Zukünftige Designs sollten Wahrnehmungsmessungen mit Systemprotokollen oder Fähigkeitsprüfungen kombinieren. Obwohl den Teilnehmern zu Beginn der Umfrage eine kurze standardisierte Definition von Agentic AI gezeigt wurde, bestätigte kein Comprehension-Check-Item ihr Verständnis der fokalen Technologie, und zukünftige Studien sollten eine solche Prüfung enthalten. Die gezielte, plattformbasierte Stichprobe von KI-erfahrenen Mitarbeitern, gewichtet auf Technologiebranchen und jüngere Befragte, ist für einen frühen Modelltest geeignet, beschränkt aber die Generalisierung auf Organisationen mit geringer KI-Reife, kleinere Unternehmen und nicht-digitale Sektoren; die Einzel-Panel-Rekrutierung in einem Kollektionszeitraum impliziert ebenfalls kulturelle und kontextuelle Spezifität, sodass die beobachteten Assoziationen möglicherweise nicht auf Arbeitsmärkte, KI-Governance-Regime oder Berufskulturen verallgemeinern werden. Psychologische Sicherheit wurde auch als individuelle Wahrnehmung gemessen und nicht als gemeinsames Teamklima. Zukünftige Forschung sollte longitudinale oder erfahrungsbasierte Sampling-Designs verwenden, um Gewinnspiralen nachzuverfolgen, mehrstufige Designs, die individuelle und teambasierte psychologische Sicherheit, Wahrscheinlichkeits- oder organisationsbasierte Stichproben über KI-Reifestufen hinweg trennen, sowie Erweiterungen des AITC-Konstrukts auf Attribute wie Transparenz, Kontrollierbarkeit und Erklärbarkeit. Ungeachtet dieser Einschränkungen liefert die Studie ein replizierbares Protokoll und einen anfänglichen Beweis dafür, dass die Assoziationen von agentischer KI mit Arbeitsergebnissen durch die psychologischen Ressourcen der Mitarbeitenden funktionieren und von ihnen begrenzt sind – Wissen, das Forschern, Praktikern und politischen Entscheidungsträgern helfen sollte, agentische Systeme so einzusetzen, dass sie die menschliche Seite der Arbeit ergänzen statt untergraben.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Prolific	Prolific	https://www.prolific.com/	Online-Umfrage-Panel-Anbieter
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com/	Umfrage-Codierung
SmartPLS	SmartPLS GmbH	Version 4.0.1, https://www.smartpls.com/	PLS-SEM-Analyse