エージェントAIが働きを再形成する方法:認知余剰、心理的安全性、AIと人間のタスク再割り当ての役割

サマリー

このプロトコルは、331人の従業員におけるエージェントAIの技術的特性が認知的余剰、心理的安全性、AIと人間のタスク再配分にどのように関連しているかを調査する調査ベースのワークフローを説明しています。部分最小二乗構造方程式モデリングと多グループ分析は、リーダーとスタッフの役割に基づく違いを明らかにします。

要約

本研究は、エージェントAIの技術的特性が組織内の従業員の心理状態や行動反応とどのように関連しているかを検証します。ジョブ需要-資源(JD-R)理論と資源保存(COR)理論を活用し、エージェントAI技術特性(AITC)を自律的な計画、マルチツールのオーケストレーション、積極的なフィードバックからなる高次構造として概念化し、これらの特性が認知的余剰や心理的安全性の向上に関連するジョブリソースとして機能すると提案します。これらはAIと人間のタスク再配分に関連しています。さらに、これらの関係がリーダーとスタッフの間で異なるかどうかも調査します。目的的非確率サンプリングを用いて研究パネルから募集された参加者に対し、オンライン調査プラットフォームを通じて横断的かつ匿名のオンライン調査を実施しました。対象は現在または以前にAI関連の職務経験がある成人に限定され、スクリーニング・注意確認回答の結果、331名の従業員(リーダー171名、スタッフ160名)が最終的に抽出されました。すべての構成要素は、エージェントAIの文脈に適応した検証済みスケールで7ポイントリッカートスケールで測定されました。データは部分最小二乗構造方程式モデリング(PLS-SEM)を用いて分析され、二次構造には2段階アプローチを適用し、直接的および間接効果のために5,000件の再サンプルを用いたブートストラップ法、リーダーとスタッフの比較には多グループ解析(MGA)を用いました。測定モデルは妥当性と妥当性を示し、構造的な結果は理論化されたリソース獲得モデルと整合していました。AITCは認知的余剰、心理的安全性、タスク再配分と正の関連があり、リーダー間のメディエーション経路やAITC資源の関連性が強まりました。技術的パフォーマンスではなく心理的メカニズムに焦点を当てることで、本研究は新興のエージェントAI研究を拡張し、役割差別化されたAI採用戦略に対する実践的な示唆を提供します。

概要

エージェントAIの普及は、産業や組織生活における人工知能の役割を再定義しています ^1,2。エージェントAIとは、変化する環境を認識し、推論メカニズムを通じて独立して目標を設定し、最小限の人間の監督で一連の行動を指揮する高度な人工知能の形態と定義できます ^3,4。従来のAIや従来の生成AIツールと3つの点で区別されます。主体システムは事前プログラムされたルールを実行するのではなく、最小限の人間の介入で目標を追求するため、自律性(^5,6)。コア機能、なぜなら彼らの目的は^{単一のタスクではなく}複雑なワークフローの自動化だからです。そしてアーキテクチャは、単一のモデル⁷に依存するのではなく、複数の大規模言語モデル、アプリケーションプログラミングインターフェース(API)、エージェントを調整するためです。これらの能力は、^本研究で検証された定義的な技術的特性に基づいて^います。自律計画(AP)とは、ユーザーの目標が与えられた上で、システムが独立してそれをサブタスクに分解し、制約^が10変更されるたびに計画を修正することを意味します。例えば、従業員が一行の指示を出しても、実行可能な多段階プロジェクト計画を受け取ることができます。マルチツールオーケストレーション(MTO)とは、システムが外部ツールやAPIを選択、シーケンスし、統合することを意味します。^1、11、12;例えば、ウェブ検索、ドキュメントエディタ、データ分析ツールを組み合わせて、一貫したレポートを作成することなどです。プロアクティブフィードバック(PF)とは、システムが^10,13の質問を受ける前に誤り、欠落情報、リスクの高い仮定をフラグ付けすることを意味します。例えば、タスク実行中に従業員に検証やコンプライアンスチェックポイントをリマインダーさせることです。私たちはこれら3つの特性に焦点を当てており、これらは総称してエージェントAI技術特性(AITC)と呼ばれます。これらは^{日常業務における}エージェントAIと従来のAIを区別する機能的能力^{だからです。}透明性、制御可能性、説明可能性といった属性はAI信頼に一般的に重要ですが、エージェントパラダイムに特有のものではなく、将来の研究の境界条件として扱い、焦点となる次元としては扱いません。

職場でのエージェントAIの急速な普及にもかかわらず、既存の文献は主にその技術的アーキテクチャ、運用効率、タスク自動化能力に焦点を当てており、これらの特性が従業員の心理状態や行動反応をどのように再形成するかにはあまり注目していません(^14,15).この省略は重要です。なぜなら、人間とAIの間でタスクを再割り当てすることは単なる技術的調整ではなく、心理的・組織的に組み込まれたプロセスだからです。従業員は既存のワークフローに挑戦し、役割の境界を再定義し、知能システムとの新しい協働形態を受け入れなければなりません(^16,17)。こうした変化は、単に高度な技術が利用可能だからといって自動的に起こるものではありません。したがって、本研究の目的は三つあります。すなわち、AITCが認知的余剰、心理的安全性、AIと人間のタスク再配分に関連する雇用資源として機能するかどうかを検証すること。認知的余剰と心理的安全性の媒介および連続的な媒介役割を調査すること;また、これらの構造的な関係がリーダーとスタッフの間で異なるかどうかを探ることです。この研究の新規性は三つあります。第一に、エージェントAIの技術的特性—自律的な計画、マルチツールのオーケストレーション、積極的フィードバック—をJD-Rフレームワーク内のより高度なジョブリソースとして概念化・運用し、AI導入を単なる区別のない文脈として扱うのではありません。第二に、AIと人間のタスク再配分を、汎用的なジョブ作成やトップダウンのデジタルトランスフォーメーションとは異なる、ドメイン特有の技術的なタスク作成の形態として導入します。第三に、私たちの知る限り、エージェントAIのリソース生成関連がリーダーとスタッフ間で体系的に異なるという初の多グループ証拠を提供しています。

理論的根拠は、ジョブ需要資源理論(JD-R)と資源保存理論(COR)を統合しています。JD-R理論は、すべての仕事は仕事の要求、すなわち持続的な努力を必要とする身体的・感情的・認知的側面と、要求を減らし目標達成を支援し、自己成長を促す職務資源から成ります。そのバランスはエンゲージメント、幸福感、パフォーマンスを形作ります^18,19。COR理論は動的なメカニズムを加えます。個人は価値ある資源を獲得・保持・保護しようと努力し、蓄積された資源は既存の資源を再投資して^{さらなる資源を得る}ための利得スパイラルを開始し^ます。この共同視点から、AITCは単なる技術的特徴ではなく、新たな形態の職務資源として概念化できます。計画や診断分析といった反復的で認知的に負担の大きい作業を吸収することで、エージェントシステムは要求を減らし、従業員の認知エネルギーと時間を節約します(^15,23)。私たちは認知余剰(CS)を、日常的な作業が技術に委譲されることで得られる認知的エネルギーと裁量時間の貯蔵庫であり、それを集団参加、協働、新たな価値の創造に再投資できるものと定義しています^。したがって、CSは感情的・動機付け状態である仕事への関与や単なる時間的可用性とは概念的に区別されます。なぜなら、CSはCORの意味で個人資源の可換可能なストックを指すからです(^20,24)。CSはまた、仕事から失われたエネルギーを回復することに関わる心理的離脱や回復、そして十分な時間があるという主観的知覚を示す時間の豊かさとも区別されます。CSとは、仕事中に再投資可能な自由な認知能力を指します。CORの観点から言えば、蓄積されたCSは疲労や燃え尽きを緩和することで職業上の福祉を支える資源獲得を表し、一方で追加の日常的需要による吸収は資源損失を示す20,23,24となります。節約された時間が実際に余剰に変わるかどうかは、AIリテラシー、追加の要求で節約時間を吸収できる業務負荷の基準、組織文化など個々の特性によります。したがって、資源-獲得経路を仮定ではなく検証すべき仮説として扱います。

H1:AITCはCSと正の関連があります。

心理的安全性(PS)とは、自分の職場環境が人間関係のリスクを取るのに安全であると信じることと定義されており、例えばミスを認めたり、助けを求めたり、現状に挑戦したりすること^{を指します。}心理的安全性はしばしばチームレベルの雰囲気として研究されてきましたが、本研究は個人レベルの認識として概念化し測定しており、個人レベルの調査設計と一致しています(^27,28)。エージェントシステムが学習志向のフィードバックや支援ツールを提供する場合、実験や誤りの暴露にかかる対人コストは減少するかもしれません。なぜなら、従業員は自分の作業を他者に提示する前にテストし修正できるからです(^26,28)。しかし、逆のダイナミクスも十分にあり得ることを認めています。エージェント系システムが監視や責任追及のために展開される場合、認識される対人リスクや不信感は^29,30増加する可能性があります。ここで検討する特徴は評価的ではなく補助的な性質であるため、正の関連を仮説を立てつつ、この両側性の可能性を重要な境界条件として扱います。

H2:AITCはPSと正の関連があります。

私たちはAIと人間のタスク再配分(AHTR)を、従業員が自発的にタスクを自分自身とAIシステムの間で再分配し、日常業務をAIに委譲しつつ、自身の戦略的・創造的な責任を拡大することと定義しています。私たちはAHTRを、分野特化型の求人作成の形態として位置づけています。ティムズとバッカーのJD-Rモデルでは、ジョブ作成はジョブリソースの増加、課題要求の増加、障害要求の減少を含みます^17,31;WrzesniewskiとDuttonの類型論では、課題、関係性、認知クラフティング³²を含みます。AHTRは技術を通じて実行されるタスク作成に最も近いもので、日常業務をAIに委ねることで同時に障害を減らし、新たな^{ジョブリソースを}動員^します。これは、トップダウンによる^{組織再設計}ではなく、裁量的かつ従業員主導のタスク境界変更を捉えているため、一般的なデジタルトランスフォーメーションの成果よりも狭いものです。私たちは、タスク再配分を関係的・認知的クラフティングよりも優先します。なぜなら、タスクの再分配は従業員とエージェントシステム間の最も即時的な行動的インターフェースであり、早期導入時に直接観察できるからです。一方、関係的・認知的クラフティングは通常、下流の適応として現れます(^31,32)。従来の研究でAI導入を一般的なジョブ作成の文脈的前提として扱っていたのに対し^{、私たちは}再割り当て自体をフォーカルクラフティング行動としてモデル化しています。このような再配分は既存のワークフローを乱すため、従業員は十分な認知的資源を持ち、仕事を再設計し、心理的に安全だと感じて対人リスクを受け入れる可能性が高いと感じます(^16,34)。COR理論のゲインスパイラル論理の中で、心理的安全性は認知^的余剰の蓄積を保護し増幅する文脈的資源としても機能します。

H3:胸結核はAHTRと正の関連があります。

H5: PSはAHTRと正の関連があります。

H6:PSはCSと正の関連があります。

H9: AITCはAHTRと正の関連があります。

これらの議論を統合することで、AITCは認知的余剰と心理的安全性という資源獲得経路を通じて、直接的だけでなく間接的にAHTRと関連していることが期待されています。

H4:CSはAITCとAHTRの関係を媒介します。

H7:PSはAITCとAHTRの関係を媒介します。

H8: PSとCSはAITCとAHTRの関係を順次媒介します。

最後に、従業員はエージェントAIを一律に解釈し反応しているわけではありません。ギブソン、クーパー、コンガーは、リーダーとチーム間の知覚距離を、同じ組織目標に関する認知的不一致として説明し、情報アクセス、説明責任、リスク曝露、^{職務経験の}非対称性に根ざしています。この見解を踏まえると、リーダーとスタッフはAI導入に関して構造的に異なる立場にいます。リーダーは戦略的責任を持ち、AIを生産性やデータ駆動型の意思決定のための拡張志向のリソースとして捉える傾向があるのに対し、スタッフは自動化に関連する職務の不安定さや学習過負荷にさらされやすい傾向があります^20,30.これらのパターンは、どちらのグループの固定された傾向よりも、経験的に検証すべき傾向として扱います。このような役割に基づく不一致は、AITC、CS、PS、AHTR間の関係に不均一なパターンを生み出す可能性がありますが、これらのグループの違いを明示的に捉える実証的研究は限られています。

H10a:AITCとCSおよびPSの関連性は、リーダーやスタッフによって異なります。

H10b:PSとCSのAHTRとの関連性は、リーダーやスタッフによって異なります。

以下のプロトコルは、参加者の募集とスクリーニングから調査実施、データクリーニング、測定検証、構造モデル推定、媒介分析、多グループ分析(MGA)(図1)に至るまでの全ワークフローを説明しており、この手順を独立して再現できるようにします。研究モデルは 図2に示されています。AITCはAP、MTO、PFからなる二次構造としてモデル化され、CSとPSを通じてAHTRに直接的・間接的に関連し、PSもCSに関連しています。リーダーとスタッフの役割の違いはMGAを通じて検証されます。

図1。全体的な研究設計ワークフロー。 研究プロトコルの完全な図。参加者はオンラインパネルを通じて目的的非確率サンプリングを用いて募集され、AI関連の職務経験のスクリーニングが行われました。対象となる回答者は、すべての構成要素を7ポイントリッカート尺度で測定する匿名調査に回答しました。データクリーニング(スクリーニング失敗、注意チェック失敗、不合理なほど短い完了時間の除去;最終N=331)を経て、測定モデルが検証されました(信頼性:クロンバックα、複合信頼性;収束妥当性:平均分散抽出;判別妥当性:HTMTおよびFornell-Larcker)、2段階構成要素は2段階アプローチで検証され、構造モデル、媒介経路、リーダーとスタッフの多グループ分析は5,000人で推定されましたブートストラップ再サンプル。 この図の拡大版はこちらをクリックしてご覧ください。

図2。提案された研究モデル。 仮説関係の概念モデル。エージェントAIの技術的特性(AITC)は、自律的計画(AP;目標をサブタスクに分解し計画を修正するシステムの能力)、マルチツールオーケストレーション(MTO;複数のツールやAPIを選択・順序付け・統合する能力)、およびプロアクティブフィードバック(PF;意図せずにエラーやリスクを指摘する能力)からなる二次構造であり、認知的余剰(CS;認知エネルギーと裁量時間の貯蔵庫)と正の関連があると仮説されています日常業務がAIに委譲されると解放される)、心理的安全(PS;職場環境が対人リスクテイクに安全であるという認識)、およびAIと人間のタスク再配分(AHTR;従業員が自発的にタスクを自分とAIの間で再分配すること)(H1、H2、H9)です。CSおよびPSはAHTR(H3, H5)、PSとCS(H6)、およびCSとPSが個別かつ順次にAITC-AHTR関係(H4, H7, H8)を媒介する正の関連があると仮定されています。矢印は仮説化された構造経路を表し、H10a/H10bは、複数グループ解析で検証された仮説上のリーダーとスタッフの差を示します。 この図の拡大版はこちらをクリックしてご覧ください。

プロトコル

すべての手技は、aSSIST大学および東亜大学における人間参加者を対象とした研究の倫理基準に従って実施されました。すべての回答は収集時に匿名化され、個人を特定できる情報は一切収集されなかったため、aSSIST大学の機関審査委員会は、大韓民国生命倫理安全法第15条および執行規則第13条に基づき、本研究を完全な審査の対象外と判断しました。調査は、参加が現在AIプロジェクトに従事・関与している個人に限定されていること、研究目的、参加の任意性、回答の匿名性、データの意図された利用方法を説明する情報・同意ページで始まりました。明確に同意した回答者のみがアンケートに進みました。同意ページは 補足ファイル1に記載されています。

サンプルサイズの決定

データ収集前に、線形多重回帰族に対してG*Power 3.1.9.7(RRID: SCR_013726)を用いて事前検出力分析が行われ、モデル内の単一の内因性構成要素に向けられた予測変数の最大数を指定しました。本研究では、AHTRは3つの構成要素(AITC、CS、PS)によって予測されます。効果量は中程度(f² = 0.15)、α = 0.05、統計的検出力0.80で、必要な最小サンプル数は77例でした。G*Powerプロトコルの出力は 補足ファイル2に提供されています。PLS-SEM³⁶の最小サンプルサイズは逆平方根法を用いてクロスチェックされ、約155ケースが標準化経路係数を検出するために5%の有意水準で約0.20、80%の検力を検出します。最後に、リクルート目標は間接効果のブートストラップとスプリットサンプル多群分析を支援するために、両方の最小値を大幅に超えるように設定されました。最終サンプル(N=331;リーダーN=171、スタッフn=160)は各サブグループ内の最低サンプル要件を満たしました。

参加者募集と選考

参加者はオンライン研究パネルを通じて目的的非確率抽出法を用いて募集されました。つまり、サンプルは一般集団から無作為に選ばれるのではなく、事前に実質的な基準(現在または過去のAI関連の職務経験)を満たす回答者に意図的に限定されました。対象は18歳以上の回答者に限定されました。AI関連の職務経験は、メインアンケートの前に提示される「以下の中であなたの現在の状況を最もよく表すものはどれですか?」というスクリーニング項目を通じて実務化されました。現在雇用中でAI関連の仕事に従事していると答えた回答者のみが進み、残りの選択肢(雇用されているがAI業務に関与していない、雇用されていないが以前に関与している、雇用されていない、雇用されていない、関与していない)は即時スクリーニングがトリガーされました。データ収集は2026年2月8日10時28分から13時30分の単一セッションで行われ、参加者はプラットフォームの公正な報酬方針に従い、1時間あたり6.98ポンドで報酬を受け取りました。重複参加はプラットフォームの一意参加者識別子と重複回答防止設定によって防げました。各段階での回答者数は記録され、包括・除外のワークフローを文書化しました。537件の回答が記録されました。151題はスクリーニング問題で除外され(残り386)、注意チェック(直線走行を含む)に失敗したため40名が退場(残り346名)、15個は約180秒未満の不合理なほど短い完成時間で除去され、最終サンプルN=331が得られました。

標準化された定義と調査の指示

参加者には、この調査がエージェントAIが組織やそのメンバーにどのような影響を与えるかを調査していると説明されました。調査開始時に、すべての参加者には導入部で示された定義と一致するエージェントAIの簡単な標準化定義が示されました。これは自律的な計画、マルチツールのオーケストレーション、そして限定的な人間の監督なしに目標指向の行動を実行する積極的なフィードバックを特徴とする高度なAIシステムです(図1、ステップ2)。応募資格は、現在雇用されておりAIプロジェクトに関わっている回答者に限定され、アンケート回答の関連的な業務上の根拠となりました。別途理解度チェックの項目は含まれていませんでした。したがって、標準化された定義は検証された理解チェックではなく、文脈的な指向として機能しました。参加者は、組織の文脈でこのようなエージェントAIシステムを実際に使用または扱った経験に基づいて、すべての質問に答えるよう指示されました。

測量機器の開発と管理

このアンケートは、Agentic AIの組織文脈に適応した検証済みの測定尺度から開発されました。表1はすべての項目、そのソーススケール、記述統計を示しています。AP、MTO、PF項目は最近のエージェントAI概念化^7,8から適応されています。生成AI認知資源研究からのCS項目³⁷;PlompらのPS項目³⁸;そして、タスク再配分に適応されたJD-Rベースのジョブクラフティングスケール^17.39のAHTR項目。すべての構成要素は7点リッカート尺度で測定され、1(「強く異なる」)から7(「強く一致」)までの範囲で評価されました。調査は、同意ページ、スクリーニング、AITC項目(AP、MTO、PF)、CS、PS、AHTR、人口統計・対照の特徴をカバーするブロックに構成されました。また、このツールには本モデルの範囲を超えた追加の尺度(AIリテラシーや役割幅の自己効力感)が含まれており、ここでは分析されず、透明性のために報告されました。この調査はオンライン調査プラットフォーム上で実施されていました。戻るボタンは無効化され、回答者が以前の回答を修正できないようにされ、項目はブロック内で一定の順序で提示されました。中央値は7分44秒でした。2つの指示回答注意力チェック項目が調査フローの分岐として埋め込まれ、不正回答すると調査が終了しました。(i) 事実確認「AIはアーティチョーク情報の略称ですか?」(正解:いいえ)、(ii)回答が「強く反対」から「強く同意」までの7点リッカート尺度で記録されたことを確認する尺度理解チェック。本格的な管理前に、124名の回答者を対象にパイロットテストが実施され、調査項目の明瞭さ、全体の調査流れ、完了期間、質問票の実現可能性を評価しました。回答期間が異常に短いものを特定し、調査期間が対象回答者に適切かどうかを確認しました。パイロットテストでは文言修正が必要な問題は示されず、本調査前に文言の変更も行われませんでした。さらに、パイロットデータはPLS-SEMを用いて予備検証手順として分析され、指標の性能、構成の信頼性、収束的妥当性、判別妥当性、共線性、提案された構造的関係の妥当性を評価しました。結果は、この機器がメインサーベイに適していることを支持しました。

構成要素		アイテム	質問			平均	STDEV	VIF	出典
AITC(アメリカ人・商業・成人	AP	AP1	目標を提示すると、AIはそれを達成するための多段階の計画を作成するのを助けてくれます。			5.81	0.9	1.44	Abou Ali, M.ら(2025);Sapkota, R., 他 (2025)
		AP2	制約や要件が変わったときには、AIは計画を修正できます。			5.75	0.99	1.37
		AP3	AIは複雑な作業を手順を説明せずに管理しやすいサブタスクに分解します。			5.33	1.37	1.33
	MTO	MTO1	AIは複数のツールやアプリ(例:検索、ドキュメント、データツール)を組み合わせてタスクを完了できます。			5.69	1.11	1.5
		MTO2	AIは適切なツールを提案し、それらを正しい順序で使って成果物を生成します。			5.36	1.04	1.64
		MTO3	AIは異なるツールの出力を一つの一貫した結果に統合する手助けをします。			5.61	1.01	1.63
	PF	PF1	AIは私の作業における誤りや欠落情報、リスクの高い前提を積極的に指摘してくれます。			4.9	1.44	1.68
		PF2	AIは私が明確にフィードバックを求める前に改善点を提案します。			5.07	1.38	1.85
		PF3	AIは再作業を防ぐためのチェックポイント(例:検証、コンプライアンス、品質)を思い出させてくれます。			5.02	1.4	1.6
コンピュータサイエンス		CS1	AIを使うことで、より複雑で意味のある仕事に集中できる精神的エネルギーが解放されました。			5.59	1.28	2.07	リウ、Y.、シェン、F.、リウ、R.(2025年)
		CS2	AIを使ったことで、戦略的思考や問題解決に使える時間が増えました。			5.61	1.23	2.38
		CS3	ルーティンタスクからの負担が大幅に減り、新しい取り組みに集中できる余裕ができました。			5.42	1.28	2.23
		CS4	AIが繰り返しの作業を処理してくれるので、仕事の終わりに精神的に疲れを感じにくいです。			5.15	1.5	1.91
追伸		追伸1	私の職場では、AIを新しい方法で活用することに関連するリスクを取ることは安全です。			4.74	1.37	1.52	Plompら(2019年)
		追伸2	私のマネージャーはAIの実験を奨励し、ミスにも寛容です。			4.52	1.61	1.68
		PS3	AIの使い方について懸念があれば、私は気軽に声を上げられます。			5.48	1.24	1.32
		PS4	同僚たちは、AIとの新しいやり方を試すことを支持してくれます。			5.26	1.32	1.48
		PS5(除外)	AIの革新的な活用を提案すれば、負の影響を恐れません。			4.47	1.59	1.23
AHTR		AHTR1	私は意図的にルーチン業務(例:データ入力やレポートのフォーマット)をAIに移し、より価値の高い作業に集中できるようにしています。			5.12	1.35	1.68	ティムズ、M.、バッカー、A. B.(2010年);Li, W. ほか(2024年)
		AHTR2	以前は手作業でやっていたタスクをAIで処理する機会を積極的に探しています。			5.58	1.28	1.84
		AHTR3	AIを使い始めてからは、より戦略的または創造的な新たな責任や拡大した責任を担うようになりました。			5.18	1.3	1.58
		AHTR4(除外)	どのタスクをAIが担当し、どのタスクを自分が担当すべきか、マネージャーと交渉しています。			4.09	1.65	1.23
		AHTR5	私はルーティン業務をAIに再割り当てし、より意味のある作業に専念できるようにして仕事を再設計しました。			4.92	1.35	1.67

表1:測定項目、情報源、記述統計、完全な共線性評価。 完全な調査機器。各項目は構成要素(AITC寸法AP、MTO、PF;CS;追伸;AHTR)、項目コード、文言、平均、標準偏差(STDEV)、完全な共線分散インフレ係数(VIF;値<3.3は共通の方法分散汚染の欠如を示す)、およびそれを適応したソーススケール。すべての項目は7ポイントリッカート尺度(1=強く反対、7=強く同意)で測定されました。PS5とAHTR4は、外部負荷が低いため、測定モデル評価時に除外されました。AITC = エージェントAI技術特性;AP = 自律的計画;MTO = マルチツールオーケストレーション;PF = 積極的フィードバック;CS = 認知余剰;PS = 心理的安全;AHTR = AIと人間のタスク再割り当て。 この表をダウンロードするには、こちらをクリックしてください。

データ準備とクリーニング

生の回答はCSV形式でエクスポートされました。スクリーニング基準または注意チェック項目のいずれかに該当しない症例は除外され、またデータが著しく欠如している回答(強制回答設定で調査内の欠落を最小限に抑えた)回答も除外されました。各段階での除外カウントはプロトコル第2節に記録されています(記録537件→保持件331件)。保持されたデータは一貫性を検証し、不注意反応パターンのスクリーニングを行い、注意チェックで直線反応を除去し、約180秒未満の不合理な完成時間を持つ応答は除外しました。その後、変数を解析のために符号化しました(例:役割:リーダー=1、スタッフ=0;性別:男性=1、女性=0)。 表2に記載されているように、産業などのカテゴリ別コントロールはk-1指標でダミーコード化され、最終データセットはPLS-SEMソフトウェアにインポートされました。すべての変数をアイテムテキスト、コーディング、構成にマッピングするコードブックが 補足ファイル2として提供されています。

測定モデルの評価

PLS-SEMソフトウェアを用いて、各観測項目を潜在構成に割り当て、すべての一次構成要素(AP、MTO、PF、CS、PS、AHTR)を反射的に指定しました。AITCはAP、MTO、PFからなる二次構成要素として指定され、2段階アプローチ^40、41、42で推定されました。まず一次構成要素に対して潜在変数スコアを取得し、その後(AP_LVS、MTO_LVS、PF_LVS)をAITCの形成指標として用いました。PLSアルゴリズムはパス重み付け方式で実行され、最大3,000回の反復と10⁻⁷の停止基準が適用されました。内部整合性信頼性は、Cronbachの43のαおよび複合信頼度(CR)閾値0.70に対して^{評価され、}新興研究文脈における短尺度の0.5–0.6 α値をわずかに許容範囲と扱^{いました。}収束妥当性は平均分散抽出(AVE)閾値0.50に対して評価^{されました。}判別妥当性は異形質-単一形質比(HTMT <0.85、保守的閾値)⁴⁵ およびフォーネル・ラーカー基準⁴⁴を用いて評価されました。信頼性または収束妥当性基準が満たされない場合は、外部負荷を検査し、性能の低い指標は内容の妥当性を保持しつつ削除し、すべての削除とその理由が記録されました。本研究では、PS5とAHTR4は低い外負荷のため除外され、PSとAHTRの収束妥当性が向上しました。

構造モデルと媒介分析

構造的経路は研究モデルに従って指定され(図2)、予測変数構成要素間の共線性は、モデル内分散インフレ因子(VIF < 5.0)³⁶および全共線性VIFs(<3.3)^46,47を用いて検証されました。経路有意性は、パーセンタイル信頼区間と両側検定を用いて5,000件の再サンプルを用いてブートストラップで推定し、標準化された経路係数(β)、標本平均(M)、標準偏差(STDEV)、t値、p値、95%信頼区間、^R2、効果量^(f2)が報告されました。標本外予測力はPLSpredictを用いて10折り10回繰り返し評価しました。各内因性指標について、^Q2予測(>0は予測関連性を示す)を検証し、PLS-SEMの予測誤差(RMSEおよびMAE)を線形モデル(LM)ベンチマーク⁴⁸と比較しました。媒介解析では、AITCがCS、PS、そして連続的なPS →CS経路を通じてAHTRに与える間接効果を指定し、各間接効果をブートストラップ分布(5,000件の再サンプル)で評価し、95%信頼区間がゼロで間接効果が有意と判断されました。

多群解析

回答者は自己申告した組織役割に基づいてリーダーグループとスタッフグループに分類されました(役割:リーダー=1、スタッフ=0; 表2);リーダーグループはチームリーダー/スーパーバイザー、マネージャー/部門長、経営幹部/上級リーダーで構成され、スタッフグループはスタッフレベルの従業員で構成されていました。経路係数比較前に、複合モデル測定不変性(MICOM)手順⁴⁵を用いてグループ間の測定不変性が確立されました。ステップ1(構成不変性)はグループ間で同一のモデル仕様によって満たされ、ステップ2(合成不変性)はすべての構成要素で支持され、元の相関は5%分位数以上で、非有意な置換p値(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)、部分測定不変性の確立と多群比較の正当化(MICOMの全結果は 補足ファイル3に記載)。その後、モデルは各グループごとに個別に推定され、ブートストラップベースのPLS-MGAを用いて経路差を検証しました。各経路のリーダーとスタッフの差(Δ)に対して一尾および二尾のp値が報告されました。グループごとの経路係数、t値、p値はすべての直接および間接経路について報告され、各グループ間の違いの大きさも含まれていました。

報告、検証、トラブルシューティング

信頼性、妥当性、構造的、媒介、MGAの出力はすべてまとめられました。結果表はエクスポートされました。報告されたすべての統計は、表、図、テキスト間で一貫性を確保するためにソフトウェア生成の出力と照合されました。トラブルシューティングのために、以下のガイドラインが適用されます:多くの回答がスクリーニングや注意チェックに不合格の場合は、適格要件を明確にし、調査指示を明確にすること;信頼性(CR < 0.70)または収束妥当性(AVE < 0.50)の基準が満たされない場合は、外部負荷を見直し、理論的カバレッジを維持しつつ弱い指標を除去します。共線性(閾値を超えるVIF)が特定された場合、構成条件の仕様を再評価し、冗長な指標を排除します。媒介やグループ効果が有意でない場合は、サンプルの十分性を再検討し、解釈前に操作化を構築します。そして、推定値を安定させるために、十分な数のブートストラップ再サンプル(例:5,000件)を用いましょう。

結果

参加者の特徴

表2は 最終サンプルの人口統計的特徴を示しています(N=331)。サンプルは男性65.0%、女性35.0%で構成され、リーダー(51.7%、n = 171)とスタッフ(48.3%、n = 160)の比較的バランスの取れた分布でした。最も多い年齢層は30歳未満(46.5%)、次いで31歳から40歳(32.0%)、76.4%が学士号または大学院の学位を取得していました。回答者は、テクノロジーと通信(46.2%)を中心とした多様な業界や、さまざまな規模の組織から集まっていました。このプロファイルは、AI関連の業務に積極的に従事する従業員に焦点を当てた研究の意図的な方針と一致しています。

特徴	カテゴリー	周波数(n)	%	累積パーセンテージ
性別	男性(1人)	215	65	65
	女性(0)	116	35	100
年代	-30	154	46.5	46.5
	31-40	106	32	78.5
	41-50	44	13.3	91.8
	51-	27	8.2	100
役割	リーダー(1)	171	51.7	51.7
	スタッフ(0名)	160	48.3	100
教育	高校時代	34	10.3	10.3
	大学時代	44	13.3	23.6
	学部	142	42.9	66.5
	大学院	111	33.5	100
産業	技術 通信通信 ICT	153	46.2	46.2
	プロフェッショナルサービス(コンサルティング、法務、会計)	38	11.5	57.7
	製造業 産業	37	11.2	68.9
	金融サービス	30	9.1	77.9
	医療	30	9.1	87
	公共部門	24	7.3	94.3
	小売	19	5.7	100
事務所規模	50人未満	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人以上	42	12.7	100
合計		331	100	100

表2:最終サンプルの人口統計的特徴。 331人の回答者の性別、年齢、組織の役割、学歴、業界、事務所規模の分布。n = 周波数;% = 総サンプルの割合;累積% = 各特性内の累積パーセンテージ。カテゴリ列の括弧内の値は、解析で使用される二進符号化を示しています(例:リーダー = 1、スタッフ = 0)。

測定モデルの評価

AITCは二次構造としてモデル化されているため、2段階のアプローチ^{が適用されました}。まず、表 3に示されているように、クロンバックの信頼性(α)、複合信頼性(CR)、平均分散(AVE)を用いて、一次構成要素の信頼性と妥当性を評価しました。PS5とAHTR4は外部負荷が低いため除外され、これによりPS(AVE = 0.563)とAHTR(AVE = 0.619^)の収束妥当性が向上しました。すべてのCR値は0.70の閾値を超え、すべてのAVE値は0.50を超えました。クロンバックのAPのαは0.585でしたが、CR(0.781)とAVE(0.547)は許容範囲内に収まり、0.5〜0.6 α短スケール⁴³では許容範囲とみなすことができます。判別妥当性が支持されており、すべてのHTMT比率(0.25–0.77)は保守的な0.85閾値を下回り(表4)⁴⁵、各構成概念のAVEの平方根はFornell-Larkker基準の下での最高構成要素間相関を上回りました(表5)⁴⁴。

構成要素		α	コンポジット信頼性	アヴェ
AITC(アメリカ人・商業・成人	AP	0.585	0.781	0.547
	MTO	0.731	0.848	0.65
	PF	0.758	0.858	0.669
コンピュータサイエンス		0.858	0.904	0.701
追伸		0.741	0.837	0.563
AHTR		0.795	0.867	0.619

表3:一階構成要素の信頼性および収束妥当性。 α = クロンバックのアルファ(内部整合性;閾値0.70、短スケールでは0.5〜0.6がわずかに許容範囲内);複合信頼性(CR;閾値0.70);AVE = 抽出された平均分散(収束妥当性;閾値0.50)。PS5およびAHTR4の削除後に報告された数値。AP = 自律的計画;MTO = マルチツールオーケストレーション;PF = 積極的フィードバック;CS = 認知余剰;PS = 心理的安全;AHTR = AIと人間のタスク再割り当て。

構成要素		異形質-単一形質比(HTMT)
		AP	MTO	PF	コンピュータサイエンス	追伸	AHTR
AITC(アメリカ人・商業・成人	AP
	MTO	0.75
	PF	0.64	0.59
コンピュータサイエンス		0.63	0.59	0.48
追伸		0.45	0.36	0.25	0.48
AHTR		0.62	0.59	0.45	0.77	0.54

表4:一階構成要素(HTMT)の判別妥当性。 構成要素ペア間の相関の異形質-単一形質比率。保守的な閾値0.85未満の値は判別妥当性を支持します。AP = 自律的計画;MTO = マルチツールオーケストレーション;PF = 積極的フィードバック;CS = 認知余剰;PS = 心理的安全;AHTR = AIと人間のタスク再割り当て。

構成要素		フォーネル・ラーカー基準
		AP	MTO	PF	コンピュータサイエンス	追伸	AHTR
AITC(アメリカ人・商業・成人	AP	0.74
	MTO	0.49	0.81
	PF	0.42	0.44	0.82
コンピュータサイエンス		0.46	0.47	0.4	0.84
追伸		0.31	0.27	0.19	0.39	0.75
AHTR		0.43	0.45	0.37	0.64	0.43	0.79

表5:一階構成要素の判別妥当性(フォーネル・ラーカー基準)。 対角要素(太字)は各構成のAVEの平方根です。対角線外の要素は構成要素間の相関です。判別妥当性は、各対角要素がその行と列のすべての相関を超える場合に支持されます。

すべての変数が同じ回答者によって自己申告されたため、手続的および統計的対策の両方が適用されました(^49,50)。手続き的には、回答者の匿名性が保証され、同意声明は自主参加と正誤の回答の不在を強調し、予測変数と基準項目は別々の調査セクションに配置され、疲労軽減のために検証済みの短い尺度が用いられ、注意チェックは不注意な回答を除外しました。統計的には、ハーマンの単一因子検定⁵¹では、回転していない単一の因子が分散の30.99%を説明し、50%基準^49.52を下回ることを示しました。より厳格な検証として、完全な共線性評価⁴⁶ではすべてのVIFが3.3未満であることが示され(表1)、重度の共通手法バイアスの証拠は示唆されませんでしたが、こうした診断では方法分散^46,47を決定的に除外することはできません。

第2次形成構造(AITC)の上位次元効果の有意性は、5,000件の再サンプル(^36,41)を用いてブートストラップを用いて評価されました。表6に示されているように、形成重みAP_LVS(0.493、p < 0.001)、MTO_LVS(0.492、p < 0.001)、PF_LVS(0.249、p < 0.001)はすべて有意であり、すべてのVIFは3.3未満であり、各下位次次が共線性の問題なしにAITCに実質的に寄与していることを示している。最終的な構造モデルは、2段階の手順^41,42(図3)を用いて推定されました。

形成指標	VIF	オリジナルβ	意地悪β	STDEV	t値	p値
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

表6:二次形成構造の上位次元効果。Bootstrapは、AP、MTO、PF(AP_LVS、MTO_LVS、PF_LVS)の潜在変数スコアをAITCに結びつける形成的重みを2段階アプローチで推定(5,000件の再サンプル)で算出します。β = 標準化重量(オリジナル)およびブートストラップ平均;STDEV = ブートストラップ標準偏差;VIF = 分散インフレ係数(<3.3は共線性の問題なしを示す);t-値 = \|β/STDEV\|;ブートストラップ分布からのp値。AITC = エージェントAI技術特性;AP = 自律的計画;MTO = マルチツールオーケストレーション;PF = 積極的フィードバック。

図3。推定構造モデル。 標準化された経路係数(β)を用いた最終モデル(N = 331)。図2の略語はすべて、AP_LVS、MTO_LVS、PF_LVSは、2段階アプローチにおけるAITCの形成指標として用いられるAP、MTO、PFの潜在変数スコアを示します。実線の矢印は重要な経路を示し、括弧内の値はR² (各内因性構成概念で説明される分散の割合:AHTR = 0.471、CS = 0.363、PS = 0.114)です。有意性は5,000件の再サンプルを用いたブートストラップで評価されました。p < 0.001。AP = 自律的計画;MTO = マルチツールオーケストレーション;PF = 積極的フィードバック;AITC = エージェントAI技術特性;CS = 認知余剰;PS = 心理的安全;AHTR = AIと人間のタスク再割り当て。 この図の拡大版はこちらをクリックしてご覧ください。

構造モデルと媒介分析

表7は 、p値、標本平均(M)、標準偏差(STDEV)、t値、95%信頼区間を含む経路係数を報告しています。AITCはCS(C)(β = 0.485、 p < 0.001)と正の相関を示し、H1を支持し、PS(β = 0.338、 p < 0.001)と正の相関を示し、H2を支持していました。CSはH3を支持するAHTR(β = 0.444, p < 0.001)と正の相関を示し、PS(β = 0.179, p < 0.001)もH5を支持していました。PSはCS(β = 0.230、 p < 0.001)と正の相関を示し、H6を支持し、AITCはAHTR(β = 0.215、 p < 0.001)とH9を支持しました。このモデルはAHTR(R² = 0.471)の分散の47.1%、CSの分散36.3%、PSの11.4%を説明しました。

構成要素	β	標本平均(M)	標準偏差(STDEV)	T統計量(|O/STDEV|)	p値	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
追伸 → AHTR	0.179	0.181	0.05	3.596	0	0.085	0.279
AITC → CS	0.485	0.485	0.051	9.587	0	0.384	0.579	0.363
追伸 → 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
追伸: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

表7:構造モデルの結果および特定の間接効果(全サンプル)。 β = 標準化された経路係数;M = ブートストラップサンプル平均;STDEV = ブートストラップ標準偏差;t = \|β/STDEV\|;p = 両側のp値;0.025/0.975 = 95%ブートストラップ信頼区間の下限/上限(0を除く区間は有意性を示します);R² = 内生的構成で説明される分散。複数の構成要素(例:AITC → PS → CS → AHTR)を横切る矢印付き行は、特定の間接的(媒介)効果を報告します。ブートストラップは5,000件の再サンプルを使用しました。

特定の間接効果に関するブートストラップ結果(表7)では、CSがAITC-AHTR関係を有意に媒介した(β = 0.215, 95% CI [0.149, 0.290], p < 0.001)し、H4を支持し、PSも同様に(β = 0.060、95% CI [0.027, 0.102], p = 0.001)を支持し、H7を支持しました。連続経路AITC→PS → CS→AHTRも有意で(β = 0.034、95% CI [0.017, 0.060], p = 0.002)、H8を支持しました。 表8は 仮説検証の結果をまとめたものです。

	仮説			結果
H1	エージェント型AIの技術的特性は認知余剰と正の関連があります。			受理
H2	エージェントAIの技術的特性は心理的安全性と正の関連があります。			受理
H3	認知的余剰はAIと人間のタスク再割り当てと正の関連があります。			受理
H4	認知余剰は、エージェントAIの技術的特性とAI-ヒューマンのタスク再割り当てとの関係を媒介します。			受理
H5	心理的安全性はAIと人間のタスク再割り当てと正の関連があります。			受理
H6	心理的安全性は認知的余剰と正の関連があります。			受理
H7	心理的安全性は、エージェントAIの技術的特性とAI-ヒトタスク再割り当ての関係を媒介します。			受理
H8	心理的安全性と認知的余剰は、エージェントAIの技術的特性とAI-ヒトタスク再割り当ての関係を連続的に媒介します。			受理
H9	エージェント型AIの技術的特性は、AIと人間のタスク再割り当てと正の関連があります。			受理
H10a	エージェントAIの技術的特性と認知的余裕および心理的安全性との関連は、リーダーやスタッフによって異なります。			受理
H10b	心理的安全性と認知的余剰とAIと人間のタスク再割り当ての関連は、リーダーとスタッフの間で異なります。			部分的に受け入れられています

表8:仮説検定の要約。各仮説とそれに対応する構造的経路およびブートストラップに基づく決定(受理/拒否)は表7(有意閾値 p < 0.05)に示されます。AITC = エージェントAI技術特性;CS = 認知余剰;PS = 心理的安全;AHTR = AIと人間のタスク再割り当て。

標本外予測力はPLSpredict(10折り、10回繰り返し)で評価されました。 表9)。すべての内因性指標は^Q2予測値を正のものにし、予測関連性を示し、PLS-SEMモデルはほぼすべての指標で線形モデル(LM)ベンチマークよりもRMSEおよびMAEが低く、唯一の例外はPS_4でした。これらの結果は、心理的安全性、認知余剰、AIと人間のタスク再割り当てにおいて、サンプル外予測パフォーマンスが中〜高水準であることを示しています⁴⁸。

インジケーター	Q² 予測	PLS-SEM RMSE	PLS-SEM MAE	LM RMSE	LM MAE	IA RMSE	アイ・マエ
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

表9:標本外予測評価(PLSpredict)。 PLSpredictによる各内因性指標(PS、CS、AHTR)の予測指標(10回折り、10回繰り返し)。Q²予測 = 予測関連性(>0 は PLS-SEM モデルが最も素朴なベンチマークを上回ることを示します);PLS-SEM RMSE/MAE = PLS-SEMモデルの平均二乗根誤差および平均絶対誤差;LM RMSE/MAE = 線形モデルベンチマークに対応する誤差;IA RMSE/MAE = 指標平均ベンチマーク。LMベンチマークを下回るPLS-SEM誤差は、満足のいく予測性能を示しています。PS = 心理的安全;CS = 認知余剰;AHTR = AIと人間のタスク再割り当て。注:^Q2はすべて0>予測します。PLS-SEM RMSE/MAE

多群解析

MGAは、責任、雇用の安定性、タスク構成の異なる立場にあるリーダーとスタッフの間で構造的な関係が異なるかどうかを調査しました。 表10に示されているように、AITCと2つの資源変数の関連はリーダー間で有意に強かったです:AITC → CS(リーダー β = 0.599 対スタッフ β = 0.363;Δ = 0.236、両 側p = 0.014)およびAITC → PS(リーダー β = 0.435 対スタッフ β = 0.199;Δ = 0.236、両側 p = 0.043)。これらの違いは実質的に意味を持ちます。リーダー間のAITC-CSの連携はスタッフ間の約1.6倍であり、AITC-PSの組み合わせは2倍以上強かったのです。残りの直接経路(AITC → AHTR、CS → AHTR、PS → AHTR、PS → CS)はグループ間で有意な違いはなく(すべて両側のp > 0.19)、資源が形成されると、タスク再割り当てとの関連が役割間で似たように機能していることを示しています。グループ別ブートストラップ推定値(表11)は、4つの経路における非対称的有意パターンをさらに明らかにしています。PS → AHTRはリーダーに対して有意でした(β 4 = 0.234, p = 0.001)が、スタッフには有意ではありませんでした(β = 0.133, p = 0.064);間接経路AITC →PS → AHTRはリーダーには有意でした(β = 0.102, p = 0.005)が、スタッフには有意ではありませんでした(β = 0.026, p = 0.178)。逆に、PS → CS → AHTRはスタッフにとって有意でした(β = 0.140、 p = 0.001)が、リーダーに関しては限界的なものでした(β = 0.059、 p = 0.054)。また、AITC → PS → CSはスタッフにとって有意でした(β = 0.057, p = 0.043)が、リーダーには限界的でした(β = 0.067, p = 0.065)。総合すると、心理的安全ルートによるタスク再配分はリーダーにとってより直接的に見えるのに対し、スタッフにとっては心理的安全性は主に認知的余剰を可能にすることで再配分に関連しており、これは説明責任や雇用の安定性への露出における役割差(H10a支持;H10bは部分的にサポートされています。

構成要素	Δ(リーダー - スタッフ)	1尾(リーダー対スタッフ)p値	2尾(リーダー対スタッフ)p値
AITC →AHTR	0.007	0.482	0.963
AITC → CS	0.236	0.007	0.014
AITC → PS	0.236	0.022	0.043
CS →AHTR	-0.1	0.814	0.371
追伸 → AHTR	0.101	0.161	0.322
追伸 → CS	-0.135	0.901	0.199

表10:リーダーとスタッフの経路差に関する多グループ分析(PLS-MGA)。 Δ = リーダーとスタッフの標準化された経路係数の差(リーダーからスタッフを引いた差);ブートストラップベースのPLS-MGA(1テールおよび2テール)からのp値。有意な差(2尾 p <0.05)は、リーダー(n = 171)とスタッフ(n = 160)間で経路が異なることを示しています。AP = 自律的計画;MTO = マルチツールオーケストレーション;PF = 積極的フィードバック;CS = 認知余剰;PS = 心理的安全;AHTR = AIと人間のタスク再割り当て;AITC = エージェント型AIの技術的特徴。

	オリジナル(リーダー)	オリジナル(スタッフ)	ミーン(リーダー)	ミーン(スタッフ)	STDEV(リーダー)	STDEV(スタッフ)	t値(リーダー)	t値(スタッフ)	p値(リーダー)	p値(スタッフ)
AITC →AHTR	0.233	0.227	0.237	0.224	0.098	0.077	2.381	2.945	0.017	0.003
AITC → CS	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
追伸 → AHTR	0.234	0.133	0.234	0.134	0.073	0.072	3.185	1.856	0.001	0.064
追伸 → CS	0.154	0.289	0.157	0.289	0.07	0.077	2.212	3.741	0.027	0
追伸: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

表11:リーダーとスタッフのグループ別ブートストラップ推定値。 標準化された経路係数(元)、ブートストラップ平均、標準偏差(STDEV)、t値、および二側p値は、リーダー(n=171)グループとスタッフ(n=160)グループ内で、すべての直接経路および特定経路について別々に推定されました。ブートストラップは各グループ内で5,000件のリサンプルを使用しました。AP = 自律的計画;MTO = マルチツールオーケストレーション;PF = 積極的フィードバック;CS = 認知余剰;PS = 心理的安全;AHTR = AIと人間のタスク再割り当て;AITC = エージェント型AIの技術的特徴。

まとめると、測定モデルは信頼性と妥当性の基準を満たしていました。AITCはCS、PS、AHTRと正の相関を示しました。CSとPSはAITC-AHTR協会を個別かつ順次に仲介しました。モデルはサンプル外での予測性能が満足のいくものでした。また、AITCとCSおよびPSの関連性はリーダー間で有意に強く、資源からタスクの再配分への経路は役割間で有意に差がなかった。総合的に見て、これらの結果は仮説化された資源獲得モデルを支持し、ディスカッションで展開された役割差別的解釈を動機付けます。

データの利用可能性:

データおよび分析ファイルは補足ファイル1、補足ファイル2、補足ファイル3、補足ファイル4、補足ファイル5、補足ファイル6、補足ファイル7としてアップロードされます。

補足ファイル1:アンケート。このファイルをダウンロードするには、こちらをクリックしてください。

補足ファイル2。G*パワープロトコル出力。このファイルをダウンロードするには、こちらをクリックしてください。

補足ファイル3。MICOM ステップ2 — 合成不変性(置換、1,000)。 すべての構成要素に対して組成不変性が確立されている(元のc≥は5%分位数;置換p>0.05)。部分測定不変性はPLS-MGAを正当化するのに十分です。このファイルをダウンロードするには、こちらをクリックしてください。

補足ファイル4。データセット。このファイルをダウンロードするには、こちらをクリックしてください。

補足ファイル5。MGAブートストラップSmartPLSレポート。このファイルをダウンロードするには、こちらをクリックしてください。

補足ファイル6。MGAの順列SmartPLSレポート。 このファイルをダウンロードするには、こちらをクリックしてください。

補足ファイル7。コードブック — 変数、アイテム、構築、スケール、コーディング、ソース。このファイルをダウンロードするには、こちらをクリックしてください。

ディスカッション

本研究では、エージェントAIの技術的特性が従業員の心理的資源やタスク再配分行動とどのように関連し、これらの関係が組織の役割間で異なるかを検証しました。331人のAI経験者を対象とした横断調査とPLS-SEMを媒介および多グループ分析を用いた結果は、理論化されたリソース獲得モデルと一致しました。AITCは認知余剰、心理的安全性、AIと人間のタスク再割り当てと正の関連を示し、認知的余剰と心理的安全性がAITC-AHTRの関係を個別かつ連続的に媒介しました。また、AITCと両方の資源変数との関連は、リーダー間でスタッフよりも有意に強いものでした。

この発見は三つの理論的な意味を持ちます。まず、彼らはJD-R理論をエージェントAIの文脈に拡張し、技術的特性をツールではなく職務資源として扱います。強いAITC-CSの関連性(β = 0.485)は、自律的な計画、マルチツールのオーケストレーション、積極的なフィードバックが認知的エネルギーと裁量時間を節約し、従業員が再投資できるという見解と一致しています 15,23,24.第二に、COR理論のゲインスパイラル論理をAIによる作業再設計と結びつけています。有意な連続経路(AITC → PS → CS → AHTR)は、心理的安全性が認知余剰の蓄積を支える文脈的資源として機能し、それが再配分行動に関連することを示唆しています^20,22。第三に、AHTRをジョブクラフティング文献^17,31,32の中で技術特有のタスククラフティングの形態として位置づけることで、技術的パフォーマンスや自動化の結果に偏った主流の焦点を超え、エージェントシステムがどのようにして作業の再設計に組み込まれるかの心理学的説明を提供しています。設計が横断的であるため、これらの経路は因果関係の証明ではなく、理論化された因果的順序と整合した関連として読むべきです。

調停の結果は、高度なAIの利用可能性だけでは業務慣行の変化に結びつかない理由を明らかにしています。直接的なAITC-AHTRの関連性(β = 0.215)は、認知余剰(β = 0.215)と心理的安全性(β = 0.060)といった同等の複合経路によって補完されました。従業員は、技術が認知資源を明確に解放し、対人関係の雰囲気が実験を安全に感じさせる場合に、AIにタスクを再割り当てする傾向があります。16,25,38.この二重メカニズムは、タスク再割り当てが技術現象であると同時に資源や気候の現象でもあることを示唆しており、類似した展開における異種な導入結果を説明できるかもしれません。

マルチグループの結果は役割ベースの境界条件を追加します。AITC-CSおよびAITC-PSの連携は、それぞれリーダーがスタッフに比べて約1.6倍と2.2倍強力であり、資源再配分への下流経路はグループ間で有意な差はありませんでした。知覚距離論^30、35と一致する一つの解釈は、より大きな意思決定権と戦略的責任を持つリーダーは、主体的能力をより容易に資源に変換しやすい一方、自動化に関連する職務不安や学習要求により多くさらされるスタッフは、心理的安全効果をより直接的に実現しないというものです。スタッフにとっては、主に認知的余剰(PS → CS →による再配分に関連する心理的安全AHTR: β = 0.140, p = 0.001)一方、リーダーの場合、直接PS → AHTR経路は有意でした(β = 0.234, p = 0.001)。これらは固定された傾向ではなく、このサンプルで観察された傾向であり、グループ差に関する信頼区間は慎重な解釈を要する。

実際には、これらの発見は役割差別化された展開戦略を示唆しています。すべての従業員にとって、組織は作業負荷の基準や主要業績評価指標を調整し、AIを使わない時間を戦略的、創造的、協働的なタスクに再投資し、追加のルーチン要求に吸収されることなく、節約した時間を認知的余剰に変えることを保護できます。具体的な手段としては、AIの誤りを明確にするAI活用ガバナンス、委任志向のAIスキルの構造化されたトレーニング、文書化されたタスク再設計を評価する認識システムなどがあります。特にスタッフにとって、結果はAI実験の非責任レビュー、早期エラーに対するマネージャーの許容、明示的な雇用安全コミュニケーションなどの心理的安全介入が認知余剰形成の前提条件であることを示唆しています。AITCをより容易にリソースに変換するリーダーにとって、優先すべきはその余剰資金をガバナンスや緊急時計画に向け、リーダーとスタッフの認識ギャップを広げるのではなく縮小することです。これらの影響は、不正検知や金融セキュリティ運用のような高リスクな場面にも及び、エージェント型システムはアラートのトリアージ、調査ワークフローの調整、異常な取引のフラグ付けをますます行います。こうした環境では、心理的な安全は従業員がAI生成の判断を疑い、上書きし、報告することを恐れずに行う前提条件であり、定期的な監視をAIに再割り当てすることでアナリストの認知資源を複雑な処理に解放できます。 判断が重視される案件であり、ガバナンスは自動化が重大な決定に対する説明責任を損なわないようにしなければなりません。より広く見れば、リーダーとスタッフの違いは差別化された介入を主張しています。すなわち、リーダーの委任と監督スキル、スタッフへの実験的・再スキル化支援を重視したトレーニングカリキュラム、各グループのリスク露出を反映したガバナンス役割、そしてリーダーが得たリソースの成果をスタッフに可視化し達成可能にするコミュニケーション戦略です。

これらの結論にはいくつかの制約があり、今後の方向性を定義しています。すべての変数は同じ回答者が一度の時点で自己申告しました。手続き上の対策や統計的検証により共通手法バイアスは深刻でないと示唆されていますが、断面設計は因果推論を排除し、時間遅れの資源スパイラルを捉えることができません。さらに、AITCは従業員の自己申告によるエージェント系能力の認識によって測定されましたが、これは実際の技術的能力と一致しない場合があります。将来の設計では、知覚測定とシステムログや能力監査を組み合わせるべきです。調査開始時に参加者にはエージェントAIの簡単な標準化された定義が示されましたが、焦点技術の理解を検証する理解チェック項目はなく、今後の研究ではそのようなチェックを含めるべきです。AI経験者をプラットフォームで採用した目的あるサンプルは、技術業界や若年層に重みを置き、初期モデルテストには適していますが、AI成熟度が低い組織、小規模企業、非デジタル分野への一般化を制限しています。また、単一のパネルによる募集期間は文化的・文脈的な特異性を意味し、観察された関連性は労働市場、AIガバナンス体制、職業文化に一般化できない可能性があります。心理的安全性も、共有されたチーム風情ではなく、個々の認識として測定されました。今後の研究では、獲得スパイラルを追跡するための縦断的または経験サンプリング設計、個人およびチームレベルの心理的安全を分離する多層設計、AI成熟度レベルを超えた確率または組織ベースのサンプル、そして透明性、制御可能性、説明可能性などの属性へのAITC構造の拡張を用いるべきです。これらの制約にもかかわらず、本研究は再現可能なプロトコルと初期の証拠を提供し、エージェントAIと仕事成果との関連が従業員の心理的リソースを通じて機能し、その知識によって制限されていることを示しています。これらの知識は、研究者、実務家、政策立案者がエージェントシステムを活用し、人間の側面を侵食するのではなく強化する形で活用するのに役立つはずです。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
Prolific	Prolific	https://www.prolific.com/	オンライン調査パネルプロバイダー
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com/	調査コーディング
SmartPLS	SmartPLS GmbH	バージョン 4.0.1, https://www.smartpls.com/	PLS-SEM分析