Comment l’IA agente remodele le travail : les rôles du surplus cognitif, de la sécurité psychologique et de la réallocation des tâches IA-humain

Résumé

Ce protocole décrit un flux de travail basé sur une enquête visant à examiner comment les caractéristiques technologiques de l’IA agente se rapportent à l’excédent cognitif, à la sécurité psychologique et à la réaffectation des tâches IA-humain chez 331 employés. La modélisation structurelle partielle des moindres carrés avec analyse multi-groupes révèle des différences basées sur les rôles entre les dirigeants et le personnel.

Résumé

Cette étude examine comment les caractéristiques technologiques de l’IA agente se rapportent aux états psychologiques des employés et aux réponses comportementales dans les organisations. En nous appuyant sur la théorie des Demandes d’Emploi-Ressources (JD-R) et la théorie de la Conservation des Ressources (COR), nous conceptualisons les caractéristiques technologiques de l’IA Agente (AITC) comme un construct d’ordre supérieur comprenant une planification autonome, l’orchestration multi-outils et le retour proactif, et proposons que ces caractéristiques fonctionnent comme des ressources d’emploi associées à un plus grand surplus cognitif et à une sécurité psychologique, ce qui est à son tour lié à la réallocation des tâches IA-humain. Nous étudions également si ces relations diffèrent entre les dirigeants et le personnel. Une enquête en ligne transversale et anonyme a été administrée via une plateforme d’enquête en ligne auprès des participants recrutés par un panel de recherche utilisant un échantillonnage non probabiliste intentionnel ; l’éligibilité était limitée aux adultes ayant déjà ou passé une expérience professionnelle liée à l’IA, et les réponses filtrées et suivies d’attention ont permis d’obtenir un échantillon final de 331 employés (171 leaders, 160 employés). Tous les constructs ont été mesurés avec des échelles validées adaptées au contexte de l’IA agente sur des échelles de Likert à 7 points. Les données ont été analysées en utilisant la modélisation structurelle des équations partielles des moindres carrés (PLS-SEM), en appliquant une approche en deux étapes pour la construction du second ordre, en bootstrapping avec 5 000 rééchantillonnages pour les effets directs et indirects, et en analyse multi-groupes (MGA) pour la comparaison leader-staff. Le modèle de mesure a démontré une fiabilité et une validité acceptables, et les résultats structurels étaient cohérents avec le modèle théorisé de gain de ressources : l’AITC était positivement associée à un surplus cognitif, à la sécurité psychologique et à la réallocation des tâches, avec des voies de médiation significatives et des associations AITC-ressources plus fortes entre les leaders. En se concentrant sur les mécanismes psychologiques plutôt que sur la performance technique, cette étude étend les recherches émergentes sur l’IA Agentique et offre des implications pratiques pour les stratégies d’adoption de l’IA différenciée selon les rôles.

Introduction

La prolifération de l’IA agente redéfinit le rôle de l’intelligence artificielle dans les industries et la vie^{organisationnelle 1,2}. L’IA agente peut être définie comme une forme avancée d’intelligence artificielle qui perçoit les environnements changeants, fixe des objectifs de manière indépendante grâce à des mécanismes de raisonnement, et orchestre des séquences d’actions avec un minimum de supervision humaine ^3,4. Elle se distingue de l’IA traditionnelle, y compris des outils d’IA générative conventionnels, à trois égards : l’autonomie, car les systèmes agents poursuivent des objectifs avec une intervention humaine minimale plutôt que d’exécuter des règles^{préprogrammées 5,6} ; fonction principale, car leur but est d’automatiser des flux de travail complexes plutôt que des tâches^{uniques 7} ; et architecture, car elles coordonnent plusieurs grands modèles de langage, interfaces de programmation d’applications (API) et agents plutôt que de s’appuyer sur un seul modèle⁷. Ces capacités reposent sur les caractéristiques technologiques définissantes examinées dans cette^{étude 8,9}. La planification autonome (PA) signifie que, donné l’objectif de l’utilisateur, le système le décompose indépendamment en sous-tâches et révise son plan au fur et à mesure que les contraintes^{changent 10} ; Par exemple, un employé peut fournir une instruction en une ligne et recevoir un plan de projet réalisable en plusieurs étapes. L’orchestration multi-outils (MTO) signifie que le système sélectionne, séquence et intègre les outils et API^{externes 1,11,12} ; par exemple, combiner la recherche web, les éditeurs de documents et les outils d’analyse de données pour produire un rapport cohérent unique. Le retour proactif (PF) signifie que le système signale les erreurs, les informations manquantes et les hypothèses risquées avant d’être^{interrogé 10,13} ; Par exemple, rappeler à un employé les points de validation ou de conformité lors de l’exécution d’une tâche. Nous nous concentrons sur ces trois caractéristiques, collectivement appelées caractéristiques technologiques de l’IA Agentique (AITC), car ce sont les capacités fonctionnelles qui différencient l’IA agente de l’IA traditionnelle dans le travail^{quotidien 7,10} ; des attributs tels que la transparence, la contrôlabilité et l’explicabilité comptent pour la confiance de l’IA en général, mais ne sont pas spécifiques au paradigme agentique, et nous les considérons donc comme des conditions limites pour des recherches futures plutôt que comme des dimensions focales.

Malgré la diffusion rapide de l’IA agente sur les lieux de travail, la littérature existante s’est principalement concentrée sur son architecture technique, son efficacité opérationnelle et ses capacités d’automatisation des tâches, tout en accordant relativement peu d’attention à la manière dont ces caractéristiques reforment les états psychologiques et les réponses comportementales des^{employés 14,15}. Cette omission est importante car la réaffectation des tâches entre humains et IA n’est pas un ajustement purement technique, mais un processus psychologiquement et organisationnellement ancré : les employés doivent remettre en question les flux de travail existants, redéfinir les limites des rôles et accepter de nouvelles formes de collaboration avec des systèmes^{intelligents 16,17}. De tels changements ne se produisent pas automatiquement simplement parce que des technologies avancées sont disponibles. En conséquence, l’objectif de cette étude est triple : examiner si l’AITC fonctionne comme des ressources d’emploi associées à un surplus cognitif, à la sécurité psychologique et à la réallocation des tâches IA-humain ; d’étudier les rôles médiateurs et séquentiels du surplus cognitif et de la sécurité psychologique ; et d’explorer si ces relations structurelles diffèrent entre les dirigeants et le personnel. La nouveauté de cette étude est triple. Premièrement, elle conceptualise et opérationnelle les caractéristiques technologiques de l’IA agente — planification autonome, orchestration multi-outils et retour proactif — comme une ressource d’emploi de niveau supérieur au sein du cadre JD-R, plutôt que de traiter l’adoption de l’IA comme un contexte indifférencié. Deuxièmement, elle introduit la réallocation des tâches IA-humain comme une forme spécifique à un domaine, mise en œuvre par la technologie, distincte à la fois de la création de tâches générique et des résultats de transformation numérique descendante. Troisièmement, elle fournit, à notre connaissance, la première preuve multigroupe que les associations génératrices de ressources de l’IA agente diffèrent systématiquement entre dirigeants et personnels.

La logique théorique intègre la théorie des Demandes d’Emploi-Ressources (JD-R) et la théorie de la Conservation des Ressources (COR). La théorie JD-R soutient que chaque emploi comprend les exigences du poste, les aspects physiques, émotionnels et cognitifs du travail qui nécessitent un effort soutenu, ainsi que les ressources du poste, les aspects qui réduisent les demandes, soutiennent l’atteinte des objectifs et stimulent le développement personnel ; Leur équilibre façonne l’engagement, le bien-être et la performance^18,19. La théorie COR ajoute un mécanisme dynamique : les individus s’efforcent d’obtenir, de conserver et de protéger des ressources précieuses, et les ressources accumulées déclenchent des spirales de gains dans lesquelles les ressources existantes sont réinvesties pour acquérir d’autres^ressources 20,21,22^. Dans cette perspective conjointe, l’AITC peut être conceptualisée non seulement comme des caractéristiques techniques, mais comme une nouvelle forme de ressource d’emploi : en absorbant des tâches répétitives et cognitivement exigeantes telles que la planification et l’analyse diagnostique, les systèmes agents réduisent les demandes et conservent l’énergie cognitive et le temps des^{employés 15,23}. Nous définissons le surplus cognitif (CS) comme le réservoir d’énergie cognitive et de temps discrétionnaire qui devient disponible lorsque ces tâches routinières sont déléguées à la technologie, et qui peut être réinvesti dans la participation collective, la collaboration et la création de nouvelle^{valeur 24}. L’informatique est donc conceptuellement distincte de l’engagement au travail, qui est un état affectif-motivationnel, et de la simple disponibilité du temps, car elle désigne un stock convertible de ressources personnelles au sens^{COR 20,24}. L’informatique se distingue également du détachement et de la récupération psychologiques, qui concernent la restauration de l’énergie épuisée loin du travail, et de l’afluence temporelle, qui désigne la perception subjective d’avoir assez de temps ; L’informatique fait plutôt référence à la capacité cognitive libérée qui reste disponible pour être réinvestie pendant le travail lui-même. En termes de COR, l’accumulation de CS représente un gain de ressources qui devrait soutenir le bien-être professionnel en amortissant l’épuisement et l’épuisement, tandis que son absorption par des demandes routinières supplémentaires signalerait^{une perte de ressources 20, 23, 24}. La conversion effective du temps conservé en excédent peut dépendre de caractéristiques individuelles telles que la littératie en IA, des normes de charge de travail capables d’absorber le temps économisé avec des exigences supplémentaires, et de la culture organisationnelle ; Nous traitons donc la voie de gain de ressources comme une hypothèse à tester plutôt qu’une hypothèse.

H1 : L’AITC est positivement associé à l’informatique.

La sécurité psychologique (PS) est définie comme la croyance que son environnement de travail est sûr pour la prise de risques interpersonnels, comme admettre des erreurs, demander de l’aide et contester le statu quo^25,26. Bien que la sécurité psychologique ait souvent été étudiée comme un climat d’équipe, cette étude la conceptualise et la mesure comme une perception au niveau individuel, conformément à notre conception d’enquête^{au niveau individuel 27,28}. Lorsque les systèmes agentiques fournissent un retour d’information orienté vers l’apprentissage et des outils de soutien, le coût interpersonnel de l’expérimentation et de l’exposition des erreurs peut diminuer, car les employés peuvent tester et corriger leur travail avant de le présenter aux^{autres 26,28}. Nous reconnaissons cependant que la dynamique opposée est plausible : lorsque des systèmes agents sont déployés pour la surveillance ou la recherche de responsabilités, le risque et la méfiance perçus entre les relations interpersonnelles et la méfiance peuvent augmenter^{de 29 à 30}. Parce que les caractéristiques examinées ici sont de nature assistative plutôt qu’évaluative, nous émettons l’hypothèse d’une association positive tout en traitant cette possibilité à double sens comme une condition aux limites importante.

H2 : L’AITC est positivement associé à la PS.

Nous définissons la réallocation des tâches IA-humain (AHTR) comme une redistribution auto-initiée des tâches par les employés entre eux-mêmes et les systèmes d’IA, en déléguant les tâches de routine à l’IA tout en élargissant leurs propres responsabilités stratégiques et créatives. Nous positionnons AHTR comme une forme spécifique à un domaine de création de tâches. Dans le modèle basé sur JD-R de Tims et Bakker, la création d’emplois comprend l’augmentation des ressources d’emploi, l’augmentation des demandes de défis et la diminution des demandes d’obstacles^17,31 ; dans la typologie de Wrzesniewski et Dutton, elle comprend l’artisanat de tâches, relationnel et^{cognitif 32}. L’AHTR correspond le plus étroitement à la création de tâches réalisée par la technologie : transférer simultanément les tâches routinières à l’IA réduit les contraintes et mobilise une nouvelle ressource^d’emploi 17,23,32. Il est plus restreint qu’un résultat général de transformation numérique car il capture des changements discrétionnaires initiés par les employés dans les limites des tâches plutôt que la refonte organisationnelle^{descendante 33}. Nous privilégions la réallocation des tâches plutôt que l’artisanat relationnel et cognitif car la redistribution des tâches constitue l’interface comportementale la plus immédiate entre les employés et les systèmes agentiques et est directement observable dans l’adoption précoce, tandis que la fabrication relationnelle et cognitive émerge généralement comme des adaptations en aval^31,32. Contrairement aux études précédentes qui traitent l’adoption de l’IA comme un antécédent contextuel de la création générale^{de tâches 16,34}, nous modélisons la réallocation elle-même comme le comportement central de fabrication. Parce que cette réaffectation perturbe les flux de travail établis, les employés sont plus enclins à la mettre en œuvre lorsqu’ils disposent de ressources cognitives suffisantes pour repenser leur travail et se sentent psychologiquement en sécurité pour prendre les risques interpersonnels^{associés 16,34}. Dans la logique de la spirale de gain de la théorie COR, la sécurité psychologique fonctionne également comme une ressource contextuelle qui protège et amplifie l’accumulation de surplus^{cognitif 22}.

H3 : L’informatique est positivement associée à l’AHTR.

H5 : La PS est positivement associée à l’AHTR.

H6 : La PS est positivement associée à l’informatique.

H9 : L’AITC est positivement associé à l’AHTR.

En intégrant ces arguments, l’AITC devrait se relier à l’AHTR non seulement directement mais aussi indirectement, à travers les voies de gain de ressources du surplus cognitif et de la sécurité psychologique.

H4 : CS médie la relation entre l’AITC et l’AHTR.

H7 : PS médie la relation entre l’AITC et l’AHTR.

H8 : PS et CS médient séquentiellement la relation entre AITC et AHTR.

Enfin, les employés n’interprètent pas et ne réagissent pas uniformément à l’IA agentique. Gibson, Cooper et Conger ont décrit la distance perceptuelle entre les dirigeants et leurs équipes comme une disparité cognitive par rapport aux mêmes objectifs organisationnels, enracinée dans des asymétries d’accès à l’information, de responsabilité, d’exposition au risque et d’expérience^{professionnelle 35}. S’appuyant sur cette vision, les dirigeants et le personnel occupent des positions structurellement différentes en ce qui concerne l’adoption de l’IA : les dirigeants ont une responsabilité stratégique et ont tendance à présenter l’IA comme une ressource orientée vers l’augmentation pour la productivité et la prise de décision basée sur les données, tandis que le personnel est relativement plus exposé à l’insécurité professionnelle liée à l’automatisation et à la surcharge d’apprentissage^20,30. Nous traitons ces schémas comme des tendances à tester empiriquement plutôt que comme des dispositions fixes de l’un ou l’autre groupe. De telles divergences basées sur les rôles peuvent générer des schémas hétérogènes dans les relations entre AITC, CS, PS et AHTR, pourtant la recherche empirique qui capture explicitement ces différences de groupe reste limitée.

H10a : Les associations de l’AITC avec le CS et le PS diffèrent entre les dirigeants et le personnel.

H10b : Les associations entre PS et CS et AHTR diffèrent entre les dirigeants et le personnel.

Le protocole ci-dessous décrit le flux de travail complet, du recrutement et du dépistage des participants à l’administration des enquêtes, le nettoyage des données, la validation des mesures, l’estimation du modèle structurel, l’analyse de médiation et l’analyse multi-groupes (MGA) (Figure 1), afin que la procédure puisse être reproduite indépendamment. Le modèle de recherche est représenté à la Figure 2 : AITC, modélisé comme un construct de second ordre comprenant AP, MTO et PF, se rapporte directement ou indirectement à AHTR via CS et PS, PS étant également lié à CS ; la différence entre les rôles de direction et de personnel est examinée via la MGA.

Figure 1. Flux de travail global de conception de l’étude. Schéma du protocole de recherche complet. Les participants ont été recrutés via le panel en ligne à l’aide d’échantillonnages non probabilistes intentionnels et dépistés pour leur expérience professionnelle liée à l’IA ; les répondants éligibles ont rempli une enquête anonyme mesurant tous les concepts sur des échelles de Likert à 7 points. Après nettoyage des données (échecs de dépistage, échecs de contrôle d’attention et temps de complétion incroyablement courts supprimés ; N final = 331), le modèle de mesure a été validé (fiabilité : α de Cronbach, fiabilité composite ; validité convergente : variance moyenne extraite ; validité discriminante : HTMT et Fornell-Larcker), le construct du second ordre a été validé via l’approche en deux étapes, et le modèle structurel, les voies de médiation et l’analyse multi-groupe leader-staff ont été estimés à 5 000 Des rééchantillonnages bootstrap. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2. Modèle de recherche proposé. Modèle conceptuel des relations hypothétiques. Les caractéristiques technologiques de l’IA agente (AITC), un concept de second ordre comprenant la planification autonome (AP ; la capacité du système à décomposer des objectifs en sous-tâches et à réviser les plans), l’orchestration multi-outils (MTO ; la capacité à sélectionner, séquencer et intégrer plusieurs outils et API) et le retour proactif (PF ; la capacité à signaler erreurs et risques sans y être sollicité), est hypothétique comme étant positivement associée au surplus cognitif (CS ; le réservoir d’énergie cognitive et de temps discrétionnaire libéré lorsque les tâches routinières sont déléguées à l’IA), la sécurité psychologique (PS ; la perception que l’environnement de travail est sûr pour la prise de risques interpersonnelles), et la réallocation des tâches IA-humain (AHTR ; redistribution auto-initiée des tâches par les employés entre eux-mêmes et l’IA) (H1, H2, H9). On suppose que la CS et la PS sont positivement associées à AHTR (H3, H5), PS à CS (H6), et CS et PS pour médiatiser, individuellement et séquentiellement, la relation AITC-AHTR (H4, H7, H8). Les flèches représentent des chemins structurels hypothétisés ; H10a/H10b désignent des différences hypothétiques entre le leader et le personnel testées par analyse multigroupe. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Protocole

Toutes les procédures ont été réalisées conformément aux normes éthiques pour la recherche impliquant des participants humains à l’Université aSSIST et à l’Université Dong-A. Puisque toutes les réponses étaient anonymisées lors de la collecte et qu’aucune information personnelle identifiable n’a été collectée à aucun moment, le comité d’examen institutionnel de l’université aSSIST a déterminé que l’étude était exemptée d’examen complet conformément à l’article 15 de la loi sur la bioéthique et la sécurité de la République de Corée et à l’article 13 de son règlement d’application. L’enquête s’ouvrait sur une page d’information et de consentement indiquant que la participation était limitée aux personnes actuellement employées et impliquées dans un projet d’IA, décrivant l’objectif de l’étude et expliquant la nature volontaire de la participation, l’anonymat des réponses et l’utilisation prévue des données ; seuls les répondants explicitement d’accord ont poursuivi le questionnaire. La page de consentement est fournie dans le Fichier Supplémentaire 1.

Détermination de la taille de l’échantillon

Une analyse de puissance a priori a été réalisée avant la collecte des données à l’aide de G*Power 3.1.9.7 (RRID : SCR_013726) pour la famille de régression multiple linéaire, spécifiant le plus grand nombre de prédicteurs dirigés vers une seule construction endogène dans le modèle ; dans cette étude, l’AHTR est prédit par trois concepts (AITC, CS et PS). Avec une taille d’effet moyenne (f² = 0,15), α = 0,05 et une puissance statistique de 0,80, l’échantillon minimum requis était de 77 cas ; la sortie du protocole G*Power est fournie dans le Fichier Supplémentaire 2. La taille minimale de l’échantillon a été vérifiée à l’aide de la méthode de la racine carrée inverse pour^{PLS-SEM 36}, selon laquelle environ 155 cas sont nécessaires pour détecter un coefficient de chemin standardisé minimal d’environ 0,20 au niveau de signification de 5 % avec 80 % de puissance. Enfin, l’objectif de recrutement a été fixé pour dépasser substantiellement les deux minimums, afin de soutenir le bootstrapping des effets indirects et l’analyse multi-groupes à échantillons fractionnés ; l’échantillon final (N = 331 ; leaders n = 171, personnel n = 160) satisfaisait l’exigence minimale d’échantillon au sein de chaque sous-groupe.

Recrutement et sélection des participants

Les participants ont été recrutés via le panel de recherche en ligne à l’aide d’un échantillonnage non probabiliste intentionnel ; c’est-à-dire que l’échantillon a été délibérément restreint aux répondants répondant à un critère substantiel a priori — expérience professionnelle actuelle ou antérieure impliquant l’IA — plutôt que tirés au hasard parmi la population générale. L’éligibilité était limitée aux répondants âgés de 18 ans ou plus. L’expérience professionnelle liée à l’IA a été mise en œuvre à travers l’élément de sélection « Lequel des éléments suivants décrit le mieux votre situation actuelle ? », présenté avant le questionnaire principal ; seuls les répondants qui indiquaient être actuellement employés et impliqués dans un travail lié à l’IA ont poursuivi, tandis que les autres options (employées mais non impliquées dans le travail en IA ; non employées mais déjà impliquées ; non employées et non impliquées) déclenchaient un retrait immédiat. La collecte des données a eu lieu lors d’une seule session le 8 février 2026 (10h28–13h30), et les participants ont été rémunérés à 6,98 GBP par heure conformément à la politique de rémunération équitable de la plateforme. La participation en double a été empêchée grâce aux identifiants uniques des participants de la plateforme et aux paramètres de prévention des réponses en double de la plateforme d’enquête. Le nombre de répondants à chaque étape a été enregistré pour documenter le flux de travail d’inclusion/exclusion : 537 réponses ont été enregistrées ; 151 ont été éliminés par les questions de sélection (386 restantes) ; 40 furent retirés pour avoir échoué aux contrôles d’attention, y compris la ligne droite (346 restants) ; et 15 ont été retirés pour des temps d’achèvement incroyablement courts (sous environ 180 s), donnant l’échantillon final de N = 331.

Définition standardisée et instructions d’enquête

Les participants ont été informés que l’enquête examinait comment l’IA agente pouvait affecter les organisations et leurs membres. Au début de l’enquête, tous les participants ont vu une brève définition standardisée de l’IA Agentique, conforme à la définition donnée dans l’Introduction — un système d’IA avancé caractérisé par une planification autonome, une orchestration multi-outils et un retour proactif qui réalise des actions orientées vers un objectif avec une supervision humaine limitée (Figure 1, étape 2). L’éligibilité était limitée aux répondants actuellement employés et impliqués dans un projet d’IA, ce qui fournissait une base professionnelle pertinente pour répondre au questionnaire. Aucun élément distinct de vérification de compréhension n’était inclus ; La définition standardisée servait donc d’orientation contextuelle plutôt que de vérification de la compréhension vérifiée. Les participants ont été invités à répondre à chaque question en se basant sur leur expérience réelle d’utilisation ou de travail avec de tels systèmes d’IA agentique dans des contextes organisationnels.

Développement et administration des instruments de topographie

Le questionnaire a été développé à partir d’échelles de mesure validées adaptées au contexte organisationnel de l’IA agentique. Le tableau 1 liste chaque élément, son échelle source et les statistiques descriptives : les items AP, MTO et PF ont été adaptés des conceptualisations récentes de l’IA^{Agentique 7,8} ; Items en informatique issus de la recherche sur les ressources cognitives en IA^{générative 37} ; PS éléments de Plomp et ^al.38 ; et les items AHTR issus des échelles de création de tâches basées sur^{JD-R 17,39} adaptés à la réattribution des tâches. Tous les constructs ont été mesurés sur des échelles de Likert à 7 points allant de 1 (« fortement en désaccord ») à 7 (« fortement d’accord »). L’enquête était organisée en blocs couvrant la page de consentement, le filtrage, les items AITC (AP, MTO, PF), CS, PS, AHTR et les caractéristiques démographiques/témoins ; l’instrument contenait également des échelles supplémentaires (alphabétisation IA et auto-efficacité de l’étendue des rôles) qui dépassent le cadre du modèle actuel et qui ont été collectées mais non analysées ici, rapportées pour transparence. L’enquête était hébergée sur la plateforme d’enquête en ligne ; Le bouton retour était désactivé pour empêcher les répondants de réviser les réponses précédentes, et les items étaient présentés dans un ordre fixe dans des blocs. Le temps médian de complétion était de 7 min 44 s. Deux items de vérification d’attention à réponse instruite étaient intégrés comme branches de flux d’enquête qui clôturaient l’enquête en cas de réponse incorrecte : (i) une vérification factuelle, « L’IA est-elle une abréviation d’Informations sur les Artichauts ? » (réponse correcte : Non), et (ii) un contrôle de compréhension d’échelle confirmant que les réponses ont été enregistrées sur une échelle de Likert à 7 points, allant de « fortement en désaccord » à « fortement d’accord ». Avant l’administration principale, un test pilote a été mené avec 124 répondants pour évaluer la clarté des éléments de l’enquête, le flux global de l’enquête, la durée de l’achèvement et la faisabilité du questionnaire ; La durée de l’achèvement a été examinée afin d’identifier des réponses exceptionnellement courtes et de confirmer que la durée de l’enquête était appropriée pour les répondants cibles. Le test pilote n’a révélé aucun problème de formulation nécessitant une révision des items, et aucun changement de formulation n’a été effectué avant l’enquête principale. De plus, les données pilotes ont été analysées à l’aide de PLS-SEM comme procédure de validation préliminaire pour évaluer la performance des indicateurs, construire la fiabilité, la validité convergente, la validité discriminante, la colinéarité et la plausibilité des relations structurelles proposées ; Les résultats soutenaient l’adéquation de l’instrument pour l’enquête principale.

Construction		Objet	Question			Méchant	STDEV	VIF	Source
AITC	AP	AP1	Quand je propose un objectif, l’IA aide à créer un plan en plusieurs étapes pour l’atteindre.			5.81	0.9	1.44	Abou Ali, M., et al. (2025) ; Sapkota, R., et al. (2025)
		AP2	L’IA peut réviser son plan lorsque des contraintes ou des exigences changent.			5.75	0.99	1.37
		AP3	L’IA divise les tâches complexes en sous-tâches gérables sans avoir besoin d’instructions étape par étape.			5.33	1.37	1.33
	MTO	MTO1	L’IA peut combiner plusieurs outils ou applications (par exemple, recherche, documents, outils de données) pour accomplir une tâche.			5.69	1.11	1.5
		MTO2	L’IA suggère le(s) bon outil(s) et les utilise dans la bonne séquence pour produire un livrable.			5.36	1.04	1.64
		MTO3	L’IA aide à intégrer les résultats de différents outils en un résultat cohérent.			5.61	1.01	1.63
	PF	PF1	L’IA signale de manière proactive les erreurs, les informations manquantes ou les hypothèses risquées dans mon travail.			4.9	1.44	1.68
		PF2	L’IA suggère des améliorations avant que je ne demande explicitement un retour.			5.07	1.38	1.85
		PF3	L’IA me rappelle les points de contrôle (par exemple, la validation, la conformité, la qualité) pour éviter les retravails.			5.02	1.4	1.6
CS		CS1	L’utilisation de l’IA a libéré mon énergie mentale pour me concentrer sur un travail plus complexe et significatif.			5.59	1.28	2.07	Liu, Y., Sheng, F., & Liu, R. (2025)
		CS2	J’ai plus de temps disponible pour la réflexion stratégique et la résolution de problèmes depuis que j’utilise l’IA.			5.61	1.23	2.38
		CS3	La charge de travail liée aux tâches routinières a considérablement diminué, ce qui me donne de la marge d’esprit pour de nouvelles initiatives.			5.42	1.28	2.23
		CS4	Je me sens moins épuisé mentalement à la fin de la journée de travail parce que l’IA gère les tâches répétitives.			5.15	1.5	1.91
PS		PS1	Dans mon entreprise, il est sûr de prendre un risque lié à l’utilisation de l’IA de nouvelles manières.			4.74	1.37	1.52	Plomp et al. (2019)
		PS2	Mon manager encourage l’expérimentation avec l’IA et tolère les erreurs.			4.52	1.61	1.68
		PS3	Je me sens à l’aise de m’exprimer si j’ai des inquiétudes sur la façon dont l’IA est utilisée dans mon équipe.			5.48	1.24	1.32
		PS4	Mes collègues me soutiennent si j’essaie de nouvelles façons de travailler avec l’IA.			5.26	1.32	1.48
		PS5 (exclu)	Je n’ai pas peur des conséquences négatives si je propose des usages innovants de l’IA dans mon travail.			4.47	1.59	1.23
AHTR		AHTR1	Je transfère délibérément les tâches routinières (par exemple, saisie de données, formatage de rapports) à l’IA afin de pouvoir me concentrer sur des tâches à plus grande valeur.			5.12	1.35	1.68	Tims, M., & Bakker, A. B. (2010) ; Li, W. et al. (2024)
		AHTR2	Je cherche activement des opportunités d’utiliser l’IA pour gérer des tâches que je faisais auparavant manuellement.			5.58	1.28	1.84
		AHTR3	Depuis que j’utilise l’IA, j’ai pris de nouvelles responsabilités ou des responsabilités élargies, plus stratégiques ou créatives.			5.18	1.3	1.58
		AHTR4 (exclu)	Je négocie avec mon manager sur les tâches que l’IA doit gérer et lesquelles je dois faire.			4.09	1.65	1.23
		AHTR5	J’ai repensé mon travail en réaffectant le travail routinier à l’IA, me libérant pour des tâches plus significatives.			4.92	1.35	1.67

Tableau 1 : Éléments de mesure, sources, statistiques descriptives et évaluation complète de la collinéarité. Instrument complet de l’arpentage. Chaque élément est listé avec sa construction (dimensions AITC AP, MTO, PF ; CS ; PS ; AHTR), code d’article, formulation, moyenne, écart-type (STDEV), facteur d’inflation de la variance de collinéarité (VIF ; les valeurs <3,3 indiquent l’absence de contamination courante par variance de la méthode), ainsi que l’échelle source à partir de laquelle il a été adapté. Tous les items ont été mesurés sur des échelles de Likert à 7 points (1 = fortement en désaccord, 7 = fortement d’accord). La PS5 et l’AHTR4 ont été retirées lors de l’évaluation du modèle de mesure en raison de faibles charges extérieures. AITC = Caractéristiques technologiques de l’IA agente ; AP = planification autonome ; MTO = orchestration multi-outils ; PF = retour proactif ; CS = surplus cognitif ; PS = sécurité psychologique ; AHTR = réallocation des tâches IA-humain. Veuillez cliquer ici pour télécharger ce tableau.

Préparation et nettoyage des données

Les réponses brutes étaient exportées au format CSV. Les cas ne remplissant pas le critère de dépistage ou l’un ou l’autre élément de contrôle d’attention ont été exclus, tout comme les réponses avec des données manquantes importantes (paramètres de réponse forcée minimisés l’absence au sein de l’enquête) ; Les décomptes d’exclusions résultants à chaque étape sont documentés dans la section 2 du protocole (537 enregistrés → 331 conservés). Les données conservées ont été inspectées pour leur cohérence et dépistées pour détecter les schémas de réponse inattentive : les réponses en ligne droite ont été supprimées via les contrôles d’attention, et les réponses avec des temps de complétion incroyablement courts (sous environ 180 s) ont été exclues. Les variables ont ensuite été codées pour l’analyse (par exemple, Rôle : Leader = 1, Personnel = 0 ; Genre : Homme = 1, Femme = 0) Comme documenté dans le Tableau 2, les contrôles catégoriels tels que l’industrie étaient codés par des indicateurs k-1, et le jeu de données finalisé a été importé dans le logiciel PLS-SEM. Un livre de codes associant chaque variable à son texte, son code et sa construction est fourni sous forme de fichier supplémentaire 2.

Évaluation du modèle de mesure

À l’aide du logiciel PLS-SEM, chaque élément observé était assigné à sa construction latente, et toutes les constructions du premier ordre (AP, MTO, PF, CS, PS, AHTR) étaient spécifiées comme réfléchissantes. AITC a été spécifié comme un construct de second ordre comprenant AP, MTO et PF et a été estimé avec l’approche en deux étapes^{40, 41, 42} : les scores de variables latentes ont d’abord été obtenus pour les constructs du premier ordre puis utilisés (AP_LVS, MTO_LVS, PF_LVS) comme indicateurs formatifs de l’AITC. L’algorithme PLS était exécuté avec le schéma de pondération des chemins, un maximum de 3 000 itérations, et un critère d’arrêt de 10⁻⁷. La fiabilité interne de la cohérence a été évaluée par rapport aux seuils de fiabilité α et composite (CR) de Cronbach de 0,70⁴³, considérant α valeurs de 0,5 à 0,6 comme marginalement acceptables pour des échelles courtes dans des contextes de recherche^{émergents 43} ; La validité convergente a été évaluée par rapport au seuil moyen de variance extraite (AVE) de 0,50⁴⁴ ; et la validité discriminante a été évaluée à l’aide du ratio hétérotrait-monotrait (HTMT <0,85, seuil conservateur)⁴⁵ et du critère^{Fornell-Larcker 44}. Lorsque les critères de fiabilité ou de validité convergente n’étaient pas respectés, les charges externes étaient inspectées, et les indicateurs de mauvaise performance étaient supprimés tout en préservant la validité du contenu, chaque retrait et sa justification étant documentés ; dans cette étude, PS5 et AHTR4 ont été retirés en raison de faibles charges extérieures, ce qui a amélioré la validité convergente de PS et AHTR.

Modèle structurel et analyse de médiation

Les trajectoires structurelles ont été spécifiées conformément au modèle de recherche (Figure 2), et la colinéarité entre les constructions prédictives a été examinée à l’aide de facteurs d’inflation de variance internes (VIF < 5,0)³⁶ et de VIFs de collinéarité totale (<3,3)^46,47. La signification du chemin a été estimée par bootstrapping avec 5 000 rééchantillons à l’aide d’intervalles de confiance percentiles et de tests à deux queues, et des coefficients de chemin standardisés (β), moyennes d’échantillon (M), écarts-types (STDEV), valeurs t, valeurs p, intervalles de confiance à 95 %, R² et tailles d’effet (f²) ont été rapportés. La puissance prédictive hors échantillon a été évaluée à l’aide de PLSpredict avec 10 fois et 10 répétitions ; pour chaque indicateur endogène, la prédiction Q²(>0 indique la pertinence prédicative) a été inspectée, et les erreurs de prédiction PLS-SEM (RMSE et MAE) ont été comparées au benchmark⁴⁸ du modèle linéaire (LM). Pour l’analyse de médiation, les effets indirects de l’AITC sur l’AHTR via la CS, la PS et la voie séquentielle PS → CS ont été spécifiés, et chaque effet indirect spécifique a été évalué à l’aide de la distribution bootstrap (5 000 rééchantillons), avec un effet indirect jugé significatif lorsque son intervalle de confiance à 95 % excluait zéro.

Analyse multigroupe

Les répondants ont été classés en groupes de dirigeants et de personnel selon leur rôle organisationnel auto-déclaré (Rôle : Leader = 1, Personnel = 0 ; Tableau 2) ; Le groupe de leaders comprenait des chefs d’équipe/superviseurs, des managers/chefs de département, ainsi que des cadres/cadres supérieurs, et le groupe de personnel comprenait des employés au niveau du personnel. Avant la comparaison des coefficients de chemin, l’invariance de mesure entre groupes a été établie à l’aide de la procédure⁴⁵ de l’invariance de mesure des modèles composites (MICOM). L’étape 1 (invariance configurale) a été satisfaite par une spécification de modèle identique entre les groupes, et l’étape 2 (invariance compositionnelle) a été prise en charge pour tous les constructs, avec des corrélations initiales égales ou supérieures à leurs quantiles de 5 % et des valeurs p de permutation non significatives (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), établissant l’invariance partielle des mesures et justifiant la comparaison multi-groupe (résultats complets MICOM dans le Fichier Supplémentaire 3). Le modèle a ensuite été estimé séparément pour chaque groupe, et les différences de chemin ont été testées à l’aide de PLS-MGA basé sur le bootstrap, avec des valeurs p à une et à deux côtés rapportées pour la différence leader-bâton (Δ) de chaque chemin ; Des coefficients de chemin spécifiques au groupe, des valeurs t et des valeurs p ont été rapportés pour tous les chemins directs et indirects, ainsi que la magnitude de chaque différence entre groupes.

Signalement, vérification et dépannage

Tous les résultats de fiabilité, validité, structure, médiation et MGA ont été compilés ; les tableaux de résultats ont été exportés ; et chaque statistique rapportée était vérifiée par rapport à la sortie générée par logiciel afin d’assurer la cohérence entre tableaux, figures et textes. Pour le dépannage, les directives suivantes s’appliquent : si de nombreuses réponses échouent à un contrôle de sélection ou à des contrôles d’attention, affiner les critères d’éligibilité et clarifier les instructions de l’enquête ; si les critères de fiabilité (CR < 0,70) ou de validité convergente (AVE < 0,50) ne sont pas remplis, on examine les charges externes et on supprime les indicateurs faibles tout en préservant la couverture théorique ; si une collinéarité est identifiée (VIF au-dessus des seuils), réévaluer les spécifications de la construction et éliminer les indicateurs redondants ; si la médiation ou les effets de groupe ne sont pas significatifs, réexaminer l’adéquation de l’échantillon et construire l’opérationnalisation avant interprétation ; et utiliser un nombre suffisant de rééchantillonnages bootstrap (par exemple, 5 000) pour stabiliser les estimations.

Résultats

Caractéristiques des participants

Le tableau 2 présente les caractéristiques démographiques de l’échantillon final (N = 331). L’échantillon comprenait 65,0 % d’hommes et 35,0 % de femmes, avec une répartition relativement équilibrée entre les dirigeants (51,7 %, n = 171) et le personnel (48,3 %, n = 160). Le plus grand groupe d’âge était de moins de 30 ans (46,5 %), suivi de 31 à 40 ans (32,0 %) ; 76,4 % détenaient des diplômes de premier ou de troisième cycle. Les répondants provenaient de divers secteurs, menés par la technologie et les télécommunications (46,2 %), ainsi que d’organisations de tailles variées. Ce profil est cohérent avec l’accent positif de l’étude sur les employés activement engagés dans des travaux liés à l’IA.

Caractéristiques	Catégories	Fréquence (n)	%	Pourcentage cumulé
Genre	Homme (1)	215	65	65
	Femme (0)	116	35	100
Âge	-30	154	46.5	46.5
	31-40	106	32	78.5
	41-50	44	13.3	91.8
	51-	27	8.2	100
Rôle	Leader (1)	171	51.7	51.7
	Équipe (0)	160	48.3	100
Éducation	Lycée	34	10.3	10.3
	Université	44	13.3	23.6
	Licence	142	42.9	66.5
	Troisième cycle	111	33.5	100
Industrie	Technologie Télécommunications ICT	153	46.2	46.2
	Services professionnels (Conseil, Juridique, Comptabilité)	38	11.5	57.7
	Industrie manufacturière	37	11.2	68.9
	Services financiers	30	9.1	77.9
	Soins de santé	30	9.1	87
	Secteur public	24	7.3	94.3
	Vente au détail	19	5.7	100
Taille de l’entreprise	Moins 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 ou plus	42	12.7	100
Total		331	100	100

Tableau 2 : Caractéristiques démographiques de l’échantillon final. Répartition des 331 répondants par genre, âge, rôle organisationnel, éducation, secteur et taille de l’entreprise. n = fréquence ; % = pourcentage de l’échantillon total ; Pourcentage cumulé = pourcentage cumulatif au sein de chaque caractéristique. Les valeurs entre parenthèses dans la colonne Catégories indiquent le codage binaire utilisé en analyse (par exemple, Leader = 1, Staff = 0).

Évaluation du modèle de mesure

Comme l’AITC est modélisé comme une construction du second ordre, une approche en deux étapes a été^{appliquée en 40.} Tout d’abord, la fiabilité et la validité des constructions du premier ordre ont été évaluées à l’aide du α de Cronbach, de la fiabilité composite (CR) et de la variance moyenne extraite (AVE), comme montré dans le tableau 3. PS5 et AHTR4 ont été exclus en raison de faibles charges extérieures, ce qui a amélioré la validité convergente de PS (AVE = 0,563) et AHTR (AVE = 0,619)³⁶. Toutes les valeurs de CR dépassaient le seuil de 0,70, et toutes les valeurs AVE dépassaient 0,50. Bien que le α de Cronbach pour AP ait été de 0,585, son CR (0,781) et son AVE (0,547) sont restés dans des limites acceptables, et α valeurs de 0,5 à 0,6 peuvent être considérées comme acceptables pour les échelles^{courtes 43}. La validité discriminante était confirmée : tous les rapports HTMT (0,25–0,77) étaient inférieurs au seuil conservateur de 0,85 (Tableau 4)⁴⁵, et la racine carrée de chaque AVE de chaque construit dépassait sa corrélation inter-construct la plus élevée selon le critère de Fornell-Larcker (Tableau 5)⁴⁴.

Construction		α	Fiabilité du composite	AVE
AITC	AP	0.585	0.781	0.547
	MTO	0.731	0.848	0.65
	PF	0.758	0.858	0.669
CS		0.858	0.904	0.701
PS		0.741	0.837	0.563
AHTR		0.795	0.867	0.619

Tableau 3 : Fiabilité et validité convergente des constructions du premier ordre. α = alpha de Cronbach (cohérence interne ; seuil 0,70, avec 0,5–0,6 marginalement acceptable pour les échelles courtes) ; Fiabilité composite (CR ; seuil 0,70) ; AVE = variance moyenne extraite (validité convergente ; seuil 0,50). Valeurs rapportées après le retrait de la PS5 et de l’AHTR4. AP = planification autonome ; MTO = orchestration multi-outils ; PF = retour proactif ; CS = surplus cognitif ; PS = sécurité psychologique ; AHTR = réallocation des tâches IA-humain.

Constructions		Ratio hétérotrait-monotrait (HTMT)
		AP	MTO	PF	CS	PS	AHTR
AITC	AP
	MTO	0.75
	PF	0.64	0.59
CS		0.63	0.59	0.48
PS		0.45	0.36	0.25	0.48
AHTR		0.62	0.59	0.45	0.77	0.54

Tableau 4 : Validité discriminante des constructions du premier ordre (HTMT). Rapport hétérotrait-monotrait des corrélations entre paires constructes. Les valeurs inférieures au seuil conservateur de 0,85 soutiennent une validité discriminante. AP = planification autonome ; MTO = orchestration multi-outils ; PF = retour proactif ; CS = surplus cognitif ; PS = sécurité psychologique ; AHTR = réallocation des tâches IA-humain.

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

Tableau 5 : Validité discriminante des constructions du premier ordre (critère de Fornell-Larcker). Les éléments diagonaux (gras) sont les racines carrées de chaque AVE de construction ; les éléments hors diagonale sont des corrélations inter-construites. La validité discriminante est soutenue lorsque chaque élément diagonal dépasse toutes les corrélations de sa ligne et de sa colonne.

Comme toutes les variables ont été auto-déclarées par les mêmes répondants, les recours procéduraux et statistiques ont été^{appliqués 49,50}. Procéduralement, les répondants étaient garantis de l’anonymat, la déclaration de consentement mettait l’accent sur la participation volontaire et l’absence de bonnes ou mauvaises réponses, les éléments prédictifs et critères étaient placés dans des sections d’enquête séparées, des échelles courtes validées étaient utilisées pour réduire la fatigue, et les contrôles d’attention éliminaient les réponses négligentes. Statistiquement, le test à facteur^{unique 51} de Harman a montré qu’un seul facteur non rotatif expliquait 30,99 % de la variance, en dessous du critère^{de 50 % 49,52}. À titre de vérification plus rigoureuse, une évaluation complète de la collinéarité⁴⁶ a montré tous les FIF inférieurs à 3,3 (Tableau 1), ce qui ne suggère aucune preuve de biais marqué de la méthode commune, bien que de tels diagnostics ne puissent pas exclure de manière concluante la variance de la méthode^46,47.

L’importance des effets de dimension ascendante du construct formatif du second ordre (AITC) a été évaluée à l’aide du bootstrapping avec 5 000^{rééchantillons 36,41}. Comme montré dans le tableau 6, les poids formatifs de AP_LVS (0,493, p < 0,001), MTO_LVS (0,492, p < 0,001) et PF_LVS (0,249, p < 0,001) étaient tous significatifs, et tous les VIF étaient inférieurs à 3,3, indiquant que chaque dimension d’ordre inférieur contribue substantiellement à l’AITC sans souci de colinéarité. Le modèle structurel final a ensuite été estimé à l’aide de la procédure en deux étapes^41,42 (Figure 3).

Indicateur formatif	VIF	Originaux β	Méchant β	STDEV	valeur t	valeur 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

Tableau 6 : Effets de dimension ascendante pour la construction formative du second ordre. Des estimations bootstrap (5 000 rééchantillons) des poids formatifs reliant les scores variables latentes d’AP, MTO et PF (AP_LVS, MTO_LVS, PF_LVS) à l’AITC dans l’approche en deux étapes. β = poids standardisé (Original) et moyenne bootstrap ; STDEV = écart-type bootstrap ; VIF = facteur d’inflation de la variance (<3,3 indique qu’il n’y a pas de problème de colinéarité) ; valeur t = \|β/STDEV\| ; valeur p de la distribution bootstrap. AITC = Caractéristiques technologiques de l’IA agente ; AP = planification autonome ; MTO = orchestration multi-outils ; PF = retour proactif.

Figure 3. Modèle structurel estimé. Modèle final avec des coefficients de chemin standardisés (β) pour l’échantillon complet (N = 331). Toutes les abréviations comme dans la Figure 2 ; AP_LVS, MTO_LVS et PF_LVS désignent les scores variables latentes AP, MTO et PF utilisés comme indicateurs formatifs de l’AITC dans l’approche en deux étapes. Des flèches pleines indiquent des trajectoires importantes ; les valeurs entre parenthèses sont R² (la proportion de variance expliquée dans chaque construction endogène : AHTR = 0,471, CS = 0,363, PS = 0,114). La signification a été évaluée par autofinancement avec 5 000 rééchantillons ; p < 0,001. AP = planification autonome ; MTO = orchestration multi-outils ; PF = retour proactif ; AITC = Caractéristiques technologiques de l’IA agente ; CS = surplus cognitif ; PS = sécurité psychologique ; AHTR = réallocation des tâches IA-humain. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Modèle structurel et analyse de médiation

Le tableau 7 rapporte les coefficients de chemin avec des valeurs p, des moyennes d’échantillon (M), des écarts-types (STDEV), des valeurs t et des intervalles de confiance à 95 %. L’AITC était positivement associée à la CS (β = 0,485, p < 0,001), supportant H1, et à la PS (β = 0,338, p < 0,001), supportant H2. CS était positivement associée à AHTR (β = 0,444, p < 0,001), supportant H3, tout comme PS (β = 0,179, p < 0,001), supportant H5. PS était positivement associée à CS (β = 0,230, p < 0,001), supportant H6, et AITC avec AHTR (β = 0,215, p < 0,001), supportant H9. Le modèle expliquait 47,1 % de la variance en AHTR (R² = 0,471), 36,3 % en CS et 11,4 % en PS.

Constructions	β	Moyenne d’échantillon (M)	Écart-type (STDEV)	Statistique T (|O/STDEV|)	valeurs 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
PS → AHTR	0.179	0.181	0.05	3.596	0	0.085	0.279
AITC → informatique	0.485	0.485	0.051	9.587	0	0.384	0.579	0.363
PS → informatique	0.23	0.231	0.053	4.299	0	0.129	0.336
AITC → PS	0.338	0.347	0.055	6.094	0	0.236	0.451	0.114
PS → CS → AHTR	0.102	0.103	0.027	3.786	0	0.054	0.159
AITC → PS → AHTR	0.06	0.062	0.019	3.225	0.001	0.027	0.102
AITC → CS → AHTR	0.215	0.216	0.036	6.007	0	0.149	0.29
AITC → PS → CS → AHTR	0.034	0.036	0.011	3.122	0.002	0.017	0.06
AITC → PS → CS	0.078	0.08	0.022	3.485	0	0.041	0.127

Tableau 7 : Résultats du modèle structurel et effets indirects spécifiques (échantillon complet). β = coefficient de chemin standardisé ; M = moyenne d’échantillon bootstrap ; STDEV = écart-type bootstrap ; t = \|β/STDEV\| ; p = valeur p à deux queues ; 0,025/0,975 = bornes inférieures/supérieures de l’intervalle de confiance bootstrap à 95 % (un intervalle excluant zéro indique la signification) ; R² = variance expliquée dans la construction endogène. Les lignes avec des flèches à travers plusieurs concepts (par exemple, AITC → PS → CS → AHTR) rapportent des effets indirects spécifiques (médiation). Le bootstrap a utilisé 5 000 rééchantillonnages.

Les résultats du bootstrap pour les effets indirects spécifiques (Tableau 7) montrent que la CS a significativement médié la relation AITC-AHTR (β = 0,215, IC à 95 % [0,149, 0,290], p < 0,001), supportant H4, et PS de la même manière (β = 0,060, IC à 95 % [0,027, 0,102], p = 0,001), soutenant H7. La voie séquentielle AITC → PS → CS → AHTR était également significative (β = 0,034, IC à 95 % [0,017, 0,060], p = 0,002), supportant H8. Le tableau 8 résume les résultats des tests d’hypothèses.

	Hypothèse			Résultats
H1	Les caractéristiques technologiques de l’IA agente sont positivement associées à un surplus cognitif.			Accepté
H2	Les caractéristiques technologiques de l’IA agente sont positivement associées à la sécurité psychologique.			Accepté
H3	Le surplus cognitif est positivement associé à la réallocation des tâches IA-humain.			Accepté
H4	Le surplus cognitif médie la relation entre les caractéristiques technologiques de l’IA agente et la réallocation des tâches IA-humain.			Accepté
H5	La sécurité psychologique est positivement associée à la réallocation des tâches IA-humain.			Accepté
H6	La sécurité psychologique est positivement associée à un surplus cognitif.			Accepté
H7	La sécurité psychologique médie la relation entre les caractéristiques technologiques de l’IA agente et la réallocation IA-humain.			Accepté
H8	La sécurité psychologique et l’excédent cognitif médient séquentiellement la relation entre les caractéristiques technologiques de l’IA agente et la réallocation des tâches IA-humain.			Accepté
H9	Les caractéristiques technologiques de l’IA agente sont positivement associées à la réallocation des tâches IA-humain.			Accepté
H10a	Les associations entre les caractéristiques technologiques de l’IA agétique et le surplus cognitif et la sécurité psychologique diffèrent entre les dirigeants et le personnel.			Accepté
H10b	Les associations entre la sécurité psychologique et le surplus cognitif avec la réaffectation des tâches IA-humains diffèrent entre les dirigeants et le personnel.			Partiellement accepté

Tableau 8 : Résumé des tests d’hypothèse. Chaque hypothèse avec son chemin structurel et sa décision correspondants (acceptée/rejetée) basée sur le bootstrap donne le tableau 7 (seuil de signification p < 0,05). AITC = Caractéristiques technologiques de l’IA agente ; CS = surplus cognitif ; PS = sécurité psychologique ; AHTR = réallocation des tâches IA-humain.

Le pouvoir prédictif hors échantillon a été évalué avec PLSpredict (10 fois, 10 répétitions ; Tableau 9). Tous les indicateurs endogènes ont donné des valeurs prédictives positives au^Q2, indiquant leur pertinence prédicative, et le modèle PLS-SEM a produit une RMSE et une EMA inférieures à celles du modèle linéaire (LM) pour presque tous les indicateurs, la seule exception étant PS_4. Ces résultats indiquent une performance prédictive hors échantillon moyenne à élevée pour la sécurité psychologique, le surplus cognitif et la réallocation IA-humain⁴⁸.

Indicateur	Q²prédire	PLS-SEM RMSE	S’IL TE PLAÎT, S’IL TE PLAÎT	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

Tableau 9 : Évaluation prédictive hors échantillon (PLSpredict). Indicateurs prédictifs pour chaque indicateur endogène (PS, CS, AHTR) de PLSpredict (10 fois, 10 répétitions). Q²prédire = pertinence prédictive (>0 indique que le modèle PLS-SEM surpasse le benchmark le plus naïf) ; PLS-SEM RMSE/MAE = erreur quadratique moyenne et erreur absolue moyenne du modèle PLS-SEM ; LM RMSE/MAE = erreurs correspondantes pour le benchmark du modèle linéaire ; IA RMSE/MAE = indicateur-référence moyenne. Des erreurs PLS-SEM en dessous du benchmark LM indiquent une performance prédictive satisfaisante. PS = sécurité psychologique ; CS = surplus cognitif ; AHTR = réallocation des tâches IA-humain. Note : Tous les Q²prédisent > 0. PLS-SEM RMSE/MAE < benchmark LM pour tous les indicateurs sauf PS_4, indiquant une performance prédictive moyenne à élevée.

Analyse multigroupe

La MGA a examiné si les relations structurelles diffèrent entre les dirigeants et le personnel, qui occupent des postes différents de responsabilité, de sécurité d’emploi et de composition des tâches. Comme montré dans le tableau 10, les associations de l’AITC avec les deux variables ressources étaient significativement plus fortes parmi les dirigeants : AITC → CS (leader β = 0,599 vs. staff β = 0,363 ; Δ = 0,236, p à deux queues = 0,014) et AITC → PS (leader β = 0,435 vs. staff β = 0,199 ; Δ = 0,236, p à deux queues = 0,043). Ces différences sont pratiquement significatives : l’association AITC-CS parmi les dirigeants était environ 1,6 fois celle du personnel, et l’association AITC-PS était plus de deux fois plus forte. Les autres chemins directs (AITC → AHTR, CS → AHTR, PS → AHTR, PS → CS) ne différaient pas significativement entre les groupes (tous à deux queues p > 0,19), ce qui indique qu’une fois les ressources formées, leurs associations avec la réallocation des tâches fonctionnent de manière similaire entre les rôles. Les estimations bootstrap spécifiques au groupe (Tableau 11) révèlent en outre des schémas de signification asymétriques dans quatre voies : PS → AHTR était significative pour les leaders (β = 0,234, p = 0,001) mais pas pour le personnel (β = 0,133, p = 0,064) ; le chemin indirect AITC → PS → AHTR était significatif pour les leaders (β = 0,102, p = 0,005) mais pas pour le personnel (β = 0,026, p = 0,178) ; inversement, PS → CS → AHTR était significatif pour le personnel (β = 0,140, p = 0,001) mais seulement marginal pour les leaders (β = 0,059, p = 0,054) ; et AITC → PS → CS était significative pour le personnel (β = 0,057, p = 0,043) mais marginale pour les dirigeants (β = 0,067, p = 0,065). Pris ensemble, la voie psychologique-sécurité vers la réaffectation des tâches semble plus directe pour les dirigeants, tandis que pour le personnel, la sécurité psychologique concerne principalement la réaffectation en permettant un surplus cognitif, un schéma cohérent avec les différences de responsabilité et d’exposition à la sécurité de l’emploi (H10a soutenu ; H10b partiellement supporté).

Constructions	Δ (Chef - État-major)	Valeur p unilatérale (Leader vs Bâton)	Valeur p à 2 queues (Leader vs Bâton)
AITC → AHTR	0.007	0.482	0.963
AITC → informatique	0.236	0.007	0.014
AITC → PS	0.236	0.022	0.043
CS → AHTR	-0.1	0.814	0.371
PS → AHTR	0.101	0.161	0.322
PS → informatique	-0.135	0.901	0.199

Tableau 10 : Analyse multi-groupe (PLS-MGA) des différences de parcours leader-staff. Δ = différence entre les coefficients de chemin standardisés du leader et du personnel (leader moins bâton) ; valeurs p issues de PLS-MGA à base de bootstrap (à une seule et à deux queues). Des différences significatives ( p à deux queues < 0,05) indiquent que le chemin diffère entre les leaders (n = 171) et les staffs (n = 160). AP = planification autonome ; MTO = orchestration multi-outils ; PF = retour proactif ; CS = surplus cognitif ; PS = sécurité psychologique ; AHTR = réallocation IA-humain des tâches ; AITC = Caractéristiques technologiques de l’IA agentique.

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

Tableau 11 : Estimations bootstrap spécifiques à chaque groupe pour les dirigeants et le personnel. Les coefficients de chemin standardisés (Original), les moyennes bootstrap, les écarts-types (STDEV), les valeurs t et les valeurs p à deux queues ont été estimés séparément au sein des groupes leader (n = 171) et staff (n = 160), pour tous les chemins directs et indirects spécifiques. Le bootstrapping a utilisé 5 000 rééchantillonnages au sein de chaque groupe. AP = planification autonome ; MTO = orchestration multi-outils ; PF = retour proactif ; CS = surplus cognitif ; PS = sécurité psychologique ; AHTR = réallocation IA-humain des tâches ; AITC = Caractéristiques technologiques de l’IA agentique.

En résumé, le modèle de mesure répondait aux critères de fiabilité et de validité ; L’AITC était positivement associé à CS, PS et AHTR ; CS et PS ont médié l’association AITC-AHTR individuellement et séquentiellement ; Le modèle a montré une performance prédictive satisfaisante hors échantillon ; et les associations de l’AITC avec l’informatique et la fonction publique étaient nettement plus fortes parmi les dirigeants, tandis que les parcours des ressources à la réallocation des tâches ne différaient pas de manière significative entre les rôles. Pris ensemble, les résultats soutiennent le modèle hypothétique de gain de ressources et motivent l’interprétation différenciée par rôle développée lors de la Discussion.

DISPONIBILITÉ DES DONNÉES :

Les fichiers de données et d’analyse sont téléchargés sous les formes Fichier Supplémentaire 1, Fichier Supplémentaire 2, Fichier Supplémentaire 3, Fichier Supplémentaire 4, Fichier Supplémentaire 5, Fichier Supplémentaire 6 et Fichier Supplémentaire 7.

Dossier supplémentaire 1 : Questionnaire.Veuillez cliquer ici pour télécharger ce fichier.

Dossier supplémentaire 2. Sortie du protocole G*Power.Veuillez cliquer ici pour télécharger ce fichier.

Dossier supplémentaire 3. MICOM Étape 2 — Invariance compositionnelle (permutation, 1 000). Invariance compositionnelle établie pour tous les constructs (c ≥ 5 % d’origine ; permutation p > 0,05). L’invariance partielle de mesure suffit à justifier la PLS-MGA. Veuillez cliquer ici pour télécharger ce fichier.

Dossier supplémentaire 4. Jeu de données.Veuillez cliquer ici pour télécharger ce fichier.

Dossier supplémentaire 5. Rapport SmartPLS de la MGA sur le bootstrap.Veuillez cliquer ici pour télécharger ce fichier.

Dossier supplémentaire 6. Rapport SmartPLS sur la permutation MGA. Veuillez cliquer ici pour télécharger ce fichier.

Dossier supplémentaire 7. Livre de codes — variable, objet, construction, échelle, codage et source.Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Cette étude a examiné comment les caractéristiques technologiques de l’IA agente se rapportent aux ressources psychologiques des employés et au comportement de réallocation des tâches, et si ces relations diffèrent selon les rôles organisationnels. En utilisant une enquête transversale auprès de 331 employés expérimentés en IA et PLS-SEM avec médiation et analyse multigroupe, les résultats étaient cohérents avec le modèle théorisé de gain de ressources : l’AITC était positivement associé à un surplus cognitif, à la sécurité psychologique et à la réallocation des tâches IA-humain ; Le surplus cognitif et la sécurité psychologique ont médié la relation AITC-AHTR individuellement et séquentiellement ; et les associations de l’AITC avec ces deux variables de ressources étaient significativement plus fortes chez les dirigeants que chez le personnel.

Les résultats ont trois implications théoriques. Premièrement, ils étendent la théorie JD-R au contexte de l’IA agente en traitant les caractéristiques technologiques non pas comme des outils mais comme des ressources d’emploi : la forte association AITC-CS (β = 0,485) est cohérente avec l’idée que la planification autonome, l’orchestration multi-outils et le retour proactif permettent d’économiser de l’énergie cognitive et du temps discrétionnaire que les employés peuvent^réinvestir 15,23,24 . Deuxièmement, ils relient la logique de la spirale de gain de la théorie COR à la refonte du travail habilitée par l’IA : la voie séquentielle significative (AITC → PS → CS → AHTR) suggère que la sécurité psychologique agit comme une ressource contextuelle qui soutient l’accumulation d’excédents cognitifs, ce qui est lui-même lié au comportement de réallocation^20,22. Troisièmement, en positionnant l’AHTR comme une forme spécifique à la technologie de création de tâches dans la littérature sur la création de tâches 17,31,32, l’étude dépasse l’accent dominant sur la performance technique et les résultats d’automatisation et propose une analyse psychologique de la manière dont les systèmes agents s’intègrent dans la refonte du travail. Parce que la conception est transversale, ces voies doivent être interprétées comme des associations cohérentes avec l’ordre causal théorisé plutôt que comme des démonstrations de causalité.

Les résultats de la médiation clarifient pourquoi la disponibilité avancée de l’IA seule ne se traduit pas par des changements dans les pratiques de travail. L’association directe AITC-AHTR (β = 0,215) était complétée par des voies indirectes d’ampleur combinée comparable grâce à un surplus cognitif (β = 0,215) et à la sécurité psychologique (β = 0,060) : les employés semblent réaffecter les tâches à l’IA lorsque la technologie libère manifestement des ressources cognitives et lorsque le climat interpersonnel rend l’expérimentation en sécurité 16,25,38. Ce double mécanisme implique que la réallocation des tâches est autant un phénomène de ressources et de climat qu’un phénomène technologique, ce qui peut expliquer des résultats d’adoption hétérogènes à travers des déploiements autrement similaires.

Les résultats multi-groupes ajoutent une condition aux limites basée sur les rôles. Les associations AITC-CS et AITC-PS étaient respectivement environ 1,6 et 2,2 fois plus fortes pour les dirigeants que pour le personnel, tandis que les parcours en aval des ressources à la réallocation ne différaient pas significativement entre les groupes. Une interprétation, cohérente avec les arguments de distance^{perceptuelle 30,35}, est que les leaders, qui détiennent une plus grande autorité décisionnelle et une responsabilité stratégique, convertissent plus facilement les capacités agentes en ressources perçues, tandis que le personnel, plus exposé à l’insécurité professionnelle liée à l’automatisation et aux exigences d’apprentissage, en tire moins directement des bénéfices en matière de sécurité psychologique : pour le personnel, la sécurité psychologique liée à la réaffectation principalement par surplus cognitif (PS → CS → AHTR : β = 0,140, p = 0,001), tandis que pour les leaders, le chemin direct PS → AHTR était significatif (β = 0,234, p = 0,001). Ce sont des tendances observées dans cet échantillon plutôt que des dispositions fixes, et les intervalles de confiance autour des différences de groupe justifient une interprétation prudente.

Concrètement, les résultats suggèrent des stratégies de déploiement différenciées selon les rôles. Pour tous les employés, les organisations peuvent protéger la conversion du temps gagné en surplus cognitif en ajustant les normes de charge de travail et les indicateurs clés de performance afin que les heures libérées de l’IA soient réinvesties dans des tâches stratégiques, créatives et collaboratives plutôt que d’être absorbées par des exigences routinières supplémentaires ; Les leviers concrets incluent la gouvernance de l’utilisation de l’IA qui clarifie la responsabilité lorsque l’IA se trompe, une formation structurée aux compétences IA orientées délégation, et des systèmes de reconnaissance qui récompensent la refonte documentée des tâches. Pour le personnel en particulier, les résultats impliquent que les interventions de sécurité psychologique, telles que la revue sans blâme des expériences d’IA, la tolérance des managers aux erreurs précoces et la communication explicite sur la sécurité de l’emploi, sont des prérequis pour qu’un surplus cognitif se forme ; pour les dirigeants qui convertissent plus facilement l’AITC en ressources, la priorité est de canaliser cet excédent vers la gouvernance et la planification de contingence qui réduisent l’écart de perception entre les dirigeants et les équipes plutôt que de l’élargir. Ces implications s’étendent à des environnements à enjeux élevés tels que la détection de fraude et les opérations de sécurité financière, où les systèmes agents trient de plus en plus les alertes, orchestrent les flux d’enquête et signalent les transactions anormales : dans de tels environnements, la sécurité psychologique est une condition préalable pour que les employés puissent interroger, passer outre et rapporter les jugements générés par l’IA sans craindre d’être blâmés, et réaffecter la surveillance de routine à l’IA peut libérer les ressources cognitives des analystes pour des ressources complexes, Les affaires qui exigent beaucoup de jugement, bien que la gouvernance doit garantir que l’automatisation n’érode pas la responsabilité des décisions à forte conséquence. Plus largement, les différences observées entre les dirigeants et le personnel plaident pour des interventions différenciées : des programmes de formation qui mettent l’accent sur les compétences de délégation et de supervision pour les leaders, ainsi que sur l’expérimentation et le soutien à la requalification pour le personnel, des rôles de gouvernance reflétant l’exposition au risque de chaque groupe, et des stratégies de communication qui rendent visibles et accessibles les gains en ressources réalisés par les leaders pour le personnel.

Plusieurs limitations nuisent ces conclusions et définissent les orientations futures. Toutes les variables ont été auto-déclarées par les mêmes répondants à un moment donné ; Malgré des remèdes procéduraux et des vérifications statistiques suggérant que le biais de méthode courant n’était pas sévère, la conception transversale exclut toute inférence causale et ne peut pas capturer les spirales de ressources retardées dans le temps. De plus, l’AITC a été mesuré à travers les perceptions auto-rapportées des employés concernant les capacités des systèmes agents, qui peuvent ne pas correspondre aux capacités techniques réelles des systèmes ; Les conceptions futures devraient associer les mesures perceptuelles aux journaux système ou aux audits de capacités. Bien que les participants aient reçu une brève définition standardisée de l’IA agente au début de l’enquête, aucun élément de vérification de compréhension ne confirmait leur compréhension de la technologie focale, et les études futures devraient inclure une telle vérification. L’échantillon intentionnel, recruté sur une plateforme, d’employés expérimentés en IA, orienté vers les industries technologiques et les jeunes répondants, est approprié pour un test de modèle précoce mais limite la généralisation aux organisations à faible maturité en IA, aux petites entreprises et aux secteurs non numériques ; le recrutement à panel unique en une même période implique également une spécificité culturelle et contextuelle, de sorte que les associations observées ne peuvent pas se généraliser sur les marchés du travail, les régimes de gouvernance de l’IA ou les cultures professionnelles. La sécurité psychologique était également mesurée comme une perception individuelle plutôt que par un climat d’équipe partagé. Les recherches futures devraient utiliser des conceptions longitudinales ou par échantillonnage expérimenté pour retracer les spirales de gain, des conceptions multiniveaux qui séparent la sécurité psychologique individuelle et l’équipe des échantillons basés sur la probabilité ou l’organisation à travers les niveaux de maturité de l’IA, ainsi que des extensions du concept AITC à des attributs tels que la transparence, la contrôlabilité et l’explicabilité. Malgré ces limitations, l’étude fournit un protocole reproductible et des preuves initiales que les associations de l’IA agente avec les résultats professionnels fonctionnent à travers et sont limitées par les ressources psychologiques des employés, les connaissances qui devraient aider chercheurs, praticiens et décideurs à déployer des systèmes agentiques de manière à augmenter plutôt qu’à éroder le côté humain du travail.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Prolific	Prolific	https://www.prolific.com/	Fournisseur de panneaux de sondage en ligne
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com/	Codage de sondage
SmartPLS	SmartPLS GmbH	version 4.0.1, https://www.smartpls.com/	Analyse PLS-SEM