연구 논문

에이전트 AI가 업무를 재구성하는 방법: 인지 과잉, 심리적 안전, 그리고 인공지능-인간 과제 재할당의 역할

DOI:

10.3791/71797

⸱

2026년 8월 4일

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

이 논문에서

요약

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

이 프로토콜은 331명의 직원 사이에서 에이전트 AI 기술 특성이 인지 과잉, 심리적 안전성, AI-인간 작업 재배치와 어떻게 연관되는지 조사하는 설문 기반 워크플로우를 설명합니다. 부분 최소제곱 구조 방정식 모델링과 다중 그룹 분석은 리더와 직원 간의 역할 기반 차이를 밝혀냅니다.

초록

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

본 연구는 에이전트 AI의 기술적 특성이 조직 내 직원들의 심리 상태 및 행동 반응과 어떻게 연관되는지 조사합니다. 직무 수요-자원(JD-R) 이론과 자원 보존(COR) 이론을 바탕으로, 우리는 에이전트 AI 기술 특성(AITC)을 자율적 계획, 다중 도구 조율, 능동적 피드백으로 구성된 고차원 구조로 개념화하며, 이러한 특성들이 더 큰 인지 잉여와 심리적 안전과 연관된 직무 자원으로 기능하며, 이는 다시 AI-인간 작업 재분배와 관련된다고 제안합니다. 또한 이러한 관계가 리더와 직원 간에 다른지 조사합니다. 목적적 비확률 표본추출을 사용하여 연구 패널을 통해 모집된 참가자들을 대상으로 단면적이고 익명의 온라인 설문조사가 실시되었습니다; 자격 요건은 현재 또는 이전에 AI 관련 업무 경험이 있는 성인으로 제한되었으며, 선별과 주의력 검사를 거친 응답 결과 최종 표본은 331명(리더 171명, 직원 160명)을 얻었습니다. 모든 구성어는 에이전트 AI 맥락에 적응된 검증된 척도로 7점 리커트 척도로 측정되었습니다. 데이터는 부분 최소제곱 구조 방정식 모델링(PLS-SEM)을 사용하여 분석되었으며, 2차 구성에 대해 2단계 접근법을 적용하고, 직접 및 간접 효과를 위해 5,000개의 재샘플을 사용한 부트스트래핑, 리더-스태프 비교를 위한 다그룹 분석(MGA)을 사용했습니다. 측정 모델은 수용 가능한 신뢰도와 타당성을 보였으며, 구조적 결과는 이론화된 자원 획득 모델과 일치하였다: AITC는 인지 과잉, 심리적 안전성, 과제 재할당과 양의 상관관계를 보였으며, 리더 간 유의미한 매개 경로와 더 강한 AITC-자원 연관성을 보였다. 기술적 성과보다는 심리적 메커니즘에 초점을 맞춘 이 연구는 신흥 에이전트 AI 연구를 확장하고 역할별 차별 AI 채택 전략에 실질적인 시사점을 제시합니다.

서론

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

에이전트 AI의 확산은 산업과 조직 생활에서 인공지능의 역할을 재정의하고 있습니다 1,2. 에이전트 AI는 변화하는 환경을 인지하고, 추론 메커니즘을 통해 독립적으로 목표를 설정하며, 최소한의 인간 감독 하에 일련의 행동을 조율하는 고급 인공지능으로 정의할 수 있습니다 3,4. 이 시스템은 전통적인 AI, 즉 기존 생성형 AI 도구와 세 가지 측면에서 구별됩니다: 자율성(자율성), 즉 에이전트 시스템은 사전 프로그래밍된 규칙을 실행하지 않고 최소한의 인간 개입으로 목표를 추구하기 때문입니다. 5,6; 핵심 기능, 즉단일 작업이 아닌 복잡한 워크플로우를 자동화하는 것이 목적이기 때문이다; 아키텍처는 단일 모델7에 의존하지 않고 여러 대형 언어 모델, 응용 프로그래밍 인터페이스(API), 에이전트를 조정하기 때문입니다. 이러한 능력들은 이 연구에서 검토된 정의적인 기술적 특성에 기반합니다 8,9. 자율 계획(AP)은 사용자의 목표가 주어졌을 때 시스템이 독립적으로 이를 하위 작업으로 분해하고 제약조건이 10번 변경될 때마다 계획을 수정하는 것을 의미합니다; 예를 들어, 직원이 한 줄짜리 지시를 제공하면 실행 가능한 다단계 프로젝트 계획을 받을 수 있습니다. 다중 도구 오케스트레이션(MTO)은 시스템이 외부 도구와 API1, 11, 12를 선택, 순서 지정, 통합하는 것을 의미합니다; 예를 들어, 웹 검색, 문서 편집기, 데이터 분석 도구를 결합해 하나의 일관된 보고서를 만드는 것이 좋습니다. 능동적 피드백(PF)은시스템이 질문을 받기 전에 오류가 발생하거나 누락된 정보, 위험한 가정을 표시하는 것을 의미합니다. 예를 들어, 작업 실행 중 직원에게 검증 또는 준수 체크포인트를 상기시키는 것. 우리는 이 세 가지 특성에 집중하는데, 이를 통칭하여 에이전트 AI 기술 특성(AITC)이라고 부르는데, 이는 일상 업무에서 에이전트 AI와 전통적인 AI를 구분하는 기능적 역량이기 때문입니다 7,10; 투명성, 통제 가능성, 설명 가능성과 같은 속성은 AI 신뢰에 일반적으로 중요하지만 에이전트 패러다임에만 국한되지 않으므로 우리는 이를 초점 차원이 아닌 미래 연구의 경계 조건으로 간주합니다.

직장 내 에이전트 AI가 빠르게 확산되었음에도 불구하고, 기존 문헌은 주로 기술적 아키텍처, 운영 효율성, 작업 자동화 능력에 초점을 맞추고 있으며, 이러한 특성들이 직원들의 심리 상태와 행동 반응을 어떻게 재구성하는지에는 비교적 적게 주목하고 있습니다14,15. 이 누락은 중요한데, 인간과 AI 간의 업무 재배치는 순수한 기술적 조정이 아니라 심리적·조직적으로 내재된 과정이기 때문입니다. 직원들은 기존 워크플로우에 도전하고, 역할 경계를 재정의하며,지능형 시스템과의 새로운 협업 형태를 받아들여야 합니다. 이러한 변화는 단순히 첨단 기술이 있다고 해서 자동으로 일어나는 것이 아닙니다. 따라서 본 연구의 목적은 세 가지입니다: AITC가 인지 과잉, 심리적 안전, 인공지능-인간 과제 재분배와 관련된 직업 자원으로 기능하는지 검토하는 것; 인지 과잉과 심리적 안전의 매개자 및 순차적 매개 역할을 조사하는 것; 그리고 이러한 구조적 관계가 리더와 직원 간에 다른지 탐구하는 것입니다. 이 연구의 새로움은 세 가지입니다. 첫째, 에이전트 AI 기술 특성—자율적 계획, 다중 도구 오케스트레이션, 선제적 피드백—을 JD-R 프레임워크 내에서 고차원 작업 자원으로 개념화하고 운영하며, AI 도입을 차별화되지 않은 맥락으로 다루지 않습니다. 둘째, AI-인간 작업 재할당을 일반적인 직무 작성이나 상향식 디지털 전환과는 구별되는 도메인 특화, 기술적 실행 형태의 과제 제작으로 도입합니다. 셋째, 우리가 아는 한, 에이전트 AI의 자원 생성 연관성이 리더와 직원 간에 체계적으로 다르다는 최초의 다중 집단 증거를 제공합니다.

이론적 근거는 직업 수요-자원(JD-R) 이론과 자원 보존(COR) 이론을 통합합니다. JD-R 이론은 모든 직업이 지속적인 노력이 필요한 신체적, 정서적, 인지적 측면과 직업 자원(요구 감소, 목표 달성 지원, 개인 발전 촉진)으로 구성된다고 본다; 이들의 균형은 몰입, 웰빙, 성과를 형성합니다18,19. COR 이론은 역동적인 메커니즘을 추가합니다: 개인은 가치 있는 자원을 획득, 유지, 보호하려고 노력하고, 축적된 자원은 기존 자원이 추가 자원을 획득하기 위해 재투자하는 이득 나선을 시작합니다 20,21,22. 이러한 공동 관점에서 AITC는 단순한 기술적 특징이 아니라 새로운 형태의 직무 자원으로 개념화될 수 있습니다. 계획 및 진단 분석과 같은 반복적이고 인지적으로 부담이 많은 작업을 흡수함으로써 에이전트 시스템은 요구를 줄이고 직원들의 인지 에너지와 시간을 절약합니다15,23. 우리는 인지 잉여(CS)를 이러한 일상적인 작업이 기술에 위임될 때 이용 가능해지는 인지 에너지와 재량 시간의 저장소로 정의하며, 이를 집단 참여, 협업, 새로운 가치 창출에 재투자할 수 있는 것으로 정의합니다24. 따라서 CS는 정서-동기 상태인 업무 참여와, 단순한 시간 가용성과는 개념적으로 구별되는데, 이는 COR의 의미에서 전환 가능한 개인 자원 재고를 의미하기 때문이다20,24. CS는 또한 일에서 고갈된 에너지를 회복하는 심리적 분리와 회복과, 충분한 시간이 있다고 주관적으로 인식하는 시간적 풍요와도 구별된다. CS는 오히려 작업 중에 재투자할 수 있는 해방된 인지 능력을 의미합니다. COR 관점에서 누적된 CS는 피로와 번아웃을 완충하여 직업적 웰빙을 지원하는 자원 획득을 의미하며, 추가적인 일상적 요구에 흡수되면 자원 손실을 알리는 신호가됩니다. 절약된 시간이 실제로 잉여로 전환될지는 AI 문해력, 추가 요구로 절약된 시간을 흡수할 수 있는 업무량 기준, 조직 문화와 같은 개인적 특성에 따라 달라질 수 있습니다; 따라서 우리는 자원-획득 경로를 가정이 아닌 검증할 가설로 취급합니다.

H1: AITC는 CS와 긍정적인 연관이 있습니다.

심리적 안전(PS)은 실수를 인정하거나 도움을 요청하며 현상 유지에 도전하는 등 대인 관계에서 위험 감수하기에 안전한 직장 환경이라고 믿는 것으로 정의됩니다25,26. 심리적 안전은 종종 팀 차원의 분위기로 연구되어 왔지만, 본 연구는 개인 수준의 인식으로 개념화하고 측정하며, 이는 개인 수준 설문 설계와 일치합니다27,28. 에이전트 시스템이 학습 지향적 피드백과 지원 도구를 제공할 때, 직원들이 자신의 작업을 다른 사람에게 제시하기 전에 테스트하고 수정할 수 있기 때문에 실험하고 오류를 폭로하는 대인 비용 감소가 가능하다26,28. 그러나 우리는 반대 역학이 가능하다고 인정합니다: 감시나 책임 추궁에 에이전트 시스템이 배치될 경우, 인지된 대인 관계 위험과 불신이 증가할 수 있습니다. 여기서 검토한 특성들이 평가적이기보다는 보조 성격이기 때문에, 우리는 양측적 연관성을 가설로 삼으면서 이 양측 가능성을 중요한 경계 조건으로 다룬다.

H2: AITC는 PS와 양의 연관이 있습니다.

우리는 AI-인간 작업 재할당(AHTR)을 직원들이 스스로 작업을 자신과 AI 시스템 간에 재분배하는 것으로 정의하며, 일상적인 업무를 AI에게 위임하고 자신의 전략적·창의적 책임을 확장하는 것입니다. 우리는 AHTR을 도메인 특화 형태의 직무 제작 방식으로 포지셔닝합니다. Tims와 Bakker의 JD-R 기반 모델에서 직무 제작은 직업 자원 증가, 도전 요구 증가, 장애물 요구 감소로 구성됩니다17,31; Wrzesniewski와 Dutton의 유형론에서는 과제, 관계, 인지적 제작으로 구성된다. AHTR은 기술을 통해 수행되는 작업 작성과 가장 밀접하게 연관되어 있습니다: 일상적인 작업을 AI에 넘겨 동시에 장애물을 줄이고 새로운 작업 자원을 동원합니다 17,23,32. 이는 일반적인 디지털 전환 결과보다 좁은데, 이는 직원들이 주도하는 업무 경계 변경을 포착하기 때문이며, 상향식조직 재설계가 아니기 때문입니다. 우리는 작업 재분배를 관계적 및 인지적 제작보다 우선시하는데, 이는 업무의 재분배가 직원과 에이전트 시스템 간의 가장 즉각적인 행동 인터페이스이며 초기 도입에서 직접 관찰되기 때문이다. 반면 관계적 및 인지적 제작은 일반적으로 하위 적응으로 나타난다31,32. 이전 연구들이 AI 도입을 일반 직무 제작의 맥락적 선행 요인으로 다루는 것과 달리, 우리는 재할당 자체를 중심 제작 행동으로 모델링합니다. 이러한 재할당은 기존 작업 흐름을 방해하기 때문에, 직원들은 충분한 인지 자원을 갖추어 업무를 재설계하고 관련된 대인 위험을 감수할 심리적 안전함을 느낄 때 이를 실행할 가능성이 더 높다(16,34). COR 이론의 이득-나선형 논리 내에서 심리적 안전은 인지 잉여의 축적을 보호하고 증폭시키는 맥락적 자원으로도 기능한다22.

H3: CS는 AHTR과 양의 연관이 있습니다.

H5: PS는 AHTR과 양의 연관이 있습니다.

H6: PS는 CS와 긍정적으로 연관되어 있습니다.

H9: AITC는 AHTR과 양의 연관관계가 있습니다.

이러한 논거를 통합하여 AITC는 직접적일 뿐만 아니라 인지적 잉여와 심리적 안전이라는 자원 획득 경로를 통해 AHTR과 직접적으로 연관될 것으로 기대됩니다.

H4: CS는 AITC와 AHTR 간의 관계를 매개합니다.

H7: PS는 AITC와 AHTR 간의 관계를 매개합니다.

H8: PS와 CS는 AITC와 AHTR의 관계를 순차적으로 매개합니다.

마지막으로, 직원들은 에이전트 AI를 일관되게 해석하고 반응하지 않습니다. 깁슨, 쿠퍼, 콩거는 리더와 팀 간의 지각 거리를 동일한 조직 목표에 대한 인지 불일치로 설명했으며, 이는 정보 접근성, 책임성, 위험 노출,업무 경험의 비대칭성에 뿌리를 두고 있습니다. 이 관점을 바탕으로 리더와 직원은 AI 도입에 있어 구조적으로 다른 위치에 있습니다: 리더는 전략적 책임성을 가지고 AI를 생산성과 데이터 기반 의사결정을 위한 보완 지향적 자원으로 보는 경향이 있지만, 직원은 자동화 관련 직무 불안정과 학습 과부하에 상대적으로 더 많이 노출되어 있습니다20,30. 우리는 이러한 패턴을 어느 집단의 고정된 성향보다는 경험적으로 검증해야 할 경향으로 다룹니다. 이러한 역할 기반 불일치는 AITC, CS, PS, AHTR 간의 관계에서 이질적인 패턴을 만들어낼 수 있으나, 이러한 집단 차이를 명확히 포착한 실증 연구는 제한적입니다.

H10a: AITC와 CS 및 PS의 연관성은 리더와 직원 간에 다릅니다.

H10b: 사회 및 CS와 AHTR의 연관성은 리더와 직원 간에 다릅니다.

아래 프로토콜은 참가자 모집 및 선별부터 설문 조사 시행, 데이터 정제, 측정 검증, 구조 모델 추정, 매개 분석, 다그룹 분석(MGA)에 이르는 전체 워크플로우를 설명하여 절차를 독립적으로 재현할 수 있도록 합니다(그림 1). 연구 모델은 그림 2에 나타난다: AITC는 AP, MTO, PF로 구성된 2차 개념으로 모델링되며, CS와 PS(PS)를 통해 AHTR과 직접적·간접적으로 연관되며, PS도 CS와 관련된다; 리더와 스태프 역할의 차이는 MGA를 통해 검토됩니다.

figure-introduction-1
그림 1. 전반적인 연구 설계 워크플로우. 전체 연구 프로토콜 도면. 참가자들은 목적적 비확률 표본추출을 통해 온라인 패널을 통해 모집되었고, AI 관련 실무 경험이 있는지 선별되었습니다; 자격이 있는 응답자들은 7점 리커트 척도로 모든 구성요소를 측정하는 익명 설문조사를 완료했습니다. 데이터 정리(스크리닝 실패, 주의력 검사 실패, 그리고 비현실적으로 짧은 완료 시간 제거; 최종 N = 331) 후, 측정 모델이 검증되었습니다(신뢰도: Cronbach's α, 복합 신뢰도; 수렴 타당도: 평균 분산 추출; 판별 타당도: HTMT 및 Fornell-Larcker), 2차 구조는 2단계 접근법으로 검증되었고, 구조 모델, 매개 경로, 리더-스태프 다그룹 분석은 약 5,000명으로 추정되었습니다 부트스트랩 재샘플링. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-introduction-2
그림 2. 제안된 연구 모델. 가설 관계의 개념적 모델. 에이전트틱 AI 기술 특성(AITC)은 자율 계획(AP; 목표를 하위 과제로 분해하고 계획을 수정하는 시스템), 다중 도구 오케스트레이션(MTO; 여러 도구 및 API를 선택, 순서 지정, 통합하는 능력), 그리고 선제적 피드백(PF; 아무 요청 없이 오류와 위험을 표시하는 능력)으로 구성된 2차 구조로, 인지 잉여(CS; 인지 에너지와 재량 시간의 저장소)와 긍정적 연관이 있다고 가정됩니다 일상적인 업무가 AI에 위임될 때 해방), 심리적 안전(PS; 대인 관계 위험 감수에 안전한 작업 환경이라는 인식), 그리고 AI-인간 업무 재할당(AHTR; 직원들이 자신과 AI 간에 스스로 작업을 재분배하는 것)(H1, H2, H9). CS와 PS는 AHTR(H3, H5), PS와 CS(H6), 그리고 CS와 PS가 AITC-AHTR 관계를 개별적이고 순차적으로 매개하는 양의 상관관계(H4, H7, H8)와 양의 상관관계가 있다고 가설됩니다. 화살표는 가설상 구조적 경로를 나타내며; H10a/H10b는 다중 그룹 분석을 통해 검증된 가설 속 리더-스태프 차이를 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

프로토콜

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

모든 절차는 aSSIST 대학과 동아대학교에서 인간 참여 연구 윤리 기준에 따라 수행되었습니다. 모든 응답이 수집 시 익명화되었고 개인 식별 정보가 어떠한 경우에도 수집되지 않았기 때문에, aSSIST 대학의 기관심사위원회는 대한민국 생명윤리안전법 제15조와 집행규칙 제13조에 따라 이 연구가 전면 심사에서 면제된다고 판단했습니다. 설문조사는 정보 및 동의 페이지로 시작했으며, 참여는 현재 AI 프로젝트에 종사하고 있는 개인으로 제한된다는 내용과 연구 목적, 자발적 참여 성격, 응답의 익명성, 데이터 사용 의도를 설명했습니다; 명시적으로 동의한 응답자만이 설문지에 참여했습니다. 동의 페이지는 보조 파일 1에 제공되어 있습니다.

표본 크기 결정

선형 다중 회귀 계열에 대해 데이터 수집 전에 G*Power 3.1.9.7 (RRID: SCR_013726)를 사용하여 선형 다중 회귀 계열에 대해 사전 검정력 분석이 수행되었으며, 모델 내 단일 내인성 구조에 가장 많은 예측 변수를 지정하였습니다; 본 연구에서 AHTR은 세 가지 개념(AITC, CS, PS)에 의해 예측됩니다. 중간 효과량(f2 = 0.15), α = 0.05, 통계적 검정권 0.80인 경우, 최소 표본은 77건이었습니다; G*Power 프로토콜 출력은 보조 파일 2에 제공됩니다. PLS-SEM36의 최소 표본 크기는 역제곱근법을 사용해 교차 검증되었으며, 이 경우 약 155건의 사례가 필요하며, 5% 유의수준에서 최소 표준화된 경로 계수가 약 0.20이고 80% 검정력을 부여합니다. 마지막으로, 모집 목표는 간접 효과의 부트스트래핑과 분리 표본 다그룹 분석을 지원하기 위해 최소 기준을 상당히 초과하도록 설정되었습니다; 최종 표본(N = 331; 리더 n = 171, 직원 n = 160)은 각 하위 그룹 내에서 최소 표본 요건을 충족했습니다.

참가자 모집 및 선별

참가자들은 목적 있는 비확률 표본추출을 통해 온라인 연구 패널을 통해 모집되었으며; 즉, 표본은 일반 인구에서 무작위로 뽑히지 않고 선험적으로 실질적인 기준인 현재 또는 이전 AI 관련 경력을 충족하는 응답자로 의도적으로 제한되었습니다. 자격은 18세 이상으로 제한되었습니다. AI 관련 업무 경험은 "다음 중 현재 상황을 가장 잘 설명하는 것은 무엇인가요?"라는 선별 문항을 통해 실질화되었으며, 이는 주요 설문지 전에 제시되었습니다; 현재 AI 관련 업무에 종사하고 있다고 밝힌 응답자만 진행했으며, 나머지 옵션(고용되었지만 AI 업무에 참여하지 않음; 고용되지 않았지만 이전에 참여한 사람; 고용되지 않음 및 관련 없음)은 즉시 선별이 촉발되었습니다. 데이터 수집은 2026년 2월 8일 10:28–13:30에 단일 세션으로 진행되었으며, 참가자들은 플랫폼의 공정 보수 정책에 따라 시간당 GBP 6.98의 보상을 받았습니다. 중복 참여는 플랫폼의 고유 참가자 식별자와 설문조사 플랫폼의 중복 응답 방지 설정을 통해 방지되었습니다. 각 단계별 응답자 수가 포함/제외 워크플로우를 문서화하기 위해 기록되었습니다: 537건의 응답이 기록되었습니다; 151문은 선별 질문에서 제외되었고(386문이 남음), 40명은 주의력 검사(직선 행진)에 실패해 퇴장되었고, 346명 남았습니다; 그리고 15개는 약 180초 미만의 비현실적인 짧은 완성 시간으로 제거되어 최종 샘플 N = 331이 나왔습니다.

표준화된 정의 및 설문 지침

참가자들은 설문조사가 에이전트 AI가 조직과 그 구성원에게 어떤 영향을 미칠 수 있는지 조사했다는 점을 알렸습니다. 설문 시작 시 모든 참가자에게 소개문에서 제시된 정의와 일치하는 에이전트 AI의 간략한 표준화 정의가 제시되었습니다. 이는 자율적 계획, 다중 도구 조정, 그리고 제한된 인간 감독 없이 목표 지향적 행동을 수행하는 능동적 피드백을 특징으로 하는 고급 AI 시스템입니다(그림 1, 2단계). 자격 요건은 현재 AI 프로젝트에 종사하고 있고 관련된 근거가 되는 AI 프로젝트에 참여하고 있는 응답자로 제한되었습니다. 별도의 이해 점검 문항은 포함되지 않았으며; 따라서 표준화된 정의는 검증된 이해 검사라기보다는 맥락적 지향성 역할을 했습니다. 참가자들은 조직 내에서 이러한 에이전트 AI 시스템을 실제로 사용하거나 작업한 경험에 기반해 모든 문항에 답하도록 지시받았습니다.

측량 도구 개발 및 관리

이 설문지는 에이전트 AI 조직 맥락에 맞게 검증된 측정 척도를 바탕으로 개발되었습니다. 표 1은 모든 항목, 그 출처 척도, 그리고 설명 통계를 나열합니다: AP, MTO, PF 항목은 최근 에이전트 AI 개념화 7,8에서 변형되었습니다; 생성형 AI 인지자원 연구의 컴퓨터 과학 항목37; Plomp 등에서 발췌한 PS 항목 38; 그리고 JD-R 기반 직무 제작 척도의 AHTR 항목은17.39 과제 재배치에 적응되어 있습니다. 모든 구성은 1("매우 동의하지 않음")에서 7("매우 동의하지 않음")까지 7점 리커트 척도로 측정되었습니다. 설문조사는 동의 페이지, 선별 검사, AITC 항목(AP, MTO, PF), CS, PS, AHTR, 인구통계학/대조 특성 등 블록으로 구성되었습니다; 이 도구에는 또한 본 모델의 범위를 벗어난 추가 척도(AI 문해력과 역할 폭도 자기효능감)가 포함되어 있었으며, 이는 수집되었으나 분석되지 않고 투명성을 위해 보고되었습니다. 설문조사는 온라인 설문 플랫폼에서 진행되었으며; 응답자가 이전 답변을 수정할 수 없도록 뒤로 가기 버튼은 비활성화되었고, 문항은 블록 단위로 고정된 순서로 제시되었습니다. 중간 완료 시간은 7분 44초였다. 두 개의 지시 응답 주의력 점검 문항이 설문 흐름 분기로 삽입되어 틀리게 답하면 설문이 종료되었습니다: (i) 사실 확인, "AI는 Artichoke Information의 약자인가요?" (정답: 아니오), (ii) 응답이 7점 리커트 척도('강하게 동의하지 않음'에서 '강력히 동의함'까지 기록됨을 확인)를 확인하는 척도 이해 검사. 본선 행정 이전에는 124명의 응답자를 대상으로 파일럿 테스트가 실시되어 설문 문항의 명확성, 전체 설문조사 흐름, 완료 기간, 설문지의 실현 가능성을 평가했습니다; 응답 기간을 검토하여 이례적으로 짧은 응답을 식별하고 설문 길이가 대상 응답자에게 적합한지 확인하였습니다. 파일럿 테스트에서는 문항 수정이 필요한 문구 문제도 발견되지 않았으며, 본선 설문 이전에 문구 변경도 이루어지지 않았습니다. 또한, 파일럿 데이터는 PLS-SEM을 예비 검증 절차로 사용하여 지표 성능, 신뢰도, 수렴 타당도, 판별적 타당도, 공선성, 제안된 구조적 관계의 타당성 평가를 위한 예비 검증 절차로 분석되었습니다; 결과는 이 기기가 주 조사에 적합하다는 것을 뒷받침했습니다.

구성항목질문심술궂은STDEVVIF출처
AITCAPAP1제가 목표를 제시하면 AI가 그 목표를 달성하기 위한 다단계 계획을 세우는 데 도움을 줍니다.5.810.91.44아부 알리 M. 외 (2025); 삽코타, R. 외 (2025)
AP2AI는 제약 조건이나 요구사항이 변할 때 계획을 수정할 수 있습니다.5.750.991.37
AP3AI는 복잡한 작업을 단계별 지시 없이도 관리 가능한 하위 작업으로 나눕니다.5.331.371.33
MTOMTO1AI는 여러 도구나 앱(예: 검색, 문서, 데이터 도구)을 결합하여 작업을 완료할 수 있습니다.5.691.111.5
MTO2AI는 적절한 도구를 제안하고 올바른 순서로 사용하여 산출물을 생성합니다.5.361.041.64
MTO3AI는 다양한 도구의 출력을 하나의 일관된 결과로 통합하는 데 도움을 줍니다.5.611.011.63
PFPF1AI는 제 작업에서 오류, 누락된 정보, 위험한 가정을 적극적으로 지적합니다.4.91.441.68
PF2AI는 제가 명확히 피드백을 요청하기 전에 개선점을 제안합니다.5.071.381.85
PF3AI는 재작업을 방지하기 위해 검증, 준수, 품질 등 체크포인트를 상기시켜 줍니다.5.021.41.6
CSCS1AI를 사용하면서 정신적 에너지가 더 복잡하고 의미 있는 일에 집중할 수 있게 되었습니다.5.591.282.07류, Y., 셩, F., 그리고 류, R. (2025)
CS2AI를 사용하면서 전략적 사고와 문제 해결에 더 많은 시간이 생겼습니다.5.611.232.38
CS3일상적인 업무에서 오는 업무량이 크게 줄어들어 새로운 시도에 쓸 여유가 생겼습니다.5.421.282.23
CS4AI가 반복적인 업무를 처리해주기 때문에 하루 종일 끝날 때 정신적으로 덜 피곤함을 느낍니다.5.151.51.91
추신추신 1제 직장에서는 AI를 새로운 방식으로 활용하는 데 있어 위험을 감수하는 것이 안전합니다.4.741.371.52Plomp 외 (2019)
PS2제 매니저는 AI를 활용한 실험을 장려하고 실수에 관대합니다.4.521.611.68
PS3제 팀에서 AI가 어떻게 사용되고 있는지에 대해 걱정이 된다면 자유롭게 말할 수 있습니다.5.481.241.32
PS4동료들은 제가 AI와 새로운 방식으로 일하는 것을 지지해줍니다.5.261.321.48
PS5 (제외)제 작업에서 AI의 혁신적인 활용을 제안할 때 부정적인 결과를 두려워하지 않습니다.4.471.591.23
AHTRAHTR1저는 의도적으로 일상적인 업무(예: 데이터 입력, 보고서 형식 작성)를 AI에 넘겨서 더 가치 있는 작업에 집중합니다.5.121.351.68팀스, M., 그리고 바커, A. B. (2010); Li, W. 외 (2024)
AHTR2저는 이전에 수동으로 했던 작업을 AI로 처리할 기회를 적극적으로 찾습니다.5.581.281.84
AHTR3AI를 사용한 이후로, 저는 더 전략적이고 창의적인 새로운 또는 확장된 책임을 맡게 되었습니다.5.181.31.58
AHTR4 (제외)어떤 업무를 AI가 처리하고 어떤 작업을 해야 할지 매니저와 협상합니다.4.091.651.23
AHTR5저는 일상적인 업무를 AI에 재할당하여 더 의미 있는 업무에 집중할 수 있게 하여 제 업무를 재설계했습니다.4.921.351.67

표 1: 측정 항목, 출처, 기술 통계, 완전한 공선성 평가. 완전한 측량 장비. 각 항목은 구성 요소(AITC 치수 AP, MTO, PF; 컴퓨터공학; 추신; AHTR), 문항 코드, 문구, 평균, 표준편차(STDEV), 전체 공선성 분산 인플레이션 계수(VIF; 값 <3.3은 공통 방법별 분산 오염이 없음을 나타냄), 그리고 이를 적용한 출처 척도. 모든 문항은 7점 리커트 척도로 측정되었습니다(1 = 매우 반대, 7 = 매우 일치). PS5와 AHTR4는 외부 하중이 낮아 측정 모델 평가 과정에서 제외되었습니다. AITC = 에이전트 AI 기술 특성; AP = 자율적 계획; MTO = 다중 도구 오케스트레이션; PF = 능동적 피드백; CS = 인지 과잉; PS = 심리적 안전; AHTR = 인공지능-인간 작업 재할당. 이 표를 다운로드하려면 여기를 클릭해 주세요.

데이터 준비 및 정제

원시 답변은 CSV 형식으로 내보내졌습니다. 선별 기준이나 주의력 검사 문항에 실패한 사례는 제외되었으며, 상당한 누락 데이터가 있는 응답(설문 내 누락 최소화 강제 응답 설정)도 제외되었다; 각 단계에서 발생한 배제 개수는 프로토콜 섹션 2(537 기록 → 331 보존)에 문서화되어 있습니다. 보존된 데이터는 일관성을 점검하고 부주의 반응 패턴을 선별하였으며, 주의력 검사를 통해 직선 반응은 제거했고, 완료 시간이 비현실적으로 짧은(약 180초 미만) 반응은 제외했습니다. 그 후 변수들을 분석을 위해 코딩했습니다(예: 역할: 리더 = 1, 스태프 = 0; 성별: 남성 = 1, 여성 = 0)은 표 2에 문서화되어 있으며, 산업 분야와 같은 범주 통제는 k-1 지표로 더미 코딩되었고, 최종 데이터셋은 PLS-SEM 소프트웨어로 가져왔습니다. 모든 변수를 항목 텍스트, 코딩, 구성에 매핑하는 코드북이 보조 파일 2로 제공됩니다.

측정 모델 평가

PLS-SEM 소프트웨어를 사용하여 각 관측 항목은 잠재 구성체에 할당되었고, 모든 1차 구성체(AP, MTO, PF, CS, PS, AHTR)는 반사형으로 지정되었습니다. AITC는 AP, MTO, PF로 구성된 2차 구성으로 지정되었으며, 2단계 접근법40, 41, 42로 추정되었습니다: 잠재변수 점수는 먼저 1차 구성에 대해 얻은 후 (AP_LVS, MTO_LVS, PF_LVS)을 AITC의 형성 지표로 사용했습니다. PLS 알고리즘은 경로 가중치 방식, 최대 3,000회 반복, 10⁻⁴ 정지 기준으로 실행되었습니다. 내부 일관성 신뢰도는 Cronbach의 α 및 복합 신뢰도(CR) 임계값 0.70에 대해 평가되었으며, 신흥 연구 맥락에서 단기 척도에서 0.5–0.6의 α 값이 간략히 허용 가능한 것으로 취급되었습니다. 수렴 타당도는 평균 추출 분산(AVE) 임계값 0.50과 비교하여평가되었습니다; 판별적 타당성은 이성형질-단일 형질 비율(HTMT <0.85, 보수적 임계값)45와 포넬-라커 기준44를 사용하여 평가되었습니다. 신뢰도나 수렴 타당성 기준이 충족되지 않은 경우, 외부 부하를 점검하고, 성능이 좋지 않은 지표는 제거하면서 내용의 타당성을 유지했으며, 모든 제거와 그 이유를 문서화했습니다; 본 연구에서는 PS5와 AHTR4가 낮은 외부 부하로 인해 제거되어 PS와 AHTR의 수렴 타당성이 향상되었습니다.

구조 모델 및 매개 분석

구조적 경로는 연구 모델(그림 2)에 따라 명시되었고, 예측 구성 요소 간의 공선성은 내부 모델 분산 인플레이션 인플레이션(VIF < 5.0)36과 완전한 공선성 VIF(<3.3)46,47)를 사용해 조사되었습니다. 경로 유의는 백분위 신뢰구간과 양측 검정을 사용하여 5,000개의 재샘플을 부트스트랩하여 추정했으며, 표준화된 경로 계수(β), 표본 평균(M), 표준편차(STDEV), t-값, p-값, 95% 신뢰구간, R2, 효과 크기(f2)가 보고되었습니다. 표본 외 예측력은 PLSpredict를 사용해 10회 중개 및 10회 반복 검사를 수행했으며; 각 내인성 지표에 대해 Q2예측(>0은 예측 관련성을 나타냄)을 검토하고, PLS-SEM 예측 오차(RMSE 및 MAE)를 선형 모델(LM) 벤치마크48과 비교하였습니다. 매개 분석을 위해 AITC가 CS, PS, 그리고 순차적인 PS → CS 경로를 통한 AHTR에 대한 간접 효과를 명시하고, 각 구체적인 간접 효과를 부트스트랩 분포(5,000 재샘플)로 평가했으며, 95% 신뢰구간이 0일 때 간접 효과가 유의미하다고 판단되었습니다.

다중 그룹 분석

응답자들은 자기보고한 조직 역할(역할: 리더 = 1, 직원 = 0; 표 2); 리더 그룹은 팀 리더/감독자, 관리자/부서장, 경영진/고위 리더십으로 구성되었고, 직원 그룹은 직원급 직원들로 구성되었습니다. 경로 계수 비교 전에, 복합 모델 측정 불변성 절차(MICOM)절차 45를 사용하여 그룹 간 측정 불변성을 확립하였다. 1단계(구성적 불변성)는 그룹 간 동일한 모델 명세로 충족되었고, 2단계(구성 불변성)는 모든 구성에 대해 지원되었으며, 원래 상관관계가 5% 분위수 이상이고 비유의한 치열(p-값)을 가졌다(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), 부분 측정 불변성을 확립하고 다중 그룹 비교를 정당화합니다(전체 MICOM 결과는 보충 파일 3에 있음). 이후 각 그룹별로 별도로 모델을 추정하고, 각 경로의 리더-스태프 차이(Δ)에 대해 한쪽 꼬리 및 양쪽 꼬리 p-값을 보고하여 부트스트랩 기반 PLS-MGA를 사용해 경로 차이를 테스트했습니다; 모든 직접 및 간접 경로에 대해 그룹별 경로 계수, t-값, p-값과 각 그룹 간 차이의 크기가 보고되었습니다.

보고, 검증 및 문제 해결

모든 신뢰성, 타당도, 구조, 매개 및 MGA 출력이 집계되었으며; 결과 표는 내보내졌으며; 보고된 모든 통계는 표, 수표, 텍스트 간 일관성을 보장하기 위해 소프트웨어 생성 결과와 대조되었습니다. 문제 해결을 위해 다음 지침이 적용됩니다: 많은 응답이 선별 또는 주의 점검에 실패할 경우, 자격 요건을 정교화하고 설문 지침을 명확히 하십시오; 신뢰성(CR < 0.70) 또는 수렴 타당도(AVE < 0.50) 기준이 충족되지 않을 경우, 외부 부하를 검토하고 약한 지표를 제거하면서 이론적 범위를 유지합니다; 만약 공선성이 확인되면(역시 임계값을 초과), 구성 사양을 재평가하고 중복 지표를 제거하라; 매개 또는 집단 효과가 유의하지 않을 경우, 해석 전에 샘플 적절성을 재검토하고 운영화를 구성하세요; 그리고 추정치를 안정화하기 위해 적절한 수의 부트스트랩 재샘플(예: 5,000개)을 사용하세요.

결과

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

참가자 특성

표 2는 최종 표본의 인구통계학적 특성(N = 331)을 제시합니다. 표본은 남성 65.0%, 여성 35.0%로 구성되었으며, 리더(51.7%, n = 171)와 직원(48.3%, n = 160) 간의 비교적 균형 있는 분포를 보였습니다. 가장 큰 연령대는 30세 미만(46.5%)이었고, 그 다음이 31세에서 40세(32.0%)였으며; 76.4%는 학부 또는 대학원 학위를 보유하고 있었습니다. 응답자들은 기술과 통신(46.2%)을 중심으로 한 다양한 산업 분야와 다양한 규모의 조직에서 구성되었습니다. 이 프로필은 AI 관련 업무에 적극적으로 참여하는 직원에 대한 연구의 목적 중심과 일치합니다.

특징카테고리빈도 (n)%누적 %
성별남성 (1명)2156565
여성 (0)11635100
연식-3015446.546.5
31-401063278.5
41-504413.391.8
51-278.2100
역할리더 (1)17151.751.7
직원 (0명)16048.3100
교육고등학교3410.310.3
대학4413.323.6
학부 과정14242.966.5
대학원 과정11133.5100
산업기술 통신 ICT15346.246.2
전문 서비스 (컨설팅, 법률, 회계)3811.557.7
제조업 산업3711.268.9
금융 서비스309.177.9
의료309.187
공공 부문247.394.3
소매업195.7100
회사 규모50명 미만7221.821.8
50-993610.932.6
100-4998525.758.3
500-9994613.972.2
1000-49995015.187.3
5000명 이상4212.7100
총331100100

표 2: 최종 표본의 인구통계학적 특성. 331명의 응답자의 성별, 연령, 조직 역할, 학력, 산업, 기업 규모 분포. n = 주파수; % = 전체 표본의 백분율; 누적 % = 각 특성 내의 누적 백분율. Categories 열의 괄호 안의 값은 분석에서 사용되는 이진 코딩을 나타냅니다(예: Leader = 1, Staff = 0).

측정 모델 평가

AITC는 2차 개념으로 모델링되기 때문에 2단계 접근법이 적용되었습니다. 먼저, 1차 구성의 신뢰성과 타당도를 Cronbach의 α, 복합 신뢰도(CR), 추출한 평균 분산(AVE)을 사용하여 평가했으며, 이는 표 3에 나타났습니다. PS5와 AHTR4는 낮은 외부 부하로 제외되어 PS(AVE = 0.563)와 AHTR(AVE = 0.619)의 수렴 타당도를 개선했습니다. 모든 CR 값은 0.70 임계값을 초과했으며, 모든 AVE 값은 0.50을 초과했습니다. 크론바흐의 AP α은 0.585였지만, CR(0.781)과 AVE(0.547)는 허용 가능한 범위 내에 있었으며, 0.5–0.6 α 짧은 척도43에서 허용 가능한 것으로 간주될 수 있습니다. 판별 타당도는 지지되었는데, 모든 HTMT 비율(0.25–0.77)은 보수적 0.85 임계값 이하였으며(표 4)45, 각 구성의 AVE의 제곱근은 Fornell-Larcker 기준 하에서 가장 높은 구성체 간 상관관계를 초과했다(표 5)44.

구성α복합 소재 신뢰성AVE
AITCAP0.5850.7810.547
MTO0.7310.8480.65
PF0.7580.8580.669
CS0.8580.9040.701
추신0.7410.8370.563
AHTR0.7950.8670.619

표 3: 1차 구성의 신뢰성 및 수렴 타당성. α = 크론바흐 알파(내부 일관성; 임계값 0.70, 짧은 음계에서는 0.5–0.6이 간신히 허용됨); 복합 신뢰도(CR; 임계값 0.70); AVE = 추출한 평균 분산(수렴 타당도; 임계값 0.50). PS5와 AHTR4 제거 후 보고된 값들입니다. AP = 자율적 계획; MTO = 다중 도구 오케스트레이션; PF = 능동적 피드백; CS = 인지 과잉; PS = 심리적 안전; AHTR = 인공지능-인간 작업 재할당.

구성 요소이성형질-단일 형질 비율(HTMT)
APMTOPFCS추신AHTR
AITCAP
MTO0.75
PF0.640.59
CS0.630.590.48
추신0.450.360.250.48
AHTR0.620.590.450.770.54

표 4: 1차 구성어의 판별적 타당성(HTMT). 구성체 쌍 간 상관관계의 이성형질-단일 형질 비율. 보수적 임계값 0.85 미만은 판별적 타당도를 지지합니다. AP = 자율적 계획; MTO = 다중 도구 오케스트레이션; PF = 능동적 피드백; CS = 인지 과잉; PS = 심리적 안전; AHTR = 인공지능-인간 작업 재할당.

구성 요소포넬-라커 기준
APMTOPFCS추신AHTR
AITCAP0.74
MTO0.490.81
PF0.420.440.82
CS0.460.470.40.84
추신0.310.270.190.390.75
AHTR0.430.450.370.640.430.79

표 5: 1차 구성의 판별적 타당성 (Fornell-Larcker 기준). 대각선 원소(굵은 글씨)는 각 구성의 AVE의 제곱근이며; 대각선 외 원소는 구성 간 상관관계입니다. 판별적 타당성은 각 대각선 요소가 행과 열의 모든 상관관계를 초과할 때 지지됩니다.

모든 변수가 동일한 응답자가 자기보고했기 때문에, 절차적 및 통계적 구제책이 모두 적용되었습니다49,50명. 절차적으로는 응답자에게 익명성이 보장되었고, 동의서에는 자발적 참여와 정답/오답 부재가 강조되었으며, 예측 변수와 기준 문항은 별도의 설문조사 섹션에 배치되었고, 피로를 줄이기 위해 검증된 짧은 척도가 사용되었으며, 주의력 검사는 부주의한 응답자를 걸러냈다. 통계적으로 하먼의 단일 요인 검정51은 단일 회전하지 않은 요인이 분산의 30.99%를 설명하며, 50% 기준49.52보다 낮았습니다. 더 엄격한 점검으로, 전체 공선성 평가46에서는 모든 VIF가 3.3 미만으로 나타났으며(표 1), 심각한 공통 방법 편향의 증거는 없음을 시사하지만, 이러한 진단은 방법 분산46,47을 완전히 배제할 수 없다.

2차 형성 구조(AITC)의 상향 차원 효과의 유의성은 부트스트래핑을 사용하여 5,000개의 재샘플36,41을 사용해 평가하였다. 표 6에 나타난 것처럼, 형성 가중치인 AP_LVS(0.493, p < 0.001), MTO_LVS(0.492, p < 0.001), PF_LVS(0.249, p < 0.001)의 형성 가중치가 모두 유의미했으며, 모든 VIF는 3.3 미만이었으므로, 각 하위 차원이 연관성 문제 없이 AITC에 실질적으로 기여함을 나타낸다. 최종 구조 모델은 2단계 절차41,42(그림 3)를 사용하여 추정되었습니다.

형성 지표VIF원β미βSTDEVt-값p-값
AP_LVS → AITC1.4180.4930.4890.0945.2320
MTO_LVS → AITC1.4570.4920.4890.0925.3330
PF_LVS → AITC1.3350.2490.2480.092.7540.006

표 6: 2차 형성 구성에 대한 상향 차원 효과. 부트스트랩은 2단계 접근법에서 AP, MTO, PF(AP_LVS, MTO_LVS, PF_LVS)의 잠재 변수 점수를 AITC와 연결하는 형성 가중치를 5,000개의 재샘플로 추정합니다. β = 표준화된 무게(원본) 및 부트스트랩 평균; STDEV = 부트스트랩 표준편차; VIF = 분산 인플레이션 계수(<3.3은 동일성 문제 없음을 나타냅니다); t-값 = \|β/STDEV\|; 부트스트랩 분포의 p-값. AITC = 에이전트 AI 기술 특성; AP = 자율적 계획; MTO = 다중 도구 오케스트레이션; PF = 능동적 피드백.

figure-results-1
그림 3. 추정 구조 모델. 전체 샘플에 대해 표준화된 경로 계수(β)를 가진 최종 모델(N = 331). 그림 2와 같은 모든 약어; AP_LVS, MTO_LVS, PF_LVS는 2단계 접근법에서 AITC의 형성적 지표로 사용되는 AP, MTO, PF의 잠재 변수 점수를 나타냅니다. 실선 화살표는 중요한 경로를 나타내며; 괄호 안의 값은 R2 (각 내생 구성에서 설명되는 분산 비율: AHTR = 0.471, CS = 0.363, PS = 0.114)입니다. 유의성은 5,000개의 재샘플을 이용한 부트스트래핑으로 평가되었으며; p < 0.001. AP = 자율적 계획; MTO = 다중 도구 오케스트레이션; PF = 능동적 피드백; AITC = 에이전트 AI 기술 특성; CS = 인지 과잉; PS = 심리적 안전; AHTR = 인공지능-인간 작업 재할당. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

구조 모델 및 매개 분석

표 7은 p-값, 표본 평균(M), 표준편차(STDEV), t-값, 95% 신뢰구간을 포함한 경로 계수를 보고합니다. AITC는 H1을 지지하는 CS(β = 0.485, p < 0.001)와 양의 상관관계를 보였으며, H2를 지지하는 PS(β = 0.338, p < 0.001)와 양의 상관관계를 보였다. CS는 H3를 지지하는 AHTR(β = 0.444, p < 0.001)과 양의 상관관계를 보였고, H5를 지지하는 PS(β = 0.179, p < 0.001)도 양의 상관관계를 보였다. PS는 H6를 지지하는 CS(β = 0.230, p < 0.001)와 양의 상관관계를 보였고, AHTR(β = 0.215, p < 0.001)과 양의 상관관계를 보였으며, H9를 지지했습니다. 이 모델은 AHTR(R2 = 0.471)에서 47.1%의 분산을 설명했으며, CS에서는 36.3%, PS에서는 11.4%를 설명했습니다.

구성 요소β표본 평균 (M)표준편차 (STDEV)T 통계량 (|O/STDEV|)p-값0.0250.975R²
AITC → AHTR0.2150.2120.0593.6400.0990.3320.471
CS → AHTR0.4440.4450.0548.15500.3350.549
추신 → AHTR0.1790.1810.053.59600.0850.279
AITC → CS0.4850.4850.0519.58700.3840.5790.363
PS → CS0.230.2310.0534.29900.1290.336
AITC → PS0.3380.3470.0556.09400.2360.4510.114
추신: → 컴퓨터공학 → AHTR0.1020.1030.0273.78600.0540.159
AITC → PS → AHTR0.060.0620.0193.2250.0010.0270.102
AITC → CS → AHTR0.2150.2160.0366.00700.1490.29
AITC → PS → CS → AHTR0.0340.0360.0113.1220.0020.0170.06
AITC → PS → CS0.0780.080.0223.48500.0410.127

표 7: 구조 모델 결과 및 특정 간접 효과(전체 표본). β = 표준화된 경로 계수; M = 부트스트랩 표본 평균; STDEV = 부트스트랩 표준편차; t = \|β/STDEV\|; p = 양측 p-값; 0.025/0.975 = 95% 부트스트랩 신뢰구간의 하한/상한(0이 제외된 구간은 유의성을 의미함); R2 = 내생 구성에서 설명되는 분산. 여러 구성어를 통과하는 화살표가 있는 행(예: AITC → PS → CS → AHTR)은 특정 간접(매개) 효과를 보고합니다. 부트스트래핑은 5,000개의 재샘플을 사용했습니다.

특정 간접 효과에 대한 부트스트랩 결과(표 7)는 CS가 AITC-AHTR 관계를 유의미하게 매개했음을 보여주며(β = 0.215, 95% CI [0.149, 0.290], p < 0.001), H4를 지지하며, PS도 마찬가지로(β = 0.060, 95% CI [0.027, 0.102], p = 0.001)를 매개하여 H7을 지지한다. 순차적 경로인 AITC → PS→ CS → AHTR도 유의했으며(β = 0.034, 95% 신뢰구간(CI [0.017, 0.060], p = 0.002), H8 을 지지하였다. 표 8은 가설 검증 결과를 요약한 것입니다.

가설결과
H1에이전트 AI 기술 특성은 인지 과잉과 긍정적 연관이 있습니다.수락
H2에이전트 AI 기술 특성은 심리적 안전과 긍정적 연관이 있습니다.수락
H3인지 과잉은 인공지능과 인간 과제 재할당과 양의 연관관계가 있습니다.수락
H4인지 잉여는 에이전트 AI 기술 특성과 AI-인간 작업 재할당 간의 관계를 매개합니다.수락
H5심리적 안전은 AI와 인간 작업 재할당과 긍정적으로 연관되어 있습니다.수락
H6심리적 안전은 인지 과잉과 긍정적으로 연관되어 있습니다.수락
H7심리적 안전은 에이전트 AI 기술 특성과 AI-인간 작업 재할당 간의 관계를 매개합니다.수락
H8심리적 안전성과 인지 과잉은 에이전트 AI 기술 특성과 AI-인간 과제 재할당 간의 관계를 순차적으로 매개합니다.수락
H9에이전트 AI 기술 특성은 AI-인간 작업 재할당과 긍정적 연관이 있습니다.수락
H10a에이전트 AI 기술 특성과 인지 과잉 및 심리적 안전성의 연관성은 리더와 직원 간에 다르다.수락
H10b심리적 안전과 인지적 과잉과 인공지능-인간 과제 재배치의 연관성은 리더와 직원 간에 다르다.부분적으로 수용됨

표 8: 가설 검정 요약. 각 가설과 그에 따른 구조적 경로 및 부트스트랩에 기반한 결정(수용/거부)은 표 7(유의점 p < 0.05)에 나타난다. AITC = 에이전트 AI 기술 특성; CS = 인지 과잉; PS = 심리적 안전; AHTR = 인공지능-인간 작업 재할당.

표본 외 예측력은 PLSpredict로 평가되었습니다(10회 중재, 10회 반복; 표 9). 모든 내인성 지표는Q2예측값이 양성으로 나와 예측 관련성을 나타내며, PLS-SEM 모델은 거의 모든 지표에서 선형 모델(LM) 벤치마크보다 RMSE와 MAE가 낮았으나 PS_4 예외가 있었습니다. 이 결과는 심리적 안전성, 인지 과잉, 인공지능-인간 과제 재할당에 대해 샘플 밖에서 중간 이상에서 높은 예측 성과를 보였음을 나타냅니다48.

지표Q²예측PLS-SEM RMSEPLS-SEM MAELM RMSELM 메이IA RMSEIA MAE
PS_10.0671.3211.0421.3251.0421.3681.098
PS_20.0181.5961.3141.6021.3331.6101.363
PS_30.0481.2090.9371.2180.9411.2390.983
PS_40.0841.2620.9771.2580.9651.3181.046
CS_10.2181.1380.8761.1440.8811.2871.030
CS_20.2761.0450.7921.0480.7931.2290.971
CS_30.1811.1570.8841.1610.8891.2781.011
CS_40.1701.3711.0881.3771.0931.5061.209
AHTR_10.1491.2510.9701.2590.9771.3571.028
AHTR_20.1881.1510.8951.1580.9001.2771.003
AHTR_30.1761.1850.9011.1910.9081.3050.990
AHTR_50.1301.2610.9821.2690.9911.3521.039

표 9: 표본 외 예측 평가(PLSpredict). PLSpredict에서 제공하는 각 내인성 지표(PS, CS, AHTR)에 대한 예측 지표(10회 중복, 10회 반복). Q2예측 = 예측 관련성 (>0은 PLS-SEM 모델이 가장 순진한 벤치마크보다 우수한 성능을 나타낸다); PLS-SEM RMSE/MAE = PLS-SEM 모델의 평균평균근 오차 및 평균 절대 오차; LM RMSE/MAE = 선형 모델 벤치마크에 해당하는 오차; IA RMSE/MAE = 지표-평균 기준점. LM 벤치마크 이하의 PLS-SEM 오차는 만족스러운 예측 성능을 나타냅니다. PS = 심리적 안전; CS = 인지 과잉; AHTR = 인공지능-인간 작업 재할당. 참고: 모든 Q2는 0> 예측합니다. PLS-SEM RMSE/MAE < PS_4 제외한 모든 지표에 대한 LM 벤치마크로, 중간에서 높은 예측 성과를 나타냅니다.

다중 그룹 분석

MGA는 책임, 고용 안정성, 업무 구성의 서로 다른 위치를 차지하는 리더와 직원 간의 구조적 관계가 다른지 조사했습니다. 표 10에서 보듯, AITC와 두 자원 변수의 연관성은 리더들 사이에서 유의미하게 강했다: AITC →β CS(리더 = 0.599 대 스태프 β = 0.363; Δ = 0.236, 양측 p = 0.014) 및 AITC → PS(리더 β = 0.435 대 스태프 β = 0.199; Δ = 0.236, 양측 p = 0.043). 이러한 차이는 실질적으로 의미가 있습니다: 리더들 간의 AITC-CS 연합은 직원 간 연대의 약 1.6배였고, AITC-PS 연합은 두 배 이상 강했습니다. 나머지 직접 경로(AITC → AHTR, CS → AHTR, PS → AHTR, PS → CS)는 그룹 간에 큰 차이가 없었으며(모두 양측 > 0.19), 자원이 형성되면 역할 간 작업 재할당과의 연관성이 유사하게 작동함을 나타낸다. 그룹별 부트스트랩 추정치(표 11)는 네 가지 경로에서 비대칭적 유의성 패턴을 추가로 보여줍니다: PS → AHTR은 리더에게는 유의미했으나(β = 0.234, p = 0.001), 직원에게는 유의미하지 않았습니다(β = 0.133, p = 0.064); 간접 경로인 AITC → PS → AHTR은 리더에게는 유의미했으나(β = 0.102, p = 0.005), 직원에게는 그렇지 않았습니다(β = 0.026, p = 0.178); 반대로, PS → CS → AHTR은 직원에게는 유의미했으나(β = 0.140, p = 0.001), 리더에게는 한계에 불과했습니다(β = 0.059, p = 0.054); AITC → PS → CS는 직원에게는 유의미했으나(β = 0.057, p = 0.043), 리더에게는 한계가 있었다(β = 0.067, p = 0.065). 종합해 보면, 심리적 안전 경로의 업무 재배치는 리더에게 더 직접적으로 보이는 반면, 직원의 경우 심리적 안전은 주로 인지 과잉을 가능하게 함으로써 재배치와 관련이 있으며, 이는 책임성과 직무 안정성 노출에서의 역할 차이(H10a 지지; H10b 부분 지원 포함).

구성 요소Δ (리더 - 스태프)1-tailed(리더 대 스태프) p 값2-tailed(리더 대 스태프) p 값
AITC → AHTR0.0070.4820.963
AITC → CS0.2360.0070.014
AITC → PS0.2360.0220.043
CS → AHTR-0.10.8140.371
추신 → AHTR0.1010.1610.322
PS → CS-0.1350.9010.199

표 10: 리더-스태프 경로 차이에 대한 다중 그룹 분석(PLS-MGA). Δ = 리더와 스태프 표준화된 경로 계수 차이(리더에서 스태프 뺀 값); 부트스트랩 기반 PLS-MGA(1-테일드 및 2-테일드)에서 p-값이 있습니다. 유의미한 차이(2-tailed p < 0.05)는 경로가 리더(n = 171)와 staff(n = 160) 간에 다르다는 것을 나타낸다. AP = 자율적 계획; MTO = 다중 도구 오케스트레이션; PF = 능동적 피드백; CS = 인지 과잉; PS = 심리적 안전; AHTR = AI-인간 작업 재할당; AITC = 에이전트 AI 기술 특성.

오리지널 (리더)오리지널 (스태프)민 (리더)민 (직원)STDEV (리더)STDEV (직원)t 값 (리더)t 값 (직원)p 값 (리더)p 값 (오두막)
AITC → AHTR0.2330.2270.2370.2240.0980.0772.3812.9450.0170.003
AITC → CS0.5990.3630.5990.3680.0570.07710.4264.73400
AITC → PS0.4350.1990.4480.2260.0750.0895.822.2400.025
CS → AHTR0.3830.4840.3810.4860.0910.0654.197.40600
추신 → AHTR0.2340.1330.2340.1340.0730.0723.1851.8560.0010.064
PS → CS0.1540.2890.1570.2890.070.0772.2123.7410.0270
추신: → 컴퓨터공학 → AHTR0.0590.140.060.1410.0310.0431.933.2690.0540.001
AITC → PS → AHTR0.1020.0260.1040.0290.0360.022.8081.3470.0050.178
AITC → CS → AHTR0.2290.1760.2280.180.060.0473.8343.75700
AITC → PS → CS → AHTR0.0260.0280.0270.0310.0160.0151.651.8520.0990.064
AITC → PS → CS0.0670.0570.0710.0640.0360.0281.8442.020.0650.043

표 11: 리더 및 직원을 위한 그룹별 부트스트랩 추정치. 표준화된 경로 계수(원래), 부트스트랩 평균, 표준편차(STDEV), t-값, 양측 p-값은 모든 직접 및 특정 간접 경로에 대해 리더(n = 171) 및 스태프 (n = 160) 그룹 내에서 별도로 추정되었습니다. 부트스트래핑은 각 그룹 내에서 5,000개의 재샘플을 사용했습니다. AP = 자율적 계획; MTO = 다중 도구 오케스트레이션; PF = 능동적 피드백; CS = 인지 과잉; PS = 심리적 안전; AHTR = AI-인간 작업 재할당; AITC = 에이전트 AI 기술 특성.

요약하자면, 측정 모델은 신뢰성과 타당도 기준을 충족했으며; AITC는 CS, PS, AHTR과 양의 연관성을 보였으며; CS와 PS는 AITC-AHTR 연관성을 개별적이고 순차적으로 중재했으며; 모델은 표본 외 예측 성과를 만족스럽게 보였으며; 그리고 AITC와 CS 및 PS의 연관성은 리더들 사이에서 유의미하게 더 강하게 나타났으며, 자원에서 과제 재배분으로의 경로는 역할 간에 크게 차이가 없었다. 종합적으로 결과는 가설화된 자원-획득 모델을 지지하고, 토론에서 발전된 역할별 해석을 동기부여합니다.

데이터 가용성:

데이터 및 분석 파일은 보충 파일 1, 보충 파일 2, 보충 파일 3, 보충 파일 4, 보충 파일 5, 보충 파일 6, 보충 파일 7로 업로드됩니다.

보조 파일 1: 설문지.이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 파일 2. G*Power 프로토콜 출력.이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 파일 3. MICOM Step 2 — 합성 불변성 (순열, 1,000). 모든 구성체에 대해 합성 불변성이 확립됨(원래 c ≥ 5% 분위수; 순열 p > 0.05). 부분 측정 불변성만으로도 PLS-MGA를 정당화하기에 충분합니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충 파일 4. 데이터셋.이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 파일 5. MGA 부트스트랩 SmartPLS 보고서.이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충 파일 6. MGA 변형 SmartPLS 보고서. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충 파일 7. 코드북 — 변수, 항목, 구성, 규모, 코딩, 그리고 소스.이 파일을 다운로드하려면 여기를 클릭해 주세요.

토론

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

이 연구는 에이전트 AI의 기술적 특성이 직원들의 심리적 자원 및 업무 재배분 행동과 어떻게 연관되는지, 그리고 이러한 관계가 조직 역할 간에 다른지 여부를 조사했습니다. 331명의 AI 경험 직원과 PLS-SEM을 매개, 다그룹 분석을 포함한 횡단면 설문조사를 수행한 결과, 이론화된 자원 획득 모델과 일치했습니다: AITC는 인지 과잉, 심리적 안전성, AI-인간 과제 재분배와 양의 상관관계를 보였고; 인지 과잉과 심리적 안전성이 AITC-AHTR 관계를 개별적이고 순차적으로 매개했으며; 그리고 AITC가 두 자원 변수와 연관된 것은 리더들 사이에서 직원보다 유의하게 강하게 나타났다.

이 발견은 세 가지 이론적 함의를 담고 있습니다. 첫째, 그들은 기술적 특성을 도구가 아닌 직무 자원으로 다루면서 JD-R 이론을 에이전트 AI 맥락으로 확장합니다: 강한 AITC-CS 연관성(β = 0.485)은 자율적 계획, 다중 도구 오케스트레이션, 선제적 피드백이 인지 에너지와 재투자 시간을 절약한다는 견해와 일치합니다15, 23, 24. 둘째, 그들은 COR 이론의 이득 나선형 논리를 AI 기반 작업 재설계와 연결시킨다: 중요한 순차 경로(AITC → PS → CS → AHTR)는 심리적 안전이 인지 잉여의 축적을 지원하는 맥락적 자원으로 작동하며, 이는 재할당 행동과 연관된다는 것을 시사한다20,22. 셋째, AHTR을 직무 작성 문헌17, 31, 32에서 기술적 작업 제작의 한 형태로 위치시함으로써, 이 연구는 기술 성과 및 자동화 결과에 대한 지배적 초점을 넘어 에이전트 시스템이 어떻게 업무 재설계에 내재되는지에 대한 심리학적 설명을 제공합니다. 설계가 단면적이기 때문에, 이러한 경로들은 인과성 입증보다는 이론화된 인과 순서와 일치하는 연관성으로 읽혀야 합니다.

중재 결과는 고급 AI 가용성만으로는 업무 관행 변화로 이어지지 않는 이유를 명확히 합니다. 직접적인 AITC-AHTR 연관성(β = 0.215)은 인지 과잉(β = 0.215)과 심리적 안전성(β = 0.060)을 통해 유사한 규모의 간접 경로로 보완되었다: 직원들은 기술이 인지 자원을 명백히 해방시키고 대인 관계 분위기가 실험을 안전하게 만들 때 작업을 AI에 재할당하는 것으로 보인다 16,25,38. 이 이중 메커니즘은 과제 재할당이 기술 현상만큼이나 자원과 기후 현상임을 시사하며, 이는 유사한 배포 간 이종적 채택 결과를 설명할 수 있습니다.

다중 그룹 결과는 역할 기반 경계 조건을 추가합니다. AITC-CS와 AITC-PS 연관성은 리더가 직원보다 각각 약 1.6배와 2.2배 더 강했으나, 자원 재배분으로의 하류 경로는 그룹 간 유의미한 차이가 없었다. 지각거리 논증30,35와 일치하는 한 해석은, 더 큰 의사결정 권한과 전략적 책임을 가진 리더가 에이전트 능력을 인지된 자원으로 더 쉽게 전환하는 반면, 자동화 관련 직무 불안과 학습 요구에 더 노출된 직원들은 심리적 안전 이점을 덜 직접적으로 실현한다는 것이다. 직원에게는 주로 인지 잉여(PS → CS →를 통한 재할당과 관련된 심리적 안전 AHTR: β = 0.140, p = 0.001), 반면 리더의 경우 직→ PS AHTR 경로는 유의미했습니다(β = 0.234, p = 0.001). 이러한 경향은 고정된 성향이 아니라 이 표본에서 관찰된 것이며, 그룹 차이에 대한 신뢰구간은 신중한 해석을 필요로 한다.

실질적으로, 연구 결과는 역할별 차별화 배치 전략을 제안합니다. 모든 직원에게 조직은 업무량 기준과 핵심성과 지표를 조정하여 AI가 없는 시간이 전략적이고 창의적이며 협력적인 업무에 재투자되도록 하여 절약된 시간을 인지 잉여로 전환하는 것을 보호할 수 있습니다; 구체적인 수단으로는 AI가 실수할 때 책임성을 명확히 하는 AI 활용 거버넌스, 위임 지향 AI 역량에 대한 체계적인 교육, 문서화된 작업 재설계에 보상하는 인식 시스템 등이 있습니다. 직원들의 경우, 이 결과는 AI 실험의 무책임 검토, 관리자의 조기 오류에 대한 관리자 관용, 명시적인 직무 안정성 소통과 같은 심리적 안전 개입이 인지 과잉이 형성되기 위한 전제 조건임을 시사합니다; AITC를 자원으로 더 쉽게 전환하는 리더들에게 우선순위는 잉여 자금을 리더와 직원 간의 인식 격차를 좁히는 거버넌스 및 비상 계획에 투입하는 것입니다. 이러한 함의는 사기 탐지나 금융 보안 운영과 같은 고위험 상황에도 확장되며, 에이전트 시스템은 점점 더 경고를 분류하고, 조사 워크플로우를 조율하며, 이상 거래를 표시합니다. 이러한 환경에서는 심리적 안전이 직원들이 AI 생성 판단을 의심하고 무시하며 보고할 수 있는 전제 조건이며, 일상적인 모니터링을 AI에 재할당하면 분석가의 인지 자원을 복잡하게 분산시킬 수 있습니다. 판단 집약적 사건을 다루는 반면, 거버넌스는 자동화가 중대한 결정에 대한 책임성을 약화시키지 않도록 해야 합니다. 더 넓게, 관찰된 리더-스태프 차이는 차별화된 개입을 시사합니다: 리더를 위임하고 감독 기술을 강조하는 교육 커리큘럼, 직원에 대한 실험 및 재교육, 각 그룹의 위험 노출을 반영한 거버넌스 역할, 그리고 리더가 얻은 자원 성과를 직원들이 가시화하고 달성 가능하게 만드는 커뮤니케이션 전략 등이 포함됩니다.

이러한 결론과 향후 방향을 정의하는 여러 한계가 있습니다. 모든 변수는 동일한 응답자가 한 시점에 자기보고했으며; 절차적 해결책과 통계적 검증이 공통 방법 편향이 심각하지 않음을 시사함에도 불구하고, 단면 설계는 인과 추론을 배제하고 시간 지연 자원 소용돌이를 포착할 수 없습니다. 또한, AITC는 직원들이 직접 보고한 에이전트 시스템 역량 인식을 통해 측정되었는데, 이는 실제 시스템의 기술 역량과 일치하지 않을 수 있습니다; 향후 설계에서는 인지 측정과 시스템 로그 또는 능력 감사를 결합해야 합니다. 설문 시작 시 참가자들에게 에이전트 AI에 대한 간략한 표준화된 정의가 제공되었으나, 이해 확인 문항에서는 핵심 기술에 대한 이해를 검증하지 못했으며, 향후 연구에서는 이러한 검증이 포함되어야 합니다. AI 경험 있는 직원을 대상으로 한 목적 중심의 플랫폼 채용 표본은 기술 산업과 젊은 응답자에 가중을 두고 초기 모델 테스트에 적합하지만, AI 성숙도가 낮은 조직, 소규모 기업, 비디지털 부문으로의 일반화가 제한됩니다; 한 수집 기간 내 단일 패널 모집은 문화적·맥락적 특수성을 의미하므로, 관찰된 연관성은 노동 시장, AI 거버넌스 체제, 직업 문화 전반에 걸쳐 일반화되지 않을 수 있습니다. 심리적 안전은 공유 팀 분위기보다는 개인의 인식으로도 측정되었습니다. 향후 연구에서는 이득 소용돌이를 추적하기 위한 종단 또는 경험 샘플링 설계, 개인 및 팀 수준의 심리적 안전성을 구분하는 다층 설계, AI 성숙도 수준 전반에 걸친 확률 또는 조직 기반 샘플, 투명성, 통제 가능성, 설명 가능성 등 속성에 대한 AITC 개념의 확장을 활용해야 합니다. 이러한 한계에도 불구하고, 이 연구는 에이전트 AI와 업무 결과의 연관성이 직원들의 심리적 자원, 즉 연구자, 실무자, 정책 입안자들이 에이전트 시스템을 활용해 인간적 측면을 약화시키기보다는 보완하는 방식으로 활용하는 데 도움이 될 수 있다는 재현 가능한 프로토콜과 초기 증거를 제공합니다.

공개 사항

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

저자들은 이해 상충이 없음을 선언합니다.

생성형 AI 도구(ChatGPT, OpenAI)가 언어 편집에 사용되었으며; 모든 콘텐츠는 저자들에 의해 검토 및 검증되었으며, AI 보조 편집이 섹션 간 용어나 분위기 변화를 일으키지 않는지도 확인했습니다.

감사의 글

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

이 연구는 aSSIST 대학교의 연구 자금 지원을 받았습니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
ProlificProlifichttps://www.prolific.com/온라인 설문조사 패널 제공업체
QualtricsQualtrics, LLChttps://www.qualtrics.com/설문 코딩
SmartPLS SmartPLS GmbH버전 4.0.1, https://www.smartpls.com/PLS-SEM 분석

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

234234JD R

관련 논문