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

Jae Soo Han; Cheong Kim

doi:10.3791/71797

מאמר מחקר

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

DOI:

10.3791/71797

⸱

4 באוגוסט 2026

Jae Soo Han¹ , Cheong Kim¹^,²

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

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 מתוכנתים^מראש ^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 במחקר^זה ^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 שנשאלה^10,13; 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 העובדים^14,15. 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 חכמות^16,17. 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 וביצועים^18,19. 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 העובדים^15,23. 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 ויצירת^{ערך 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 COR^20,24. 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 הקיים^25,26. למרות שבטיחות פסיכולוגית נחקרה לעיתים קרובות כאקלים ברמת הקבוצה, מחקר זה מציג ומודד אותה כתפיסה ברמת הפרט, בהתאם לעיצוב הסקר האישי^{שלנו 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 מציגים^{אותה 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 לעלות^ב-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 מופחתות^17,31; 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 בהמשך^31,32. בניגוד למחקרים קודמים שהתייחסו לאימוץ בינה מלאכותית כמקדים קונטקסטואלי ליצירת עבודה כללית^16,34, 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 הנלווים^16,34. 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 למידה^20,30. 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.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 מלאכותית^{סוכנתית} ^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-R^17,39 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.

מבנה		פריט	שאלה	ממוצע	STDEV	VIF	מקור
AITC	AP	AP1	כשאני מציב יעד, הבינה המלאכותית עוזרת ליצור תוכנית רב-שלבית להשגה.	5.81	0.9	1.44	אבו עלי, מ., ואחרים (2025); ספקוטה, ר., ואח' (2025)
		AP2	הבינה המלאכותית יכולה לעדכן את התוכנית שלה כאשר מגבלות או דרישות משתנות.	5.75	0.99	1.37
		AP3	הבינה המלאכותית מפצלת עבודה מורכבת לתתי-משימות ניתנות לניהול ללא צורך בהוראות שלב אחר שלב.	5.33	1.37	1.33
	MTO	MTO1	הבינה המלאכותית יכולה לשלב מספר כלים או אפליקציות (למשל, חיפוש, מסמכים, כלי נתונים) כדי להשלים משימה.	5.69	1.11	1.5
		MTO2	הבינה המלאכותית מציעה את הכלי/ים הנכונים ומשתמשת בהם בסדר הנכון כדי להפיק תוצר.	5.36	1.04	1.64
		MTO3	הבינה המלאכותית עוזרת לשלב פלטים מכלים שונים לתוצאה קוהרנטית אחת.	5.61	1.01	1.63
	PF	PF1	הבינה המלאכותית מצביעה באופן יזום על טעויות, מידע חסר או הנחות מסוכנות בעבודתי.	4.9	1.44	1.68
		PF2	הבינה המלאכותית מציעה שיפורים לפני שאני מבקש במפורש משוב.	5.07	1.38	1.85
		PF3	הבינה המלאכותית מזכירה לי נקודות ביקורת (למשל, אימות, ציות, איכות) כדי למנוע עבודה מחדש.	5.02	1.4	1.6
CS		CS1	השימוש בבינה מלאכותית שחרר לי אנרגיה מנטלית להתמקד בעבודה מורכבת ומשמעותית יותר.	5.59	1.28	2.07	ליו, י., שנג, פ., & ליו, ר. (2025)
		CS2	יש לי יותר זמן לחשיבה אסטרטגית ופתרון בעיות מאז שהשתמשתי בבינה מלאכותית.	5.61	1.23	2.38
		CS3	עומס העבודה מהמשימות השגרתיות ירד משמעותית, מה שנתן לי מרחב ראש ליוזמות חדשות.	5.42	1.28	2.23
		CS4	אני מרגיש פחות מותש נפשית בסוף יום העבודה כי הבינה המלאכותית מטפלת במשימות חזרתיות.	5.15	1.5	1.91
נ.ב.		PS1	במקום העבודה שלי, בטוח לקחת סיכון שקשור לשימוש בבינה מלאכותית בדרכים חדשות.	4.74	1.37	1.52	פלומפ ואח' (2019)
		PS2	המנהל שלי מעודד ניסויים בבינה מלאכותית וסובלני טעויות.	4.52	1.61	1.68
		PS3	אני מרגיש בנוח לדבר אם יש לי חששות לגבי איך משתמשים בבינה מלאכותית בצוות שלי.	5.48	1.24	1.32
		PS4	הקולגות שלי תומכים אם אני מנסה דרכים חדשות לעבוד עם בינה מלאכותית.	5.26	1.32	1.48
		PS5 (לא כלול)	אני לא חושש מהשלכות שליליות אם אציע שימושים חדשניים בבינה מלאכותית בעבודתי.	4.47	1.59	1.23
AHTR		AHTR1	אני מעביר במכוון משימות שגרתיות (למשל, הזנת נתונים, עיצוב דוח) לבינה מלאכותית כדי שאוכל להתמקד בעבודה בעלת ערך גבוה יותר.	5.12	1.35	1.68	טימס, מ., & באקר, א. ב. (2010); לי, ו. ואח' (2024)
		AHTR2	אני מחפש באופן פעיל הזדמנויות להשתמש בבינה מלאכותית כדי לטפל במשימות שעשיתי בעבר ידנית.	5.58	1.28	1.84
		AHTR3	מאז שהשתמשתי בבינה מלאכותית, לקחתי על עצמי אחריות חדשה או מורחבת שהיא יותר אסטרטגית או יצירתית.	5.18	1.3	1.58
		AHTR4 (לא כלול)	אני מנהל משא ומתן עם המנהל שלי על אילו משימות AI צריך לטפל בהם ואילו אני צריך לעשות.	4.09	1.65	1.23
		AHTR5	עיצבתי מחדש את העבודה שלי על ידי הקצאת עבודה שגרתית ל-AI, ופנאתי את עצמי למשימות משמעותיות יותר.	4.92	1.35	1.67

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 תחזית^Q2(>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.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 המיקוד המכוון של המחקר על עובדים המעורבים באופן פעיל בעבודה הקשורה לבינה מלאכותית.

מאפיינים	קטגוריות	תדר (n)	%	אחוז מצטבר
מגדר	גבר (1)	215	65	65
	אישה (0)	116	35	100
גיל	-30	154	46.5	46.5
	31-40	106	32	78.5
	41-50	44	13.3	91.8
	51-	27	8.2	100
תפקיד	מנהיג (1)	171	51.7	51.7
	צוות (0)	160	48.3	100
השכלה	תיכון	34	10.3	10.3
	מכללה	44	13.3	23.6
	תואר ראשון	142	42.9	66.5
	תואר שני	111	33.5	100
תעשייה	טכנולוגיה, תקשורת, ICT	153	46.2	46.2
	שירותים מקצועיים (ייעוץ, משפטים, חשבונאות)	38	11.5	57.7
	תעשייה תעשייתית	37	11.2	68.9
	שירותים פיננסיים	30	9.1	77.9
	בריאות	30	9.1	87
	המגזר הציבורי	24	7.3	94.3
	קמעונאות	19	5.7	100
גודל החברה	פחות מ-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 ומעלה	42	12.7	100
סך הכל		331	100	100

טבלה 2: מאפיינים דמוגרפיים של המדגם הסופי. התפלגות 331 המשיבים לפי מגדר, גיל, תפקיד ארגוני, השכלה, תעשייה וגודל החברה. n = תדירות; % = אחוז מהמדגם הכולל; אחוז מצטבר = אחוז מצטבר בתוך כל תכונה. ערכים בסוגריים בעמודת הקטגוריות מציינים את הקידוד הבינארי המשמש בניתוח (למשל, Leader = 1, Staff = 0).

הערכת מודל מדידה

מכיוון ש-AITC מודל כמבנה מסדר שני, יושמה גישה דו-שלבית⁴⁰. ראשית, האמינות והתוקף של המבנים מסדר ראשון הוערכו באמצעות α של קרונבך, אמינות מורכבת (CR) והשונות הממוצעת שהופקה (AVE), כפי שמוצג בטבלה 3. PS5 ו-AHTR4 הוצאו מהשימוש בשל עומסים חיצוניים נמוכים, מה ששיפר את התוקף המתכנס של PS (AVE = 0.563) ו-AHTR (AVE = 0.619)³⁶. כל ערכי ה-CR עברו את סף 0.70, וכל ערכי AVE עברו את רף 0.50. למרות ש-α של קרונבך ל-AP היה 0.585, CR (0.781) ו-AVE (0.547) נשארו בגבולות המקובלים, וערכי α של 0.5–0.6 יכולים להיחשב מקובלים בסולמות קצרים⁴³. תוקף מבחין נתמך: כל יחסי HTMT (0.25–0.77) היו מתחת לסף השמרני של 0.85 (טבלה 4)⁴⁵, והשורש הריבועי של AVE של כל מבנה עלה על הקורלציה הבין-מבנית הגבוהה ביותר שלו לפי קריטריון פורנל-לאקר (טבלה 5)⁴⁴.

מבנה		α	אמינות קומפוזיט	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
נ.ב.		0.741	0.837	0.563
AHTR		0.795	0.867	0.619

טבלה 3: אמינות ותוקף מתכנס של המבנים מסדר ראשון. α = האלפא של קרונבך (עקביות פנימית; סף 0.70, כאשר 0.5–0.6 מקובל במידה מסוימת לסולמות קצרים); אמינות מורכבת (CR; סף 0.70); AVE = שונות ממוצעת שהופקה (תוקף מתכנס; סף 0.50). ערכים שדווחו לאחר הסרת PS5 ו-AHTR4. AP = תכנון אוטונומי; MTO = תזמור רב-כלים; PF = משוב יזום; CS = עודף קוגניטיבי; PS = בטיחות פסיכולוגית; AHTR = הקצאת משימות בינה מלאכותית-אנושית.

מבנים		יחס הטרוטרייט-מונוטרייט (HTMT)
		AP	MTO	PF	CS	נ.ב.	AHTR
AITC	AP
	MTO	0.75
	PF	0.64	0.59
CS		0.63	0.59	0.48
נ.ב.		0.45	0.36	0.25	0.48
AHTR		0.62	0.59	0.45	0.77	0.54

טבלה 4: תוקף דיסקרימיננטי של המבנים מסדר ראשון (HTMT). יחס הטרוטרייט-מונוטרייט בין זוגות קונסטרוקט. ערכים מתחת לסף השמרני של 0.85 תומכים בתוקף הבחנה. AP = תכנון אוטונומי; MTO = תזמור רב-כלים; PF = משוב יזום; CS = עודף קוגניטיבי; PS = בטיחות פסיכולוגית; AHTR = הקצאת משימות בינה מלאכותית-אנושית.

מבנים		קריטריון פורנל-לקרקר
		AP	MTO	PF	CS	נ.ב.	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
נ.ב.		0.31	0.27	0.19	0.39	0.75
AHTR		0.43	0.45	0.37	0.64	0.43	0.79

טבלה 5: תוקף הבחנה של מבנים מסדר ראשון (קריטריון פורנל-לקרקר). איברים אלכסוניים (מודגשים) הם שורשי הריבוע של ה-AVE של כל מבנה; אלמנטים מחוץ לאלכסון הם קורלציות בין-קונסטרוקטריות. תוקף מבחין נתמך כאשר כל אלמנט אלכסוני עולה על כל הקורלציות בשורה ובעמודה שלו.

מכיוון שכל המשתנים דווחו על ידי אותם משיבים, יושמו פתרונות פרוצדורליים וסטטיסטיים^49,50. מבחינה פרוצדורלית, המשיבים קיבלו הבטחה לאנונימיות, הצהרת ההסכמה הדגישה השתתפות וולונטרית והיעדר תשובות נכונות או שגויות, פריטי מנבא וקריטריון הוכנסו לסקרים נפרדים, נעשה שימוש בסולמות קצרים מאומתים להפחתת עייפות, ובדיקות קשב סיננו תגובות רשלניות. סטטיסטית, מבחן הגורם היחיד של הרמן⁵¹ הראה שגורם יחיד לא מסובב הסביר 30.99% מהשונות, מתחת לקריטריון של 50%^49.52. כבדיקה מחמירה יותר, הערכת קולינאריות מלאה⁴⁶ הראתה את כל ה-VIFים מתחת ל-3.3 (טבלה 1), מה שמרמז שאין עדות להטיית שיטה נפוצה חמורה, אף על פי שאבחונים כאלה אינם יכולים לשלול באופן חד-משמעי שונות בשיטה^46,47.

החשיבות של השפעות הממד העולה של המבנה הפורמטיבי מסדר שני (AITC) הוערכה באמצעות בוטסטרפינג עם 5,000 דגימות חוזרות^36,41. כפי שמוצג בטבלה 6, המשקלים המעצבים של AP_LVS (0.493, עמוד < 0.001), MTO_LVS (0.492, p < 0.001) ו-PF_LVS (0.249, p < 0.001) היו כולם משמעותיים, וכל ה-VIFs היו מתחת ל-3.3, מה שמעיד שכל ממד מסדר נמוך תורם באופן מהותי ל-AITC ללא חששות של קולינאריות. המודל המבני הסופי הוערך לאחר מכן באמצעות הליך דו-שלבי^41,42 (איור 3).

אינדיקטור מעצב	VIF	β מקורי	קשוח β	STDEV	ערך t	ערך 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

טבלה 6: השפעות ממד כלפי מעלה עבור המבנה הפורמטיבי מסדר שני. Bootstrap הערכות (5,000 דגימות מחדש) של המשקלים המעצבים המקשרים בין ציוני המשתנים החבויים של AP, MTO ו-PF (AP_LVS, MTO_LVS, PF_LVS) ל-AITC בגישה הדו-שלבית. β = משקל סטנדרטי (מקורי) וממוצע בוטסטרפ; STDEV = סטיית תקן של אתחול; VIF = גורם אינפלציית שונות (<3.3 מציין שאין חשש משותף); t-value = \|β/STDEV\|; ערך p מההתפלגות של Bootstrap. AITC = מאפיינים טכנולוגיים של בינה מלאכותית סוכנתית; AP = תכנון אוטונומי; MTO = תזמור רב-כלים; PF = משוב יזום.

figure-results-1
איור 3. מודל מבני משוער. מודל סופי עם מקדמי מסלול סטנדרטיים (β) למדגם המלא (N = 331). כל הקיצורים כפי שמופיע באיור 2; AP_LVS, MTO_LVS ו-PF_LVS מציינים את ציוני המשתנים החבויים של AP, MTO ו-PF המשמשים כמדדים מעצבים של AITC בגישה הדו-שלבית. חצים מוצקים מצביעים על מסלולים משמעותיים; הערכים בסוגריים הם R² (יחס השונות המוסבר בכל מבנה אנדוגני: AHTR = 0.471, CS = 0.363, PS = 0.114). המשמעות הוערכה באמצעות 5,000 דגימות חוזרות; עמוד < 0.001. AP = תכנון אוטונומי; MTO = תזמור רב-כלים; PF = משוב יזום; AITC = מאפיינים טכנולוגיים של בינה מלאכותית סוכנתית; CS = עודף קוגניטיבי; PS = בטיחות פסיכולוגית; AHTR = הקצאת משימות בינה מלאכותית-אנושית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

מודל מבני וניתוח תיווך

טבלה 7 מדווחת על מקדמי המסלול עם ערכי p, ממוצעים לדוגמה (M), סטיות תקן (STDEV), ערכי t, ורווחי אמון של 95%. AITC היה מזוהה באופן חיובי עם CS (β = 0.485, p < 0.001), שתמך ב-H1, ועם PS (β = 0.338, p < 0.001), שתמך ב-H2. CS היה קשור באופן חיובי ל-AHTR (β = 0.444, p < 0.001), שתמך ב-H3, וכך גם PS (β = 0.179, p < 0.001), שתמך ב-H5. PS היה מקושר באופן חיובי ל-CS (β = 0.230, p < 0.001), שתמך ב-H6, ו-AITC עם AHTR (β = 0.215, p < 0.001), שתמך ב-H9. המודל הסביר 47.1% מהשונות ב-AHTR (R² = 0.471), 36.3% ב-CS, ו-11.4% ב-PS.

מבנים	β	ממוצע מדגם (M)	סטיית תקן (STDEV)	סטטיסטיקות T (\|O/STDEV\|)	ערכי 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
נ.ב.→ AHTR	0.179	0.181	0.05	3.596	0	0.085	0.279
AITC → מדעי המחשב	0.485	0.485	0.051	9.587	0	0.384	0.579	0.363
נ.ב.→ מדעי המחשב	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
נ.ב. → מדעי המחשב → 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 → מדעי המחשב → 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

טבלה 7: תוצאות מודל מבני והשפעות עקיפות ספציפיות (מדגם מלא). β = מקדם מסלול סטנדרטי; M = ממוצע מדגם בוטסטרפ; STDEV = סטיית תקן של אתחול; t = \|β/STDEV\|; p = ערך p דו-זנב; 0.025/0.975 = הגבולות התחתונים/עליונים של מרווח האמון של 95% (מרווח ללא אפס מציין מובהקות); R² = שונות מוסברת במבנה האנדוגני. שורות עם חצים דרך מבנים מרובים (למשל, AITC → PS → CS → AHTR) מדווחות על השפעות עקיפות (תיווך) ספציפיות. Bootstrapping השתמש ב-5,000 דגימות.

תוצאות הבוטסטרפ עבור השפעות עקיפות ספציפיות (טבלה 7) מראות כי CS תיווך משמעותי את הקשר AITC-AHTR (β = 0.215, רווח בר-סמך 95% [0.149, 0.290], p < 0.001), תומכים ב-H4, וב-PS (β = 0.060, רווח בר-סמך 95% [0.027, 0.102], p = 0.001), התומכים ב-H7. המסלול הסדרתי AITC → PS → CS → AHTR היה גם הוא משמעותי (β = 0.034, רווח בר-סמך 95% [0.017, 0.060], p = 0.002), ותמך ב-H8. טבלה 8 מסכמת את תוצאות בדיקת ההשערות.

	השערה	תוצאות
H1	המאפיינים הטכנולוגיים של בינה מלאכותית סוכנת קשורים באופן חיובי לעודף קוגניטיבי.	התקבל
H2	תכונות טכנולוגיות של בינה מלאכותית סוכנית קשורות באופן חיובי לבטיחות פסיכולוגית.	התקבל
H3	עודף קוגניטיבי קשור באופן חיובי להקצאת משימות מחודשת בין בינה מלאכותית לאדם.	התקבל
H4	עודף קוגניטיבי מתווך את הקשר בין תכונות טכנולוגיות של בינה מלאכותית סוכנת לבין הקצאת משימות מחודשת בין בינה מלאכותית לאדם.	התקבל
H5	בטיחות פסיכולוגית קשורה באופן חיובי להקצאת משימות מחודשת בין בינה מלאכותית-אנושית.	התקבל
H6	בטיחות פסיכולוגית קשורה באופן חיובי לעודף קוגניטיבי.	התקבל
H7	בטיחות פסיכולוגית מתווכת את הקשר בין תכונות טכנולוגיות של בינה מלאכותית סוכנת לבין הקצאת משימות מחודשת בין בינה מלאכותית לאדם.	התקבל
H8	בטיחות פסיכולוגית ועודף קוגניטיבי מתווכים ברצף את הקשר בין תכונות טכנולוגיות של בינה מלאכותית סוכנת לבין הקצאת משימות מחודשת בין בינה מלאכותית-אנושית.	התקבל
H9	המאפיינים הטכנולוגיים של בינה מלאכותית סוכנת קשורים באופן חיובי להקצאת משימות מחודשת בין בינה מלאכותית לאדם.	התקבל
H10a	הקשרים בין תכונות טכנולוגיות של בינה מלאכותית סוכנת לעודף קוגניטיבי ובטיחות פסיכולוגית משתנים בין מנהיגים לצוות.	התקבל
H10b	הקשרים בין בטיחות פסיכולוגית לעודף קוגניטיבי לבין הקצאת משימות בינה מלאכותית-אנושית משתנים בין מנהיגים לעובדים.	קבלה חלקית

טבלה 8: סיכום מבחני ההשערות. כל השערה עם המסלול המבני וההחלטה המתאימים שלה (התקבלה/נדחתה) בהתבסס על הבוטסטרפ התוצאה בטבלה 7 (סף מובהקות p < 0.05). AITC = מאפיינים טכנולוגיים של בינה מלאכותית סוכנתית; CS = עודף קוגניטיבי; PS = בטיחות פסיכולוגית; AHTR = הקצאת משימות בינה מלאכותית-אנושית.

כוח חיזוי מחוץ למדגם הוערך באמצעות PLSpredict (10 פעמים, 10 חזרות; טבלה 9). כל המדדים האנדוגניים החזירו ערכי חיזוי חיוביים לרבעון^השני, מה שמעיד על רלוונטיות חזויה, ומודל PLS-SEM הניב RMSE ו-MAE נמוכים יותר מאשר מדד המודל הלינארי (LM) כמעט לכל המדדים, כאשר היוצא מן הכלל היחיד הוא PS_4. תוצאות אלו מצביעות על ביצועים חיזויים בינוניים עד גבוהים מחוץ למדגם עבור בטיחות פסיכולוגית, עודף קוגניטיבי, והקצאת משימות מחודשת בין בינה מלאכותית-אנושית⁴⁸.

אינדיקטור	Q²predict	בבקשה, בבקשה, RMSE	בבקשה-סם מיי	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

טבלה 9: הערכת חיזוי מחוץ למדגם (PLSpredict). מדדים חיזויים לכל אינדיקטור אנדוגני (PS, CS, AHTR) מ-PLSpredict (10 קיפולים, 10 חזרות). Q²תחזית = רלוונטיות חיזוי (>0 מציין שמודל PLS-SEM עולה על המדד הנאיבי ביותר); PLS-SEM RMSE/MAE = שגיאת שורש-ממוצע-ריבוע ושגיאה ממוצעת מוחלטת של מודל PLS-SEM; LM RMSE/MAE = שגיאות תואמות עבור מדד המודל הליניארי; IA RMSE/MAE = מדד ממוצע מדדים. שגיאות PLS-SEM מתחת למדד LM מצביעות על ביצועים חיזויים מספקים. PS = בטיחות פסיכולוגית; CS = עודף קוגניטיבי; AHTR = הקצאת משימות בינה מלאכותית-אנושית. הערה: כל רבעון²חוזה > 0. בבקשה RMSE/MAE < מדד LM לכל המדדים למעט PS_4, מה שמצביע על ביצועים חזויים בינוניים עד גבוהים.

ניתוח רב-קבוצות

MGA בחנה האם היחסים המבניים שונים בין מנהיגים לעובדים, הממלאים תפקידים שונים של אחריות, ביטחון תעסוקתי והרכב משימות. כפי שמוצג בטבלה 10, הקשרים בין AITC לשני משתני המשאבים היו חזקים משמעותית בקרב מנהיגים: AITC → CS (מנהיג β = 0.599 מול β צוות = 0.363; Δ = 0.236, p דו-זנבי = 0.014) ו-AITC → PS (מנהיג β = 0.435 מול β צוות = 0.199; Δ = 0.236, p דו-זנבי = 0.043). הבדלים אלו משמעותיים מעשית: החיבור בין AITC-CS בין המנהיגים היה בערך פי 1.6 מזה בקרב הצוות, והאגודה בין AITC-PS הייתה חזקה יותר מפעמיים. הנתיבים הישירים הנותרים (AITC → AHTR, CS → AHTR, PS → AHTR, PS → CS) לא היו שונים משמעותית בין הקבוצות (כולם דו-זנביים p > 0.19), מה שמעיד שלאחר יצירת המשאבים, הקשרים שלהם להקצאת משימות פועלים באופן דומה בין התפקידים. הערכות הבוטסטרפ הספציפיות לקבוצה (טבלה 11) חושפות עוד דפוסי מובהקות אסימטריים בארבעה מסלולים: PS → AHTR היה משמעותי עבור מנהיגים (β = 0.234, p = 0.001) אך לא עבור צוות (β = 0.133, p = 0.064); המסלול העקיף AITC → PS → AHTR היה משמעותי עבור מובילים (β = 0.102, p = 0.005) אך לא עבור צוות (β = 0.026, p = 0.178); לעומת זאת, PS → CS → AHTR היו משמעותיים עבור הצוות (β = 0.140, p = 0.001) אך שוליים בלבד למנהיגים (β = 0.059, p = 0.054); ו-AITC → PS → CS היה משמעותי לעובדים (β = 0.057, p = 0.043) אך שולי למנהיגים (β = 0.067, p = 0.065). ביחד, הדרך הפסיכולוגית-בטיחותית להקצאת משימות מחדש נראית ישירה יותר עבור מנהיגים, בעוד שאצל הצוות, הבטיחות הפסיכולוגית קשורה להקצאה מחדש בעיקר על ידי מתן עודף קוגניטיבי, דפוס התואם להבדלים בתפקידים באחריות ובחשיפה לביטחון תעסוקתי (H10a נתמך; H10b נתמך חלקית).

מבנים	Δ (מנהיג - מטה)	ערך p חד-זנבי (מנהיג מול מטה)	ערך p דו-זנבי (מנהיג מול מטה)
AITC → AHTR	0.007	0.482	0.963
AITC → מדעי המחשב	0.236	0.007	0.014
AITC → PS	0.236	0.022	0.043
CS → AHTR	-0.1	0.814	0.371
נ.ב.→ AHTR	0.101	0.161	0.322
נ.ב.→ מדעי המחשב	-0.135	0.901	0.199

טבלה 10: ניתוח רב-קבוצות (PLS-MGA) של הבדלי מסלול בין מנהיג לצוות. Δ = הפרש בין מקדמי מסלול סטנדרטיים של מנהיג וצוות (מנהיג פחות צוות); ערכי p מ-PLS-MGA מבוסס bootstrap (זנב אחד ו-2 זנב). הבדלים משמעותיים ( p דו-זנבי < 0.05) מצביעים על כך שהמסלול שונה בין מנהיגים (n = 171) לצוות (n = 160). AP = תכנון אוטונומי; MTO = תזמור רב-כלים; PF = משוב יזום; CS = עודף קוגניטיבי; PS = בטיחות פסיכולוגית; AHTR = הקצאת משימות בינה מלאכותית-אנושית; AITC = מאפיינים טכנולוגיים של בינה מלאכותית סוכנתית.

	מקורי (מנהיג)	מקורי (צוות)	מין (מנהיג)	מין (צוות)	STDEV (מנהיג)	STDEV (צוות)	ערך t (מנהיג)	t value (צוות)	ערך p (מוביל)	ערך p (מטה)
AITC → AHTR	0.233	0.227	0.237	0.224	0.098	0.077	2.381	2.945	0.017	0.003
AITC → מדעי המחשב	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
נ.ב.→ AHTR	0.234	0.133	0.234	0.134	0.073	0.072	3.185	1.856	0.001	0.064
נ.ב.→ מדעי המחשב	0.154	0.289	0.157	0.289	0.07	0.077	2.212	3.741	0.027	0
נ.ב. → מדעי המחשב → 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 → מדעי המחשב → 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

טבלה 11: הערכות bootstrap ספציפיות לקבוצה עבור מנהיגים ועובדים. מקדמי מסלול סטנדרטיים (מקוריים), ממוצעים של אתחול, סטיות תקן (STDEV), ערכי t וערכי p דו-זנביים הוערכו בנפרד בתוך קבוצות המוביל (n = 171) והמטה (n = 160), עבור כל המסלולים העקיפים הישירים והספציפיים. Bootstrapping השתמש ב-5,000 דגימות מחדש בכל קבוצה. AP = תכנון אוטונומי; MTO = תזמור רב-כלים; PF = משוב יזום; CS = עודף קוגניטיבי; PS = בטיחות פסיכולוגית; AHTR = הקצאת משימות בינה מלאכותית-אנושית; AITC = מאפיינים טכנולוגיים של בינה מלאכותית סוכנתית.

לסיכום, מודל המדידה עמד בקריטריוני האמינות והתוקף; AITC היה קשור באופן חיובי ל-CS, PS ו-AHTR; CS ו-PS תיווכו את הקשר בין AITC ל-AHTR באופן אישי ורציף; המודל הראה ביצועים ניבויים מספקים מחוץ למדגם; והקשרים בין AITC ל-CS ו-PS היו חזקים משמעותית בקרב מנהיגים, בעוד שהמסלולים מהקצאת משאבים למשימות לא היו שונים משמעותית בין התפקידים. ביחד, התוצאות תומכות במודל השער-רווח המשאבים ומניעות את הפרשנות המובחנת לתפקידים שפותחה בדיון.

זמינות נתונים:

קבצי הנתונים והניתוח מועלים כקובץ משלים 1, תיק משלים 2, תיק משלים 3, תיק משלים 4, תיק משלים 5, תיק משלים 6 וקובץ משלים 7.

קובץ משלים 1: שאלון.אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 2. פלט פרוטוקול G*Power.אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 3. MICOM שלב 2 — אינווריאנטיות קומפוזיציונית (פרמוטציה, 1,000). אינווריאנטיות קומפוזיציונית נקבעה לכל המבנים (מקורי c ≥ 5% קוונטיל; פרמוטציה p > 0.05). אי-שינוי מדידה חלקי מספיק כדי להצדיק PLS-MGA. אנא לחצו כאן להורדת הקובץ הזה.

תיק משלים 4. מערך נתונים.אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 5. דוח SmartPLS של ה-bootstrap של MGA.אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 6. דוח SmartPLS בפרמוטציה של MGA. אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 7. ספר הקוד — משתנה, פריט, מבנה, קנה מידה, קידוד ומקור.אנא לחצו כאן להורדת הקובץ הזה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 ורציף; והקשרים של AITC לשני משתני המשאבים היו חזקים משמעותית בקרב מנהיגים מאשר בקרב הצוות.

הממצאים נושאים שלוש השלכות תיאורטיות. ראשית, הם מרחיבים את תיאוריית JD-R להקשר של בינה מלאכותית סוכנתית על ידי התייחסות למאפיינים טכנולוגיים לא ככלים אלא כמשאבי עבודה: הקשר החזק בין AITC-CS (β = 0.485) תואם את ההשקפה שתכנון אוטונומי, תיאום רב-כלים ומשוב פרואקטיבי חוסכים אנרגיה קוגניטיבית וזמן שיקול דעת שהעובדים יכולים להשקיע בו^מחדש 15,23,24 . שנית, הם מקשרים את לוגיקת הספירלת הרווח של תיאוריית COR לעיצוב מחדש של עבודה מבוססת בינה מלאכותית: המסלול הסדרתי המשמעותי (AITC → PS → CS → AHTR) מציע שבטיחות פסיכולוגית פועלת כמשאב הקשרי התומך בהצטברות עודף קוגניטיבי, אשר בתורו קשור להתנהגות הקצאה מחדש^20,22. שלישית, על ידי מיצוב AHTR כצורת יצירת משימות ייחודית טכנולוגית בתוך ספרות יצירת העבודה 17,31,32, המחקר חורג מההתמקדות הדומיננטית בביצועים טכניים ותוצאות אוטומציה ומציע הסבר פסיכולוגי של האופן שבו מערכות סוכנות משתלבות בעיצוב מחדש של העבודה. מכיוון שהעיצוב הוא חתך רוחבי, יש לקרוא את המסלולים הללו כאסוציאציות התואמים את הסדר הסיבתי התיאורטי ולא כהוכחות של סיבתיות.

תוצאות הגישור מבהירות מדוע זמינות מתקדמת של בינה מלאכותית בלבד עשויה שלא לתורגם לשינוי בשיטות העבודה. הקשר הישיר בין AITC ל-AHTR (β = 0.215) הושלם על ידי מסלולים עקיפים בעלי עוצמה משולבת דומה דרך עודף קוגניטיבי (β = 0.215) ובטיחות פסיכולוגית (β = 0.060): נראה כי העובדים מחלקים משימות מחדש לבינה מלאכותית כאשר הטכנולוגיה משחררת משאבים קוגניטיביים באופן מוכח וכאשר האקלים הבין-אישי גורם לניסויים להרגיש בטוחים 16,25,38. מנגנון כפול זה מרמז שהקצאת משימות מחדש היא תופעה של משאבים ואקלים לא פחות מאשר תופעה טכנולוגית, מה שעשוי להסביר תוצאות אימוץ הטרוגניות בפריסות דומות.

התוצאות הרב-קבוצתיות מוסיפות תנאי גבול מבוסס תפקיד. הקשרים בין AITC-CS ל-AITC-PS היו חזקים בכ-1.6 ו-2.2 פעמים, בהתאמה, בקרב מנהיגים מאשר לצוות, בעוד שהמסלולים בהמשך המשאבים להקצאה מחדש לא היו שונים משמעותית בין הקבוצות. פרשנות אחת, התואמת את טיעוני המרחק התפיסתי^30,35, היא שמנהיגים, שיש להם סמכות החלטה גדולה יותר ואחריות אסטרטגית, ממירים בקלות רבה יותר יכולות סוכנות למשאבים נתפסים, בעוד שצוות, החשוף יותר לחוסר ביטחון תעסוקתי ודרישות למידה הקשורים לאוטומציה, מבינים את היתרונות הפסיכולוגיים של בטיחות פסיכולוגית פחות ישירות: עבור הצוות, בטיחות פסיכולוגית הקשורה להקצאה מחדש בעיקר דרך עודף קוגניטיבי (PS → CS → AHTR: β = 0.140, p = 0.001), בעוד שלמובילים מסלול PS → AHTR הישיר היה משמעותי (β = 0.234, p = 0.001). אלו נטיות שנצפו במדגם זה ולא בנטיות קבועות, ורווחי האמון סביב הבדלים קבוצתיים דורשים פרשנות זהירה.

מעשית, הממצאים מצביעים על אסטרטגיות פריסה מובחנות לפי תפקידים. עבור כל העובדים, ארגונים יכולים להגן על המרת הזמן שנחסך לעודף קוגניטיבי על ידי התאמת נורמות עומס העבודה ומדדי ביצוע מרכזיים, כך ששעות נטולות בינה מלאכותית יושקעו מחדש במשימות אסטרטגיות, יצירתיות ושיתופיות במקום להיספג בדרישות שגרתיות נוספות; מנופים קונקרטיים כוללים ממשל שימוש בבינה מלאכותית שמבהיר אחריות כאשר בינה מלאכותית טועה, הכשרה מובנית במיומנויות בינה מלאכותית ממוקדות האצלה, ומערכות זיהוי שמתגמלות עיצוב מחדש של משימות מתועדות. עבור הצוות בפרט, התוצאות מרמזות כי התערבויות בטיחות פסיכולוגית, כגון סקירה ללא אשמה של ניסויי בינה מלאכותית, סובלנות מנהלים לטעויות מוקדמות ותקשורת מפורשת על ביטחון תעסוקתי, הן תנאי מוקדם להיווצרות עודף קוגניטיבי בכלל; עבור מנהיגים, שממירים את AITC למשאבים בקלות רבה יותר, העדיפות היא לכוון את העודף הזה לממשל ולתכנון חירום שמצמצם את פער התפיסה בין מנהיג לצוות במקום להרחיב אותו. השלכות אלו מתרחבות לסביבות בעלות סיכון גבוה כמו זיהוי הונאות ותפעול אבטחה פיננסית, שבהן מערכות סוכנות ממיין יותר ויותר התראות, מתאמות תהליכי חקירה ומסמנות עסקאות חריגות: בסביבות כאלה, בטיחות פסיכולוגית היא תנאי מוקדם לעובדים לשאול, לעקוף ולדווח על שיפוטים שנוצרו על ידי בינה מלאכותית ללא חשש מהאשמה, והקצאת ניטור שגרתי ל-AI יכולה לשחרר משאבים קוגניטיביים של אנליסטים למורכבים, תיקים עתירי שיפוט, בעוד שממשל חייב להבטיח שאוטומציה לא תפגע באחריות על החלטות בעלות השלכות גבוהות. בהרחבה יותר, ההבדלים הנצפים בין מנהיג לצוות טוענים לטובת התערבויות מובחנות: תכניות לימוד הכשרה המדגישות מיומנויות האצלה ופיקוח למנהיגים, ניסוי ומיומנות תמיכה בצוות, תפקידי ממשל המשקפים את חשיפת הסיכונים של כל קבוצה, ואסטרטגיות תקשורת שהופכות את הרווחים של המשאבים שמנהיגים מממשים לנראים וניתנים להשגה עבור הצוות.

מספר מגבלות מגדירות מסקנות אלו ומגדירות כיוונים עתידיים. כל המשתנים דווחו בעצמם על ידי אותם משיבים בנקודת זמן אחת; למרות פתרונות פרוצדורליים ובדיקות סטטיסטיות המצביעות על כך שההטיית שיטה הנפוצה אינה חמורה, העיצוב החתך מונע הסקה סיבתית ואינו יכול ללכוד ספירלות משאבים עם עיכוב זמן. בנוסף, AITC נמדד באמצעות תפיסות מדווחות עצמית של העובדים לגבי יכולות המערכת הסוכניות, אשר עשויות שלא להתאים ליכולות הטכניות בפועל של המערכות; עיצובים עתידיים צריכים לשלב מדדים תפיסתיים עם יומני מערכת או ביקורות יכולות. למרות שהמשתתפים קיבלו הגדרה קצרה וסטנדרטית של בינה מלאכותית סוכנת בתחילת הסקר, אף פריט בדיקת הבנה לא אישר את הבנתם את טכנולוגיית המוקד, ומחקרים עתידיים צריכים לכלול בדיקה כזו. המדגם המכוון שגויס על ידי הפלטפורמות של עובדים מנוסים בבינה מלאכותית, המתמקד בתעשיות הטכנולוגיה ומשיבים צעירים, מתאים למבחן מודל מוקדם אך מגביל את ההכללה לארגונים עם בשלות בינה מלאכותית נמוכה, חברות קטנות ומגזרים שאינם דיגיטליים; גיוס פאנל יחיד בתקופת איסוף אחת גם מרמז על ספציפיות תרבותית והקשרית, כך שהקשרים שנצפו עשויים לא להכליל בין שווקי העבודה, משטרי ממשל בינה מלאכותית או תרבויות תעסוקתיות. הבטיחות הפסיכולוגית נמדדה גם כתפיסה אישית ולא כאקלים משותף של צוות. מחקר עתידי צריך להשתמש בעיצובים אורכיים או דגימת ניסיון כדי לעקוב אחרי ספירלות רווח, עיצובים רב-רמתיים שמפרידים בין בטיחות פסיכולוגית, הסתברות או דגימות מבוססות ארגון ברמת הפרט והצוות, והרחבות של מבנה ה-AITC לתכונות כמו שקיפות, שליטה והסבר. למרות מגבלות אלו, המחקר מספק פרוטוקול שניתן לשכפול וראיות ראשוניות לכך שהקשרים של בינה מלאכותית סוכנתית לתוצאות עבודה פועלים דרך משאבים פסיכולוגיים של העובדים, ידע שצריך לסייע לחוקרים, אנשי מקצוע ומקבלי החלטות ליישם מערכות סוכנות בדרכים שמגבירות את הצד האנושי של העבודה במקום לשחוק.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו נתמכה במימון מחקר מאוניברסיטת aSSIST.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שם	חברה	מספר קטלוג	הערות
Prolific	Prolific	https://www.prolific.com/	ספק פאנל סקרים מקוון
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com/	קידוד סקרים
SmartPLS	SmartPLS GmbH	גרסה 4.0.1, https://www.smartpls.com/	ניתוח PLS-SEM

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

234 234 JD R

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

במאמר זה

סיכום

תקציר

מבוא

פרוטוקול

תוצאות

דיון

גילויים

תודות

חומרים

הדפסות חוזרות והרשאות

תגיות

מאמרים קשורים