Cómo la IA Agente Remodela el Trabajo: Los Roles del Excedente Cognitivo, la Seguridad Psicológica y la Reasignación de Tareas entre IA y Humanos

Resumen

Este protocolo describe un flujo de trabajo basado en encuestas para examinar cómo las características tecnológicas de la IA Agente se relacionan con el excedente cognitivo, la seguridad psicológica y la reasignación de tareas IA-humanos entre 331 empleados. La modelización estructural parcial de mínimos cuadrados con análisis multigrupo revela diferencias basadas en roles entre líderes y personal.

Resumen

Este estudio examina cómo las características tecnológicas de la IA Agente se relacionan con los estados psicológicos y las respuestas conductuales de los empleados en las organizaciones. Basándonos en la teoría de Demandas de Empleo-Recursos (JD-R) y la teoría de Conservación de Recursos (COR), conceptualizamos las características tecnológicas de IA Agente (AITC) como un constructo de orden superior que comprende planificación autónoma, orquestación de múltiples herramientas y retroalimentación proactiva, y proponemos que estas características funcionan como recursos laborales asociados a un mayor excedente cognitivo y seguridad psicológica, lo que a su vez se relaciona con la reasignación de tareas IA-humanos. Investigamos además si estas relaciones difieren entre líderes y personal. Se realizó una encuesta en línea transversal y anónima a través de una plataforma de encuestas a participantes reclutados mediante un panel de investigación utilizando muestreo no probabilístico intencionado; la elegibilidad estaba restringida a adultos con experiencia laboral actual o previa relacionada con IA, y las respuestas evaluadas y evaluadas arrojaron una muestra final de 331 empleados (171 líderes, 160 empleados). Todos los constructos se midieron con escalas validadas adaptadas al contexto de IA agente en escalas Likert de 7 puntos. Los datos se analizaron utilizando modelado estructural de ecuaciones de mínimos cuadrados parciales (PLS-SEM), aplicando un enfoque en dos etapas para el constructo de segundo orden, bootstrapping con 5.000 remuestreos para efectos directos e indirectos, y análisis multigrupo (MGA) para comparaciones líder-personal. El modelo de medición demostró una fiabilidad y validez aceptables, y los resultados estructurales fueron consistentes con el modelo teorizado de ganancia de recursos: el AITC se asoció positivamente con el superávit cognitivo, la seguridad psicológica y la reasignación de tareas, con vías de mediación significativas y asociaciones más fuertes entre los líderes del AITC. Al centrarse en los mecanismos psicológicos en lugar del rendimiento técnico, este estudio amplía la investigación emergente sobre IA Agente y ofrece implicaciones prácticas para las estrategias de adopción de IA diferenciadas por roles.

Introducción

La proliferación de la IA Agente está redefiniendo el papel de la inteligencia artificial en las industrias y en la vida^{organizacional 1,2}. La IA agente puede definirse como una forma avanzada de inteligencia artificial que percibe entornos cambiantes, establece objetivos de forma independiente mediante mecanismos de razonamiento y orquesta secuencias de acciones con supervisión humana^{mínima 3,4}. Se distingue de la IA tradicional, incluidas las herramientas convencionales de IA generativa, en tres aspectos: autonomía, porque los sistemas agentes persiguen objetivos con mínima intervención humana en lugar de ejecutar reglas^{preprogramadas 5,6}; función principal, porque su propósito es automatizar flujos de trabajo complejos más que tareas^{individuales 7}; y arquitectura, porque coordinan múltiples modelos de lenguaje grandes, interfaces de programación de aplicaciones (API) y agentes en lugar de depender de un único modelo⁷. Estas capacidades se basan en las características tecnológicas definitorias examinadas en este^{estudio 8,9}. La planificación autónoma (PA) significa que, dado el objetivo del usuario, el sistema lo descompone de forma independiente en subtareas y revisa su plan a medida que las restricciones^{cambian 10}; Por ejemplo, un empleado puede dar una instrucción de una línea y recibir un plan de proyecto viable en varios pasos. La orquestación multiherramienta (MTO) significa que el sistema selecciona, secuencia e integra herramientas y APIs^{externas 1,11,12}; por ejemplo, combinar búsqueda web, editores de documentos y herramientas de análisis de datos para producir un informe único y coherente. La retroalimentación proactiva (PF) significa que el sistema señala errores, información faltante y suposiciones arriesgadas antes de que se le^{pregunte 10,13}; Por ejemplo, recordar a un empleado puntos de validación o control de cumplimiento durante la ejecución de la tarea. Nos centramos en estas tres características, denominadas colectivamente características tecnológicas de IA Agente (AITC), porque son las capacidades funcionales que diferencian la IA agente de la IA tradicional en el trabajo^{cotidiano 7,10}; atributos como la transparencia, la controlabilidad y la explicabilidad importan para la confianza en la IA en general, pero no son específicos del paradigma agente, por lo que los tratamos como condiciones límite para futuras investigaciones en lugar de dimensiones focales.

A pesar de la rápida difusión de la IA Agente en los lugares de trabajo, la literatura existente se ha centrado principalmente en su arquitectura técnica, eficiencia operativa y capacidades de automatización de tareas, prestando relativamente poca atención a cómo estas características remodelan los estados psicológicos y las respuestas conductuales^{de los empleados 14,15}. Esta omisión es importante porque reasignar tareas entre humanos e IA no es un ajuste puramente técnico, sino un proceso psicológica y organizativo: los empleados deben desafiar los flujos de trabajo existentes, redefinir los límites de roles y aceptar nuevas formas de colaboración con sistemas^{inteligentes 16,17}. Estos cambios no ocurren automáticamente simplemente porque exista tecnología avanzada disponible. Por tanto, el objetivo de este estudio es triple: examinar si el AITC funciona como recursos laborales asociados al excedente cognitivo, la seguridad psicológica y la reasignación de tareas entre IA y humanos; investigar los roles mediadores y sequenciales del excedente cognitivo y la seguridad psicológica; y explorar si estas relaciones estructurales difieren entre líderes y personal. La novedad de este estudio es triple. En primer lugar, conceptualiza y operacionaliza las características tecnológicas de la IA Agente—planificación autónoma, orquestación de múltiples herramientas y retroalimentación proactiva—como un recurso laboral de mayor nivel dentro del marco JD-R, en lugar de tratar la adopción de la IA como un contexto indiferenciado. En segundo lugar, introduce la reasignación de tareas entre IA y humanos como una forma específica de dominio y desarrollada por tecnología, distinta tanto de la elaboración genérica de tareas como de los resultados de transformación digital de arriba hacia abajo. En tercer lugar, proporciona, hasta donde sabemos, la primera evidencia multigrupal de que las asociaciones generadoras de recursos de la IA Agente varían sistemáticamente entre líderes y personal.

La justificación teórica integra la teoría de Demandas de Empleo-Recursos (JD-R) y la teoría de Conservación de Recursos (COR). La teoría JD-R sostiene que cada trabajo comprende las demandas del trabajo, los aspectos físicos, emocionales y cognitivos que requieren un esfuerzo sostenido, y los recursos del puesto, los aspectos que reducen las demandas, apoyan el logro de objetivos y estimulan el desarrollo personal; Su equilibrio determina el compromiso, el bienestar y el rendimiento ^18,19. La teoría COR añade un mecanismo dinámico: los individuos se esfuerzan por obtener, retener y proteger recursos valiosos, y los recursos acumulados inician espirales de ganancias en las que los recursos existentes se reinvierten para adquirir más^recursos 20,21,22^. Desde esta perspectiva conjunta, el AITC puede conceptualizarse no solo como características técnicas, sino como una nueva forma de recurso laboral: al absorber tareas repetitivas y cognitivamente exigentes como la planificación y el análisis diagnóstico, los sistemas agentes reducen las demandas y conservan la energía y el tiempo cognitivo^{de los empleados 15,23}. Definimos el excedente cognitivo (CS) como el reservorio de energía cognitiva y tiempo discrecional que queda disponible cuando estas tareas rutinarias se delegan a la tecnología, y que puede reinvertirse en la participación colectiva, la colaboración y la creación de nuevo valor²⁴. La CS es así conceptualmente distinta del compromiso laboral, que es un estado afectivo-motivacional, y de la mera disponibilidad temporal, porque denota un stock convertible de recursos personales en el sentido^{COR 20,24}. La CS también se distingue del desapego y la recuperación psicológicos, que se refieren a la restauración de la energía agotada lejos del trabajo, y de la riqueza temporal, que denota la percepción subjetiva de tener suficiente tiempo; CS se refiere en cambio a la capacidad cognitiva liberada que permanece disponible para reinvertir durante el propio trabajo. En términos de COR, la CS acumulada representa una ganancia de recursos que debería apoyar el bienestar laboral al amortiguar el agotamiento y el agotamiento, mientras que su absorción por demandas rutinarias adicionales indicaría pérdida^{de recursos} 20,23,24. Si el tiempo ahorrado se convierte realmente en excedente puede depender de características individuales como la alfabetización en IA, de normas de carga de trabajo que pueden absorber el tiempo ahorrado con demandas adicionales, y de la cultura organizativa; Por lo tanto, tratamos la vía de ganancia de recursos como una hipótesis a probar más que como una suposición.

H1: El AITC está positivamente asociado con la informática.

La seguridad psicológica (PS) se define como la creencia de que el entorno laboral es seguro para asumir riesgos interpersonales, como admitir errores, pedir ayuda y desafiar el statu quo^25,26. Aunque la seguridad psicológica se ha estudiado a menudo como un clima a nivel de equipo, este estudio la conceptualiza y mide como una percepción a nivel individual, coherente con nuestro diseño de encuestas^{a nivel individual 27,28}. Cuando los sistemas agenticos proporcionan retroalimentación orientada al aprendizaje y herramientas de apoyo, el coste interpersonal de experimentar y exponer errores puede disminuir, porque los empleados pueden probar y corregir su trabajo antes de presentarlo a otros^26,28. Reconocemos, sin embargo, que la dinámica opuesta es plausible: cuando se despliegan sistemas agentes para vigilancia o para la búsqueda de responsabilidad, el riesgo y la desconfianza percibidos entre las personas y la desconfianza pueden aumentar^{en 29,30}. Dado que las características examinadas aquí son de carácter asistencial más que evaluativo, planteamos una asociación positiva tratando esta posibilidad bilateral como una condición de frontera importante.

H2: El AITC está positivamente asociado con la PS.

Definimos la reasignación de tareas IA-humano (AHTR) como la redistribución auto-iniciada de las tareas por parte de los empleados entre ellos y los sistemas de IA, delegando tareas rutinarias a la IA mientras amplían sus propias responsabilidades estratégicas y creativas. Posicionamos AHTR como una forma específica de creación de puestos por dominio. En el modelo basado en JD-R de Tims y Bakker, la elaboración de trabajos comprende el aumento de recursos laborales, el incremento de la demanda de desafíos y la disminución de las demandas de obstáculos^17,31; en la tipología de Wrzesniewski y Dutton, comprende la elaboración de tareas, relacional y^{cognitiva 32}. AHTR corresponde más estrechamente a la elaboración de tareas llevada a cabo mediante tecnología: delegar tareas rutinarias a la IA simultáneamente disminuye las demandas de obstáculos y moviliza un nuevo recurso de empleo 17,23,32. Es más limitado que un resultado general de transformación digital porque captura cambios discrecionales e impulsados por los empleados en los límites de las tareas, en lugar de un rediseño organizativo de arriba^{hacia abajo 33}. Privilegiamos la reasignación de tareas sobre la elaboración relacional y cognitiva porque la redistribución de tareas es la interfaz conductual más inmediata entre empleados y sistemas agentivos y es directamente observable en la adopción temprana, mientras que la elaboración relacional y cognitiva suelen surgir como adaptaciones^{posteriores 31,32}. A diferencia de estudios previos que tratan la adopción de IA como antecedente contextual de la elaboración general^{de trabajos 16,34}, nosotros modelamos la reasignación en sí misma como el comportamiento focal de la elaboración. Debido a que esta reasignación altera los flujos de trabajo establecidos, los empleados tienen más probabilidades de llevarla a cabo cuando disponen de suficientes recursos cognitivos para rediseñar su trabajo y se sienten psicológicamente seguros para asumir los riesgos interpersonales^{asociados 16,34}. Dentro de la lógica de espiral de ganancia de la teoría COR, la seguridad psicológica también funciona como un recurso contextual que protege y amplifica la acumulación de excedente^{cognitivo 22}.

H3: La CS está positivamente asociada con el AHTR.

H5: La PS está positivamente asociada con la AHTR.

H6: La PS está positivamente asociada con la informática.

H9: El AITC está positivamente asociado con el AHTR.

Integrando estos argumentos, se espera que el AITC se relacione con el AHTR no solo directamente, sino también indirectamente, a través de las vías de ganancia de recursos del excedente cognitivo y la seguridad psicológica.

H4: CS media la relación entre AITC y AHTR.

H7: PS media la relación entre AITC y AHTR.

H8: PS y CS median secuencialmente la relación entre AITC y AHTR.

Por último, los empleados no interpretan ni responden de forma uniforme a la IA Agente. Gibson, Cooper y Conger describieron la distancia perceptual entre líderes y sus equipos como una discrepancia cognitiva respecto a los mismos objetivos organizativos, basada en asimetrías de acceso a la información, responsabilidad, exposición al riesgo y experiencia^{laboral 35}. Basándose en esta visión, los líderes y el personal ocupan posiciones estructuralmente diferentes respecto a la adopción de la IA: los líderes tienen responsabilidad estratégica y tienden a enmarcar la IA como un recurso orientado a la aumentación para la productividad y la toma de decisiones basada en datos, mientras que el personal está relativamente más expuesto a la inseguridad laboral relacionada con la automatización y a la sobrecarga de aprendizaje^20,30. Tratamos estos patrones como tendencias a probar empíricamente más que como disposiciones fijas de cualquiera de los grupos. Estas discrepancias basadas en roles pueden generar patrones heterogéneos en las relaciones entre AITC, CS, PS y AHTR, pero la investigación empírica que captura explícitamente estas diferencias de grupo sigue siendo limitada.

H10a: Las asociaciones del AITC con CS y PS varían entre líderes y personal.

H10b: Las asociaciones de PS y CS con AHTR difieren entre líderes y personal.

El protocolo a continuación describe el flujo de trabajo completo, desde la captación y selección de participantes hasta la administración de encuestas, limpieza de datos, validación de mediciones, estimación de modelos estructurales, análisis de mediación y análisis multigrupo (MGA) (Figura 1), para que el procedimiento pueda replicarse de forma independiente. El modelo de investigación se representa en la Figura 2: AITC, modelado como un constructo de segundo orden que comprende AP, MTO y PF, se relaciona con AHTR directa e indirectamente a través de CS y PS, siendo PS también relacionado con CS; la diferencia entre líderes y personal se examina a través de la MGA.

Figura 1. Flujo de trabajo general de diseño de estudios. Esquema del protocolo completo de investigación. Los participantes fueron reclutados a través del panel en línea mediante muestreo no probabilístico intencionado y evaluados para obtener experiencia laboral relacionada con IA; los encuestados elegibles completaron una encuesta anónima que medía todos los constructos en escalas de Likert de 7 puntos. Tras la limpieza de datos (fallos de cribado, fallos de comprobación de atención y tiempos de finalización increíblemente cortos eliminados; final N = 331), se validó el modelo de medición (fiabilidad: α de Cronbach, fiabilidad compuesta; validez convergente: varianza media extraída; validez discriminante: HTMT y Fornell-Larcker), se validó el constructo de segundo orden mediante el enfoque de dos etapas, y se estimaron el modelo estructural, las vías de mediación y el análisis multigrupo líder-personal con 5.000 Remuestreos de Bootstrap. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 2. Modelo de investigación propuesto. Modelo conceptual de las relaciones hipotetizadas. Las características tecnológicas de IA agente (AITC), un constructo de segundo orden que comprende la planificación autónoma (PA; la capacidad del sistema para descomponer objetivos en subtareas y revisar planes), la orquestación de múltiples herramientas (MTO; la capacidad de seleccionar, secuenciar e integrar múltiples herramientas y APIs) y la retroalimentación proactiva (PF; la capacidad de señalar errores y riesgos sin que se lo pida), se hipotetizan positivamente con el excedente cognitivo (CS; el reservorio de energía cognitiva y tiempo discrecional liberado cuando las tareas rutinarias se delegan a la IA), la seguridad psicológica (PS; la percepción de que el entorno laboral es seguro para la asunción de riesgos interpersonales) y la reasignación de tareas IA-humano (AHTR; redistribución auto-iniciada de las tareas por parte de los empleados entre ellos y la IA) (H1, H2, H9). Se hipotetiza que la CS y la PS están positivamente asociadas con AHTR (H3, H5), PS con CS (H6), y CS y PS para mediar, individual y secuencialmente, la relación AITC-AHTR (H4, H7, H8). Las flechas representan caminos estructurales hipotéticos; H10a/H10b denotan diferencias hipotéticas entre líderes y personal evaluadas mediante análisis multigrupo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Protocolo

Todos los procedimientos se realizaron conforme a los estándares éticos para la investigación con participantes humanos en la Universidad aSSIST y la Universidad Dong-A. Dado que todas las respuestas fueron anonimizadas al recogerse y no se recopiló información personal identificable en ningún momento, la Junta de Revisión Institucional de la Universidad aSSIST determinó que el estudio estaba exento de revisión completa conforme al Artículo 15 de la Ley de Bioética y Seguridad de la República de Corea y al Artículo 13 de su Norma de Aplicación. La encuesta comenzó con una página de información y consentimiento en la que se indicaba que la participación estaba restringida a personas actualmente empleadas y involucradas en un proyecto de IA, describiendo el propósito del estudio y explicando la naturaleza voluntaria de la participación, el anonimato de las respuestas y el uso previsto de los datos; solo los encuestados que estuvieron de acuerdo explícitamente accedieron al cuestionario. La página de consentimiento se proporciona en el Archivo Suplementario 1.

Determinación del tamaño de la muestra

Se realizó un análisis de potencia a priori antes de la recogida de datos utilizando G*Power 3.1.9.7 (RRID: SCR_013726) para la familia de regresión múltiple lineal, especificando el mayor número de predictores dirigidos a un único constructo endógeno en el modelo; en este estudio, AHTR se predice mediante tres constructos (AITC, CS y PS). Con un tamaño de efecto medio (f² = 0,15), α = 0,05 y un poder estadístico de 0,80, la muestra mínima requerida era de 77 casos; la salida del protocolo G*Power se proporciona en el Archivo Suplementario 2. El tamaño mínimo de la muestra se comprobó mediante el método de la raíz cuadrada inversa para^{PLS-SEM 36}, bajo el cual se requieren aproximadamente 155 casos para detectar un coeficiente mínimo de camino estandarizado de aproximadamente 0,20 en el nivel de significación del 5% con un 80% de potencia. Finalmente, el objetivo de reclutamiento se estableció para superar sustancialmente ambos mínimos, con el fin de apoyar el bootstrapping de efectos indirectos y el análisis multigrupo de muestras divididas; la muestra final (N = 331; líderes n = 171, personal n = 160) cumplió con el requisito mínimo de muestra dentro de cada subgrupo.

Reclutamiento y selección de participantes

Los participantes fueron reclutados a través del panel de investigación en línea utilizando muestreo no probabilístico intencionado; es decir, la muestra se restringió deliberadamente a encuestados que cumplían un criterio sustantivo a priori —experiencia laboral actual o previa relacionada con IA— en lugar de ser seleccionados al azar de la población general. La elegibilidad estaba restringida a encuestados de 18 años o más. La experiencia laboral relacionada con IA se materializó a través del ítem de selección "¿Cuál de los siguientes describe mejor tu situación actual?", presentado antes del cuestionario principal; solo los encuestados que indicaron estar actualmente empleados y actualmente involucrados en trabajos relacionados con IA continuaron, mientras que las opciones restantes (empleados pero no involucrados en trabajo de IA; no empleados pero previamente involucrados; no empleados y no involucrados) provocaron una exclusión inmediata. La recogida de datos se realizó en una sola sesión el 8 de febrero de 2026 (10:28–13:30), y los participantes recibieron una compensación de 6,98 libras esterlinas por hora, de acuerdo con la política de pago justo de la plataforma. Se evitó la participación duplicada gracias a los identificadores únicos de participantes de la plataforma y a la configuración de prevención de respuestas duplicadas de la plataforma. Se registró el número de encuestados en cada etapa para documentar el flujo de trabajo de inclusión/exclusión: se registraron 537 respuestas; 151 fueron eliminados por las preguntas de selección (quedaban 386); 40 fueron retirados por no superar las comprobaciones de atención, incluyendo la línea recta (quedaban 346); y 15 fueron retirados por tiempos de finalización increíblemente cortos (por debajo de aproximadamente 180 s), dando como resultado la muestra final de N = 331.

Definición estandarizada e instrucciones de encuesta

Se informó a los participantes de que la encuesta examinaba cómo la IA Agente puede afectar a las organizaciones y a sus miembros. Al inicio de la encuesta, a todos los participantes se les mostró una breve definición estandarizada de IA Agente, coherente con la definición dada en la Introducción: un sistema avanzado de IA caracterizado por la planificación autónoma, la orquestación de múltiples herramientas y la retroalimentación proactiva que realiza acciones orientadas a objetivos con supervisión humana limitada (Figura 1, paso 2). La elegibilidad estaba restringida a los encuestados que estaban actualmente empleados y participaban en un proyecto de IA, lo que proporcionaba una base laboral relevante para responder al cuestionario. No se incluyó ningún elemento separado para la comprobación de comprensión; Por tanto, la definición estandarizada servía como una orientación contextual más que como una comprobación de comprensión verificada. Se instruyó a los participantes para responder a cada cuestión basándose en su experiencia real de usar o trabajar con estos sistemas de IA Agente en contextos organizacionales.

Desarrollo y administración de instrumentos de topografía

El cuestionario se desarrolló a partir de escalas de medición validadas adaptadas al contexto organizacional de IA agente. La Tabla 1 enumera cada elemento, su escala de origen y estadísticas descriptivas: los ítems AP, MTO y PF fueron adaptados de conceptualizaciones recientes de IA^{Agentica 7,8}; ítems de CS de la investigación cognitiva-de recursos generativos³⁷; PS ítems de Plomp et ^al.38; y los ítems AHTR de escalas de elaboración de trabajos basadas en^{JD-R 17,39} adaptados a la reasignación de tareas. Todos los constructos se midieron en escalas de Likert de 7 puntos que iban desde 1 ("fuertemente en desacuerdo") hasta 7 ("totalmente de acuerdo"). La encuesta se organizó en bloques que abarcan la página de consentimiento, el cribado, los ítems AITC (AP, MTO, PF), CS, PS, AHTR y características demográficas/de control; el instrumento también contenía escalas adicionales (alfabetización en IA y autoeficacia de amplitud de roles) que están fuera del alcance del modelo actual y que fueron recopiladas pero no analizadas aquí, reportadas para mayor transparencia. La encuesta se alojaba en la plataforma de encuestas en línea; El botón de retroceso estaba deshabilitado para que los encuestados no pudieran revisar respuestas anteriores, y los ítems se presentaron en un orden fijo dentro de bloques. El tiempo medio de finalización fue de 7 min 44 s. Dos ítems de comprobación de atención con respuesta instruida se incorporaron como ramas de flujo de encuesta que cerraban la encuesta cuando se respondía incorrectamente: (i) una comprobación factual, "¿Es IA una abreviatura de Información sobre Alcachofas?" (respuesta correcta: No), y (ii) una comprobación de comprensión de escala que confirma que las respuestas se registraron en una escala de Likert de 7 puntos que va desde "fuertemente en desacuerdo" hasta "totalmente de acuerdo". Antes de la administración principal, se realizó una prueba piloto con 124 encuestados para evaluar la claridad de los ítems de la encuesta, el flujo general de la encuesta, la duración de la finalización y la viabilidad del cuestionario; Se revisó la duración de la finalización para identificar respuestas inusualmente cortas y confirmar que la duración de la encuesta era adecuada para los encuestados objetivo. La prueba piloto no indicó problemas de redacción que requirieran revisión de ítems, y no se realizaron cambios de redacción antes de la encuesta principal. Además, los datos piloto se analizaron utilizando PLS-SEM como procedimiento preliminar de validación para evaluar el rendimiento de los indicadores, la fiabilidad de la construcción, la validez convergente, la validez discriminante, la colinealidad y la plausibilidad de las relaciones estructurales propuestas; Los resultados respaldaron la idoneidad del instrumento para el levantamiento principal.

Constructo		Punto	Pregunta			Promedio	STDEV	VIF	Fuente
AITC	AP	AP1	Cuando propongo un objetivo, la IA ayuda a crear un plan de varios pasos para alcanzarlo.			5.81	0.9	1.44	Abou Ali, M., et al. (2025); Sapkota, R., et al. (2025)
		AP2	La IA puede revisar su plan cuando cambian las limitaciones o requisitos.			5.75	0.99	1.37
		AP3	La IA divide trabajos complejos en subtareas manejables sin necesidad de instrucciones paso a paso.			5.33	1.37	1.33
	MTO	MTO1	La IA puede combinar múltiples herramientas o aplicaciones (por ejemplo, búsqueda, documentos, herramientas de datos) para completar una tarea.			5.69	1.11	1.5
		MTO2	La IA sugiere la(s) herramienta(s) correcta(s) y las utiliza en la secuencia correcta para producir un entregable.			5.36	1.04	1.64
		MTO3	La IA ayuda a integrar los resultados de diferentes herramientas en un solo resultado coherente.			5.61	1.01	1.63
	PF	PF1	La IA señala proactivamente errores, información que falta o suposiciones arriesgadas en mi trabajo.			4.9	1.44	1.68
		PF2	La IA sugiere mejoras antes de que le pida explícitamente feedback.			5.07	1.38	1.85
		PF3	La IA me recuerda a los puntos de control (por ejemplo, validación, cumplimiento, calidad) para evitar rework.			5.02	1.4	1.6
CS		CS1	Usar IA ha liberado mi energía mental para centrarme en trabajos más complejos y significativos.			5.59	1.28	2.07	Liu, Y., Sheng, F., & Liu, R. (2025)
		CS2	Tengo más tiempo disponible para pensar estratégicamente y resolver problemas desde que uso IA.			5.61	1.23	2.38
		CS3	La carga de trabajo de las tareas rutinarias ha disminuido significativamente, dándome espacio para nuevas iniciativas.			5.42	1.28	2.23
		CS4	Me siento menos agotado mentalmente al final de la jornada laboral porque la IA se encarga de tareas repetitivas.			5.15	1.5	1.91
PD		PS1	En mi lugar de trabajo, es seguro asumir un riesgo relacionado con el uso de la IA de nuevas maneras.			4.74	1.37	1.52	Plomp et al. (2019)
		PS2	Mi jefe fomenta la experimentación con IA y tolera los errores.			4.52	1.61	1.68
		PS3	Me siento cómodo hablando si tengo dudas sobre cómo se está usando la IA en mi equipo.			5.48	1.24	1.32
		PS4	Mis compañeros me apoyan si pruebo nuevas formas de trabajar con IA.			5.26	1.32	1.48
		PS5 (excluido)	No temo las consecuencias negativas si propongo usos innovadores de la IA en mi trabajo.			4.47	1.59	1.23
AHTR		AHTR1	Transfiero deliberadamente tareas rutinarias (por ejemplo, introducción de datos, formato de informes) a IA para poder centrarme en trabajos de mayor valor.			5.12	1.35	1.68	Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024)
		AHTR2	Busco activamente oportunidades para usar IA y gestionar tareas que antes hacía manualmente.			5.58	1.28	1.84
		AHTR3	Desde que uso IA, he asumido nuevas o ampliadas responsabilidades que son más estratégicas o creativas.			5.18	1.3	1.58
		AHTR4 (excluido)	Negocio con mi jefe sobre qué tareas debe manejar la IA y cuáles debería hacer yo.			4.09	1.65	1.23
		AHTR5	He rediseñado mi trabajo reasignando tareas rutinarias a la IA, liberándome para tareas más significativas.			4.92	1.35	1.67

Tabla 1: Ítems de medición, fuentes, estadística descriptiva y evaluación completa de colinealidad. Instrumento de levantamiento completo. Cada elemento se enumera con su constructo (dimensiones AITC AP, MTO, PF; CS; PD; AHTR), código de artículo, redacción, media, desviación estándar (STDEV), factor de inflación de varianza de la colinealidad completa (VIF; los valores <3,3 indican la ausencia de contaminación común por variación del método) y la escala fuente de la que se adaptó. Todos los ítems se midieron en escalas de Likert de 7 puntos (1 = fuertemente en desacuerdo, 7 = totalmente de acuerdo). La PS5 y la AHTR4 fueron eliminadas durante la evaluación del modelo de medición debido a bajas cargas exteriores. AITC = Características tecnológicas de IA agente; AP = planificación autónoma; MTO = orquestación multiherramienta; PF = retroalimentación proactiva; CS = superávit cognitivo; PS = seguridad psicológica; AHTR = reasignación de tareas IA-humano. Por favor, haz clic aquí para descargar esta tabla.

Preparación y limpieza de datos

Las respuestas en bruto se exportaron en formato CSV. Se excluyeron los casos que no cumplieron el criterio de cribado ni los ítems de la verificación de atención, al igual que las respuestas con datos sustancialmente ausentes (ajustes de respuesta forzada minimizados dentro de la encuesta); Los recuentos de exclusión resultantes en cada etapa están documentados en la Sección 2 del protocolo (537 registrados → 331 conservados). Los datos retenidos se inspeccionaron para comprobar su consistencia y se examinaron patrones de respuesta inatenta: se eliminaron las respuestas en línea recta mediante las comprobaciones de atención, y se excluyeron las respuestas con tiempos de finalización inverosímilmente cortos (por debajo de aproximadamente 180 s). Luego se codificaron variables para el análisis (por ejemplo, Rol: Líder = 1, Personal = 0; Género: Masculino = 1, Mujer = 0) según se documenta en la Tabla 2, los controles categóricos como el de la industria se codificaron con indicadores k-1, y el conjunto de datos finalizado se importó al software PLS-SEM. Un libro de códigos que mapea cada variable a su texto, código y construcción se proporciona como Archivo Suplementario 2.

Evaluación del modelo de medición

Usando el software PLS-SEM, cada elemento observado se asignaba a su constructo latente, y todos los constructos de primer orden (AP, MTO, PF, CS, PS, AHTR) se especificaban como reflectantes. AITC se especificó como un constructo de segundo orden que comprende AP, MTO y PF y se estimó con el enfoque de dos etapas 40,41,42: primero se obtuvieron puntuaciones de variables latentes para los constructos de primer orden y luego se usaron (AP_LVS, MTO_LVS, PF_LVS) como indicadores formativos de AITC. El algoritmo PLS se ejecutaba con el esquema de ponderación de caminos, un máximo de 3.000 iteraciones y un criterio de parada de 10⁻⁷. La fiabilidad de consistencia interna se evaluó frente a los umbrales de fiabilidad α y compuesta (CR) de Cronbach de 0,70⁴³, tratando α valores de 0,5 a 0,6 como marginalmente aceptables para escalas cortas en contextos de investigación^{emergentes 43}; la validez convergente se evaluó frente al umbral medio de varianza extraída (AVE) de 0,50⁴⁴; y la validez discriminante se evaluó utilizando la proporción heterorasgo-monorasgo (HTMT <0,85, umbral conservador)⁴⁵ y el criterio^{de Fornell-Larcker 44}. Cuando no se cumplían los criterios de fiabilidad o validez convergente, se inspeccionaban las cargas exteriores y se eliminaban indicadores de bajo rendimiento mientras se mantenía la validez del contenido, documentando cada eliminación y su justificación; en este estudio, PS5 y AHTR4 fueron eliminados debido a bajas cargas exteriores, lo que mejoró la validez convergente de PS y AHTR.

Modelo estructural y análisis de mediación

Las trayectorias estructurales se especificaron de acuerdo con el modelo de investigación (Figura 2), y se examinó la colinealidad entre los constructos predictores utilizando factores de inflación de varianza dentro del modelo (VIF < 5,0)³⁶ y VIFs de colinealidad total (<3,3)^46,47. La significación de trayectoria se estimó mediante bootstrapping con 5.000 remuestreos utilizando intervalos de confianza percentiles y pruebas bicolas, y se reportaron coeficientes de camino estandarizados (β), medias muestrales (M), desviaciones estándar (STDEV), valores t, valores p, intervalos de confianza del 95%, R² y tamaños de efecto (f²). El poder predictivo fuera de muestra se evaluó usando PLSpredict con 10 dobleces y 10 repeticiones; para cada indicador endógeno, se inspeccionó la predicción^{Q 2}(>0 indica relevancia predictiva) y se compararon los errores de predicción PLS-SEM (RMSE y MAE) con el benchmark⁴⁸ del modelo lineal (LM). Para el análisis de mediación, se especificaron los efectos indirectos de AITC sobre AHTR a través de CS, PS y a través de la vía secuencial PS → CS, y cada efecto indirecto específico se evaluó usando la distribución bootstrap (5.000 remuestras), con un efecto indirecto considerado significativo cuando su intervalo de confianza del 95% excluyó cero.

Análisis multigrupo

Los encuestados se clasificaron en grupos de líderes y personal según el rol organizativo autodeclarado (Rol: Líder = 1, Personal = 0; Tabla 2); El grupo de líderes estaba compuesto por líderes de equipo/supervisores, gerentes/jefes de departamento y ejecutivos/altos directivos, y el grupo de personal estaba formado por empleados a nivel de personal. Antes de comparar los coeficientes de camino, se estableció la invariancia de medición entre grupos utilizando el procedimiento⁴⁵ de invariancia de modelos compuestos (MICOM). El paso 1 (invariancia configural) se cumplió mediante la especificación idéntica del modelo entre grupos, y el paso 2 (invariancia composicional) se apoyó para todos los constructos, con correlaciones originales en o por encima de sus cuantiles del 5% y valores p de permutación no significativos (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), estableciendo la invariancia parcial de medición y justificando la comparación multigrupo (resultados completos de MICOM en el Archivo Suplementario 3). El modelo se estimó por separado para cada grupo, y se probaron las diferencias de trayectoria usando PLS-MGA basado en bootstrap, con valores p de una y dos colas reportados para la diferencia líder-bastón (Δ) de cada camino; Se informaron coeficientes de camino, valores t y valores p específicos de grupo para todos los caminos directos e indirectos, junto con la magnitud de cada diferencia entre grupos.

Informes, verificación y resolución de problemas

Se compilaron todos los resultados de fiabilidad, validez, estructural, mediación y MGA; las tablas de resultados se exportaron; y cada estadística reportada se verificó frente a la salida generada por software para asegurar la consistencia entre tablas, figuras y texto. Para la resolución de problemas, se aplican las siguientes directrices: si muchas respuestas no superan el filtro o las comprobaciones de atención, se refinan los requisitos de elegibilidad y se aclaran las instrucciones de la encuesta; si no se cumplen los criterios de fiabilidad (CR < 0,70) o validez convergente (AVE < 0,50), revisar las cargas externas y eliminar indicadores débiles preservando la cobertura teórica; si se identifica colinealidad (VIF por encima de umbrales), reevaluar las especificaciones de la construcción y eliminar indicadores redundantes; si la mediación o los efectos grupales no son significativos, reexaminar la adecuación de la muestra y construir la operacionalización antes de la interpretación; y utilizar un número adecuado de remuestreos bootstrap (por ejemplo, 5.000) para estabilizar estimaciones.

Resultados

Características de los participantes

La Tabla 2 presenta las características demográficas de la muestra final (N = 331). La muestra estaba compuesta por un 65,0% de hombres y un 35,0% de mujeres, con una distribución relativamente equilibrada entre líderes (51,7%, n = 171) y personal (48,3%, n = 160). El grupo de edad más numeroso era menor de 30 años (46,5%), seguido de 31–40 años (32,0%); El 76,4% poseía títulos de grado o posgrado. Los encuestados procedían de diversos sectores, liderados por la tecnología y las telecomunicaciones (46,2%) y de organizaciones de distintos tamaños. Este perfil es coherente con el enfoque intencionado del estudio en los empleados que participan activamente en trabajos relacionados con la IA.

Características	Categorías	Frecuencia (n)	%	Porcentaje acumulado
Género	Hombre (1)	215	65	65
	Femenino (0)	116	35	100
Edad	-30	154	46.5	46.5
	31-40	106	32	78.5
	41-50	44	13.3	91.8
	51-	27	8.2	100
Función	Líder (1)	171	51.7	51.7
	Personal (0)	160	48.3	100
Educación	Instituto de Secundaria	34	10.3	10.3
	Universidad	44	13.3	23.6
	Grado	142	42.9	66.5
	Posgrado	111	33.5	100
Industria	Telecomunicaciones tecnológicas, TIC,	153	46.2	46.2
	Servicios profesionales (Consultoría, Legal, Contabilidad)	38	11.5	57.7
	Industria manufacturera	37	11.2	68.9
	Servicios financieros	30	9.1	77.9
	Sanidad	30	9.1	87
	Sector público	24	7.3	94.3
	Comercio minorista	19	5.7	100
Tamaño de la empresa	Menos de 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 o más	42	12.7	100
Total		331	100	100

Tabla 2: Características demográficas de la muestra final. Distribución de los 331 encuestados por género, edad, rol organizativo, educación, industria y tamaño de la empresa. n = frecuencia; % = porcentaje de la muestra total; Porcentaje acumulado = porcentaje acumulado dentro de cada característica. Los valores entre paréntesis en la columna de Categorías indican la codificación binaria utilizada en el análisis (por ejemplo, Líder = 1, Personal = 0).

Evaluación del modelo de medición

Como el AITC se modela como un constructo de segundo orden, se aplicó un enfoque de dos^{pasos 40}. En primer lugar, se evaluaron la fiabilidad y validez de los constructos de primer orden utilizando la α de Cronbach, la fiabilidad compuesta (CR) y la varianza media extraída (AVE), como se muestra en la Tabla 3. PS5 y AHTR4 fueron excluidos debido a bajas cargas exteriores, lo que mejoró la validez convergente de PS (AVE = 0,563) y AHTR (AVE = 0,619)³⁶. Todos los valores CR superaban el umbral de 0,70, y todos los valores AVE superaban 0,50. Aunque el α de Cronbach para AP era 0,585, su CR (0,781) y AVE (0,547) se mantuvieron dentro de límites aceptables, y α valores de 0,5–0,6 pueden considerarse aceptables para escalas^{cortas 43}. Se apoyó la validez discriminante: todas las proporciones HTMT (0,25–0,77) estaban por debajo del umbral conservador de 0,85 (Tabla 4)⁴⁵, y la raíz cuadrada del AVE de cada constructo superaba su mayor correlación inter-constructos bajo el criterio Fornell-Larcker (Tabla 5)⁴⁴.

Constructo		α	Fiabilidad del compuesto	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
PD		0.741	0.837	0.563
AHTR		0.795	0.867	0.619

Tabla 3: Fiabilidad y validez convergente de los constructos de primer orden. α = alfa de Cronbach (consistencia interna; umbral 0,70, con 0,5–0,6 marginalmente aceptable para escalas cortas); Fiabilidad compuesta (CR; umbral 0,70); AVE = varianza media extraída (validez convergente; umbral 0,50). Valores reportados tras la eliminación de PS5 y AHTR4. AP = planificación autónoma; MTO = orquestación multiherramienta; PF = retroalimentación proactiva; CS = superávit cognitivo; PS = seguridad psicológica; AHTR = reasignación de tareas IA-humano.

Constructos		Proporción heterorasgo-monorasgo (HTMT)
		AP	MTO	PF	CS	PD	AHTR
AITC	AP
	MTO	0.75
	PF	0.64	0.59
CS		0.63	0.59	0.48
PD		0.45	0.36	0.25	0.48
AHTR		0.62	0.59	0.45	0.77	0.54

Tabla 4: Validez discriminante de los constructos de primer orden (HTMT). Relación heterorasgo-monorasgo de correlaciones entre pares constructos. Los valores por debajo del umbral conservador de 0,85 apoyan validez discriminante. AP = planificación autónoma; MTO = orquestación multiherramienta; PF = retroalimentación proactiva; CS = superávit cognitivo; PS = seguridad psicológica; AHTR = reasignación de tareas IA-humano.

Constructos		Criterio de Fornell-Larcker
		AP	MTO	PF	CS	PD	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
PD		0.31	0.27	0.19	0.39	0.75
AHTR		0.43	0.45	0.37	0.64	0.43	0.79

Tabla 5: Validez discriminante de los constructos de primer orden (criterio de Fornell-Larcker). Los elementos diagonales (en negrita) son las raíces cuadradas de la AVE de cada construcción; Los elementos fuera de la diagonal son correlaciones entre constructos. La validez discriminante se apoya cuando cada elemento diagonal excede todas las correlaciones en su fila y columna.

Como todas las variables fueron auto-reportadas por los mismos encuestados, se aplicaron tanto remedios procedimentales como^{estadísticos 49,50}. Proceduralmente, se garantizó el anonimato a los encuestados, la declaración de consentimiento enfatizó la participación voluntaria y la ausencia de respuestas correctas o incorrectas, los ítems predictores y criterio se colocaron en secciones separadas de la encuesta, se utilizaron escalas cortas validadas para reducir la fatiga y las comprobaciones de atención se filtraron respuestas descuidadas. Estadísticamente, la prueba de un solo factor⁵¹ de Harman mostró que un solo factor no rotado explicaba el 30,99% de la varianza, por debajo del criterio^{del 50% 49,52}. Como una comprobación más rigurosa, una evaluación completa de colinealidad⁴⁶ mostró que todos los VIF estaban por debajo de 3,3 (Tabla 1), lo que sugiere que no hay evidencia de sesgo severo en el método común, aunque dichos diagnósticos no pueden descartar concluyentemente la varianza del método^46,47.

La importancia de los efectos de la dimensión ascendente del constructo formativo de segundo orden (AITC) se evaluó mediante bootstrapping con 5.000^{remuestreos 36,41}. Como se muestra en la Tabla 6, los pesos formativos de AP_LVS (0,493, p < 0,001), MTO_LVS (0,492, p < 0,001) y PF_LVS (0,249, p < 0,001) fueron todos significativos, y todos los VIFs estaban por debajo de 3,3, lo que indica que cada dimensión de orden inferior contribuye de manera sustancial a la AITC sin preocupaciones de colinealidad. El modelo estructural final se estimó después utilizando el procedimiento de dos etapas^41,42 (Figura 3).

Indicador formativo	VIF	Original β	¡Mean β	STDEV	valor t	valor p
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

Tabla 6: Efectos de dimensión ascendente para el constructo formativo de segundo orden. Estimaciones bootstrap (5.000 remuestras) de los pesos formativos que vinculan las puntuaciones de variables latentes de AP, MTO y PF (AP_LVS, MTO_LVS, PF_LVS) con el AITC en el enfoque de dos etapas. β = peso estandarizado (Original) y media bootstrap; STDEV = desviación estándar bootstrap; VIF = factor de inflación de la varianza (<3,3 indica que no hay preocupación por la colinearidad); t-valor = \|β/STDEV\|; valor p de la distribución bootstrap. AITC = Características tecnológicas de IA agente; AP = planificación autónoma; MTO = orquestación multiherramienta; PF = retroalimentación proactiva.

Figura 3. Modelo estructural estimado. Modelo final con coeficientes de camino estandarizados (β) para la muestra completa (N = 331). Todas las abreviaturas como en la Figura 2; AP_LVS, MTO_LVS y PF_LVS denotan las puntuaciones variables latentes de AP, MTO y PF utilizadas como indicadores formativos de la AITC en el enfoque de dos etapas. Las flechas sólidas indican caminos significativos; los valores entre paréntesis son R² (la proporción de varianza explicada en cada constructo endógeno: AHTR = 0,471, CS = 0,363, PS = 0,114). La importancia se evaluó mediante auto-bootstrap con 5.000 remuestramientos; p < 0,001. AP = planificación autónoma; MTO = orquestación multiherramienta; PF = retroalimentación proactiva; AITC = Características tecnológicas de IA agente; CS = superávit cognitivo; PS = seguridad psicológica; AHTR = reasignación de tareas IA-humano. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Modelo estructural y análisis de mediación

La Tabla 7 informa de los coeficientes de camino con valores p, medias muestrales (M), desviaciones estándar (STDEV), valores t e intervalos de confianza del 95%. El AITC se asoció positivamente con el CS (β = 0,485, p < 0,001), que soportaba H1, y con el PS (β = 0,338, p < 0,001), que apoyaba H2. La CS se asoció positivamente con AHTR (β = 0,444, p < 0,001), soportando H3, al igual que PS (β = 0,179, p < 0,001), soportando H5. La PS se asoció positivamente con la CS (β = 0,230, p < 0,001), que soportaba H6, y AITC con AHTR (β = 0,215, p < 0,001), apoyando H9. El modelo explicaba el 47,1% de la varianza en AHTR (R² = 0,471), 36,3% en CS y 11,4% en PS.

Constructos	β	Media muestral (M)	Desviación estándar (STDEV)	Estadística T (|O/STDEV|)	valores p	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
PD → AHTR	0.179	0.181	0.05	3.596	0	0.085	0.279
AITC → Informática	0.485	0.485	0.051	9.587	0	0.384	0.579	0.363
PD → CS	0.23	0.231	0.053	4.299	0	0.129	0.336
AITC → PD	0.338	0.347	0.055	6.094	0	0.236	0.451	0.114
PD → 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

Tabla 7: Resultados del modelo estructural y efectos indirectos específicos (muestra completa). β = coeficiente de camino estandarizado; M = media de la muestra bootstrap; STDEV = desviación estándar bootstrap; t = \|β/STDEV\|; p = valor p de dos colas; 0,025/0,975 = límites inferiores/superiores del intervalo de confianza bootstrap del 95% (un intervalo que excluye cero indica significación); R² = varianza explicada en el constructo endógeno. Las filas con flechas a través de múltiples constructos (por ejemplo, AITC → PS → CS → AHTR) reportan efectos indirectos específicos (mediación). El bootstrapping utilizó 5.000 resamples.

Los resultados de bootstrap para efectos indirectos específicos (Tabla 7) muestran que la CS mediaba significativamente la relación AITC-AHTR (β = 0,215, IC 95% [0,149, 0,290], p < 0,001), soportando H4, y PS de igual manera (β = 0,060, IC 95% [0,027, 0,102], p = 0,001), apoyando H7. La vía secuencial AITC → PS → CS → AHTR también fue significativa (β = 0,034, IC 95% [0,017, 0,060], p = 0,002), apoyando H8. La Tabla 8 resume los resultados de las pruebas de hipótesis.

	Hipótesis			Resultados
H1	Las características tecnológicas de la IA agente están positivamente asociadas con el excedente cognitivo.			Aceptado
H2	Las características tecnológicas de la IA agente están positivamente asociadas con la seguridad psicológica.			Aceptado
H3	El excedente cognitivo está positivamente asociado con la reasignación de tareas entre IA y humanos.			Aceptado
H4	El excedente cognitivo media la relación entre las características tecnológicas de la IA agente y la reasignación de tareas IA-humano.			Aceptado
H5	La seguridad psicológica está positivamente asociada con la reasignación de tareas entre IA y humanos.			Aceptado
H6	La seguridad psicológica está positivamente asociada con el excedente cognitivo.			Aceptado
H7	La seguridad psicológica media la relación entre las características tecnológicas de la IA agente y la reasignación de tareas IA-humano.			Aceptado
H8	La seguridad psicológica y el excedente cognitivo median secuencialmente la relación entre las características tecnológicas de la IA agente y la reasignación de tareas IA-humano.			Aceptado
H9	Las características tecnológicas de la IA agente están positivamente asociadas con la reasignación de tareas entre IA y humanos.			Aceptado
H10a	Las asociaciones entre las características tecnológicas de la IA agente y el exceso cognitivo y la seguridad psicológica varían entre líderes y personal.			Aceptado
H10b	Las asociaciones entre la seguridad psicológica y el exceso cognitivo con la reasignación de tareas entre IA y humanos varían entre líderes y personal.			Parcialmente aceptado

Tabla 8: Resumen de pruebas de hipótesis. Cada hipótesis con su correspondiente camino estructural y decisión (aceptada/rechazada) basada en el bootstrap resulta en la Tabla 7 (umbral de significación p < 0,05). AITC = Características tecnológicas de IA agente; CS = superávit cognitivo; PS = seguridad psicológica; AHTR = reasignación de tareas IA-humano.

El poder predictivo fuera de muestra se evaluó con PLSpredict (10 pliegues, 10 repeticiones; Tabla 9). Todos los indicadores endógenos devolvieron valores predictivos positivos en el^Q2, indicando relevancia predictiva, y el modelo PLS-SEM produjo menos RMSE y MAE que el benchmark del modelo lineal (LM) para casi todos los indicadores, siendo la única excepción PS_4. Estos resultados indican un rendimiento predictivo fuera de la muestra de medio a alto para la seguridad psicológica, el excedente cognitivo y la reasignación de tareas^{IA-humano 48}.

Indicador	Q²predict	POR FAVOR, SÊMEN RMSE	POR FAVOR, 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

Tabla 9: Evaluación predictiva fuera de muestra (PLSpredict). Métricas predictivas para cada indicador endógeno (PS, CS, AHTR) de PLSpredict (10 pliegues, 10 repeticiones). Q²predice = relevancia predictiva (>0 indica que el modelo PLS-SEM supera al benchmark más ingenuo); PLS-SEM RMSE/MAE = error cuadrático medio y error absoluto medio del modelo PLS-SEM; LM RMSE/MAE = errores correspondientes para el benchmark de modelos lineales; IA RMSE/MAE = índice de referencia indicador-promedio. Los errores PLS-SEM por debajo del benchmark de LM indican un rendimiento predictivo satisfactorio. PS = seguridad psicológica; CS = superávit cognitivo; AHTR = reasignación de tareas IA-humano. Nota: Todos los Q²predicen > 0. PLS-SEM RMSE/MAE < índice de referencia LM para todos los indicadores excepto PS_4, lo que indica un rendimiento predictivo de medio a alto.

Análisis multigrupo

La MGA examinó si las relaciones estructurales difieren entre líderes y personal, que ocupan diferentes posiciones de responsabilidad, seguridad laboral y composición de tareas. Como se muestra en la Tabla 10, las asociaciones de AITC con las dos variables de recurso fueron significativamente más fuertes entre los líderes: AITC → CS (líder β = 0,599 vs. personal β = 0,363; Δ = 0,236, p bicolar = 0,014) y AITC → PS (líder β = 0,435 vs. personal β = 0,199; Δ = 0,236, bicolar p = 0,043). Estas diferencias son prácticamente significativas: la asociación AITC-CS entre líderes era aproximadamente 1,6 veces la del personal, y la asociación AITC-PS era más del doble de fuerte. Los caminos directos restantes (AITC → AHTR, CS → AHTR, PS → AHTR, PS → CS) no diferían significativamente entre grupos (todos de dos colas p > 0,19), lo que indica que, una vez formados los recursos, sus asociaciones con la reasignación de tareas funcionan de manera similar entre roles. Las estimaciones bootstrap específicas por grupo (Tabla 11) revelan además patrones asimétricos de significancia en cuatro vías: PS → AHTR fue significativa para líderes (β = 0,234, p = 0,001) pero no para el personal (β = 0,133, p = 0,064); el camino indirecto AITC → PS → AHTR fue significativo para líderes (β = 0,102, p = 0,005) pero no para el personal (β = 0,026, p = 0,178); por el contrario, PS → CS → AHTR fue significativo para el personal (β = 0,140, p = 0,001) pero solo marginal para los líderes (β = 0,059, p = 0,054); y AITC → PS → CS fue significativo para el personal (β = 0,057, p = 0,043) pero marginal para los líderes (β = 0,067, p = 0,065). En conjunto, la vía psicológico-segura hacia la reasignación de tareas parece más directa para los líderes, mientras que para el personal, la seguridad psicológica se refiere principalmente a la reasignación mediante la posibilitación de un excedente cognitivo, un patrón coherente con diferencias de roles en la responsabilidad y la exposición a la seguridad laboral (respaldado por H10a; H10b parcialmente soportado).

Constructos	Δ (Líder - Personal)	Valor p de una cola (Líder vs Bastón)	Valor p bicolar (Líder vs Bastón)
AITC → AHTR	0.007	0.482	0.963
AITC → Informática	0.236	0.007	0.014
AITC → PD	0.236	0.022	0.043
CS → AHTR	-0.1	0.814	0.371
PD → AHTR	0.101	0.161	0.322
PD → CS	-0.135	0.901	0.199

Tabla 10: Análisis multigrupo (PLS-MGA) de las diferencias de trayectoria entre líderes y personal. Δ = diferencia entre coeficientes de camino estandarizados de líder y de personal (líder menos bastón); valores p de PLS-MGA basados en bootstrap (de una cola y de dos colas). Diferencias significativas ( p bi-colas < 0,05) indican que el camino difiere entre líderes (n = 171) y personal (n = 160). AP = planificación autónoma; MTO = orquestación multiherramienta; PF = retroalimentación proactiva; CS = superávit cognitivo; PS = seguridad psicológica; AHTR = reasignación de tareas IA-humano; AITC = Características tecnológicas de IA agente.

	Original (Líder)	Original (Staff)	Mean (líder)	Mean (Bastón)	STDEV (Líder)	STDEV (personal)	valor t (Líder)	valor t (Bastón)	valor p (Líder)	valor p (Bastón)
AITC → AHTR	0.233	0.227	0.237	0.224	0.098	0.077	2.381	2.945	0.017	0.003
AITC → Informática	0.599	0.363	0.599	0.368	0.057	0.077	10.426	4.734	0	0
AITC → PD	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
PD → AHTR	0.234	0.133	0.234	0.134	0.073	0.072	3.185	1.856	0.001	0.064
PD → CS	0.154	0.289	0.157	0.289	0.07	0.077	2.212	3.741	0.027	0
PD → 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

Tabla 11: Estimaciones bootstrap específicas de grupo para líderes y personal. Se estimaron por separado los coeficientes de camino estandarizados (Original), las medias bootstrap, las desviaciones estándar (STDEV), los valores t y los valores p bicolares dentro de los grupos líder (n = 171) y personal (n = 160), para todos los caminos directos e indirectos específicos. El bootstrapping utilizó 5.000 remuestreos dentro de cada grupo. AP = planificación autónoma; MTO = orquestación multiherramienta; PF = retroalimentación proactiva; CS = superávit cognitivo; PS = seguridad psicológica; AHTR = reasignación de tareas IA-humano; AITC = Características tecnológicas de IA agente.

En resumen, el modelo de medición cumplía los criterios de fiabilidad y validez; El AITC estuvo positivamente asociado con CS, PS y AHTR; CS y PS mediaron la asociación AITC-AHTR de forma individual y secuencial; El modelo mostró un rendimiento predictivo satisfactorio fuera de muestra; y las asociaciones de AITC con CS y PS fueron significativamente más fuertes entre los líderes, mientras que los caminos desde recursos hasta la reasignación de tareas no diferían significativamente entre roles. En conjunto, los resultados apoyan el modelo hipotético de ganancia de recursos y motivan la interpretación diferenciada por roles desarrollada en la Discusión.

DISPONIBILIDAD DE DATOS:

Los archivos de datos y análisis se suben como Archivo Suplementario 1, Archivo Suplementario 2, Archivo Suplementario 3, Archivo Suplementario 4, Archivo Suplementario 5, Archivo Suplementario 6 y Archivo Suplementario 7.

Archivo suplementario 1: Cuestionario.Por favor, haga clic aquí para descargar este archivo.

Archivo suplementario 2. Salida del protocolo G*Power.Por favor, haga clic aquí para descargar este archivo.

Archivo suplementario 3. MICOM Paso 2 — Invariancia composicional (permutación, 1.000). Invariancia composicional establecida para todos los constructos (c original ≥ cuantil 5%; permutación p > 0,05). La invariancia parcial de medición es suficiente para justificar la PLS-MGA. Por favor, haga clic aquí para descargar este archivo.

Archivo suplementario 4. Conjunto de datos.Por favor, haga clic aquí para descargar este archivo.

Archivo suplementario 5. Informe SmartPLS de la MGA Bootstrap.Por favor, haga clic aquí para descargar este archivo.

Archivo suplementario 6. Informe SmartPLS de permutación de la MGA. Por favor, haga clic aquí para descargar este archivo.

Archivo suplementario 7. Libro de códigos — variable, objeto, construcción, escala, codificación y fuente.Por favor, haga clic aquí para descargar este archivo.

Discusión

Este estudio examinó cómo las características tecnológicas de la IA Agente se relacionan con los recursos psicológicos de los empleados y su comportamiento de reasignación de tareas, y si estas relaciones difieren entre roles organizativos. Utilizando una encuesta transversal a 331 empleados con experiencia en IA y PLS-SEM con mediación y análisis multigrupo, los resultados fueron consistentes con el modelo teorizado de ganancia de recursos: AITC se asoció positivamente con el superávit cognitivo, la seguridad psicológica y la reasignación de tareas IA-humanos; el excedente cognitivo y la seguridad psicológica mediaron la relación AITC-AHTR de forma individual y secuencial; y las asociaciones de AITC con ambas variables de recursos fueron significativamente más fuertes entre los líderes que entre el personal.

Los hallazgos tienen tres implicaciones teóricas. En primer lugar, extienden la teoría JD-R al contexto de la IA Agente tratando las características tecnológicas no como herramientas sino como recursos laborales: la fuerte asociación AITC-CS (β = 0,485) es coherente con la idea de que la planificación autónoma, la orquestación de múltiples herramientas y la retroalimentación proactiva conservan energía cognitiva y tiempo discrecional que los empleados pueden reinvertir 15,23,24. En segundo lugar, conectan la lógica de espiral de ganancia de la teoría de la COR con el rediseño del trabajo habilitado por IA: la significativa vía secuencial (AITC → PS → CS → AHTR) sugiere que la seguridad psicológica opera como un recurso contextual que apoya la acumulación de excedente cognitivo, lo que a su vez se relaciona con el comportamiento de^{reasignación 20,22}. En tercer lugar, al posicionar AHTR como una forma específica de elaboración de tareas dentro de la literatura de elaboración de^trabajos 17,31,32, el estudio va más allá del enfoque dominante en el rendimiento técnico y los resultados de automatización, y ofrece una explicación psicológica de cómo los sistemas agentes se integran en el rediseño del trabajo. Dado que el diseño es transversal, estas vías deben interpretarse como asociaciones consistentes con el ordenamiento causal teorizado más que como demostraciones de causalidad.

Los resultados de la mediación aclaran por qué la disponibilidad avanzada de IA por sí sola puede no traducirse en cambios en las prácticas laborales. La asociación directa AITC-AHTR (β = 0,215) se complementó con vías indirectas de magnitud combinada comparable mediante superávit cognitivo (β = 0,215) y seguridad psicológica (β = 0,060): los empleados parecen reasignar tareas a la IA cuando la tecnología libera de forma demostrable recursos cognitivos y cuando el clima interpersonal hace que la experimentación se sienta segura 16,25,38. Este doble mecanismo implica que la reasignación de tareas es tanto un fenómeno de recursos y clima como tecnológico, lo que puede explicar resultados de adopción heterogéneos en despliegues similares.

Los resultados multigrupo añaden una condición de frontera basada en roles. Las asociaciones AITC-CS y AITC-PS fueron aproximadamente 1,6 y 2,2 veces más fuertes, respectivamente, para los líderes que para el personal, mientras que las vías posteriores desde recursos hasta reasignación no difirieron significativamente entre grupos. Una interpretación, coherente con los argumentos de distancia^{perceptual 30,35}, es que los líderes, que ostentan mayor autoridad de decisión y responsabilidad estratégica, convierten más fácilmente las capacidades agentes en recursos percibidos, mientras que el personal, que está más expuesto a la inseguridad laboral relacionada con la automatización y a las demandas de aprendizaje, obtiene beneficios de seguridad psicológica de forma menos directa: para el personal, la seguridad psicológica relacionada con la reasignación principalmente a través del excedente cognitivo (PS → CS → AHTR: β = 0,140, p = 0,001), mientras que para líderes la trayectoria directa PS → AHTR fue significativa (β = 0,234, p = 0,001). Estas son tendencias observadas en esta muestra más que disposiciones fijas, y los intervalos de confianza alrededor de diferencias entre grupos justifican una interpretación cautelosa.

En la práctica, los hallazgos sugieren estrategias de despliegue diferenciadas por role. Para todos los empleados, las organizaciones pueden proteger la conversión del tiempo ahorrado en superávit cognitivo ajustando las normas de carga de trabajo y los indicadores clave de rendimiento para que las horas libres de IA se reinviertan en tareas estratégicas, creativas y colaborativas en lugar de ser absorbidas por demandas rutinarias adicionales; Palancas concretas incluyen la gobernanza del uso de la IA que aclare la responsabilidad cuando la IA comete errores, la formación estructurada en habilidades de IA orientadas a delegaciones y sistemas de reconocimiento que recompensan el rediseño documentado de tareas. Para el personal en particular, los resultados implican que las intervenciones de seguridad psicológica, como la revisión sin culpas de los experimentos de IA, la tolerancia del gestor a errores iniciales y la comunicación explícita sobre seguridad laboral, son requisitos previos para que se forme un excedente cognitivo; para los líderes, que convierten el AITC en recursos con mayor facilidad, la prioridad es canalizar ese excedente hacia la gobernanza y la planificación de contingencias que reduzcan la brecha de percepción entre líderes y personal en lugar de ampliarla. Estas implicaciones se extienden a entornos de alto riesgo como la detección de fraudes y las operaciones de seguridad financiera, en los que los sistemas agentes cada vez más clasifican alertas, orquestan flujos de trabajo de investigación y señalan transacciones anómalas: en estos entornos, la seguridad psicológica es una condición previa para que los empleados cuestionen, anulen y reporten juicios generados por IA sin temor a ser culpados, y reasignar la monitorización rutinaria a la IA puede liberar los recursos cognitivos de los analistas para complejos, casos intensivos en juicio, mientras que la gobernanza debe garantizar que la automatización no erosione la responsabilidad por decisiones de alta consecuencia. De forma más amplia, las diferencias observadas entre líderes y personal defienden intervenciones diferenciadas: planes de estudio de formación que enfatizan las habilidades de delegación y supervisión para los líderes y el apoyo en experimentación y recualificación para el personal, roles de gobernanza que reflejen la exposición al riesgo de cada grupo y estrategias de comunicación que hagan visibles y alcanzables para el personal las ganancias de recursos logradas por los líderes.

Varias limitaciones matizan estas conclusiones y definen direcciones futuras. Todas las variables fueron auto-reportadas por los mismos encuestados en un momento dado; A pesar de que los remedios procedimentales y las comprobaciones estadísticas sugieren que el sesgo común por el método no era severo, el diseño transversal impide la inferencia causal y no puede capturar espirales de recursos con retraso temporal. Además, el AITC se midió a través de las percepciones autoinformadas de los empleados sobre las capacidades del sistema agente, que pueden no corresponder a las capacidades técnicas reales de los sistemas; Futuros diseños deberían combinar las medidas perceptuales con registros del sistema o auditorías de capacidades. Aunque al inicio de la encuesta se mostró a los participantes una breve definición estandarizada de IA Agente, ningún ítem de comprobación de comprensión verificó su comprensión de la tecnología focal, y estudios futuros deberían incluir dicha verificación. La muestra intencionada, reclutada por plataformas de empleados con experiencia en IA, orientada a las industrias tecnológicas y a encuestados más jóvenes, es adecuada para una prueba temprana de modelo, pero limita la generalizabilidad a organizaciones con baja madurez en IA, empresas más pequeñas y sectores no digitales; la contratación de un solo panel en un solo periodo de colección también implica especificidad cultural y contextual, por lo que las asociaciones observadas pueden no generalizarse entre mercados laborales, regímenes de gobernanza de IA o culturas ocupacionales. La seguridad psicológica también se midió como una percepción individual y no como un clima compartido de equipo. La investigación futura debería emplear diseños longitudinales o de muestreo por experiencia para rastrear espirales de ganancia, diseños multinivel que separen muestras de seguridad psicológica, probabilidad u organización a nivel individual y de equipo a través de niveles de madurez de IA, y extensiones del constructo AITC a atributos como transparencia, controlabilidad y explicabilidad. A pesar de estas limitaciones, el estudio proporciona un protocolo replicable y evidencia inicial de que las asociaciones de la IA Agente con los resultados laborales operan a través de, y están limitadas por, los recursos psicológicos de los empleados, conocimientos que deberían ayudar a investigadores, profesionales y responsables políticos a desplegar sistemas agenticos de formas que aumenten, en lugar de erosionar, el lado humano del trabajo.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Prolific	Prolific	https://www.prolific.com/	Proveedor de paneles de encuestas en línea
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com/	Código de encuesta
SmartPLS	SmartPLS GmbH	versión 4.0.1, https://www.smartpls.com/	Análisis PLS-SEM