Come l'IA Agentica Rimodella il Lavoro: i ruoli del surplus cognitivo, della sicurezza psicologica e della riallocazione dei compiti tra IA e umani

Sommario

Questo protocollo descrive un flusso di lavoro basato su sondaggi per esaminare come le caratteristiche tecnologiche dell'IA Agentica si relazionano al surplus cognitivo, alla sicurezza psicologica e alla riallocazione dei compiti IA-umani tra 331 dipendenti. La modellazione strutturale parziale delle equazioni ai minimi quadrati con analisi multigruppo rivela differenze basate sui ruoli tra leader e staff.

Abstract

Questo studio esamina come le caratteristiche tecnologiche dell'IA Agentica si relazionano agli stati psicologici dei dipendenti e alle risposte comportamentali nelle organizzazioni. Attingendo alla teoria delle Richieste di Lavoro-Risorse (JD-R) e alla teoria della Conservazione delle Risorse (COR), concettualizziamo le caratteristiche tecnologiche dell'IA Agentica (AITC) come un costrutto di ordine superiore che comprende pianificazione autonoma, orchestrazione multi-strumento e feedback proattivo, e proponiamo che queste caratteristiche funzionino come risorse lavorative associate a un maggiore surplus cognitivo e sicurezza psicologica, che a loro volta si collegano alla riallocazione dei compiti IA-umano. Indagiamo ulteriormente se queste relazioni differiscano tra leader e staff. Un sondaggio online trasversale e anonimo è stato somministrato tramite una piattaforma di sondaggio online ai partecipanti reclutati tramite una commissione di ricerca utilizzando campionamenti non probabilistici propositi; l'idoneità era riservata agli adulti con esperienza lavorativa attuale o precedente legata all'IA, e le risposte selezionate e controllate dall'attenzione hanno prodotto un campione finale di 331 dipendenti (171 leader, 160 dipendenti). Tutti i costrutti sono stati misurati con scale validate adattate al contesto dell'IA Agentica su scale Likert a 7 punti. I dati sono stati analizzati utilizzando modellazione strutturale delle equazioni dei minimi quadrati parziali (PLS-SEM), applicando un approccio a due fasi per il costrutto di secondo ordine, bootstrapping con 5.000 ricampionamenti per effetti diretti e indiretti, e analisi multigruppo (MGA) per confronti leader-staff. Il modello di misurazione ha dimostrato affidabilità e validità accettabili, e i risultati strutturali erano coerenti con il modello teorizzato di guadagno di risorse: l'AITC era positivamente associata a surplus cognitivo, sicurezza psicologica e riallocazione dei compiti, con significative vie di mediazione e associazioni più forti tra i leader tra le risorse AITC. Concentrandosi sui meccanismi psicologici piuttosto che sulle prestazioni tecniche, questo studio amplia la ricerca emergente sull'IA Agentica e offre implicazioni pratiche per strategie di adozione dell'IA differenziata per ruolo.

Introduzione

La proliferazione dell'IA Agentica sta ridefinendo il ruolo dell'intelligenza artificiale nelle industrie e nella vita^{organizzativa 1,2}. L'IA agentica può essere definita come una forma avanzata di intelligenza artificiale che percepisce ambienti in cambiamento, stabilisce obiettivi in modo indipendente attraverso meccanismi di ragionamento e orchestra sequenze di azioni con minima supervisione^{umana 3,4}. Si distingue dall'IA tradizionale, inclusi gli strumenti convenzionali di IA generativa, per tre aspetti: autonomia, poiché i sistemi agentici perseguono obiettivi con un intervento umano minimo invece di eseguire regole^{pre-programmate 5,6}; funzione principale, poiché il loro scopo è automatizzare flussi di lavoro complessi piuttosto che compiti^{singoli 7}; e architettura, perché coordinano molteplici grandi modelli linguistici, interfacce di programmazione applicativa (API) e agenti invece di affidarsi a un unico modello⁷. Queste capacità si basano sulle caratteristiche tecnologiche distintive esaminate in questo^{studio 8,9}. La pianificazione autonoma (AP) significa che, dato l'obiettivo dell'utente, il sistema lo scompone indipendentemente in sotto-compiti e rivede il proprio piano man mano che i vincoli^{cambiano 10}; Ad esempio, un dipendente può fornire un'istruzione a una riga e ricevere un piano di progetto praticabile in più fasi. L'orchestrazione multi-strumento (MTO) significa che il sistema seleziona, sequenzia e integra strumenti esterni e API ^1,11,12; ad esempio, combinare ricerca web, editor di documenti e strumenti di analisi dati per produrre un unico rapporto coerente. Il feedback proattivo (PF) significa che il sistema segnala errori, informazioni mancanti e assunzioni rischiose prima di essere^{interrogato 10,13}; ad esempio, ricordare a un dipendente i checkpoint di validazione o conformità durante l'esecuzione del compito. Ci concentriamo su queste tre caratteristiche, collettivamente denominate caratteristiche tecnologiche dell'IA Agentica (AITC), perché sono le capacità funzionali che differenziano l'IA agentica dall'IA tradizionale nel lavoro^{quotidiano 7,10}; attributi come trasparenza, controllabilità e spiegabilità contano per la fiducia nell'IA in generale, ma non sono specifici del paradigma agentico, e quindi li trattiamo come condizioni al contorno per ricerche future piuttosto che come dimensioni focali.

Nonostante la rapida diffusione dell'IA Agentica nei luoghi di lavoro, la letteratura esistente si è concentrata principalmente sulla sua architettura tecnica, l'efficienza operativa e le capacità di automazione dei compiti, prestando però relativamente poca attenzione a come queste caratteristiche rimodellano gli stati psicologici e le risposte comportamentali^{dei dipendenti 14,15}. Questa omissione è importante perché riassegnare compiti tra umani e IA non è un aggiustamento puramente tecnico, ma un processo psicologicamente e organizzativo radicato: i dipendenti devono mettere in discussione i flussi di lavoro esistenti, ridefinire i confini dei ruoli e accettare nuove forme di collaborazione con sistemi^{intelligenti 16,17}. Tali cambiamenti non avvengono automaticamente semplicemente perché è disponibile tecnologia avanzata. Di conseguenza, lo scopo di questo studio è triplice: esaminare se gli AITC funzionano come risorse lavorative associate a surplus cognitivo, sicurezza psicologica e riallocazione dei compiti IA-umani; indagare i ruoli mediatori e sequenziali della surplus cognitiva e della sicurezza psicologica; e di esplorare se queste relazioni strutturali differiscano tra leader e staff. La novità di questo studio è triplice. Innanzitutto, concettualizza e mette in pratica le caratteristiche tecnologiche dell'IA Agentica—pianificazione autonoma, orchestrazione multi-strumento e feedback proattivo—come una risorsa lavorativa di livello superiore all'interno del framework JD-R, invece di trattare l'adozione dell'IA come un contesto indifferenziato. In secondo luogo, introduce la riallocazione dei compiti tra IA e umani come una forma specifica di dominio e attuata dalla tecnologia, distinta sia dalla creazione generica del lavoro sia dai risultati della trasformazione digitale dall'alto verso il basso. In terzo luogo, fornisce, per quanto ne sappiamo, la prima prova multigruppo che le associazioni generative di risorse dell'IA Agentica differiscono sistematicamente tra leader e personale.

La logica teorica integra la teoria delle Richieste di Lavoro-Risorse (JD-R) e la teoria della Conservazione delle Risorse (COR). La teoria JD-R sostiene che ogni lavoro comprenda le richieste del lavoro, gli aspetti fisici, emotivi e cognitivi del lavoro che richiedono uno sforzo sostenuto, e le risorse lavorative, gli aspetti che riducono le domande, supportano il raggiungimento degli obiettivi e stimolano lo sviluppo personale; Il loro equilibrio determina l'impegno, il benessere e la prestazione^18,19. La teoria COR aggiunge un meccanismo dinamico: gli individui cercano di ottenere, trattenere e proteggere risorse di valore, e le risorse accumulate avviano spirali di guadagno in cui le risorse esistenti vengono reinvestite per acquisire ulteriori^risorse 20,21,22^. Da questa prospettiva congiunta, l'AITC può essere concettualizzato non solo come caratteristiche tecniche ma come una nuova forma di risorsa lavorativa: assorbendo compiti ripetitivi e cognitivamente impegnativi come la pianificazione e l'analisi diagnostica, i sistemi agentici riducono le richieste e conservano l'energia e il tempo cognitivi^{dei dipendenti 15,23}. Definiamo il surplus cognitivo (CS) come il serbatoio di energia cognitiva e tempo discrezionale che diventa disponibile quando tali compiti di routine vengono delegati alla tecnologia, e che può essere reinvestito nella partecipazione collettiva, nella collaborazione e nella creazione di nuovo^{valore 24}. L'informatica è quindi concettualmente distinta dall'impegno lavorativo, che è uno stato affettivo-motivazionale, e dalla semplice disponibilità temporale, perché indica una scorta convertibile di risorse personali nel senso^{COR 20,24}. L'informatica è inoltre distinta dal distacco e recupero psicologico, che riguardano il recupero dell'energia esaurita lontano dal lavoro, e dall'abbondanza temporale, che indica la percezione soggettiva di avere abbastanza tempo; CS invece si riferisce alla capacità cognitiva liberata che rimane disponibile per il reinvestimento durante il lavoro stesso. In termini COR, il CS accumulato rappresenta un guadagno di risorse che dovrebbe sostenere il benessere occupazionale mitigando l'esaurimento e il burnout, mentre il suo assorbimento da parte di ulteriori richieste di routine indicherebbe una perdita^{di risorse} 20,23,24. Se il tempo risparmiato si converta effettivamente in surplus può dipendere da caratteristiche individuali come l'alfabetizzazione nell'IA, dalle norme di carico di lavoro che possono assorbire il tempo risparmiato con richieste aggiuntive e dalla cultura organizzativa; Consideriamo quindi il percorso di guadagno di risorse come un'ipotesi da testare piuttosto che come un'ipotesi.

H1: L'AITC è positivamente associato all'informatica.

La sicurezza psicologica (PS) è definita come la convinzione che l'ambiente di lavoro sia sicuro per l'assunzione di rischi interpersonali, come ammettere errori, chiedere aiuto e sfidare lo status^{quo 25,26}. Sebbene la sicurezza psicologica sia stata spesso studiata come un clima a livello di squadra, questo studio la concettualizza e misura come una percezione a livello individuale, coerente con il nostro disegno di sondaggio^{a livello individuale 27,28}. Quando i sistemi agentici forniscono feedback orientati all'apprendimento e strumenti di supporto, il costo interpersonale di sperimentare ed esporre errori può diminuire, perché i dipendenti possono testare e correggere il proprio lavoro prima di presentarlo agli^{altri 26,28}. Riconosciamo, tuttavia, che la dinamica opposta è plausibile: quando i sistemi agentici vengono impiegati per la sorveglianza o la responsabilità di identificazione dei difetti, il rischio e la sfiducia percepiti interpersonali possono aumentare^{del 29,30}%. Poiché le caratteristiche esaminate qui sono di natura assistiva piuttosto che valutativa, ipotizziamo un'associazione positiva trattando questa possibilità bilaterale come una condizione al contorno importante.

H2: L'AITC è positivamente associato alla PS.

Definiamo la riallocazione dei compiti IA-umano (AHTR) come la redistribuzione auto-iniziata dei compiti da parte dei dipendenti tra sé e i sistemi IA, delegando il lavoro di routine all'IA e ampliando le proprie responsabilità strategiche e creative. Presentiamo AHTR come una forma specifica di lavoro per il dominio. Nel modello basato su JD-R di Tims e Bakker, la creazione di lavori comprende l'aumento delle risorse lavorative, l'aumento delle richieste di sfide e la diminuzione delle richieste di^{ostacoli: 17,31}; nella tipologia di Wrzesniewski e Dutton, comprende la creazione compitativa, relazionale e^{cognitiva 32}. AHTR corrisponde più strettamente alla creazione dei compiti attuata tramite la tecnologia: scaricare simultaneamente compiti di routine all'IA riduce le richieste di ostacoli e mobilita una nuova risorsa di lavoro 17,23,32. È più ristretto rispetto a un risultato generale di trasformazione digitale perché cattura cambiamenti discrezionali e iniziati dai dipendenti nei confini dei compiti piuttosto che una riprogettazione organizzativa dall'alto^{verso il basso 33}. Privilegiamo la riallocazione dei compiti rispetto alla creazione relazionale e cognitiva perché la redistribuzione dei compiti è l'interfaccia comportamentale più immediata tra dipendenti e sistemi agentici ed è direttamente osservabile nell'adozione precoce, mentre la creazione relazionale e cognitiva emerge tipicamente come adattamenti a valle^31,32. A differenza di studi precedenti che trattano l'adozione dell'IA come un antecedente contestuale della creazione generale^{del lavoro 16,34}, noi modelliamo la riallocazione stessa come il comportamento di creazione focale. Poiché tale riallocazione interrompe i flussi di lavoro consolidati, i dipendenti sono più propensi a metterla in atto quando dispongono di risorse cognitive sufficienti per riprogettare il proprio lavoro e si sentono psicologicamente sicuri di assumersi i rischi interpersonali^{associati 16,34}. All'interno della logica a spirale di guadagno della teoria COR, la sicurezza psicologica funziona anche come risorsa contestuale che protegge e amplifica l'accumulo di surplus^{cognitivo 22}.

H3: La CS è positivamente associata all'AHTR.

H5: La PS è positivamente associata all'AHTR.

H6: La PS è positivamente associata all'informatica.

H9: L'AITC è positivamente associato all'AHTR.

Integrando questi argomenti, ci si aspetta che l'AITC si relazioni all'AHTR non solo direttamente ma anche indirettamente, attraverso le vie di guadagno di risorse del surplus cognitivo e della sicurezza psicologica.

H4: CS media la relazione tra AITC e AHTR.

H7: PS media il rapporto tra AITC e AHTR.

H8: PS e CS mediano sequencialmente la relazione tra AITC e AHTR.

Infine, i dipendenti non interpretano e rispondono in modo uniforme all'IA Agentica. Gibson, Cooper e Conger hanno descritto la distanza percettiva tra leader e i loro team come discrepanza cognitiva rispetto agli stessi obiettivi organizzativi, radicata in asimmetrie di accesso alle informazioni, responsabilità, esposizione al rischio ed esperienza^{lavorativa 35}. Partendo da questa visione, leader e personale occupano posizioni strutturalmente diverse rispetto all'adozione dell'IA: i leader hanno responsabilità strategica e tendono a presentare l'IA come una risorsa orientata all'aumento per la produttività e il processo decisionale basato sui dati, mentre il personale è relativamente più esposto all'insicurezza lavorativa legata all'automazione e al sovraccarico di^{apprendimento 20,30}. Trattiamo questi schemi come tendenze da testare empiricamente piuttosto che come disposizioni fisse di uno o l'altro gruppo. Tali discrepanze basate sui ruoli possono generare schemi eterogenei nelle relazioni tra AITC, CS, PS e AHTR, tuttavia la ricerca empirica che cattura esplicitamente queste differenze di gruppo rimane limitata.

H10a: Le associazioni di AITC con CS e PS differiscono tra leader e staff.

H10b: Le associazioni tra PS e CS con AHTR differiscono tra leader e staff.

Il protocollo di seguito descrive l'intero flusso di lavoro, dal reclutamento e selezione dei partecipanti all'amministrazione dei sondaggi, pulizia dei dati, validazione delle misurazioni, stima del modello strutturale, analisi della mediazione e analisi multigruppo (MGA) (Figura 1), in modo che la procedura possa essere replicata in modo indipendente. Il modello di ricerca è rappresentato nella Figura 2: AITC, modellato come un costrutto di secondo ordine che comprende AP, MTO e PF, si collega direttamente e indirettamente a AHTR attraverso CS e PS, con PS anche collegato a CS; la differenza tra ruoli leader e staff viene esaminata tramite la MGA.

Figura 1. Flusso di lavoro complessivo per la progettazione dello studio. Schema del protocollo completo di ricerca. I partecipanti sono stati reclutati tramite il panel online utilizzando campionamenti non probabilistici propositi e selezionati per l'esperienza lavorativa legata all'IA; i rispondenti idonei hanno completato un sondaggio anonimo misurando tutti i costrutti su scale di Likert a 7 punti. Dopo la pulizia dei dati (fallimenti di screening, fallimenti di controllo di attenzione e tempi di completamento incredibilmente brevi rimossi; finale N = 331), il modello di misura è stato validato (affidabilità: α di Cronbach, affidabilità composita; validità convergente: varianza media estratta; validità discriminante: HTMT e Fornell-Larcker), il costrutto di secondo ordine è stato validato tramite l'approccio a due fasi, e il modello strutturale, i percorsi di mediazione e l'analisi multigruppo leader-staff sono stati stimati con 5.000 Bootstrap recampioni. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2. Modello di ricerca proposto. Modello concettuale delle relazioni ipotetizzate. Le caratteristiche tecnologiche dell'IA agentica (AITC), un costrutto di secondo ordine che comprende la pianificazione autonoma (AP; la capacità del sistema di scomporre gli obiettivi in sotto-compiti e rivedere piani), l'orchestrazione multi-strumento (MTO; la capacità di selezionare, sequenziare e integrare più strumenti e API) e il feedback proattivo (PF; la capacità di segnalare errori e rischi spontaneamente), è ipotizzato essere positivamente associato al surplus cognitivo (CS; il serbatoio di energia cognitiva e tempo discrezionale liberati quando i compiti di routine vengono delegati all'IA), la sicurezza psicologica (PS; la percezione che l'ambiente di lavoro sia sicuro per la presa di rischi interpersonali) e la riallocazione dei compiti IA-umano (AHTR; la redistribuzione auto-iniziata dei compiti da parte dei dipendenti tra loro e l'IA) (H1, H2, H9). Si ipotizza che CS e PS siano positivamente associate a AHTR (H3, H5), PS a CS (H6) e CS e PS per mediare, individualmente e sequencialmente, la relazione AITC-AHTR (H4, H7, H8). Le frecce rappresentano percorsi strutturali ipotesi; H10a/H10b indicano differenze ipotetise leader-staff testate tramite analisi multigruppo. Clicca qui per visualizzare una versione più grande di questa figura.

Protocollo

Tutte le procedure sono state eseguite in conformità con gli standard etici per la ricerca che coinvolge partecipanti umani presso l'Università aSSIST e l'Università Dong-A. Poiché tutte le risposte sono state anonimizzate al momento della raccolta e non sono state raccolte informazioni personali identificabili in nessuna fase, il Consiglio di Revisione Istituzionale dell'Università aSSIST ha stabilito che lo studio è esente dalla revisione completa ai sensi dell'Articolo 15 della Legge sulla Bioetica e Sicurezza della Repubblica di Corea e dell'Articolo 13 della sua Regola di Applicazione. Il sondaggio si è aperto con una pagina informativa e di consenso in cui si affermava che la partecipazione era limitata a individui attualmente impiegati e coinvolti in un progetto di IA, descrivendo lo scopo dello studio e spiegando la natura volontaria della partecipazione, l'anonimato delle risposte e l'uso previsto dei dati; solo i rispondenti che avevano esplicitamente accettato hanno proceduto al questionario. La pagina del consenso è fornita nel File Supplementare 1.

Determinazione della dimensione del campione

Un'analisi di potenza a priori è stata condotta prima della raccolta dei dati utilizzando G*Power 3.1.9.7 (RRID: SCR_013726) per la famiglia di regressioni multiple lineari, specificando il maggior numero di predittori diretti a un singolo costrutto endogeno nel modello; in questo studio, AHTR è previsto da tre costrutti (AITC, CS e PS). Con un effetto medio (f² = 0,15), α = 0,05 e una potenza statistica di 0,80, il campione minimo richiesto era di 77 casi; l'uscita del protocollo G*Power è fornita nel File Supplementare 2. La dimensione minima del campione è stata incrociata utilizzando il metodo della radice quadrata inversa per^{PLS-SEM 36}, secondo la quale sono necessari circa 155 casi per rilevare un coefficiente minimo standardizzato di circa 0,20 al livello di significatività del 5% con potenza dell'80%. Infine, l'obiettivo di reclutamento fu fissato per superare sostanzialmente entrambi i minimi, al fine di supportare l'avvio degli effetti indiretti e l'analisi multigruppo a campione spartito; il campione finale (N = 331; leader n = 171, personale n = 160) soddisfaceva il requisito minimo del campione all'interno di ciascun sottogruppo.

Reclutamento e selezione dei partecipanti

I partecipanti sono stati reclutati tramite il panel di ricerca online utilizzando campionamenti non probabilistici intenzionali; cioè, il campione è stato volutamente limitato a rispondenti che soddisfano un criterio sostanziale a priori — esperienza lavorativa attuale o precedente con IA — invece di essere stato selezionato casualmente dalla popolazione generale. L'idoneità era limitata ai rispondenti di età pari o superiore a 18 anni. L'esperienza lavorativa legata all'IA è stata operativa tramite l'item di screening "Qual dei seguenti descrive meglio la tua situazione attuale?", presentato prima del questionario principale; solo i rispondenti che indicavano di essere attualmente impiegati e attualmente coinvolti in lavori legati all'IA hanno proseguito, mentre le opzioni rimanenti (impiegate ma non coinvolte nel lavoro sull'IA; non impiegate ma già coinvolte; non impiegate e non coinvolte) hanno attivato uno screen-out immediato. La raccolta dati è stata effettuata in un'unica sessione l'8 febbraio 2026 (10:28–13:30), e i partecipanti sono stati compensati a 6,98 sterline all'ora in conformità con la politica di retribuzione equa della piattaforma. La partecipazione duplicata è stata prevenuta grazie agli identificatori unici dei partecipanti della piattaforma e alle impostazioni di prevenzione delle risposte duplicate della piattaforma di sondaggi. Il numero di rispondenti in ogni fase è stato registrato per documentare il flusso di lavoro di inclusione/esclusione: sono state registrate 537 risposte; 151 sono stati esclusi dalle domande di screening (386 rimasti); 40 furono rimosse per aver fallito i controlli di attenzione, inclusi il lineamento retto (346 rimasti); e 15 sono stati rimossi per tempi di completamento incredibilmente brevi (sotto circa 180 s), ottenendo il campione finale di N = 331.

Definizione standardizzata e istruzioni di rilevamento

Ai partecipanti è stato comunicato che il sondaggio ha esaminato come l'IA Agentica possa influenzare le organizzazioni e i loro membri. All'inizio del sondaggio, a tutti i partecipanti è stata mostrata una breve definizione standardizzata di IA Agente, coerente con quella fornita nell'Introduzione: un sistema di IA avanzato caratterizzato da pianificazione autonoma, orchestrazione multi-strumento e feedback proattivo che svolge azioni orientate a obiettivi con supervisione umana limitata (Figura 1, passo 2). L'idoneità era limitata ai rispondenti attualmente impiegati e coinvolti in un progetto di IA, che forniva una base lavorativa rilevante per rispondere al questionario. Non è stato incluso alcun elemento separato per il controllo della comprensione; La definizione standardizzata quindi serviva come orientamento contestuale piuttosto che come verifica della comprensione di comprensione. Ai partecipanti è stato chiesto di rispondere a ogni domanda basandosi sulla loro esperienza reale nell'utilizzo o nel lavorare con tali sistemi di IA Agentica in contesti organizzativi.

Sviluppo e amministrazione degli strumenti di rilevamento

Il questionario è stato sviluppato a partire da scale di misura validate adattate al contesto organizzativo dell'IA agentica. La Tabella 1 elenca ogni elemento, la sua scala sorgente e le statistiche descrittive: gli item AP, MTO e PF sono stati adattati dalle recenti concettualizzazioni di Agentic^{AI 7,8}; Item di informatica dalla ricerca sulle risorse cognitive di IA^{generativa 37}; PS Elementi da Plomp et ^al.38; e gli oggetti AHTR dalle scale di creazione dei lavori basate su JD-R^17,39 adattati alla riallocazione dei compiti. Tutti i costrutti sono stati misurati su scale di Likert a 7 punti che vanno da 1 ("fortemente in disaccordo") a 7 ("fortemente d'accordo"). Il sondaggio è stato organizzato in blocchi che coprono la pagina del consenso, lo screening, le voci AITC (AP, MTO, PF), CS, PS, AHTR e le caratteristiche demografiche/di controllo; lo strumento conteneva anche scale aggiuntive (alfabetizzazione AI e autoefficacia tra ruoli e ampiezza dei ruoli) che sono al di fuori dell'ambito del modello attuale e sono state raccolte ma non analizzate qui, riportate per trasparenza. Il sondaggio è stato ospitato sulla piattaforma online; Il tasto Indietro era disabilitato in modo che i rispondenti non potessero rivedere le risposte precedenti, e gli elementi venivano presentati in ordine fisso all'interno dei blocchi. Il tempo mediano di completamento è stato di 7 min 44s. Due elementi di controllo di attenzione a risposta istruita erano incorporati come rami del flusso di sondaggio che chiudevano il sondaggio se risposti in modo errato: (i) un controllo fattuale, "L'IA è un'abbreviazione di Informazioni sui Carciofi?" (risposta corretta: No), e (ii) un controllo di comprensione della scala che conferma che le risposte sono state registrate su una scala di Likert a 7 punti che varia da "fortemente in disaccordo" a "fortemente d'accordo". Prima dell'amministrazione principale, è stato condotto un test pilota con 124 intervistati per valutare la chiarezza degli elementi del sondaggio, il flusso complessivo del sondaggio, la durata del completamento e la fattibilità del questionario; La durata del completamento è stata rivista per identificare risposte insolitamente brevi e confermare che la durata del sondaggio fosse adeguata per i rispondenti target. Il test pilota non ha indicato problemi di formulazione che richiedessero la revisione degli elementi, e non sono state apportate modifiche di formulazione prima del sondaggio principale. Inoltre, i dati pilota sono stati analizzati utilizzando PLS-SEM come procedura preliminare di validazione per valutare le prestazioni degli indicatori, costruire affidabilità, validità convergente, validità discriminante, collinearità e plausibilità delle relazioni strutturali proposte; I risultati hanno confermato l'idoneità dello strumento per il rilevamento principale.

Costrutto		Voce	Domanda			Mediocre	STDEV	VIF	Fonte
AITC	AP	AP1	Quando fornisco un obiettivo, l'IA aiuta a creare un piano a più fasi per raggiungerlo.			5.81	0.9	1.44	Abou Ali, M., et al. (2025); Sapkota, R., et al. (2025)
		AP2	L'IA può rivedere il proprio piano quando cambiano vincoli o requisiti.			5.75	0.99	1.37
		AP3	L'IA suddivide il lavoro complesso in sotto-compiti gestibili senza bisogno di istruzioni passo dopo passo.			5.33	1.37	1.33
	MTO	MTO1	L'IA può combinare più strumenti o app (ad esempio, ricerca, documenti, strumenti dati) per completare un compito.			5.69	1.11	1.5
		MTO2	L'IA suggerisce lo strumento o strumenti giusti e li utilizza nella sequenza corretta per produrre un deliverable.			5.36	1.04	1.64
		MTO3	L'IA aiuta a integrare i risultati provenienti da diversi strumenti in un unico risultato coerente.			5.61	1.01	1.63
	PF	PF1	L'IA segnala proattivamente errori, informazioni mancanti o supposizioni rischiose nel mio lavoro.			4.9	1.44	1.68
		PF2	L'IA suggerisce miglioramenti prima che io chieda esplicitamente un feedback.			5.07	1.38	1.85
		PF3	L'IA mi ricorda i checkpoint (ad esempio, validazione, conformità, qualità) per evitare rilavori.			5.02	1.4	1.6
CS		CS1	L'uso dell'IA ha liberato la mia energia mentale per concentrarmi su lavori più complessi e significativi.			5.59	1.28	2.07	Liu, Y., Sheng, F., & Liu, R. (2025)
		CS2	Ho più tempo a disposizione per il pensiero strategico e la risoluzione dei problemi da quando uso l'IA.			5.61	1.23	2.38
		CS3	Il carico di lavoro delle attività di routine è diminuito significativamente, dandomi spazio mentale per nuove iniziative.			5.42	1.28	2.23
		CS4	Mi sento meno mentalmente esausto alla fine della giornata lavorativa perché l'IA gestisce compiti ripetitivi.			5.15	1.5	1.91
PS		PS1	Nel mio posto di lavoro, è sicuro correre un rischio legato all'uso dell'IA in modi nuovi.			4.74	1.37	1.52	Plomp et al. (2019)
		PS2	Il mio responsabile incoraggia la sperimentazione con l'IA ed è tollerante agli errori.			4.52	1.61	1.68
		PS3	Mi sento a mio agio a parlare se ho dubbi su come l'IA viene usata nel mio team.			5.48	1.24	1.32
		PS4	I miei colleghi mi supportano se provo nuovi modi di lavorare con l'IA.			5.26	1.32	1.48
		PS5 (escluso)	Non temo conseguenze negative se propongo usi innovativi dell'IA nel mio lavoro.			4.47	1.59	1.23
AHTR		AHTR1	Trasferisco deliberatamente compiti di routine (ad esempio, inserimento dati, formattazione dei report) all'IA per potermi concentrare su lavori di maggior valore.			5.12	1.35	1.68	Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024)
		AHTR2	Cerco attivamente opportunità per usare l'IA per gestire compiti che prima svolgevo manualmente.			5.58	1.28	1.84
		AHTR3	Da quando ho usato l'IA, ho assunto nuove responsabilità o ampliate che sono più strategiche o creative.			5.18	1.3	1.58
		AHTR4 (escluso)	Negozio con il mio manager quali compiti l'IA dovrebbe gestire e quali dovrei fare io.			4.09	1.65	1.23
		AHTR5	Ho riprogettato il mio lavoro riallocando il lavoro di routine all'IA, liberandomi per compiti più significativi.			4.92	1.35	1.67

Tabella 1: Elementi di misurazione, fonti, statistiche descrittive e valutazione completa della collinearità. Strumento completo del rilevamento. Ogni elemento è elencato con il suo construct (dimensioni AITC AP, MTO, PF; CS; PS; AHTR), codice dell'elemento, formulazione, media, deviazione standard (STDEV), fattore di inflazione della varianza collineare completo (VIF; i valori <3,3 indicano l'assenza di contaminazione comune da variazione del metodo) e la scala sorgente da cui è stato adattato. Tutti gli item sono stati misurati su scale di Likert a 7 punti (1 = fortemente in disaccordo, 7 = fortemente d'accordo). PS5 e AHTR4 sono stati rimossi durante la valutazione del modello di misura a causa dei bassi carichi esterni. AITC = Caratteristiche tecnologiche dell'IA agente; AP = pianificazione autonoma; MTO = orchestrazione multi-utensile; PF = feedback proattivo; CS = surplus cognitivo; PS = sicurezza psicologica; AHTR = riallocazione dei compiti IA-umano. Clicca qui per scaricare questa tabella.

Preparazione e pulizia dei dati

Le risposte grezze sono state esportate in formato CSV. I casi che non rispettavano il criterio di screening o uno dei due elementi del controllo dell'attenzione sono stati esclusi, così come le risposte con dati mancanti sostanziali (impostazioni di risposta forzata minimizzate all'interno del sondaggio); I conteggi di esclusione risultanti in ogni fase sono documentati nella Sezione 2 del Protocollo (537 registrati → 331 mantenuti). I dati trattenuti sono stati ispezionati per la coerenza e selezionati per pattern di risposta disattenta: le risposte a linea retta sono state rimosse tramite i controlli di attenzione e sono state escluse risposte con tempi di completamento incredibilmente brevi (sotto circa 180 s). Le variabili sono state quindi codificate per l'analisi (ad esempio, Ruolo: Leader = 1, Staff = 0; Genere: Maschio = 1, Femmina = 0) come documentato nella Tabella 2, i controlli categorici come quelli dell'industria erano codificati con indicatori k-1, e il dataset finale veniva importato nel software PLS-SEM. Un codebook che mappa ogni variabile al suo testo dell'elemento, al codice e alla costruzione è fornito come Supplementary File 2.

Valutazione del modello di misura

Utilizzando il software PLS-SEM, ogni elemento osservato veniva assegnato al suo costrutto latente, e tutti i costrutti del primo ordine (AP, MTO, PF, CS, PS, AHTR) venivano specificati come riflettenti. AITC è stato specificato come un costrutto di secondo ordine comprendente AP, MTO e PF ed è stato stimato con l'approccio a due fasi 40,41,42: i punteggi a variabili latenti sono stati ottenuti per i costrutti di primo ordine e poi utilizzati (AP_LVS, MTO_LVS, PF_LVS) come indicatori formativi di AITC. L'algoritmo PLS veniva eseguito con lo schema di pesatura dei percorsi, un massimo di 3.000 iterazioni e un criterio di stop di 10⁻⁷. L'affidabilità interna della consistenza è stata valutata rispetto alle soglie di affidabilità α e composita (CR) di Cronbach di 0,70⁴³, considerando i valori di α 0,5–0,6 come marginalmente accettabili per scale brevi in contesti di ricerca^{emergenti 43}; la validità convergente è stata valutata rispetto alla soglia media estratta della varianza estratta (AVE) di 0,50⁴⁴; e la validità discriminante è stata valutata utilizzando il rapporto eterotratto-monotratto (HTMT <0,85, soglia conservativa)⁴⁵ e il criterio^{di Fornell-Larcker 44}. Quando i criteri di affidabilità o validità convergente non venivano soddisfatti, i carichi esterni venivano ispezionati e gli indicatori con scarso rendimento venivano rimossi preservando la validità del contenuto, con ogni rimozione e la sua motivazione documentata; in questo studio, PS5 e AHTR4 sono stati rimossi a causa dei bassi carichi esterni, che hanno migliorato la validità convergente di PS e AHTR.

Modello strutturale e analisi della mediazione

I percorsi strutturali sono stati specificati in conformità con il modello di ricerca (Figura 2), e la collinearità tra i costrutti predittivi è stata esaminata utilizzando fattori di inflazione della varianza interni del modello (VIF < 5,0)³⁶ e VIF di piena collinearità (<3,3)^46,47. La significanza del percorso è stata stimata tramite bootstrapping con 5.000 ricampionamenti utilizzando intervalli percentuali di confidenza e test a due code, e sono stati riportati coefficienti di percorso standardizzati (β), medie del campione (M), deviazioni standard (STDEV), valori t, valori p, intervalli di confidenza al 95%, R² e dimensioni degli effetti (f²). Il potere predittivo fuori campione è stato valutato usando PLSpredict con 10 pieghe e 10 ripetizioni; per ciascun indicatore endogeno, è stato ispezionato il predetto Q²(>0 indica rilevanza predittiva) e gli errori di previsione PLS-SEM (RMSE e MAE) sono stati confrontati con il benchmark⁴⁸ del modello lineare (LM). Per l'analisi di mediazione, sono stati specificati gli effetti indiretti di AITC su AHTR tramite CS, PS e attraverso la via sequenziale PS → CS, e ogni effetto indiretto specifico è stato valutato utilizzando la distribuzione bootstrap (5.000 ricampioni), con un effetto indiretto giudicato significativo quando il suo intervallo di confidenza al 95% escludeva zero.

Analisi multigruppo

I rispondenti sono stati classificati in gruppi di leader e staff in base al ruolo organizzativo auto-dichiarato (Ruolo: Leader = 1, Staff = 0; Tabella 2); Il gruppo di leader era composto da team leader/supervisori, manager/capi dipartimento e dirigenti/senior leadership, mentre il gruppo staff era composto da dipendenti a livello di staff. Prima che i coefficienti di percorso fossero confrontati, l'invarianza di misurazione tra gruppi è stata stabilita utilizzando la procedura 45 di invarianza di misurazione dei modelli compositi (^MICOM). Lo Step 1 (invarianza configurale) è stato soddisfatto con la specifica identica del modello tra i gruppi, e il step 2 (invarianza composizionale) è stato supportato per tutti i costrutti, con correlazioni originali pari o superiori ai loro quantili del 5% e valori p di permutazione non significativi (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), stabilendo l'invarianza parziale della misurazione e giustificando il confronto multigruppo (risultati completi MICOM nel Supplementary File 3). Il modello è stato poi stimato separatamente per ciascun gruppo e le differenze di percorso sono state testate utilizzando PLS-MGA basato su bootstrap, con valori p a una coda e a due code riportati per la differenza leader-staff (Δ) di ciascun percorso; Coefficienti di percorso specifici per gruppo, valori t e valori p sono stati riportati per tutti i cammini diretti e indiretti, insieme alla grandezza di ogni differenza tra gruppi.

Reportistica, verifica e risoluzione dei problemi

Furono compilati tutti i risultati di affidabilità, validità, struttura, mediazione e MGA; le tabelle dei risultati furono esportate; e ogni statistica riportata veniva verificata rispetto all'output generato dal software per garantire la coerenza tra tabelle, figure e testo. Per la risoluzione dei problemi, si applicano le seguenti linee guida: se molte risposte non superano controlli di screening o attenzione, affinare i requisiti di idoneità e chiarire le istruzioni del sondaggio; se i criteri di affidabilità (CR < 0,70) o validità convergente (AVE < 0,50) non sono soddisfatti, si riesaminano i carichi esterni e si rimuovono indicatori deboli mantenendo la copertura teorica; se viene identificata la collinearità (VIF sopra le soglie), rivalutare le specifiche costruttive ed eliminare indicatori ridondanti; Se la mediazione o gli effetti di gruppo non sono significativi, riesaminare l'adeguatezza del campione e costruire l'operativizzazione prima dell'interpretazione; e utilizzare un numero adeguato di ricampionamenti bootstrap (ad esempio, 5.000) per stabilizzare le stime.

Risultati

Caratteristiche dei partecipanti

La Tabella 2 presenta le caratteristiche demografiche del campione finale (N = 331). Il campione era composto dal 65,0% da uomini e 35,0% da donne, con una distribuzione relativamente equilibrata tra leader (51,7%, n = 171) e staff (48,3%, n = 160). Il gruppo d'età più numeroso era sotto i 30 anni (46,5%), seguito dai 31–40 anni (32,0%); Il 76,4% possedeva una laurea triennale o post-laurea. I rispondenti provenivano da diversi settori, guidati dalla tecnologia e dalle telecomunicazioni (46,2%) e da organizzazioni di dimensioni diverse. Questo profilo è coerente con l'attenzione mirata dello studio sui dipendenti attivamente impegnati in lavori legati all'IA.

Caratteristiche	Categorie	Frequenza (n)	%	Percentuale cumulativa
Genere	Maschio (1)	215	65	65
	Femmina (0)	116	35	100
Età	-30	154	46.5	46.5
	31-40	106	32	78.5
	41-50	44	13.3	91.8
	51-	27	8.2	100
Ruolo	Leader (1)	171	51.7	51.7
	Staff (0)	160	48.3	100
Istruzione	Scuola superiore	34	10.3	10.3
	Università	44	13.3	23.6
	Laurea triennale	142	42.9	66.5
	Post-laurea	111	33.5	100
Industria	Tecnologia, Telecomunicazioni, ICT	153	46.2	46.2
	Servizi professionali (Consulenza, Legale, Contabilità)	38	11.5	57.7
	Industria manifatturiera	37	11.2	68.9
	Servizi finanziari	30	9.1	77.9
	Sanità	30	9.1	87
	Settore pubblico	24	7.3	94.3
	Vendita al dettaglio	19	5.7	100
Dimensione dello studio	Meno di 50	72	21.8	21.8
	50-99	36	10.9	32.6
	100-499	85	25.7	58.3
	500-999	46	13.9	72.2
	1000-4999	50	15.1	87.3
	5000 o più	42	12.7	100
Totale		331	100	100

Tabella 2: Caratteristiche demografiche del campione finale. Distribuzione dei 331 intervistati per genere, età, ruolo organizzativo, istruzione, industria e dimensione dell'azienda. n = frequenza; % = percentuale del campione totale; Cumulativo % = percentuale cumulativa all'interno di ogni caratteristica. I valori tra parentesi nella colonna Categorie indicano la codifica binaria utilizzata nell'analisi (ad esempio, Leader = 1, Staff = 0).

Valutazione del modello di misura

Poiché AITC è modellato come un costrutto di secondo ordine, è stato applicato un approccio in due fasi⁴⁰. Per prima cosa, l'affidabilità e la validità dei costrutti del primo ordine sono state valutate utilizzando la α di Cronbach, l'affidabilità composita (CR) e la varianza media estratta (AVE), come mostrato nella Tabella 3. PS5 e AHTR4 furono esclusi a causa dei bassi carichi esterni, che migliorarono la validità convergente di PS (AVE = 0,563) e AHTR (AVE = 0,619)³⁶. Tutti i valori CR superavano la soglia di 0,70 e tutti i valori AVE superavano 0,50. Sebbene il α di Cronbach per AP fosse 0,585, il suo CR (0,781) e l'AVE (0,547) rimasero entro limiti accettabili, e α valori di 0,5–0,6 possono essere considerati accettabili per scale corte⁴³. Era supportata la validità discriminante: tutti i rapporti HTMT (0,25–0,77) erano al di sotto della soglia conservativa di 0,85 (Tabella 4)⁴⁵, e la radice quadrata dell'AVE di ciascun costrutto superava la sua correlazione inter-costrutto più alta secondo il criterio Fornell-Larcker (Tabella 5)⁴⁴.

Costrutto		α	Affidabilità composita	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

Tabella 3: Affidabilità e validità convergente dei costrutti del primo ordine. α = alfa di Cronbach (consistenza interna; soglia 0,70, con 0,5–0,6 marginalmente accettabile per scale corte); Affidabilità composita (CR; soglia 0,70); AVE = varianza media estratta (validità convergente; soglia 0,50). Valori riportati dopo la rimozione di PS5 e AHTR4. AP = pianificazione autonoma; MTO = orchestrazione multi-utensile; PF = feedback proattivo; CS = surplus cognitivo; PS = sicurezza psicologica; AHTR = riallocazione dei compiti IA-umano.

Costrutti		Rapporto eterotratto-monocaratteristico (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

Tabella 4: Validità discriminante dei costrutti del primo ordine (HTMT). Rapporto eterotratto-monotratto delle correlazioni tra coppie costruttate. I valori al di sotto della soglia conservativa di 0,85 supportano la validità discriminante. AP = pianificazione autonoma; MTO = orchestrazione multi-utensile; PF = feedback proattivo; CS = surplus cognitivo; PS = sicurezza psicologica; AHTR = riallocazione dei compiti IA-umano.

Costrutti		Criterio di 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

Tabella 5: Validità discriminante dei costrutti del primo ordine (criterio di Fornell-Larcker). Gli elementi diagonali (grassetto) sono le radici quadrate dell'AVE di ciascun costrutto; Gli elementi fuori diagonale sono correlazioni tra costrutti. La validità discriminante è supportata quando ogni elemento diagonale supera tutte le correlazioni nella sua riga e colonna.

Poiché tutte le variabili sono state auto-riportate dagli stessi rispondenti, sono stati applicati sia rimedi procedurali che^{statistici 49,50}. Proceduralmente, agli intervistati è stata garantita l'anonimato, la dichiarazione di consenso ha enfatizzato la partecipazione volontaria e l'assenza di risposte giuste o sbagliate, gli item predittivi e criteri sono stati collocati in sezioni separate del sondaggio, sono state utilizzate scale brevi validate per ridurre la fatica e i controlli di attenzione hanno escluso risposte imprudenti. Statisticamente, il test a fattore^{singolo 51} di Harman ha mostrato che un singolo fattore non rotazionato spiegava il 30,99% della varianza, sotto il criterio^{del 50% 49,52}. Come controllo più rigoroso, una valutazione completa della collinearità⁴⁶ ha mostrato tutti i VIF sotto 3,3 (Tabella 1), suggerendo che non ci siano evidenze di un forte bias comune nel metodo, anche se tali diagnostiche non possono escludere in modo conclusivo la varianza del metodo^46,47.

L'importanza degli effetti di dimensione verso l'alto del costrutto formativo di secondo ordine (AITC) è stata valutata tramite bootstrapping con 5.000^{ricampionamenti 36,41}. Come mostrato nella Tabella 6, i pesi formativi di AP_LVS (0,493, p < 0,001), MTO_LVS (0,492, p < 0,001) e PF_LVS (0,249, p < 0,001) erano tutti significativi, e tutte le VIF erano inferiori a 3,3, indicando che ogni dimensione di ordine inferiore contribuisce sostanzialmente all'AITC senza preoccupazioni di collinearità. Il modello strutturale finale è stato poi stimato utilizzando la procedura a due stadi^41,42 (Figura 3).

Indicatore formativo	VIF	Originale β	Mean β	STDEV	valore t	p-valore
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

Tabella 6: Effetti di dimensione ascendente per il costrutto formativo di secondo ordine. Stime bootstrap (5.000 ricampionamenti) dei pesi formativi che collegano i punteggi delle variabili latenti di AP, MTO e PF (AP_LVS, MTO_LVS, PF_LVS) all'AITC nell'approccio a due fasi. β = peso standardizzato (Originale) e media bootstrap; STDEV = deviazione standard bootstrap; VIF = fattore di inflazione della varianza (<3,3 indica nessuna preoccupazione per la collinearità); t-value = \|β/STDEV\|; valore p dalla distribuzione bootstrap. AITC = Caratteristiche tecnologiche dell'IA agente; AP = pianificazione autonoma; MTO = orchestrazione multi-utensile; PF = feedback proattivo.

Figura 3. Modello strutturale stimato. Modello finale con coefficienti di percorso standardizzati (β) per il campione completo (N = 331). Tutte le abbreviazioni come nella Figura 2; AP_LVS, MTO_LVS e PF_LVS indicano i punteggi delle variabili latenti di AP, MTO e PF utilizzati come indicatori formativi dell'AITC nell'approccio a due fasi. Le frecce solide indicano percorsi significativi; i valori tra parentesi sono R² (la proporzione di varianza spiegata in ciascun costrutto endogeno: AHTR = 0,471, CS = 0,363, PS = 0,114). La rilevanza è stata valutata tramite bootstrap con 5.000 ricampioni; p < 0,001. AP = pianificazione autonoma; MTO = orchestrazione multi-utensile; PF = feedback proattivo; AITC = Caratteristiche tecnologiche dell'IA agente; CS = surplus cognitivo; PS = sicurezza psicologica; AHTR = riallocazione dei compiti IA-umano. Clicca qui per visualizzare una versione più grande di questa figura.

Modello strutturale e analisi della mediazione

La Tabella 7 riporta i coefficienti di percorso con valori p, medie campionarie (M), deviazioni standard (STDEV), valori t e intervalli di confidenza al 95%. AITC era positivamente associata a CS (β = 0,485, p < 0,001), supportando H1, e con PS (β = 0,338, p < 0,001), supportando H2. CS era positivamente associata a AHTR (β = 0,444, p < 0,001), supportando H3, così come PS (β = 0,179, p < 0,001), supportando H5. PS era positivamente associata a CS (β = 0,230, p < 0,001), supportando H6, e AITC con AHTR (β = 0,215, p < 0,001), supportando H9. Il modello spiegava il 47,1% della varianza nell'AHTR (R² = 0,471), il 36,3% in CS e l'11,4% nella PS.

Costrutti	β	Media campionaria (M)	Deviazione standard (STDEV)	Statistica T (|O/STDEV|)	valori 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 → Informatica	0.485	0.485	0.051	9.587	0	0.384	0.579	0.363
PS → CS	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

Tabella 7: Risultati del modello strutturale ed effetti indiretti specifici (campione completo). β = coefficiente di percorso standardizzato; M = media del campione bootstrap; STDEV = deviazione standard bootstrap; t = \|β/STDEV\|; p = valore p a due code; 0,025/0,975 = limiti inferiori/superiori dell'intervallo di confidenza bootstrap al 95% (un intervallo escludendo lo zero indica significatività); R² = varianza spiegata nel costrutto endogeno. Le righe con frecce attraverso più costrutti (ad esempio, AITC → PS → CS → AHTR) riportano effetti indiretti specifici (di mediazione). Bootstrapping utilizzò 5.000 ricampioni.

I risultati bootstrap per effetti indiretti specifici (Tabella 7) mostrano che la CS ha mediato significativamente la relazione AITC-AHTR (β = 0,215, IC 95% [0,149, 0,290], p < 0,001), supportando H4 e PS allo stesso modo (β = 0,060, IC 95% [0,027, 0,102], p = 0,001), supportando H7. Il percorso sequenziale AITC → PS → CS → AHTR era anch'esso significativo (β = 0,034, IC 95% [0,017, 0,060], p = 0,002), supportando H8. La Tabella 8 riassume i risultati delle ipotesi.

	Ipotesi			Risultati
H1	Le caratteristiche tecnologiche dell'IA agentica sono positivamente associate a un surplus cognitivo.			Accettato
H2	Le caratteristiche tecnologiche dell'IA agentica sono positivamente associate alla sicurezza psicologica.			Accettato
H3	Il surplus cognitivo è positivamente associato alla riallocazione dei compiti tra IA e umani.			Accettato
H4	Il surplus cognitivo media la relazione tra le caratteristiche tecnologiche dell'IA Agentica e la riallocazione dei compiti IA-umano.			Accettato
H5	La sicurezza psicologica è positivamente associata alla ridistribuzione dei compiti IA-umani.			Accettato
H6	La sicurezza psicologica è positivamente associata al surplus cognitivo.			Accettato
H7	La sicurezza psicologica media la relazione tra le caratteristiche tecnologiche dell'IA Agentica e la riallocazione dei compiti IA-umano.			Accettato
H8	La sicurezza psicologica e il surplus cognitivo mediano sequenzialmente la relazione tra le caratteristiche tecnologiche dell'IA Agentica e la rialllocazione dei compiti IA-umano.			Accettato
H9	Le caratteristiche tecnologiche dell'IA agentica sono positivamente associate alla riallocazione dei compiti IA-umano.			Accettato
H10a	Le associazioni tra le caratteristiche tecnologiche dell'IA Agentica con il surplus cognitivo e la sicurezza psicologica differiscono tra leader e staff.			Accettato
H10b	Le associazioni tra sicurezza psicologica e surplus cognitivo con la riallocazione dei compiti IA-umani variano tra leader e staff.			Parzialmente accettato

Tabella 8: Riassunto dei test di ipotesi. Ogni ipotesi con il corrispondente percorso strutturale e decisione (accettata/rifiutata) basata sul bootstrap risulta nella Tabella 7 (soglia di significatività p < 0,05). AITC = Caratteristiche tecnologiche dell'IA agente; CS = surplus cognitivo; PS = sicurezza psicologica; AHTR = riallocazione dei compiti IA-umano.

Il potere predittivo fuori campione è stato valutato con PLSpredict (10 volte, 10 ripetizioni; Tabella 9). Tutti gli indicatori endogeni hanno restituito valori predittivi positivi del^Q2, indicando la rilevanza predittiva, e il modello PLS-SEM ha prodotto RMSE e MAE inferiori rispetto al benchmark del modello lineare (LM) per quasi tutti gli indicatori, con l'unica eccezione PS_4. Questi risultati indicano prestazioni predittive fuori campione da medie ad alte per la sicurezza psicologica, il surplus cognitivo e la riallocazione dei compiti^{IA-umano 48}.

Indicatore	Q²predetti	PLS-SEM RMSE	PER FAVORE, SEM-MAE	LM RMSE	LM MAE	IA RMSE	IA MAE
PS_1	0.067	1.321	1.042	1.325	1.042	1.368	1.098
PS_2	0.018	1.596	1.314	1.602	1.333	1.610	1.363
PS_3	0.048	1.209	0.937	1.218	0.941	1.239	0.983
PS_4	0.084	1.262	0.977	1.258	0.965	1.318	1.046
CS_1	0.218	1.138	0.876	1.144	0.881	1.287	1.030
CS_2	0.276	1.045	0.792	1.048	0.793	1.229	0.971
CS_3	0.181	1.157	0.884	1.161	0.889	1.278	1.011
CS_4	0.170	1.371	1.088	1.377	1.093	1.506	1.209
AHTR_1	0.149	1.251	0.970	1.259	0.977	1.357	1.028
AHTR_2	0.188	1.151	0.895	1.158	0.900	1.277	1.003
AHTR_3	0.176	1.185	0.901	1.191	0.908	1.305	0.990
AHTR_5	0.130	1.261	0.982	1.269	0.991	1.352	1.039

Tabella 9: Valutazione predittiva fuori campione (PLSpredict). Metriche predittive per ogni indicatore endogeno (PS, CS, AHTR) da PLSpredict (10 ripetizioni, 10 ripetizioni). Q²predire = rilevanza predittiva (>0 indica che il modello PLS-SEM supera il benchmark più ingenuo); PLS-SEM RMSE/MAE = errore quadratico medio e errore assoluto medio del modello PLS-SEM; LM RMSE/MAE = corrispondenti errori per il benchmark del modello lineare; IA RMSE/MAE = benchmark indicatore-media. Gli errori PLS-SEM al di sotto del benchmark LM indicano una performance predittiva soddisfacente. PS = sicurezza psicologica; CS = surplus cognitivo; AHTR = riallocazione dei compiti IA-umano. Nota: Tutti i^Q2prevedono > 0. IL BENCHMARK RMSE/MAE < PLS-SEM per tutti gli indicatori tranne PS_4, indicando una performance predittiva da media ad alta.

Analisi multigruppo

La MGA ha esaminato se le relazioni strutturali differiscano tra leader e personale, che occupano posizioni differenti di responsabilità, sicurezza del posto di lavoro e composizione dei compiti. Come mostrato nella Tabella 10, le associazioni di AITC con le due variabili risorsa erano significativamente più forti tra i leader: AITC → CS (leader β = 0,599 vs. staff β = 0,363; Δ = 0,236, p a due code = 0,014) e AITC → PS (leader β = 0,435 vs. staff β = 0,199; Δ = 0,236, p a due code = 0,043). Queste differenze sono praticamente significative: l'associazione AITC-CS tra i leader era circa 1,6 volte quella tra il personale, e l'associazione AITC-PS era più del doppio della forza. I percorsi diretti rimanenti (AITC → AHTR, CS → AHTR, PS → AHTR, PS → CS) non differivano significativamente tra i gruppi (tutti a due code p > 0,19), indicando che una volta formate le risorse, le loro associazioni con la riallocazione dei compiti operano in modo simile tra i ruoli. Le stime bootstrap specifiche per gruppo (Tabella 11) rivelano ulteriormente modelli di significatività asimmetrica in quattro percorsi: PS → AHTR era significativa per i leader (β = 0,234, p = 0,001) ma non per il personale (β = 0,133, p = 0,064); il percorso indiretto AITC → PS → AHTR era significativo per i leader (β = 0,102, p = 0,005) ma non per il personale (β = 0,026, p = 0,178); al contrario, PS → CS → AHTR era significativa per il personale (β = 0,140, p = 0,001) ma solo marginale per i leader (β = 0,059, p = 0,054); e AITC → PS → CS era significativo per lo staff (β = 0,057, p = 0,043) ma marginale per i leader (β = 0,067, p = 0,065). Nel complesso, la via psicologica-sicurezza verso la riallocazione dei compiti appare più diretta per i leader, mentre per il personale la sicurezza psicologica riguarda principalmente la riallocazione favorendo il surplus cognitivo, un modello coerente con differenze di ruolo nella responsabilità e nell'esposizione alla sicurezza del lavoro (supportato da H10a; H10b parzialmente supportato).

Costrutti	Δ (Capo - Staff)	Valore p a 1-coda (Leader vs Bastone)	Valore p a 2 code (Leader vs Staff)
AITC → AHTR	0.007	0.482	0.963
AITC → Informatica	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 → CS	-0.135	0.901	0.199

Tabella 10: Analisi multigruppo (PLS-MGA) delle differenze tra il percorso leader-staff. Δ = differenza tra i coefficienti di percorso standardizzati leader e staff (leader meno staff); valori p provenienti da PLS-MGA basato su bootstrap (a una coda e a due code). Differenze significative ( p a due code < 0,05) indicano che il percorso differisce tra leader (n = 171) e staff (n = 160). AP = pianificazione autonoma; MTO = orchestrazione multi-utensile; PF = feedback proattivo; CS = surplus cognitivo; PS = sicurezza psicologica; AHTR = riallocazione dei compiti IA-umano; AITC = Caratteristiche tecnologiche dell'IA agente.

	Originale (Leader)	Originale (Staff)	Mean (Leader)	Mean (bastone)	STDEV (Leader)	STDEV (Staff)	valore t (Leader)	Valore t (Staff)	Valore p (Leader)	p valore (Staff)
AITC → AHTR	0.233	0.227	0.237	0.224	0.098	0.077	2.381	2.945	0.017	0.003
AITC → Informatica	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 → CS	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

Tabella 11: Stime bootstrap specifiche per gruppo per leader e personale. I coefficienti di percorso standardizzati (Originali), le medie bootstrap, le deviazioni standard (STDEV), i valori t e i valori p a due code sono stati stimati separatamente all'interno dei gruppi leader (n = 171) e staff (n = 160), per tutti i percorsi diretti e indiretti specifici. Bootstrapping utilizzò 5.000 ricampionamenti all'interno di ogni gruppo. AP = pianificazione autonoma; MTO = orchestrazione multi-utensile; PF = feedback proattivo; CS = surplus cognitivo; PS = sicurezza psicologica; AHTR = riallocazione dei compiti IA-umano; AITC = Caratteristiche tecnologiche dell'IA agente.

In sintesi, il modello di misura soddisfaceva i criteri di affidabilità e validità; AITC era positivamente associato a CS, PS e AHTR; CS e PS mediavano l'associazione AITC-AHTR individualmente e sequencialmente; Il modello ha mostrato prestazioni predittive soddisfacenti fuori dal campione; e le associazioni di AITC con CS e PS erano significativamente più forti tra i leader, mentre i percorsi dalle risorse alla riallocazione dei compiti non differivano significativamente tra i ruoli. Presi insieme, i risultati supportano il modello ipotetico di guadagno di risorse e motivano l'interpretazione differenziata sul ruolo sviluppata nella Discussione.

DISPONIBILITÀ DEI DATI:

I file dati e di analisi vengono caricati come File Supplementare 1, File Supplementare 2, File Supplementare 3, File Supplementare 4, File Supplementare 5, File Supplementare 6 e File Supplementare 7.

Fascicolo supplementare 1: Questionario.Clicca qui per scaricare questo file.

Fascicolo supplementare 2. Uscita del protocollo G*Power.Clicca qui per scaricare questo file.

Fascicolo supplementare 3. MICOM Passo 2 — Invarianza composizionale (permutazione, 1.000). Invarianza composizionale stabilita per tutti i costrutti (c originale ≥ quantile 5%; permutazione p > 0,05). L'invarianza parziale della misurazione è sufficiente a giustificare il PLS-MGA. Clicca qui per scaricare questo file.

Fascicolo supplementare 4. Dataset.Clicca qui per scaricare questo file.

File supplementare 5. Rapporto SmartPLS di bootstrap MGA.Clicca qui per scaricare questo file.

Fascicolo supplementare 6. Rapporto permutazione MGA SmartPLS. Clicca qui per scaricare questo file.

File supplementare 7. Codebook — variabile, elemento, costrutto, scala, codice e sorgente.Clicca qui per scaricare questo file.

Discussione

Questo studio ha esaminato come le caratteristiche tecnologiche dell'IA Agentica si relazionano alle risorse psicologiche dei dipendenti e al comportamento di riallocazione dei compiti, e se queste relazioni differiscano tra i ruoli organizzativi. Utilizzando un sondaggio trasversale su 331 dipendenti con esperienza nell'IA e PLS-SEM con mediazione e analisi multigruppo, i risultati erano coerenti con il modello teorizzato di guadagno di risorse: l'AITC era positivamente associato a surplus cognitivo, sicurezza psicologica e riallocando compiti IA-umano; il surplus cognitivo e la sicurezza psicologica mediavano la relazione AITC-AHTR sia in modo individuale che sequenziale; e le associazioni dell'AITC con entrambe le variabili di risorsa erano significativamente più forti tra i leader che tra il personale.

I risultati hanno tre implicazioni teoriche. Innanzitutto, estendono la teoria JD-R nel contesto dell'IA Agentica trattando le caratteristiche tecnologiche non come strumenti ma come risorse lavorative: la forte associazione AITC-CS (β = 0,485) è coerente con l'idea che la pianificazione autonoma, l'orchestrazione multi-strumento e il feedback proattivo conservino energia cognitiva e tempo discrezionale che i dipendenti possono^reinvestire 15,23,24 . In secondo luogo, collegano la logica a spirale di guadagno della teoria COR alla riprogettazione del lavoro abilitata dall'IA: il significativo percorso sequenziale (AITC → PS → CS → AHTR) suggerisce che la sicurezza psicologica funzioni come una risorsa contestuale che supporta l'accumulo di surplus cognitivo, il che a sua volta è collegato al comportamento di^{riallocazione 20,22}. In terzo luogo, posizionando AHTR come una forma specifica di creazione di compiti tecnologica all'interno della letteratura sulla creazione del lavoro 17,31,32, lo studio va oltre il focus dominante sulle prestazioni tecniche e sui risultati dell'automazione e offre una spiegazione psicologica di come i sistemi agentici vengano integrati nella riprogettazione del lavoro. Poiché il disegno è trasversale, questi percorsi dovrebbero essere letti come associazioni coerenti con l'ordinamento causale teorizato piuttosto che come dimostrazioni di causalità.

I risultati della mediazione chiariscono perché la disponibilità avanzata dell'IA da sola potrebbe non tradursi in cambiamenti nelle pratiche lavorative. L'associazione diretta AITC-AHTR (β = 0,215) è stata completata da vie indirette di entità combinata comparabile attraverso un surplus cognitivo (β = 0,215) e la sicurezza psicologica (β = 0,060): i dipendenti sembrano riassegnare compiti all'IA quando la tecnologia libera dimostrabilmente risorse cognitive e quando il clima interpersonale rende la sperimentazione sicura 16,25,38. Questo duplice meccanismo implica che la riallocazione dei compiti sia tanto un fenomeno di risorse e climatici quanto di tecnologia, il che può spiegare risultati di adozione eterogenei tra implementazioni altrimenti simili.

I risultati multigruppo aggiungono una condizione al contorno basata sul ruolo. Le associazioni AITC-CS e AITC-PS erano rispettivamente circa 1,6 e 2,2 volte più forti per i leader rispetto al personale, mentre i percorsi a valle dalle risorse alla riallocazione non differivano significativamente tra i gruppi. Un'interpretazione, coerente con gli argomenti della distanza^{percettiva 30,35}, è che i leader, che detengono maggiore autorità decisionale e responsabilità strategica, convertano più facilmente le capacità agentiche in risorse percepite, mentre il personale, più esposto all'insicurezza lavorativa legata all'automazione e alle richieste di apprendimento, realizza benefici psicologici meno diretti: per il personale, la sicurezza psicologica è legata principalmente alla riallocazione tramite surplus cognitivo (PS → CS → AHTR: β = 0,140, p = 0,001), mentre per i leader il percorso diretto PS → AHTR era significativo (β = 0,234, p = 0,001). Queste sono tendenze osservate in questo campione piuttosto che disposizioni fisse, e gli intervalli di confidenza attorno alle differenze di gruppo richiedono un'interpretazione prudente.

Praticamente, i risultati suggeriscono strategie di distribuzione differenziate per ruolo. Per tutti i dipendenti, le organizzazioni possono proteggere la conversione del tempo risparmiato in surplus cognitivo aggiustando le norme di carico di lavoro e gli indicatori chiave di prestazione, in modo che le ore libere dall'IA vengano reinvestite in compiti strategici, creativi e collaborativi invece di essere assorbite da ulteriori richieste di routine; Le leve concrete includono la governance dell'uso dell'IA che chiarisca la responsabilità quando l'IA sbaglia, una formazione strutturata sulle competenze di IA orientate alla delega e sistemi di riconoscimento che premiano la riprogettazione documentata dei compiti. Per il personale in particolare, i risultati implicano che interventi di sicurezza psicologica, come la revisione senza colpa degli esperimenti di IA, la tolleranza del manager agli errori precoci e la comunicazione esplicita sulla sicurezza del lavoro, siano prerequisiti per la formazione di surplus cognitivo; per i leader, che convertono più facilmente l'AITC in risorse, la priorità è incanalare quell'eccedenza nella governance e nella pianificazione di contingenza che riduca il divario di percezione tra leader e staff piuttosto che ampliarlo. Queste implicazioni si estendono anche a contesti ad alto rischio come il rilevamento delle frodi e le operazioni di sicurezza finanziaria, in cui i sistemi agentici ogni tanto triano gli avvisi, orchestrano i flussi di lavoro delle indagini e segnalano transazioni anomale: in tali ambienti, la sicurezza psicologica è una condizione pre-condizionata per i dipendenti per mettere in discussione, sovrascrivere e segnalare i giudizi generati dall'IA senza timore di essere colpevolizzati, e riallocare il monitoraggio di routine all'IA può liberare le risorse cognitive degli analisti per complessi Casi che richiedono un giudizio intensivo, mentre la governance deve garantire che l'automazione non erosa la responsabilità per decisioni ad alto consenso. Più in generale, le differenze osservate tra leader e personale sostengono interventi differenziati: curricula di formazione che enfatizzano le competenze di delega e supervisione per i leader e il supporto alla sperimentazione e riqualificazione per il personale, ruoli di governance che riflettono l'esposizione al rischio di ciascun gruppo e strategie comunicative che rendano visibili e raggiungibili i guadagni di risorse realizzati dai leader per il personale.

Diverse limitazioni qualificano queste conclusioni e definiscono le direzioni future. Tutte le variabili sono state auto-riportate dagli stessi intervistati in un momento d'azione; Nonostante rimedi procedurali e controlli statistici suggeriscano che il bias comune del metodo non fosse grave, il disegno trasversale esclude l'inferenza causale e non può catturare spirali di risorse in ritardo temporale. Inoltre, l'AITC è stato misurato attraverso le percezioni auto-riferite da parte dei dipendenti sulle capacità dei sistemi agentici, che potrebbero non corrispondere alle reali capacità tecniche dei sistemi; I progetti futuri dovrebbero abbinare le misure percettive ai log di sistema o agli audit delle capacità. Sebbene ai partecipanti sia stata mostrata una breve definizione standardizzata di IA Agentica all'inizio del sondaggio, nessun item di controllo di comprensione ha confermato la loro comprensione della tecnologia focale, e studi futuri dovrebbero includere tale controllo. Il campione di dipendenti con esperienza nell'IA, reclutato su piattaforma e orientato verso i settori tecnologici e i giovani intervistati, è appropriato per un test precoce del modello ma limita la generalizzazione a organizzazioni con bassa maturità nell'IA, aziende più piccole e settori non digitali; il reclutamento a pannello singolo in un periodo di colazione implica altrettanto specificità culturale e contestuale, quindi le associazioni osservate potrebbero non generalizzare su mercati del lavoro, regimi di governo dell'IA o culture occupazionali. La sicurezza psicologica è stata misurata anche come una percezione individuale piuttosto che come un clima condiviso di squadra. Le ricerche future dovrebbero utilizzare disegni longitudinali o basati su campionamento per esperienza per tracciare spirali di guadagno, progetti multilivello che separino campioni di sicurezza psicologica individuale e di squadra basati su campioni basati su probabilità o organizzazione tra livelli di maturità dell'IA, ed estensioni del costrutto AITC ad attributi come trasparenza, controllabilità e spiegabilità. Nonostante queste limitazioni, lo studio fornisce un protocollo replicabile e una prima evidenza che le associazioni dell'IA Agentica con i risultati lavorativi operano attraverso, e sono limitate da, risorse psicologiche dei dipendenti, conoscenze che dovrebbero aiutare ricercatori, professionisti e responsabili politici a implementare sistemi agentici in modi che aumentino piuttosto che erodano il lato umano del lavoro.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Prolific	Prolific	https://www.prolific.com/	Fornitore di pannelli di sondaggi online
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com/	Codifica sondaggi
SmartPLS	SmartPLS GmbH	versione 4.0.1, https://www.smartpls.com/	Analisi PLS-SEM