Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de investigación

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

115 visualizaciones

⸱

DOI:

10.3791/71797

⸱

4 de agosto de 2026

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

En este artículo

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 vidaorganizacional 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 humanamínima 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 reglaspreprogramadas 5,6; función principal, porque su propósito es automatizar flujos de trabajo complejos más que tareasindividuales 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 esteestudio 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 restriccionescambian 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 APIsexternas 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 lepregunte 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 trabajocotidiano 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 conductualesde 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 sistemasinteligentes 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 másrecursos 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 cognitivode 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 sentidoCOR 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 pérdidade 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 quo25,26. 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 encuestasa 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 otros26,28. 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 aumentaren 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 obstáculos17,31; en la tipología de Wrzesniewski y Dutton, comprende la elaboración de tareas, relacional ycognitiva 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 arribahacia 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 adaptacionesposteriores 31,32. A diferencia de estudios previos que tratan la adopción de IA como antecedente contextual de la elaboración generalde 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 interpersonalesasociados 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 excedentecognitivo 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 experiencialaboral 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 aprendizaje20,30. 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.

figure-introduction-1
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.

figure-introduction-2
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.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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 paraPLS-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 IAAgentica 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 enJD-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.

ConstructoPuntoPreguntaPromedioSTDEVVIFFuente
AITCAPAP1Cuando propongo un objetivo, la IA ayuda a crear un plan de varios pasos para alcanzarlo.5.810.91.44Abou Ali, M., et al. (2025); Sapkota, R., et al. (2025)
AP2La IA puede revisar su plan cuando cambian las limitaciones o requisitos.5.750.991.37
AP3La IA divide trabajos complejos en subtareas manejables sin necesidad de instrucciones paso a paso.5.331.371.33
MTOMTO1La IA puede combinar múltiples herramientas o aplicaciones (por ejemplo, búsqueda, documentos, herramientas de datos) para completar una tarea.5.691.111.5
MTO2La IA sugiere la(s) herramienta(s) correcta(s) y las utiliza en la secuencia correcta para producir un entregable.5.361.041.64
MTO3La IA ayuda a integrar los resultados de diferentes herramientas en un solo resultado coherente.5.611.011.63
PFPF1La IA señala proactivamente errores, información que falta o suposiciones arriesgadas en mi trabajo.4.91.441.68
PF2La IA sugiere mejoras antes de que le pida explícitamente feedback.5.071.381.85
PF3La IA me recuerda a los puntos de control (por ejemplo, validación, cumplimiento, calidad) para evitar rework.5.021.41.6
CSCS1Usar IA ha liberado mi energía mental para centrarme en trabajos más complejos y significativos.5.591.282.07Liu, Y., Sheng, F., & Liu, R. (2025)
CS2Tengo más tiempo disponible para pensar estratégicamente y resolver problemas desde que uso IA.5.611.232.38
CS3La carga de trabajo de las tareas rutinarias ha disminuido significativamente, dándome espacio para nuevas iniciativas.5.421.282.23
CS4Me siento menos agotado mentalmente al final de la jornada laboral porque la IA se encarga de tareas repetitivas.5.151.51.91
PDPS1En mi lugar de trabajo, es seguro asumir un riesgo relacionado con el uso de la IA de nuevas maneras.4.741.371.52Plomp et al. (2019)
PS2Mi jefe fomenta la experimentación con IA y tolera los errores.4.521.611.68
PS3Me siento cómodo hablando si tengo dudas sobre cómo se está usando la IA en mi equipo.5.481.241.32
PS4Mis compañeros me apoyan si pruebo nuevas formas de trabajar con IA.5.261.321.48
PS5 (excluido)No temo las consecuencias negativas si propongo usos innovadores de la IA en mi trabajo.4.471.591.23
AHTRAHTR1Transfiero deliberadamente tareas rutinarias (por ejemplo, introducción de datos, formato de informes) a IA para poder centrarme en trabajos de mayor valor.5.121.351.68Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024)
AHTR2Busco activamente oportunidades para usar IA y gestionar tareas que antes hacía manualmente.5.581.281.84
AHTR3Desde que uso IA, he asumido nuevas o ampliadas responsabilidades que son más estratégicas o creativas.5.181.31.58
AHTR4 (excluido)Negocio con mi jefe sobre qué tareas debe manejar la IA y cuáles debería hacer yo.4.091.651.23
AHTR5He rediseñado mi trabajo reasignando tareas rutinarias a la IA, liberándome para tareas más significativas.4.921.351.67

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 investigaciónemergentes 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 criteriode 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 predicciónQ 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.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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 p...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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 ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no declaran conflictos de interés.

Se utilizó una herramienta de IA generativa (ChatGPT, OpenAI) para la edición de lenguaje; todo el contenido fue revisado y verificado por los autores, quienes también comprobaron que la edición asistida por IA no introdujera cambios en la terminología o el tono entre secciones.

Agradecimientos

Este trabajo fue financiado por la investigación de la Universidad de la SSIST.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
ProlificProlifichttps://www.prolific.com/Proveedor de paneles de encuestas en línea
QualtricsQualtrics, LLChttps://www.qualtrics.com/Código de encuesta
SmartPLS SmartPLS GmbHversión 4.0.1, https://www.smartpls.com/Análisis PLS-SEM

Referencias

  1. Chawla C, Chatterjee S, Gadadinni SS, Verma P, Banerjee S. Agentic AI: The building blocks of sophisticated AI business applications. Journal of AI, Robotics & Workplace Automation. 2024;3(3):196–210.
  2. Lu C, et al. The AI scientist: Towards fully automated open-ended scientific discovery. arXiv [Preprint]. 2024. arXiv:2408.06292. Available from: https://arxiv.org/abs/2408.06292.
  3. Xie J, Chen Z, Zhang R, Wan X, Li G. Large multimodal agents: A survey. arXiv [Preprint]. 2024. arXiv:2402.15116. Available from: https://arxiv.org/abs/2402.15116.
  4. Du H, Thudumu S, Vasa R, Mouzakis K. A survey on context-aware multi-agent systems: Techniques, challenges and future directions. arXiv [Preprint]. 2024. arXiv:2402.01968. Available from: https://arxiv.org/abs/2402.01968.
  5. Acharya DB, Kuppan K, Divya B. Agentic AI: Autonomous intelligence for complex goals - a comprehensive survey. IEEE Access. 2025;13:18912–18936.
  6. Calegari R, Ciatto G, Mascardi V, Omicini A. Logic-based technologies for multi-agent systems: A systematic literature review. Auton Agent Multi Agent Syst. 2021;35(1):1.
  7. Sapkota R, Roumeliotis KI, Karkee M. AI agents vs. Agentic AI: A conceptual taxonomy, applications and challenges. Inf Fusion. 2026;126:103599.
  8. Abou Ali M, Dornaika F, Charafeddine J. Agentic AI: A comprehensive survey of architectures, applications, and future directions. Artif Intell Rev. 2025;59(1):11.
  9. Buyya R. Agentic artificial intelligence (AI): Architectures, taxonomies, and evaluation of large language model agents. arXiv [Preprint]. 2026. arXiv:2601.12560. Available from: https://arxiv.org/abs/2601.12560.
  10. Nisa U, Shirazi M, Saip MA, Pozi MSM. Agentic AI: The age of reasoning - a review. J Autom Intell. 2025. doi:10.1016/j.jai.2025.08.003.
  11. Singh A, Ehtesham A, Kumar S, Khoei TT. Enhancing AI systems with agentic workflows patterns in large language model. In: 2024 IEEE World AI IoT Congress (AIIoT); Seattle, WA; 2024:527–532.
  12. Zeng A, et al. AgentTuning: Enabling generalized agent abilities for LLMs. In: Findings of the Association for Computational Linguistics: ACL 2024; Bangkok, Thailand; 2024:3053–3077.
  13. Liu X, Zhang L, Wei X. Generative artificial intelligence literacy: Scale development and its effect on job performance. Behav Sci (Basel). 2025;15(6):811.
  14. Wooldridge M, Jennings NR. Intelligent agents: Theory and practice. Knowl Eng Rev. 1995;10(2):115–152.
  15. Masterman T, Besen S, Sawtell M, Chao A. The landscape of emerging AI agent architectures for reasoning, planning, and tool calling: A survey. arXiv [Preprint]. 2024. arXiv:2404.11584. Available from: https://arxiv.org/abs/2404.11584.
  16. Sha C, Chai T. When digital-AI transformation sparks adaptation: Job crafting and AI knowledge in job insecurity contexts. Front Psychol. 2025;16:1612245.
  17. Tims M, Bakker AB. Job crafting: Towards a new model of individual job redesign. SA J Ind Psychol. 2010;36(2):1–9.
  18. Bakker AB, Hakanen JJ, Demerouti E, Xanthopoulou D. Job resources boost work engagement, particularly when job demands are high. J Educ Psychol. 2007;99(2):274–284.
  19. Bakker AB, Demerouti E, Sanz-Vergel A. Job demands-resources theory: Ten years later. Annu Rev Organ Psychol Organ Behav. 2023;10(1):25–53.
  20. Hobfoll SE, Shirom A. Conservation of resources theory: Applications to stress and management in the workplace. In: Golembiewski RT, ed. Handbook of Organizational Behavior. 2nd ed. Marcel Dekker; New York; 2000:57–80.
  21. Hobfoll SE. Conservation of resources: A new attempt at conceptualizing stress. Am Psychol. 1989;44(3):513–524.
  22. Hobfoll SE, Halbesleben J, Neveu JP, Westman M. Conservation of resources in the organizational context: The reality of resources and their consequences. Annu Rev Organ Psychol Organ Behav. 2018;5(1):103–128.
  23. Bakker AB, Demerouti E. Job demands-resources theory: Taking stock and looking forward. J Occup Health Psychol. 2017;22(3):273–285.
  24. Shirky C. Cognitive Surplus: How Technology Makes Consumers into Collaborators. Penguin Press; New York; 2010.
  25. Edmondson A. Psychological safety and learning behavior in work teams. Adm Sci Q. 1999;44(2):350–383.
  26. Zhao G, Kumar N, Wang C, Liu Z. Bridging the AI gap: How AI-oriented leadership empowers non-technical employees in AI-based innovation engagement. Leadersh Organ Dev J. 2026;47(3):498–514.
  27. Edmondson AC, Lei Z. Psychological safety: The history, renaissance, and future of an interpersonal construct. Annu Rev Organ Psychol Organ Behav. 2014;1(1):23–43.
  28. Kim BJ, Kim MJ, Lee J. The dark side of artificial intelligence adoption: Linking artificial intelligence adoption to employee depression via psychological safety and ethical leadership. Humanit Soc Sci Commun. 2025;12(1):1–14.
  29. Cardon PW, Ma H, Fleischmann C. Recorded business meetings and AI algorithmic tools: Negotiating privacy concerns, psychological safety, and control. Int J Bus Commun. 2023;60(4):1095–1122.
  30. Raisch S, Krakowski S. Artificial intelligence and management: The automation-augmentation paradox. Acad Manage Rev. 2021;46(1):192–210.
  31. Tims M, Bakker AB, Derks D. Development and validation of the job crafting scale. J Vocat Behav. 2012;80(1):173–186.
  32. Wrzesniewski A, Dutton JE. Crafting a job: Revisioning employees as active crafters of their work. Acad Manage Rev. 2001;26(2):179–201.
  33. Grant AM, Parker SK. Redesigning work design theories: The rise of relational and proactive perspectives. Acad Manag Ann. 2009;3(1):317–375.
  34. Liu Q, Tian Q, Li X, Tan H. How does organizational AI adoption affect employees’ job crafting behaviors? An approach-avoidance perspective. Front Psychol. 2025;16:1690238.
  35. Gibson CB, Cooper CD, Conger JA. Do you see what we see? The complex effects of perceptual distance between leaders and teams. J Appl Psychol. 2009;94(1):62–76.
  36. Hair JF, et al. Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R: A Workbook. Springer; Cham; 2021:1–56.
  37. Liu Y, Sheng F, Liu R. Generative AI adoption and employee outcomes: A conservation of resources perspective on job crafting, career commitment, and the moderating role of liking of AI. Humanit Soc Sci Commun. 2025;12:1376.
  38. Plomp J, Tims M, Khapova SN, Jansen PG, Bakker AB. Psychological safety, job crafting, and employability: A comparison between permanent and temporary workers. Front Psychol. 2019;10:974.
  39. Li W, et al. Embracing artificial intelligence (AI) with job crafting: Exploring trickle-down effect and employees’ outcomes. Tour Manag. 2024;104:104935.
  40. Gaskin J, Godfrey S, Vance A. Successful system use: It’s not just who you are, but what you do. AIS Trans Hum Comput Interact. 2018;10(2):57–81.
  41. Marakas G, Johnson R, Clay PF. The evolving nature of the computer self-efficacy construct: An empirical investigation of measurement construction, validity, reliability and stability over time. J Assoc Inf Syst. 2007;8(1):2.
  42. Loch KD, Straub DW, Kamel S. Diffusing the Internet in the Arab world: The role of social norms and technological culturation. Global Information Systems. 2008;143–175.
  43. Nunnally JC. Psychometric Theory. 2nd ed. McGraw-Hill; New York; 1978.
  44. Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39–50.
  45. Henseler J, Ringle CM, Sarstedt M. A new criterion for assessing discriminant validity in variance-based structural equation modeling. J Acad Mark Sci. 2015;43(1):115–135.
  46. Kock N. Common method bias in PLS-SEM: A full collinearity assessment approach. Int J e-Collab. 2015;11(4):1–10.
  47. Kock N, Lynn GS. Lateral collinearity and misleading results in variance-based SEM: An illustration and recommendations. J Assoc Inf Syst. 2012;13(7):2.
  48. Shmueli G, et al. Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. Eur J Mark. 2019;53(11):2322–2347.
  49. Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: A critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879–903.
  50. Podsakoff PM, MacKenzie SB, Podsakoff NP. Sources of method bias in social science research and recommendations on how to control it. Annu Rev Psychol. 2012;63(1):539–569.
  51. Harman HH. Modern Factor Analysis. 3rd ed. University of Chicago Press; Chicago; 1976.
  52. Podsakoff PM, Organ DW. Self-reports in organizational research: Problems and prospects. J Manage. 1986;12(4):531–544.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

ComportamientoN mero 234N mero 234Valor vac oN meroteor a JD Rconservaci n de recursos
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.