הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר מחקר

כיצד בינה מלאכותית סוכנתית מעצבת מחדש את פעולתה: תפקידי עודף קוגניטיבי, בטיחות פסיכולוגית והקצאת משימות מחדש בין בינה מלאכותית לאדם

110 צפיות

⸱

DOI:

10.3791/71797

⸱

4 באוגוסט 2026

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

במאמר זה

סיכום

פרוטוקול זה מתאר תהליך עבודה מבוסס סקר לבחינת האופן שבו מאפייני הטכנולוגיה של בינה מלאכותית סוכנת קשורים לעודף קוגניטיבי, בטיחות פסיכולוגית והקצאת משימות מחודשת בין AI לאדם בקרב 331 עובדים. מודלים של משוואות מבניות בריבועים חלקיים עם ניתוח רב-קבוצתי חושף הבדלים מבוססי תפקיד בין מנהיגים לצוות.

תקציר

מחקר זה בוחן כיצד המאפיינים הטכנולוגיים של בינה מלאכותית סוכנתית קשורים למצבים הפסיכולוגיים ולתגובות ההתנהגותיות של העובדים בארגונים. בהסתמך על תיאוריית דרישות משאבי העבודה (JD-R) ותיאוריית שימור המשאבים (COR), אנו תופסים את המאפיינים הטכנולוגיים של AI סוכני (AITC) כקונסטרוקט ברמה גבוהה הכולל תכנון אוטונומי, תיאום רב-כלים ומשוב יזום, ומציעים שמאפיינים אלו משמשים כמשאבי עבודה הקשורים לעודף קוגניטיבי גדול יותר ולבטיחות פסיכולוגית, אשר בתורם קשורים להקצאת משימות מחודשת בין בינה מלאכותית לאדם. אנו בודקים עוד האם הקשרים הללו שונים בין מנהיגים לעובדים. סקר אנונימי וחתך נערך דרך פלטפורמת סקרים מקוונת למשתתפים שגויסו דרך פאנל מחקר באמצעות דגימה לא הסתברותית מכוונת; הזכאות הוגבלה למבוגרים עם ניסיון עבודה נוכחי או קודם הקשור לבינה מלאכותית, ותגובות שנבדקו לפי קשב הניבו מדגם סופי של 331 עובדים (171 מנהיגים, 160 עובדים). כל המבנים נמדדו באמצעות סולמות מאומתים המותאמים להקשר של Agentic AI על סולמות ליקרט בני 7 נקודות. הנתונים נותחו באמצעות מידול משוואות מבניות של ריבועים חלקיים (PLS-SEM), תוך יישום גישה דו-שלבית למבנה מסדר שני, בוטסטרפינג עם 5,000 דגימות מחדש להשפעות ישירות ועקיפות, וניתוח רב-קבוצות (MGA) להשוואות מנהיג-צוות. מודל המדידה הוכיח אמינות ותוקף מקובלים, והתוצאות המבניות היו עקביות עם מודל השגת המשאבים התיאורטי: AITC היה קשור באופן חיובי לעודף קוגניטיבי, בטיחות פסיכולוגית והקצאת משימות, עם מסלולי תיווך משמעותיים וקשרים חזקים יותר בין AITC למשאבים בקרב מנהיגים. על ידי התמקדות במנגנונים פסיכולוגיים ולא בביצועים טכניים, מחקר זה מרחיב את מחקרי הבינה המלאכותית הסוכנתית המתפתחים ומציע השלכות מעשיות לאסטרטגיות אימוץ בינה מלאכותית מובחנת בתפקידים.

מבוא

התפשטות הבינה המלאכותית הסוכנתית מגדירה מחדש את תפקיד הבינה המלאכותית בתעשיות ובחיי הארגון 1,2. ניתן להגדיר בינה מלאכותית סוכנתית כצורה מתקדמת של בינה מלאכותית שתופלת סביבות משתנות, קובעת מטרות באופן עצמאי באמצעות מנגנוני הסיקה, ומתזמרת רצפי פעולות עם פיקוח אנושי מינימלי 3,4. היא מובחנת מבינה מלאכותית מסורתית, כולל כלים קונבנציונליים של בינה מלאכותית גנרטיבית, בשלושה היבטים: אוטונומיה, משום שמערכות סוכנות שואפות למטרות עם התערבות אנושית מינימלית במקום לבצע כללים מתוכנתיםמראש 5,6; פונקציה מרכזית, כי מטרתן היא לאוטומט זרימות עבודה מורכבות ולא משימות בודדות7; וארכיטקטורה, משום שהם מתאמים מספר מודלים גדולים בשפה, ממשקי תכנות יישומים (APIs) וסוכנים, במקום להסתמך על מודל7 אחד. יכולות אלו נשענות על מאפיינים טכנולוגיים מגדירים שנבדקו במחקרזה 8,9. תכנון אוטונומי (AP) פירושו כי, בהינתן מטרת המשתמש, המערכת מפרקת אותה באופן עצמאי לתתי-משימות ומעדכנת את התוכנית שלה ככל שהמגבלות משתנות;10; לדוגמה, עובד יכול לספק הוראה בשורה אחת ולקבל תוכנית פרויקט רב-שלבית ישימה. תזמור רב-כלים (MTO) פירושו שהמערכת בוחרת, מסדרת ומשלבת כלים חיצוניים ו-APIs 1,11,12; לדוגמה, שילוב חיפוש באינטרנט, עורכי מסמכים וכלי ניתוח נתונים ליצירת דוח קוהרנטי אחד. משוב פרואקטיבי (PF) פירושו שהמערכת מסמנת שגיאות, מידע חסר והנחות מסוכנות לפני שנשאלה10,13; לדוגמה, תזכורת לעובד על נקודות בדיקה של אימות או ציות במהלך ביצוע המשימות. אנו מתמקדים בשלושת המאפיינים הללו, המכונים יחד תכונות טכנולוגיות של בינה מלאכותית סוכנת (AITC), משום שהן היכולות הפונקציונליות שמבדילות בין בינה מלאכותית סוכנית למסורתית בעבודה יומיומית 7,10; תכונות כמו שקיפות, שליטה והסבר חשובות לאמון הבינה המלאכותית באופן כללי, אך אינן ייחודיות לפרדיגמה הסוכנתית, ולכן אנו מתייחסים אליהן כתנאי גבול למחקר עתידי ולא כממדים מוקדיים.

למרות ההתפשטות המהירה של בינה מלאכותית סוכנתית במקומות עבודה, הספרות הקיימת עסקה בעיקר בארכיטקטורה הטכנית שלה, ביעילות התפעולית וביכולות האוטומציה במשימות, תוך מתן תשומת לב יחסית מועטה לאופן שבו תכונות אלו מעצבות את מצבם הפסיכולוגי והתגובות ההתנהגותיות של העובדים14,15. ההשמטה הזו חשובה כי הקצאת משימות מחדש בין בני אדם לבינה מלאכותית אינה התאמה טכנית בלבד אלא תהליך מוטמע פסיכולוגית וארגונית: העובדים חייבים לאתגר תהליכי עבודה קיימים, להגדיר מחדש גבולות תפקידים ולקבל צורות חדשות של שיתוף פעולה עם מערכות חכמות16,17. שינויים כאלה אינם מתרחשים אוטומטית רק בגלל זמינות טכנולוגיה מתקדמת. בהתאם לכך, מטרת המחקר היא משולשת: לבחון האם AITC פועלת כמשאבי עבודה הקשורים לעודף קוגניטיבי, בטיחות פסיכולוגית והקצאת משימות מחודשת בין AI לאדם; לחקור את התפקידים המתווכים והמתווכים ברצף של עודף קוגניטיבי ובטיחות פסיכולוגית; ולבחון האם הקשרים המבניים הללו שונים בין מנהיגים לצוות. החידוש של מחקר זה הוא בשלושה מחלקים. ראשית, הוא מעצב ומפעיל את המאפיינים הטכנולוגיים של בינה מלאכותית סוכנתית—תכנון אוטונומי, תיאום רב-כלים ומשוב פרואקטיבי—כמשאב עבודה ברמה גבוהה יותר במסגרת JD-R, במקום להתייחס לאימוץ בינה מלאכותית כהקשר בלתי מובחן. שנית, היא מציגה הקצאת משימות בינה מלאכותית-אנושית כצורת יצירת משימות ייחודית בתחום וטכנולוגיה, השונה הן מיצירת משימות גנרית והן מתוצאות טרנספורמציה דיגיטלית מלמעלה למטה. שלישית, היא מספקת, לפי ידיעתנו, את הראיה הרב-קבוצתית הראשונה לכך שהקשרים המייצרים משאבים של בינה מלאכותית סוכנתית שונים באופן שיטתי בין מנהיגים לצוות.

ההיגיון התיאורטי משלב את תורת דרישות המשאבים (JD-R) ותורת שימור המשאבים (COR). תיאוריית JD-R גורסת שכל עבודה כוללת דרישות עבודה, היבטים פיזיים, רגשיים וקוגניטיביים של העבודה שדורשים מאמץ מתמשך, ומשאבים תעסוקתיים – ההיבטים שמפחיתים דרישות, תומכים בהשגת מטרות ומעודדים התפתחות אישית; האיזון שלהם מעצב מעורבות, רווחה וביצועים18,19. תיאוריית ה-COR מוסיפה מנגנון דינמי: יחידים שואפים להשיג, לשמר ולהגן על משאבים יקרים, ומשאבים מצטברים מתחילים ספירלות רווח שבהן המשאבים הקיימים מושקעים מחדש לרכישת משאבים נוספים 20,21,22. מנקודת מבט משותפת זו, ניתן לתפוס את AITC לא רק כתכונות טכניות אלא כצורת משאב עבודה חדשה: על ידי ספיגת משימות חוזרות ומתישות קוגניטיבית כמו תכנון וניתוח אבחון, מערכות סוכנות מפחיתות את הדרישות וחוסכות באנרגיה הקוגניטיבית והזמן של העובדים15,23. אנו מגדירים עודף קוגניטיבי (CS) כמאגר של אנרגיה קוגניטיבית וזמן שיקול דעת שהופך לזמין כאשר משימות שגרתיות כאלה מועברות לטכנולוגיה, וניתן להשקיע אותו מחדש בהשתתפות קולקטיבית, שיתוף פעולה ויצירתערך חדש. לפיכך, מדעי המחשב מובחן מבחינה רעיונית ממעורבות בעבודה, שהיא מצב מוטיבציוני-רגשי, ומזמינות זמן בלבד, כי הוא מציין מלאי ניתן להמרת של משאבים אישיים במובן COR20,24. מדעי המחשב שונה גם מניתוק פסיכולוגי והתאוששות, העוסקים בשיקום אנרגיה מדוללת מהעבודה, ומשפע בזמן, שמסמן את התפיסה הסובייקטיבית של זמן מספק; מדעי המחשב מתייחס במקום זאת ליכולת קוגניטיבית משוחררת שנשארת זמינה להשקעה מחדש במהלך העבודה עצמה. במונחי COR, CS מצטבר מייצג רווח משאבים שצריך לתמוך ברווחה התעסוקתית על ידי חיזוק תשישות ושחיקה, בעוד שספיגתו בדרישות שגרתיות נוספות תסמן אובדן משאבים 20,23,24. האם זמן שנחסך אכן הופך לעודף עשוי להיות תלוי במאפיינים אישיים כמו אוריינות בינה מלאכותית, בנורמות עומס עבודה שיכולות לספוג זמן שנחסך עם דרישות נוספות, ובתרבות הארגון; לכן אנו מתייחסים למסלול הרווחת המשאבים כהשערה שיש לבדוק ולא כהנחה.

H1: AITC קשור באופן חיובי למדעי המחשב.

בטיחות פסיכולוגית (PS) מוגדרת כאמונה שסביבת העבודה של האדם בטוחה לנטילת סיכונים בין-אישיים, כגון הודאה בטעויות, בקשת עזרה ואתגר המצב הקיים25,26. למרות שבטיחות פסיכולוגית נחקרה לעיתים קרובות כאקלים ברמת הקבוצה, מחקר זה מציג ומודד אותה כתפיסה ברמת הפרט, בהתאם לעיצוב הסקר האישישלנו 27,28. כאשר מערכות סוכנות מספקות משוב מוכוון למידה וכלים תומכים, העלות הבין-אישית של ניסויים וחשיפת טעויות עלולה לרדת, מכיוון שעובדים יכולים לבדוק ולתקן את עבודתם לפני שהם מציגיםאותה לאחרים. עם זאת, אנו מכירים בכך שהדינמיקה ההפוכה סבירה: כאשר מערכות סוכנות מופעלות למעקב או לאחריות על מציאת פגמים, הסיכון הבין-אישי הנתפס וחוסר האמון עשויים לעלותב-29,30. מכיוון שהמאפיינים הנבדקים כאן הם מסייעים ולא הערכתיים, אנו משערים אסוציאציה חיובית תוך התייחסות לאפשרות הדו-צדדית הזו כתנאי גבול חשוב.

H2: AITC קשור באופן חיובי ל-PS.

אנו מגדירים הקצאת משימות מחודשת בין בינה מלאכותית לאדם (AHTR) כחלוקה מחדש של המשימות ביוזמה עצמית של העובדים בינם לבין מערכות הבינה המלאכותית, תוך האצלת העבודה השגרתית לבינה מלאכותית תוך הרחבת האחריות האסטרטגית והיצירתית שלהם. אנו ממקמים את AHTR כצורת יצירת משרות ייחודית לתחום העבודה. במודל המבוסס JD-R של טימס ובקר, יצירת משרות כוללת הגדלת משאבי משרות, דרישות אתגר גוברות ודרישות מכשולים מופחתות17,31; בטיפולוגיה של ורז'סנייבסקי ודטון, היא כוללת יצירת משימות, יחסיות וקוגניטיבית32. AHTR דומה ביותר ליצירת משימות המתבצעת באמצעות טכנולוגיה: העברת משימות שגרתיות לבינה מלאכותית מפחיתה בו זמנית את דרישות המכשולים ומניעה משאב עבודה חדש 17,23,32. הוא צר יותר מתוצאה כללית של טרנספורמציה דיגיטלית כי הוא מתאר שינויים שיקול דעת ביוזמת העובדים בגבולות המשימות, ולא עיצוב מחדש ארגוני מלמעלה למטה33. אנו מעדיפים הקצאת משימות מחדש על פני יצירה יחסית וקוגניטיבית, משום שהחלוקה מחדש של המשימות היא הממשק ההתנהגותי המיידי ביותר בין עובדים למערכות סוכנות וניתן לצפייה ישירה באימוץ מוקדם, בעוד שיצירה יחסית וקוגניטיבית מתגלה בדרך כלל כהתאמות בהמשך31,32. בניגוד למחקרים קודמים שהתייחסו לאימוץ בינה מלאכותית כמקדים קונטקסטואלי ליצירת עבודה כללית16,34, אנו מדמים את ההקצאה מחדש עצמה כהתנהגות יצירת מוקד. מכיוון שהקצאה מחדש כזו מפריעה לתהליכי עבודה מבוססים, העובדים נוטים יותר ליישם אותה כאשר יש להם מספיק משאבים קוגניטיביים לעצב מחדש את עבודתם ולהרגיש בטוחים פסיכולוגית לקחת את הסיכונים הבין-אישיים הנלווים16,34. בתוך לוגיקת ספירלת הרווח של תיאוריית ה-COR, הבטיחות הפסיכולוגית משמשת גם כמשאב הקשר שמגן ומגביר את הצטברות עודף קוגניטיבי22.

H3: CS קשור באופן חיובי ל-AHTR.

H5: PS קשור באופן חיובי ל-AHTR.

H6: PS מזוהה באופן חיובי עם CS.

H9: AITC קשור באופן חיובי ל-AHTR.

בשילוב טיעונים אלו, מצופה ש-AITC יתחבר ל-AHTR לא רק ישירות אלא גם בעקיפין, דרך מסלולי השגת משאבים של עודף קוגניטיבי ובטיחות פסיכולוגית.

H4: CS מתווך את הקשר בין AITC ל-AHTR.

H7: PS מתווך את הקשר בין AITC ל-AHTR.

H8: PS ו-CS מתווכים ברצף את הקשר בין AITC ל-AHTR.

לבסוף, העובדים אינם מפרשים ומגיבים ל-Agentic AI באופן אחיד. גיבסון, קופר וקונגר תיארו את המרחק התפיסתי בין מנהיגים לצוותיהם כפער קוגניטיבי לגבי אותן מטרות ארגוניות, המקורי באי-סימטריות בגישה למידע, אחריות, חשיפה לסיכונים וניסיון עבודה35. בהתבסס על השקפה זו, מנהיגים ועובדים תופסים עמדות מבניות שונות בכל הנוגע לאימוץ בינה מלאכותית: מנהיגים נושאים אחריות אסטרטגית ונוטים להציג את הבינה המלאכותית כמקור המכוון להרחבה לקבלת החלטות מבוססות פרודוקטיביות ונתונים, בעוד שהצוות חשוף יחסית יותר לחוסר ביטחון תעסוקתי הקשור לאוטומציה ולעומס למידה20,30. אנו מתייחסים לדפוסים אלו כנטיות שיש להיבחן אמפירית ולא כנטיות קבועות של כל קבוצה. פערים מבוססי תפקידים כאלה עלולים ליצור דפוסים הטרוגניים ביחסים בין AITC, CS, PS ו-AHTR, אך מחקר אמפירי שמצליח ללכוד במפורש את ההבדלים הקבוצתיים הללו נותר מוגבל.

H10a: הקשרים של AITC ל-CS ו-PS שונים בין מנהיגים לצוות.

H10b: הקשרים בין PS ו-CS ל-AHTR שונים בין מנהיגים לצוות.

הפרוטוקול למטה מתאר את כל תהליך העבודה, מגיוס המשתתפים וסינון ועד ניהול סקרים, ניקוי נתונים, אימות מדידות, הערכת מודלים מבניים, ניתוח תיווך וניתוח רב-קבוצות (MGA) (איור 1), כך שניתן לשחזר את ההליך באופן עצמאי. מודל המחקר מתואר באיור 2: AITC, המודגם כמבנה מסדר שני הכולל AP, MTO ו-PF, מתייחס ישירות ועקיפין ל-AHTR דרך CS ו-PS, כאשר PS מתייחס גם ל-CS; ההבדל בין תפקיד המנהיג לצוות נבחן דרך MGA.

figure-introduction-1
איור 1. תהליך עבודה כולל של עיצוב מחקר. סכמטי של פרוטוקול המחקר המלא. המשתתפים גויסו באמצעות פאנל מקוון באמצעות דגימה מטרתית ללא הסתברות ונבדקו לניסיון עבודה הקשור לבינה מלאכותית; המשיבים הזכאים השלימו סקר אנונימי שמדד את כל המבנים בסולמות ליקרט בני 7 נקודות. לאחר ניקוי נתונים (כשלים בסקר, כשלים בבדיקת קשב, וזמני השלמה קצרים להפליא שהוסרו; N = 331 סופי), מודל המדידה אומת (אמינות: α של קרונבאך, אמינות מורכבת; תוקף מתכנס: שונות ממוצעת הופקה; תוקף מבחין: HTMT ו-Fornell-Larcker), המבנה מסדר שני אומת בגישה דו-שלבית, והמודל המבני, מסלולי התיווך והניתוח הרב-קבוצתי של מנהיג-צוות הוערכו ב-5,000 דגימות בוטסטרפ. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-introduction-2
איור 2. מודל מחקר מוצע. מודל מושגי של יחסים מושערים. מאפיינים טכנולוגיים של בינה מלאכותית סוכנת (AITC), מבנה מדרגה שנייה הכולל תכנון אוטונומי (AP; היכולת של המערכת לפרק מטרות לתת-משימות ולתקן תוכניות), תזמור רב-כלי (MTO; היכולת לבחור, לרצף ולשלב כלים ו-APIs מרובים), ומשוב פרואקטיבי (PF; היכולת לסמן טעויות וסיכונים ללא הבקשה), נחשב למקושר באופן חיובי לעודף קוגניטיבי (CS; מאגר האנרגיה הקוגניטיבית והזמן השיקולי משתחררות כאשר משימות שגרתיות מועברות לבינה מלאכותית), בטיחות פסיכולוגית (PS; התפיסה שסביבת העבודה בטוחה לסיכונים בין-אישיים), והקצאת משימות מחודשת בין בינה מלאכותית לאדם (AHTR; חלוקה מחדש של משימות ביוזמת העובדים בין עצמם לבינה מלאכותית) (H1, H2, H9). משערים ש-CS ו-PS קשורים באופן חיובי ל-AHTR (H3, H5), PS עם CS (H6), ו-CS ו-PS כדי לתווך, בנפרד וברצף, את הקשר AITC-AHTR (H4, H7, H8). חצים מייצגים מסלולים מבניים משוערים; H10a/H10b מציינים הבדלים משוערים בין מנהיג לצוות שנבדקו באמצעות ניתוח רב-קבוצתי. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

כל ההליכים בוצעו בהתאם לסטנדרטים אתיים למחקר הכולל משתתפים אנושיים באוניברסיטת aSSIST ובאוניברסיטת דונג-א. מכיוון שכל התגובות היו אנונימיות בעת האיסוף ולא נאסף מידע אישי מזהה בכל שלב, ועדת הביקורת המוסדית של אוניברסיטת aSSIST קבעה כי המחקר פטור מסקירה מלאה בהתאם לסעיף 15 לחוק הביואתיקה והבטיחות של רפובליקת קוריאה ולסעיף 13 של תקנת האכיפה שלו. הסקר נפתח בדף מידע והסכמה שציין שההשתתפות מוגבלת לאנשים המועסקים כיום ומעורבים בפרויקט בינה מלאכותית, מתאר את מטרת המחקר, והסביר את אופיו הוולונטרי של ההשתתפות, את אנונימיות התגובות ואת השימוש המכוון בנתונים; רק משיבים שהסכימו במפורש עברו לשאלון. דף ההסכמה מסופק בתיק המשלים 1.

קביעת גודל מדגם

ניתוח עוצמה מראש בוצע לפני איסוף הנתונים באמצעות G*Power 3.1.9.7 (RRID: SCR_013726) עבור משפחת הרגרסיה המרובה הליניארית, וציין את מספר המנבאים הגדול ביותר המכוונים למבנה אנדוגני יחיד במודל; במחקר זה, AHTR צפוי על ידי שלושה מבנים (AITC, CS ו-PS). עם גודל אפקט בינוני (f2 = 0.15), α = 0.05, ועוצמה סטטיסטית של 0.80, המדגם המינימלי הנדרש היה 77 מקרים; פלט פרוטוקול G*Power מסופק בקובץ המשלים 2. גודל המדגם המינימלי נבדק באמצעות שיטת השורש הריבועי ההפוך עבור PLS-SEM36, שבה נדרשים כ-155 מקרים לזיהוי מקדם מסלול סטנדרטי מינימלי של כ-0.20 ברמת מובהקות של 5% עם הספק של 80%. לבסוף, יעד הגיוס נקבע לעלות משמעותית על שני המינימומים, כדי לתמוך בבוטסטרפינג של השפעות עקיפות ובניתוח רב-קבוצתי מפוצל; המדגם הסופי (N = 331; מנהיגים n = 171, צוות n = 160) עמד בדרישת המדגם המינימלית בכל תת-קבוצה.

גיוס וסינון משתתפים

המשתתפים גויסו באמצעות פאנל מחקר מקוון באמצעות דגימה מטרתית ללא הסתברות; כלומר, המדגם הוגבל במכוון למשיבים שעומדים בקריטריון מהותי מראש — ניסיון עבודה נוכחי או קודם הקשור לבינה מלאכותית — ולא נלקח באקראי מהאוכלוסייה הכללית. הזכאות הוגבלה למשיבים בני 18 ומעלה. ניסיון עבודה הקשור לבינה מלאכותית הופעל באמצעות פריט הסינון "איזה מהדברים הבאים מתאר בצורה הטובה ביותר את מצבך הנוכחי?", שהוצג לפני השאלון הראשי; רק משיבים שציינו כי הם מועסקים כרגע ומעורבים בעבודה הקשורה לבינה מלאכותית התקדמו, בעוד שהאפשרויות הנותרות (מועסקים אך לא מעורבים בעבודת בינה מלאכותית; לא מועסקים אך מעורבים בעבר; לא מועסקים ולא מעורבים) גרמו לסינון מיידי. איסוף הנתונים התקיים במפגש אחד ב-8 בפברואר 2026 (10:28–13:30), והמשתתפים קיבלו פיצוי של 6.98 ליש"ט לשעה בהתאם למדיניות השכר ההוגן של הפלטפורמה. השתתפות כפולה נמנעה בזכות מזהי המשתתפים הייחודיים של הפלטפורמה והגדרות מניעת תגובה כפולה של הפלטפורמה. מספר המשיבים בכל שלב נרשם כדי לתעד את תהליך הכללה/הדרה: נרשמו 537 תגובות; 151 נבדלו על ידי שאלות הסינון (נותרו 386); 40 הוסרו בשל כישלון בבדיקות הקשב, כולל ציפור ישרה (נותרו 346); ו-15 הוסרו לזמני סיום קצרים במיוחד (פחות מ-180 שניות), מה שהניב את הדגימה הסופית של N = 331.

הגדרה סטנדרטית והוראות סקר

המשתתפים קיבלו מידע כי הסקר בדק כיצד בינה מלאכותית סוכנתית עשויה להשפיע על ארגונים וחבריהם. בתחילת הסקר, כל המשתתפים קיבלו הגדרה קצרה וסטנדרטית של בינה מלאכותית סוכנתית, התואמת את ההגדרה שניתנה בהקדמה—מערכת בינה מלאכותית מתקדמת המתאפיינת בתכנון אוטונומי, תיאום רב-כלים ומשוב יזום המבצע פעולות מכוונות מטרה עם פיקוח אנושי מוגבל (איור 1, שלב 2). הזכאות הייתה מוגבלת למשיבים שהיו מועסקים ומעורבים בפרויקט בינה מלאכותית, שסיפק בסיס רלוונטי לעבודה למענה לשאלון. לא נכלל פריט נפרד לבדיקת הבנה; לכן, ההגדרה הסטנדרטית שימשה ככיוון הקשר ולא כבדיקת הבנה מאומתת. המשתתפים קיבלו הוראה לענות על כל פריט בהתבסס על ניסיונם האמיתי בשימוש או עבודה עם מערכות בינה מלאכותית סוכנותית כאלה בהקשרים ארגוניים.

פיתוח וניהול כלי סקר

השאלון פותח מסולמות מדידה מאומתים המותאמים להקשר הארגוני של Agentic AI. טבלה 1 מפרטת כל פריט, את סולם המקור שלו ואת הסטטיסטיקות התיאוריות: פריטי AP, MTO ו-PF הותאמו מהקונספטואליזציות האחרונות של בינה מלאכותיתסוכנתית 7,8; פריטי מדעי המחשב ממחקר משאבים קוגניטיביים של בינה מלאכותית גנרטיבית37; פריטי נ.ב. מפלומפ ואחרים. 38; ופריטי AHTR מסוללות יצירת משרות מבוססות JD-R17,39 מותאמים להקצאת משימות. כל המבנים נמדדו בסולמות ליקרט בני 7 נקודות, שנעו בין 1 ("לא מסכים בתוקף") ועד 7 ("מסכים מאוד"). הסקר אורגן לבלוקים שכללו את דף ההסכמה, הסינון, פריטי AITC (AP, MTO, PF), CS, PS, AHTR, ומאפיינים דמוגרפיים/ביקורתיים; הכלי כלל גם סולמות נוספים (אוריינות בינה מלאכותית ומסוגלות עצמית רוחב תפקיד) שמעבר להיקף המודל הנוכחי ונאספו אך לא נותחו כאן, ודווחו לשם שקיפות. הסקר התקיים בפלטפורמת סקרים מקוונת; כפתור החזרה הושבת כך שהמשיבים לא יכלו לתקן תשובות קודמות, והפריטים הוצגו בסדר קבוע בתוך בלוקים. זמן הסיום החציוני היה 7 דקות ו-44 שניות. שני פריטי בדיקת קשב עם תגובה מונחית הוטמעו כענפי זרימת סקר שסגרו את הסקר כאשר נענו בטעות: (i) בדיקה עובדתית, "האם AI הוא קיצור ל-Artichoke Information?" (תשובה נכונה: לא), ו-(ii) בדיקת הבנת סולם שמאשרת שהתשובות נרשמו בסולם ליקרט בן 7 נקודות, שנע בין "לא מסכים בתוקף" ועד "מסכים בחוזקה". לפני ההנהלה הראשית, נערך מבחן פיילוט עם 124 משיבים להערכת בהירות פריטי הסקר, זרימת הסקר הכוללת, משך ההשלמה והיתכנות השאלון; משך ההשלמה נבדק כדי לזהות תגובות קצרות במיוחד ולוודא שאורך הסקר מתאים למשיבים היעד. מבחן הפיילוט לא הצביע על בעיות ניסוח שדרשו תיקון פריטים, ולא בוצעו שינויים בניסוח לפני הסקר הראשי. בנוסף, נתוני הפיילוט נותחו באמצעות PLS-SEM כהליך אימות ראשוני להערכת ביצועי מדדים, אמינות מבנה, תוקף מתכנס, תוקף מבחין, קולינאריות וסבירות הקשרים המבניים המוצעים; התוצאות תמכו בהתאמת המכשיר לסקר הראשי.

מבנהפריטשאלהממוצעSTDEVVIFמקור
AITCAPAP1כשאני מציב יעד, הבינה המלאכותית עוזרת ליצור תוכנית רב-שלבית להשגה.5.810.91.44אבו עלי, מ., ואחרים (2025); ספקוטה, ר., ואח' (2025)
AP2הבינה המלאכותית יכולה לעדכן את התוכנית שלה כאשר מגבלות או דרישות משתנות.5.750.991.37
AP3הבינה המלאכותית מפצלת עבודה מורכבת לתתי-משימות ניתנות לניהול ללא צורך בהוראות שלב אחר שלב.5.331.371.33
MTOMTO1הבינה המלאכותית יכולה לשלב מספר כלים או אפליקציות (למשל, חיפוש, מסמכים, כלי נתונים) כדי להשלים משימה.5.691.111.5
MTO2הבינה המלאכותית מציעה את הכלי/ים הנכונים ומשתמשת בהם בסדר הנכון כדי להפיק תוצר.5.361.041.64
MTO3הבינה המלאכותית עוזרת לשלב פלטים מכלים שונים לתוצאה קוהרנטית אחת.5.611.011.63
PFPF1הבינה המלאכותית מצביעה באופן יזום על טעויות, מידע חסר או הנחות מסוכנות בעבודתי.4.91.441.68
PF2הבינה המלאכותית מציעה שיפורים לפני שאני מבקש במפורש משוב.5.071.381.85
PF3הבינה המלאכותית מזכירה לי נקודות ביקורת (למשל, אימות, ציות, איכות) כדי למנוע עבודה מחדש.5.021.41.6
CSCS1השימוש בבינה מלאכותית שחרר לי אנרגיה מנטלית להתמקד בעבודה מורכבת ומשמעותית יותר.5.591.282.07ליו, י., שנג, פ., & ליו, ר. (2025)
CS2יש לי יותר זמן לחשיבה אסטרטגית ופתרון בעיות מאז שהשתמשתי בבינה מלאכותית.5.611.232.38
CS3עומס העבודה מהמשימות השגרתיות ירד משמעותית, מה שנתן לי מרחב ראש ליוזמות חדשות.5.421.282.23
CS4אני מרגיש פחות מותש נפשית בסוף יום העבודה כי הבינה המלאכותית מטפלת במשימות חזרתיות.5.151.51.91
נ.ב.PS1במקום העבודה שלי, בטוח לקחת סיכון שקשור לשימוש בבינה מלאכותית בדרכים חדשות.4.741.371.52פלומפ ואח' (2019)
PS2המנהל שלי מעודד ניסויים בבינה מלאכותית וסובלני טעויות.4.521.611.68
PS3אני מרגיש בנוח לדבר אם יש לי חששות לגבי איך משתמשים בבינה מלאכותית בצוות שלי.5.481.241.32
PS4הקולגות שלי תומכים אם אני מנסה דרכים חדשות לעבוד עם בינה מלאכותית.5.261.321.48
PS5 (לא כלול)אני לא חושש מהשלכות שליליות אם אציע שימושים חדשניים בבינה מלאכותית בעבודתי.4.471.591.23
AHTRAHTR1אני מעביר במכוון משימות שגרתיות (למשל, הזנת נתונים, עיצוב דוח) לבינה מלאכותית כדי שאוכל להתמקד בעבודה בעלת ערך גבוה יותר.5.121.351.68טימס, מ., & באקר, א. ב. (2010); לי, ו. ואח' (2024)
AHTR2אני מחפש באופן פעיל הזדמנויות להשתמש בבינה מלאכותית כדי לטפל במשימות שעשיתי בעבר ידנית.5.581.281.84
AHTR3מאז שהשתמשתי בבינה מלאכותית, לקחתי על עצמי אחריות חדשה או מורחבת שהיא יותר אסטרטגית או יצירתית.5.181.31.58
AHTR4 (לא כלול)אני מנהל משא ומתן עם המנהל שלי על אילו משימות AI צריך לטפל בהם ואילו אני צריך לעשות.4.091.651.23
AHTR5עיצבתי מחדש את העבודה שלי על ידי הקצאת עבודה שגרתית ל-AI, ופנאתי את עצמי למשימות משמעותיות יותר.4.921.351.67

טבלה 1: פריטי מדידה, מקורות, סטטיסטיקות תיאוריות והערכת קולינאריות מלאה. כלי סקר מלא. כל פריט מופיע עם המבנה שלו (מימדי AITC AP, MTO, PF; CS; נ.ב; AHTR), קוד פריט, ניסוח, ממוצע, סטיית תקן (STDEV), מקדם ההתנפחות של שונות קוליניארית מלאה (VIF; ערכים <3.3 מצביעים על היעדר זיהום שונות נפוצה בשיטות), וסולם המקור שממנו הוא הותאם. כל הפריטים נמדדו בסולמות ליקרט בני 7 נקודות (1 = לא מסכים בתוקף, 7 = מסכים בחוזקה). PS5 ו-AHTR4 הוסרו במהלך הערכת מודל המדידה עקב עומסים חיצוניים נמוכים. AITC = מאפיינים טכנולוגיים של בינה מלאכותית סוכנתית; AP = תכנון אוטונומי; MTO = תזמור רב-כלים; PF = משוב יזום; CS = עודף קוגניטיבי; PS = בטיחות פסיכולוגית; AHTR = הקצאת משימות בינה מלאכותית-אנושית. אנא לחצו כאן להורדת הטבלה הזו.

הכנת נתונים וניקוי

התגובות הגולמיות יוצאו בפורמט CSV. מקרים שנכשלו בקריטריון הסינון או באחד מפריטי בדיקת הקשב הוצאו, כמו גם תגובות עם נתונים חסרים משמעותיים (הגדרות תגובה כפויות הוזכו להיעדרות בתוך הסקר); ספירות ההחרגה שנוצרו בכל שלב מתועדות בסעיף 2 של הפרוטוקול (537 שנרשמו → 331 נשמרו). הנתונים שנשמרו נבדקו לעקביות ונבדקו לדפוסי תגובה לא קשובים: תגובות ישרות הוסרו באמצעות בדיקות הקשב, ותגובות עם זמני סיום קצרים באופן בלתי סביר (פחות מ-180 שניות) הוצאו. לאחר מכן קודדו משתנים לניתוח (למשל, תפקיד: מנהיג = 1, מטה = 0; מין: זכר = 1, נקבה = 0) כפי שמתועד בטבלה 2, בקרות קטגוריות כמו תעשייה קודדו בדמה עם מדדי k-1, ומערך הנתונים הסופי יובא לתוכנת PLS-SEM. ספר קודים הממפה כל משתנה לטקסט הפריט, לקידוד ולמבנה שלו מסופק כקובץ משלים 2.

הערכת מודל מדידה

באמצעות תוכנת PLS-SEM, כל פריט שנצפה הוקצה למבנה החבוי שלו, וכל המבנים מסדר ראשון (AP, MTO, PF, CS, PS, AHTR) הוגדרו כמחזירי אור. AITC הוגדר כמבנה מסדר שני הכולל AP, MTO ו-PF, והוערך בגישה דו-שלבית 40,41,42: ציוני משתנים סמויים התקבלו תחילה למבנים מסדר ראשון ולאחר מכן שימשו (AP_LVS, MTO_LVS, PF_LVS) כמדדים מעצבים של AITC. אלגוריתם ה-PLS הופעל עם סכמת משקול המסלול, מקסימום של 3,000 איטרציות, וקריטריון עצירה של 10−7. אמינות העקביות הפנימית הוערכה מול ספי α ואמינות מורכבת (CR) של קרונבך של 0.7043, תוך התייחסות לערכי α 0.5–0.6 כקבילים שוליים בקנה מידה קצר בהקשרים מחקריים מתפתחים43; תוקף מתכנס הוערך מול סף השונות הממוצע שהופק (AVE) של 0.5044; ותוקף ההבחנה הוערך באמצעות יחס הטרוטרייט-מונוטרייט (HTMT <0.85, סף שמרני)45 וקריטריון פורנל-לקרקר44. כאשר לא התקיימו קריטריוני אמינות או תקפות מתכנסת, נבדקו עומסים חיצוניים, ואינדיקטורים עם ביצועים גרועים הוסרו תוך שמירה על תוקף התוכן, כאשר כל הסרה וההיגיון שלה תועדו; במחקר זה, PS5 ו-AHTR4 הוסרו עקב עומסים חיצוניים נמוכים, מה ששיפר את התוקף המתכנס של PS ו-AHTR.

מודל מבני וניתוח תיווך

המסלולים המבניים הוגדרו בהתאם למודל המחקר (איור 2), ונבדקה הקולינאריות בין מבני החיזוי באמצעות גורמי אינפלציית שונות פנימיים במודל (VIF < 5.0)36 ו-VIFs קולינאריטיים מלאה (<3.3)46,47. מובהקת המסלול הוערכה באמצעות בוטסטרפינג עם 5,000 דגימות מחדש באמצעות מרווחי אמון אחוזונים ובדיקות דו-צדדיות, ודווחו מקדמי מסלול סטנדרטיים (β), ממוצעים מדגם (M), סטיות תקן (STDEV), ערכי t, ערכי p, רווחי אמון של 95%, R2, וגודל אפקט (f2). כוח החיזוי מחוץ למדגם הוערך באמצעות PLSpredict עם 10 קיפולים ו-10 חזרות; עבור כל מדד אנדוגני, נבדק תחזיתQ2(>0 מציין רלוונטיות חיזוית), ושגיאות החיזוי של PLS-SEM (RMSE ו-MAE) הושוו למדד48 של מודל ליניארי (LM). לניתוח התיווך, הוגדרו ההשפעות העקיפות של AITC על AHTR דרך CS, דרך PS, ודרך מסלול PS → CS הסדרתי, וכל השפעה עקיפה ספציפית הוערכה באמצעות התפלגות ה-bootstrap (5,000 דגימות חוזרות), כאשר השפעה עקיפה נחשבה למובכחת כאשר רווח הביטחון של 95% שולל אפס.

ניתוח רב-קבוצות

המשיבים סווגו לקבוצות מנהיג וצוות על בסיס תפקיד ארגוני מדווח על עצמו (תפקיד: מנהיג = 1, צוות = 0; טבלה 2); קבוצת המנהיגים כללה ראשי צוותים/מפקחים, מנהלים/ראשי מחלקות, ומנהלים/הנהלה בכירה, וקבוצת הצוות כללה עובדים ברמת הצוות. לפני שהשוו מקדמי המסלול, נקבעה אינבריאנטיות מדידה בין קבוצות באמצעות נוהל מדידת אינווריאנטיות של מודלים מורכבים (MICOM)45. שלב 1 (אינווריאנטיות קונפיגורלית) הושג על ידי מפרט מודל זהה בין קבוצות, ושלב 2 (אינווריאנטיות קומפוזיציונית) נתמך לכל המבנים, עם קורלציות מקוריות ב-5% או מעל קוונטילים וערכי p פרמוטציה לא משמעותיים (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), מה שיצר אי-שינוי חלקי למדידה והצדיק את ההשוואה הרב-קבוצתית (תוצאות MICOM מלאות בקובץ משלים 3). המודל הוערך בנפרד לכל קבוצה, והבדלי המסלול נבדקו באמצעות PLS-MGA מבוסס בוטסטרפ, כאשר ערכי p חד-זנביים ודו-זנביים דווחו עבור הפרש המנהיג-מטה (Δ) בכל מסלול; דווחו מקדמי מסלול ספציפיים לקבוצה, ערכי t וערכי p עבור כל המסלולים הישירים והעקיפים, יחד עם גודל כל הפרש בין הקבוצות.

דיווח, אימות ופתרון תקלות

כל הפלטים האמינות, התוקף, המבניים, התיווך וה-MGA נאספו; טבלאות התוצאות יוצאו; וכל סטטיסטיקה מדווחת אומת מול הפלט שנוצר על ידי התוכנה כדי להבטיח עקביות בין טבלאות, איורים וטקסט. לצורך פתרון תקלות, ההנחיות הבאות: אם תשובות רבות נכשלו בבדיקות סינון או קשב, לחדד את דרישות הזכאות ולהבהיר את הוראות הסקר; אם קריטריוני אמינות (CR < 0.70) או תקפות מתכנסות (AVE < 0.50) אינם מתקיימים, יש לבחון עומסים חיצוניים ולהסיר אינדיקטורים חלשים תוך שמירה על כיסוי תיאורטי; אם מזוהה קוליניאריות (VIF מעל הספים), יש להעריך מחדש את מפרטי הקונסטרוקט ולהסיר אינדיקטורים מיותרים; אם תיווך או השפעות קבוצתיות אינם משמעותיים, יש לבחון מחדש את מספקות המדגם ולבנה את הפעולה לפני הפרשנות; ולהשתמש במספר מספק של דגימות bootstrap (למשל, 5,000) לייצוב הערכות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

מאפייני המשתתפים

טבלה 2 מציגה את המאפיינים הדמוגרפיים של המדגם הסופי (N = 331). המדגם כלל 65.0% גברים ו-35.0% נשים, עם התפלגות יחסית מאוזנת בין מנהיגים (51.7%, n = 171) לצוות (48.3%, n = 160). קבוצת הגיל הגדולה ביותר הייתה מתחת לגיל 30 (46.5%), ואחריה גילאי 31–40 (32.0%); 76.4% מהם החזיקו בתארים ראשונים או תארים מתקדמים. המשיבים הגיעו ממגוון תעשיות, בהובלת טכנולוגיה ותקשורת (46.2%), וארגונים בגדלים מגוונים. פרופיל זה תואם את ה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

מחקר זה בחן כיצד המאפיינים הטכנולוגיים של בינה מלאכותית סוכנת קשורים למשאבים הפסיכולוגיים של העובדים ולהתנהגות הקצאת משימות, והאם הקשרים הללו משתנים בין תפקידים ארגוניים. באמצעות סקר חתך של 331 עובדים מנוסים בבינה מלאכותית ו-PLS-SEM עם תיווך וניתוח רב-קבוצתי, התוצאות היו תואמות למודל התיאורטי של רווח משאבים: AITC היה קשור באופן חיובי לעודף קוגניטיבי, בטיחות פסיכולוגית והקצאת משימות מחודשת בין AI לאדם; עודף קוגניטיבי ובטיחות פסיכולוגית תיווכו את מערכת היחסים בין AITC ל-AHTR באופן אישי ורצ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

המחברים מצהירים שאין ניגוד עניינים.

כלי בינה מלאכותית גנרטיבי (ChatGPT, OpenAI) שימש לעריכת שפה; כל התוכן נבדק ואומת על ידי המחברים, שבדקו גם שעריכה בסיוע בינה מלאכותית לא יצרה שינויים במונחים או בטון בין חלקים.

תודות

עבודה זו נתמכה במימון מחקר מאוניברסיטת aSSIST.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
ProlificProlifichttps://www.prolific.com/ספק פאנל סקרים מקוון
QualtricsQualtrics, LLChttps://www.qualtrics.com/קידוד סקרים
SmartPLS SmartPLS GmbHגרסה 4.0.1, https://www.smartpls.com/ניתוח PLS-SEM

מקורות

  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.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

234234JD R
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.