Hoe agentische AI werken hervormt: De rollen van cognitief overschot, psychologische veiligheid en AI-mens taakherverdeling

Samenvatting

Dit protocol beschrijft een op enquêtes gebaseerde workflow om te onderzoeken hoe technologische kenmerken van Agentic AI zich verhouden tot cognitief overschot, psychologische veiligheid en AI-mens taakherverdeling onder 331 medewerkers. Gedeeltelijke kleinste-kwadratenstructurele vergelijkingsmodellering met multi-groepsanalyse onthult rolgebaseerde verschillen tussen leiders en medewerkers.

Samenvatting

Deze studie onderzoekt hoe de technologische kenmerken van Agentic AI zich verhouden tot de psychologische toestand en gedragsreacties van medewerkers in organisaties. Met gebruik van de Job Demands-Resources (JD-R) theorie en Conservation of Resources (COR) theorie, conceptualiseren we Agentic AI technologische kenmerken (AITC) als een hoger orde construct dat autonome planning, multitool-orkestratie en proactieve feedback omvat, en stellen we voor dat deze kenmerken functioneren als functiebronnen die geassocieerd zijn met een groter cognitief overschot en psychologische veiligheid, die op hun beurt verband houden met AI-mens taakherverdeling. We onderzoeken verder of deze relaties verschillen tussen leiders en personeel. Een dwarsdoorsnede, anonieme online enquête werd via een online enquêteplatform uitgevoerd onder deelnemers die via een onderzoekspanel werden gerekruteerd met doelgerichte niet-waarschijnlijkheidssteekproef; de geschiktheid was beperkt tot volwassenen met huidige of eerdere AI-gerelateerde werkervaring, en gescreende, aandacht gecontroleerde antwoorden leverden een eindsteekproef op van 331 medewerkers (171 leiders, 160 medewerkers). Alle constructen werden gemeten met gevalideerde schalen die zijn aangepast aan de Agentic AI-context op 7-punts Likert-schalen. De gegevens werden geanalyseerd met behulp van gedeeltelijke kleinste-kwadratenstructurele vergelijkingsmodellering (PLS-SEM), waarbij een tweefasenaanpak werd toegepast voor de tweede-orde constructie, bootstrapping met 5.000 resamples voor directe en indirecte effecten, en multi-groep analyse (MGA) voor vergelijkingen tussen leiders en medewerkers. Het meetmodel toonde acceptabele betrouwbaarheid en validiteit, en de structurele resultaten waren consistent met het getheoriseerde resource-gainmodel: AITC was positief geassocieerd met cognitief overschot, psychologische veiligheid en taakherverdeling, met significante bemiddelingsroutes en sterkere AITC-resource-associaties tussen leiders. Door zich te richten op psychologische mechanismen in plaats van technische prestaties, breidt deze studie opkomend Agentic AI-onderzoek uit en biedt praktische implicaties voor rolgedifferentieerde AI-adoptiestrategieën.

Inleiding

De proliferatie van Agentic AI herdefinieert de rol van kunstmatige intelligentie in industrieën en het organisatieleven ^1,2. Agentische AI kan worden gedefinieerd als een geavanceerde vorm van kunstmatige intelligentie die veranderende omgevingen waarneemt, doelen onafhankelijk stelt via redeneermechanismen en reeksen van acties orkestreert met minimale menselijke controle ^3,4. Het onderscheidt zich op drie punten van traditionele AI, inclusief conventionele generatieve AI-tools: autonomie, omdat agentische systemen doelen nastreven met minimale menselijke tussenkomst in plaats van vooraf geprogrammeerde regels^{uit te} voeren ^5,6; kernfunctie, omdat hun doel is om complexe workflows te automatiseren in plaats van losse taken⁷; en architectuur, omdat ze meerdere grote taalmodellen, application programming interfaces (API's) en agents coördineren in plaats van te vertrouwen op één model⁷. Deze capaciteiten zijn gebaseerd op de bepalende technologische kenmerken die in deze studie^zijn onderzocht ^8,9. Autonome planning (AP) betekent dat, gegeven het doel van een gebruiker, het systeem het onafhankelijk opsplitst in subtaken en het plan aanpast naarmate de beperkingen veranderen¹⁰; Zo kan een medewerker een eenregelige instructie geven en een werkbaar meerstapsprojectplan ontvangen. Multi-tool orchestration (MTO) betekent dat het systeem externe tools en API's^selecteert, sequencet en integreert ^1,11,12; bijvoorbeeld het combineren van webzoekopdrachten, documenteditors en data-analysetools om één samenhangend rapport te produceren. Proactieve feedback (PF) betekent dat het systeem fouten, ontbrekende informatie en risicovolle aannames markeert voordat het wordt gevraagd^10,13; bijvoorbeeld het herinneren van een medewerker aan validatie- of compliancecontroles tijdens de uitvoering van taken. We richten ons op deze drie kenmerken, gezamenlijk Agentic AI technologische kenmerken (AITC) genoemd, omdat het de functionele capaciteiten zijn die agentische AI onderscheiden van traditionele AI in dagelijks werk ^7,10; eigenschappen zoals transparantie, controleerbaarheid en verklaarbaarheid zijn belangrijk voor AI-vertrouwen in het algemeen, maar zijn niet specifiek voor het agentische paradigma, en we behandelen ze daarom als randvoorwaarden voor toekomstig onderzoek in plaats van als focale dimensies.

Ondanks de snelle verspreiding van Agentic AI op werkplekken, heeft de bestaande literatuur zich vooral gericht op de technische architectuur, operationele efficiëntie en taakautomatiseringsmogelijkheden, terwijl er relatief weinig aandacht is besteed aan hoe deze kenmerken de psychologische toestand en gedragsreacties van werknemers hervormen^.. Deze weglating is belangrijk omdat het herverdelen van taken tussen mensen en AI geen puur technische aanpassing is, maar een psychologisch en organisatorisch ingebed proces: medewerkers moeten bestaande workflows uitdagen, rolgrenzen herdefiniëren en nieuwe vormen van samenwerking met intelligente systemen accepteren^16,17. Dergelijke veranderingen vinden niet automatisch plaats simpelweg omdat geavanceerde technologie beschikbaar is. Het doel van deze studie is dan ook drieledig: onderzoeken of AITC functioneren als werkbronnen die samenhangen met cognitief overschot, psychologische veiligheid en AI-menselijke taakherverdeling; het onderzoeken van de bemiddelende en sequentieel bemiddelende rollen van cognitief overschot en psychologische veiligheid; en om te onderzoeken of deze structurele relaties verschillen tussen leiders en medewerkers. De nieuwigheid van deze studie is drieledig. Ten eerste conceptualiseert en operationaliseert het de technologische kenmerken van Agentic AI—autonome planning, multitool-orkestratie en proactieve feedback—als een hogere orde werkbron binnen het JD-R-kader, in plaats van AI-adoptie als een ongedifferentieerde context te behandelen. Ten tweede introduceert het AI-mens taakherverdeling als een domeinspecifieke, technologie-geïmplementeerde vorm van taakopstellen, verschillend van zowel generiek werkopstellen als top-down digitale transformatieresultaten. Ten derde levert het, voor zover wij weten, het eerste multigroepsbewijs dat de resourcegenererende associaties van Agentic AI systematisch verschillen tussen leiders en medewerkers.

De theoretische redenering integreert de Job Demands-Resources (JD-R) theorie en de Conservation of Resources (COR) theorie. De JD-R-theorie stelt dat elke baan bestaat uit baaneisen, de fysieke, emotionele en cognitieve aspecten van werk die langdurige inspanning vereisen, en de werkgelegenheidsmiddelen, de aspecten die de eisen verminderen, het bereiken van doelen ondersteunen en persoonlijke ontwikkeling stimuleren; Hun balans bepaalt betrokkenheid, welzijn en prestaties^18,19. COR-theorie voegt een dynamisch mechanisme toe: individuen streven ernaar waardevolle hulpbronnen te verkrijgen, te behouden en te beschermen, en opgehoopte middelen starten winstspiralen waarin bestaande middelen worden herinvesteerd om verdere middelen te verwerven 20,21,22^. Vanuit dit gezamenlijke perspectief kan AITC niet alleen worden gezien als technische kenmerken, maar als een nieuwe vorm van werkbron: door het absorberen van repetitieve en cognitief belastende taken zoals planning en diagnostische analyse, verminderen agentische systemen de eisen en besparen ze de cognitieve energie en tijd van medewerkers^15,23. Wij definiëren cognitief overschot (CS) als het reservoir van cognitieve energie en discretionaire tijd die beschikbaar wordt wanneer dergelijke routinetaken aan technologie worden gedelegeerd, en die opnieuw kan worden geïnvesteerd in collectieve participatie, samenwerking en het creëren van nieuwe waarde²⁴. CS is dus conceptueel verschillend van werkbetrokkenheid, wat een affectief-motiverende staat is, en van loutere tijdsbeschikbaarheid, omdat het een converteerbare voorraad persoonlijke middelen in de COR-zin^20,24 aanduidt. CS is eveneens verschillend van psychologische loskoppeling en herstel, die het herstel van uitgeputte energie van werk betreft, en van tijdsovervloed, wat de subjectieve perceptie van voldoende tijd aanduidt; CS verwijst daarentegen naar vrijgemaakte cognitieve capaciteit die beschikbaar blijft voor herinvestering tijdens het werk zelf. In COR-termen vertegenwoordigt opgehoopte CS een resourcewinst die het welzijn van het beroep zou moeten ondersteunen door uitputting en burn-out te bufferen, terwijl de opname ervan door extra routinematige eisen een verlies^{van middelen 20, 23, 24} zou betekenen. Of geconserveerde tijd daadwerkelijk wordt omgezet in een overschoot kan afhangen van individuele kenmerken zoals AI-geletterdheid, van werklastnormen die bespaarde tijd kunnen absorberen met extra eisen, en van de organisatiecultuur; We behandelen het resource-gain-pad daarom als een hypothese die getest moet worden, in plaats van als een aanname.

H1: AITC wordt positief geassocieerd met CS.

Psychologische veiligheid (PS) wordt gedefinieerd als het geloof dat iemands werkomgeving veilig is voor het nemen van interpersoonlijke risico's, zoals het toegeven van fouten, het vragen om hulp en het uitdagen van de status quo^25,26. Hoewel psychologische veiligheid vaak is bestudeerd als een teamklimaat, conceptualiseert en meet deze studie het als een individuele perceptie, in overeenstemming met ons individueel niveau enquête-ontwerp^27,28. Wanneer agentische systemen leergerichte feedback en ondersteunende hulpmiddelen bieden, kunnen de interpersoonlijke kosten van experimenteren en het blootleggen van fouten dalen, omdat werknemers hun werk kunnen testen en corrigeren voordat ze het aan anderen presenteren^26,28. We erkennen echter dat de tegenovergestelde dynamiek aannemelijk is: waar agentische systemen worden ingezet voor surveillance of foutopsporing, kan het waargenomen interpersoonlijke risico en wantrouwen^{met 29,30} toenemen. Omdat de hier onderzochte kenmerken van ondersteunende aard zijn in plaats van evaluatief, veronderstellen we een positieve associatie terwijl we deze tweezijdige mogelijkheid als een belangrijke grensvoorwaarde behandelen.

H2: AITC is positief geassocieerd met PS.

Wij definiëren AI-mens taakherverdeling (AHTR) als de zelfinitiatieve herverdeling van taken door medewerkers tussen zichzelf en AI-systemen, waarbij routinewerk aan AI wordt gedelegeerd en hun eigen strategische en creatieve verantwoordelijkheden wordt uitgebreid. Wij positioneren AHTR als een domeinspecifieke vorm van jobcreatie. In het JD-R-gebaseerde model van Tims en Bakker omvat job crafting het vergroten van banenbronnen, toenemende uitdagingseisen en het afnemen van hindernissen^17,31; in de typologie van Wrzesniewski en Dutton omvat het taak-, relationele en cognitieve vorming³². AHTR komt het meest overeen met het opstellen van taken die via technologie worden uitgevoerd: het gelijktijdig overdragen van routinetaken aan AI vermindert de vraag naar hindernissen en mobiliseert een nieuwe functiebron 17,23,32. Het is smaller dan een algemene digitale transformatie-uitkomst omdat het discretionaire, door medewerkers geïnitieerde veranderingen in taakgrenzen omvat, in plaats van top-down organisatieherontwerp³³. Wij geven prioriteit aan taakherverdeling boven relationele en cognitieve vorming omdat de herverdeling van taken de meest directe gedragsinterface is tussen medewerkers en agentische systemen en direct waarneembaar is bij vroege adoptie, terwijl relationeel en cognitief crafting doorgaans voortkomen als downstream adaptaties^31,32. In tegenstelling tot eerdere studies die AI-adoptie behandelen als een contextueel voorloper van algemene job crafting^16,34, modelleren wij de herverdeling zelf als het focale craftinggedrag. Omdat zo'n herverdeling gevestigde werkprocessen verstoort, zijn werknemers eerder geneigd deze uit te voeren wanneer ze over voldoende cognitieve middelen beschikken om hun werk opnieuw in te richten en zich psychologisch veilig voelen om de bijbehorende interpersoonlijke risico's te nemen^16,34. Binnen de gain-spiral logica van de COR-theorie functioneert psychologische veiligheid ook als een contextuele bron die de ophoping van cognitief surplus²² beschermt en versterkt.

H3: CS is positief geassocieerd met AHTR.

H5: PS is positief geassocieerd met AHTR.

H6: PS is positief geassocieerd met CS.

H9: AITC is positief geassocieerd met AHTR.

Door deze argumenten te integreren, wordt verwacht dat AITC zich niet alleen direct maar ook indirect verhoudt tot AHTR, via de resource-gain routes van cognitieve overschotten en psychologische veiligheid.

H4: CS bemiddelt de relatie tussen AITC en AHTR.

H7: PS bemiddelt de relatie tussen AITC en AHTR.

H8: PS en CS bemiddelen achtereenvolgens de relatie tussen AITC en AHTR.

Ten slotte interpreteren en reageren medewerkers niet uniform op Agentic AI. Gibson, Cooper en Conger beschreven de perceptuele afstand tussen leiders en hun teams als cognitieve discrepantie met betrekking tot dezelfde organisatorische doelstellingen, geworteld in asymmetrieën in informatietoegang, verantwoordelijkheid, risicoblootstelling en werkervaring³⁵. Voortbouwend op deze visie bekleden leiders en medewerkers structureel verschillende functies met betrekking tot AI-adoptie: leiders dragen strategische verantwoordelijkheid en hebben de neiging AI te presenteren als een op uitbreiding gerichte bron voor productiviteit en datagedreven besluitvorming, terwijl medewerkers relatief meer worden blootgesteld aan automatiseringsgerelateerde baanonzekerheid en leeroverload^20,30. We behandelen deze patronen als tendensen die empirisch getest moeten worden, in plaats van vaste disposities van een van beide groepen. Dergelijke rolgebaseerde discrepanties kunnen heterogene patronen genereren in de relaties tussen AITC, CS, PS en AHTR, maar empirisch onderzoek dat deze groepsverschillen expliciet vastlegt blijft beperkt.

H10a: De associaties van AITC met CS en PS verschillen per leiderschap en personeel.

H10b: De associaties van PS en CS met AHTR verschillen tussen leiders en medewerkers.

Het onderstaande protocol beschrijft de volledige workflow, van participatiewerving en screening via survey-administratie, gegevensopschoning, metingsvalidatie, schatting van structurele modellen, mediatie-analyse en multi-groepsanalyse (MGA) (Figuur 1), zodat de procedure onafhankelijk kan worden gerepliceerd. Het onderzoeksmodel wordt weergegeven in Figuur 2: AITC, gemodelleerd als een tweede-orde constructie bestaande uit AP, MTO en PF, verhoudt zich direct en indirect tot AHTR via CS en PS, waarbij PS ook betrekking heeft op CS; het verschil tussen leiders en stafrollen wordt onderzocht via MGA.

Figuur 1. Algemene studie-ontwerp workflow. Schema van het volledige onderzoeksprotocol. Deelnemers werden via het online panel gerekruteerd met doelgerichte niet-kanssteekproef en gescreend op AI-gerelateerde werkervaring; de in aanmerking komende respondenten vulden een anonieme enquête in waarin alle constructen werden gemeten op 7-punts Likert-schalen. Na het schoonmaken van de gegevens (screeningfouten, aandachtcontrolefouten en ongelooflijk korte voltooiingstijden verwijderd; eind N = 331), werd het meetmodel gevalideerd (betrouwbaarheid: Cronbach's α, samengestelde betrouwbaarheid; convergente validiteit: gemiddelde variantie extraherd; discriminante validiteit: HTMT en Fornell-Larcker), werd het tweede-orde construct gevalideerd via de tweefasenbenadering, en werden het structurele model, bemiddelingsroutes en leider-staf multigroepanalyse geschat op 5.000 Bootstrap resamples. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2. Voorgesteld onderzoeksmodel. Conceptueel model van veronderstelde relaties. Agentische AI-technologische kenmerken (AITC), een tweede-orde constructie bestaande uit autonome planning (AP; het vermogen van het systeem om doelen op te splitsen in subtaken en plannen te herzien), multi-tool orkestratie (MTO; de capaciteit om meerdere tools en API's te selecteren, te sequencen en te integreren) en proactieve feedback (PF; het vermogen om fouten en risico's ongevraagd te markeren), wordt verondersteld positief geassocieerd te zijn met cognitieve surplus (CS; het reservoir van cognitieve energie en discretionaire tijd vrijgekomen wanneer routinetaken aan AI worden gedelegeerd), psychologische veiligheid (PS; de perceptie dat de werkomgeving veilig is voor interpersoonlijk risiconemen), en AI-mens taakherverdeling (AHTR; de zelfinitiatieve herverdeling van taken door medewerkers tussen zichzelf en AI) (H1, H2, H9). CS en PS worden verondersteld positief geassocieerd te zijn met AHTR (H3, H5), PS met CS (H6), en CS en PS om individueel en sequentieel de AITC-AHTR-relatie (H4, H7, H8) te bemiddelen. Pijlen vertegenwoordigen veronderstelde structurele paden; H10a/H10b duiden op hypothetische leider-stafverschillen die zijn getest via multi-groep analyse. Klik hier om een grotere versie van deze figuur te bekijken.

Protocol

Alle procedures werden uitgevoerd in overeenstemming met de ethische normen voor onderzoek met menselijke deelnemers aan de aSSIST University en Dong-A University. Omdat alle antwoorden werden geanonimeerd bij verzameling en er op geen enkel moment persoonlijk identificeerbare informatie werd verzameld, heeft de Institutional Review Board van aSSIST University vastgesteld dat de studie was vrijgesteld van volledige beoordeling op grond van Artikel 15 van de Bioethics and Safety Act van de Republiek Korea en Artikel 13 van de Handhavingsregel. De enquête begon met een informatie- en toestemmingspagina waarin werd gesteld dat deelname beperkt was tot personen die momenteel in dienst waren en betrokken waren bij een AI-project, waarbij het doel van het onderzoek werd beschreven en het vrijwillige karakter van deelname, de anonimiteit van de antwoorden en het beoogde gebruik van de gegevens werden uitgelegd; alleen respondenten die expliciet instemden, gingen door naar de vragenlijst. De toestemmingspagina is beschikbaar in Aanvullend Dossier 1.

Bepaling van steekproefgrootte

Een a priori power-analyse werd uitgevoerd vóór de dataverzameling met G*Power 3.1.9.7 (RRID: SCR_013726) voor de lineaire meervoudige regressiefamilie, waarbij het grootste aantal voorspellers werd gespecificeerd gericht op één endogeen construct in het model; in deze studie wordt AHTR voorspeld door drie constructies (AITC, CS en PS). Met een gemiddelde effectgrootte (f² = 0,15), α = 0,05 en statistische kracht van 0,80, was de vereiste minimale steekproef 77 gevallen; de G*Power-protocoluitgang wordt geleverd in Aanvullend Bestand 2. De minimale steekproefgrootte werd gecontroleerd met de inverse wortelmethode voor PLS-SEM³⁶, waarbij ongeveer 155 gevallen nodig zijn om een minimale gestandaardiseerde padcoëfficiënt van ongeveer 0,20 te detecteren op het 5% significantieniveau met 80% vermogen. Ten slotte werd het rekruteringsdoel gesteld om beide minima aanzienlijk te overtreffen, om het bootstrappen van indirecte effecten en split-sample multi-groep analyse te ondersteunen; de uiteindelijke steekproef (N = 331; leiders n = 171, personeel n = 160) voldeed aan de minimale steekproefvereiste binnen elke subgroep.

Werving en screening van deelnemers

Deelnemers werden gerekruteerd via het online onderzoekspanel met behulp van doelgerichte niet-kanssteekproeven; dat wil zeggen, de steekproef werd bewust beperkt tot respondenten die voldeden aan een a priori inhoudelijk criterium—huidige of eerdere werkervaring met AI—in plaats van willekeurig uit de algemene bevolking te worden getrokken. De geschiktheid was beperkt tot respondenten van 18 jaar of ouder. AI-gerelateerde werkervaring werd operationeel gemaakt via het screeningsitem "Welke van de volgende beschrijft uw huidige situatie het beste?", gepresenteerd vóór de hoofdvragenlijst; alleen respondenten die aangaven momenteel werkzaam te zijn en momenteel betrokken te zijn bij AI-gerelateerd werk, gingen door, terwijl de overige opties (werkzaam maar niet betrokken bij AI-werk; niet werkzaam maar eerder betrokken; niet werkzaam en niet betrokken) direct screen-out veroorzaakten. De gegevensverzameling vond plaats in één sessie op 8 februari 2026 (10:28–13:30), en deelnemers werden gecompenseerd met GBP 6,98 per uur volgens het fair-paybeleid van het platform. Dubbele deelname werd voorkomen via de unieke deelnemersidentificaties van het platform en de instellingen voor het voorkomen van dubbele antwoorden van het enquêteplatform. Het aantal respondenten per fase werd geregistreerd om de inclusie/uitsluitingsworkflow te documenteren: 537 reacties werden geregistreerd; 151 werden door de screeningsvragen weggelaten (386 over); 40 werden verwijderd omdat ze niet slaagden voor de aandachtcontroles, waaronder rechte lijnen (346 over); en 15 werden verwijderd vanwege ongelooflijk korte voltooiingstijden (onder ongeveer 180 seconden), wat het uiteindelijke monster van N = 331 opleverde.

Gestandaardiseerde definitie en surveyinstructies

Deelnemers werden geïnformeerd dat de enquête onderzocht hoe Agentic AI organisaties en hun leden kan beïnvloeden. Aan het begin van de enquête kregen alle deelnemers een korte gestandaardiseerde definitie van Agentic AI te zien, in overeenstemming met de definitie in de Inleiding—een geavanceerd AI-systeem dat wordt gekenmerkt door autonome planning, multi-tool orkestratie en proactieve feedback dat doelgerichte acties uitvoert met beperkte menselijke controle (Figuur 1, stap 2). De geschiktheid was beperkt tot respondenten die momenteel in dienst waren en betrokken waren bij een AI-project, wat een relevante werkgerelateerde basis bood voor het beantwoorden van de vragenlijst. Er werd geen apart begrip van een controlepunt toegevoegd; De gestandaardiseerde definitie diende daarom als contextuele oriëntatie in plaats van als een geverifieerde begripscontrole. Deelnemers kregen de instructie om elk item te beantwoorden op basis van hun daadwerkelijke ervaring met het gebruik of werken met dergelijke Agentic AI-systemen in organisatorische contexten.

Ontwikkeling en beheer van onderzoeksinstrumenten

De vragenlijst is ontwikkeld op basis van gevalideerde meetschalen die zijn aangepast aan de organisatorische context van Agentic AI. Tabel 1 geeft elk item, de bronschaal en beschrijvende statistieken weer weer: AP-, MTO- en PF-items zijn aangepast van recente Agentic AI-concepten ^7,8; CS-items uit generatieve-AI cognitieve brononderzoek³⁷; PS-items uit Plomp et ^al.38; en AHTR-items uit JD-R-gebaseerde job crafting-schalen^17,39 aangepast aan taakherverdeling. Alle constructen werden gemeten op 7-punts Likert-schalen variërend van 1 ("sterk oneens") tot 7 ("sterk overeens"). De enquête was georganiseerd in blokken die de toestemmingspagina, screening, AITC-items (AP, MTO, PF), CS, PS, AHTR en demografische en controlekenmerken omvatten; het instrument bevatte ook aanvullende schalen (AI-geletterdheid en rolbreedte-zelfeffectiviteit) die buiten het kader van het huidige model vallen en hier zijn verzameld maar niet geanalyseerd, gerapporteerd voor transparantie. De enquête werd gehost op het online enquêteplatform; De terugknop was uitgeschakeld zodat respondenten eerdere antwoorden niet konden herzien, en items werden in een vaste volgorde binnen blokken gepresenteerd. De mediane voltooiingstijd was 7 minuten en 44 seconden. Twee aandachtscontrole-items met instructed-response werden ingebouwd als enquête-flow-takken die de enquête sloten bij een fout antwoord: (i) een feitelijke check, "Is AI een afkorting voor Artisjokinformatie?" (correct antwoord: Nee), en (ii) een schaalbegripscontrole die bevestigt dat antwoorden zijn geregistreerd op een 7-punts Likert-schaal variërend van "sterk oneens" tot "volledig eens". Voorafgaand aan de hoofdafloop werd een pilottest uitgevoerd met 124 respondenten om de duidelijkheid van de enquête-items, de algemene onderzoeksstroom, de invulduur en de haalbaarheid van de vragenlijst te evalueren; De invulduur werd beoordeeld om ongewoon korte antwoorden te identificeren en te bevestigen dat de lengte van de enquête passend was voor de doelgroepen. De pilottest wees niet op formuleringsproblemen die een wijziging van items vereisten, en er werden geen formuleringswijzigingen aangebracht vóór de hoofdenquête. Daarnaast werden de pilotgegevens geanalyseerd met behulp van PLS-SEM als voorlopige validatieprocedure om indicatorprestaties, constructbetrouwbaarheid, convergente validiteit, discriminante validiteit, collineariteit en de plausibiliteit van de voorgestelde structurele relaties te beoordelen; De resultaten ondersteunden de geschiktheid van het instrument voor de hoofdonderzoek.

Constructie		Item	Vraag			Gemiddeld	STDEV	VIF	Bron
AITC	AP	AP1	Wanneer ik een doel geef, helpt de AI een meerstappenplan te maken om het te bereiken.			5.81	0.9	1.44	Abou Ali, M., et al. (2025); Sapkota, R., et al. (2025)
		AP2	De AI kan haar plan aanpassen wanneer beperkingen of vereisten veranderen.			5.75	0.99	1.37
		AP3	De AI verdeelt complex werk in beheersbare subtaken zonder stapsgewijze instructies nodig te hebben.			5.33	1.37	1.33
	MTO	MTO1	De AI kan meerdere tools of apps (bijv. zoeken, documenten, datatools) combineren om een taak uit te voeren.			5.69	1.11	1.5
		MTO2	De AI stelt de juiste tool(s) voor en gebruikt deze in de juiste volgorde om een deliverable te produceren.			5.36	1.04	1.64
		MTO3	De AI helpt de output van verschillende tools te integreren tot één samenhangend resultaat.			5.61	1.01	1.63
	PF	PF1	De AI wijst proactief fouten, ontbrekende informatie of risicovolle aannames in mijn werk aan.			4.9	1.44	1.68
		PF2	De AI stelt verbeteringen voor voordat ik expliciet om feedback vraag.			5.07	1.38	1.85
		PF3	De AI doet me denken aan checkpoints (bijvoorbeeld validatie, naleving, kwaliteit) om herwerking te voorkomen.			5.02	1.4	1.6
CS		CS1	Het gebruik van AI heeft mijn mentale energie vrijgemaakt om me te richten op complexer en betekenisvoller werk.			5.59	1.28	2.07	Liu, Y., Sheng, F., & Liu, R. (2025)
		CS2	Sinds ik AI gebruik, heb ik meer tijd voor strategisch denken en probleemoplossing.			5.61	1.23	2.38
		CS3	De werklast van routinetaken is aanzienlijk verminderd, waardoor ik ruimte heb voor nieuwe initiatieven.			5.42	1.28	2.23
		CS4	Ik voel me mentaal minder uitgeput aan het einde van de werkdag omdat AI repetitieve taken afhandelt.			5.15	1.5	1.91
PS		PS1	Op mijn werkplek is het veilig om een risico te nemen dat gerelateerd is aan het gebruik van AI op nieuwe manieren.			4.74	1.37	1.52	Plomp et al. (2019)
		PS2	Mijn manager moedigt experimenteren met AI aan en is tolerant tegenover fouten.			4.52	1.61	1.68
		PS3	Ik voel me comfortabel om mijn stem te laten horen als ik zorgen heb over hoe AI in mijn team wordt ingezet.			5.48	1.24	1.32
		PS4	Mijn collega's steunen me als ik nieuwe manieren probeer om met AI te werken.			5.26	1.32	1.48
		PS5 (uitgesloten)	Ik ben niet bang voor negatieve gevolgen als ik innovatieve toepassingen van AI in mijn werk voorstel.			4.47	1.59	1.23
AHTR		AHTR1	Ik draag bewust routinetaken (zoals gegevensinvoer, rapportopmaak) over naar AI zodat ik me kan richten op werk met een hogere waarde.			5.12	1.35	1.68	Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024)
		AHTR2	Ik zoek actief naar mogelijkheden om AI te gebruiken voor taken die ik eerder handmatig heb gedaan.			5.58	1.28	1.84
		AHTR3	Sinds ik AI gebruik, heb ik nieuwe of uitgebreide verantwoordelijkheden op me genomen die strategischer of creatiever zijn.			5.18	1.3	1.58
		AHTR4 (uitgesloten)	Ik onderhandel met mijn manager over welke taken AI moet afhandelen en welke ik moet doen.			4.09	1.65	1.23
		AHTR5	Ik heb mijn werk opnieuw ontworpen door routinewerk te herverdelen naar AI, waardoor ik mezelf vrijmaak voor betekenisvollere taken.			4.92	1.35	1.67

Tabel 1: Meetitems, bronnen, beschrijvende statistieken en volledige collineariteitsbeoordeling. Volledig onderzoeksinstrument. Elk item wordt vermeld met zijn construct (AITC-dimensies AP, MTO, PF; CS; PS; AHTR), itemcode, formulering, gemiddelde, standaarddeviatie (STDEV), volledige collineariteitsvariatie-inflatiefactor (VIF; waarden <3,3 duiden op het ontbreken van common method variantie-contaminatie), en de bronschaal waarvan deze is aangepast. Alle items werden gemeten op 7-punts Likert-schalen (1 = sterk oneens, 7 = sterk overeen). PS5 en AHTR4 werden verwijderd tijdens de evaluatie van het meetmodel vanwege lage buitenbelastingen. AITC = Agentische AI-technologische kenmerken; AP = autonome planning; MTO = multitool-orkestratie; PF = proactieve feedback; CS = cognitief overschot; PS = psychologische veiligheid; AHTR = AI-mens taakherverdeling. Klik hier om deze tabel te downloaden.

Datavoorbereiding en -opschoning

De ruwe antwoorden werden geëxporteerd in CSV-formaat. Gevallen die niet aan het screeningscriterium voldeden of aan een van beide aandachtscontrole-items werden uitgesloten, evenals antwoorden met substantiële ontbrekende gegevens (gedwongen responsinstellingen geminimaliseerd binnen de enquête); De resulterende uitsluitingstellingen in elke fase zijn vastgelegd in Protocolsectie 2 (537 geregistreerd → 331 behouden). De opgeslagen gegevens werden geïnspecteerd op consistentie en gescreend op onoplettende responspatronen: rechtlijnige reacties werden verwijderd via de aandachtscontroles, en reacties met ongelooflijk korte voltooiingstijden (minder dan ongeveer 180 seconden) werden uitgesloten. Variabelen werden vervolgens gecodeerd voor analyse (bijv. Rol: Leider = 1, Staf = 0; Geslacht: Man = 1, Vrouwelijk = 0) zoals gedocumenteerd in Tabel 2, werden categorische controles zoals de industrie dummy-gecodeerd met k-1 indicatoren, en werd de definitieve dataset geïmporteerd in de PLS-SEM-software. Een codeboek waarin elke variabele wordt gekoppeld aan de itemtekst, codering en constructie wordt geleverd als Supplementair Bestand 2.

Evaluatie van meetmodellen

Met behulp van de PLS-SEM-software werd elk waargenomen item toegewezen aan zijn latente constructie, en werden alle eerste-orde constructies (AP, MTO, PF, CS, PS, AHTR) gespecificeerd als reflectief. AITC werd gespecificeerd als een tweede-orde constructie bestaande uit AP, MTO en PF en werd geschat met de twee-traps benadering 40,41,42: de scores van latente variabelen werden eerst verkregen voor de eerste-orde constructies en vervolgens gebruikt (AP_LVS, MTO_LVS, PF_LVS) als formatieve indicatoren van AITC. Het PLS-algoritme werd uitgevoerd met het padwegingsschema, maximaal 3.000 iteraties en een stopcriterium van 10⁻⁷. Interne consistentiebetrouwbaarheid werd geëvalueerd aan de hand van Cronbachs drempels voor α en samengestelde betrouwbaarheid (CR) van 0,70⁴³, waarbij α waarden van 0,5–0,6 werden als marginaal acceptabel beschouwd voor korte schalen in opkomende onderzoekscontexten⁴³; convergente validiteit werd geëvalueerd tegen de gemiddelde variantie geëxtraheerde (AVE) drempel van 0,50⁴⁴; en discriminantvaliditeit werd geëvalueerd met behulp van de heterotrait-monotraitverhouding (HTMT <0,85, conservatieve drempel)⁴⁵ en het Fornell-Larcker-criterium⁴⁴. Waar betrouwbaarheids- of convergente validiteitscriteria niet werden gehaald, werden externe belastingen geïnspecteerd en werden slecht presterende indicatoren verwijderd terwijl de inhoud validiteit behouden bleef, waarbij elke verwijdering en de onderbouwing ervan werden gedocumenteerd; in deze studie werden PS5 en AHTR4 verwijderd vanwege lage buitenbelastingen, wat de convergente validiteit van PS en AHTR verbeterde.

Structureel model en mediatieanalyse

De structurele paden werden gespecificeerd in overeenstemming met het onderzoeksmodel (Figuur 2), en collineariteit tussen predictorconstructies werd onderzocht met behulp van inwendige variantie-inflatiefactoren (VIF < 5.0)³⁶ en volledige collineariteit VIF's (<3.3)^46,47. De padsignificantie werd geschat door bootstrapping met 5.000 hermonsters met behulp van percentielbetrouwbaarheidsintervallen en tweezijdige testen, en gestandaardiseerde padcoëfficiënten (β), steekproefgemiddelden (M), standaarddeviaties (STDEV), t-waarden, p-waarden, 95% betrouwbaarheidsintervallen, R² en effectgroottes (f²) werden gerapporteerd. De voorspellende kracht buiten de steekproef werd beoordeeld met PLSpredict met 10 keer en 10 herhalingen; voor elke endogene indicator werd de Q^{2-voorspelling}(>0 geeft voorspellende relevantie aan) geïnspecteerd, en werden de PLS-SEM-voorspellingsfouten (RMSE en MAE) vergeleken met de lineair-model (LM) benchmark⁴⁸. Voor de mediatie-analyse werden de indirecte effecten van AITC op AHTR via CS, via PS en via het sequentiële PS → CS-pad gespecificeerd, en elk specifiek indirect effect werd geëvalueerd met behulp van de bootstrap-verdeling (5.000 resamples), waarbij een indirect effect significant werd beoordeeld wanneer het 95% betrouwbaarheidsinterval nul uitsloot.

Multi-groep analyse

Respondenten werden ingedeeld in leider- en stafgroepen op basis van zelfgerapporteerde organisatorische rol (Rol: Leider = 1, Personeel = 0; Tabel 2); De leidersgroep bestond uit teamleiders/supervisors, managers/afdelingshoofden en leidinggevenden/senior leiderschap, en de stafgroep bestond uit medewerkers op stafniveau. Voordat padcoëfficiënten werden vergeleken, werd meetinvariantie tussen groepen vastgesteld met behulp van de metingsinvariantie van samengestelde modellen (MICOM) procedure⁴⁵. Stap 1 (configuratie-invariantie) werd vervuld door identieke modelspecificatie over groepen, en stap 2 (compositionele invariantie) werd ondersteund voor alle constructen, met oorspronkelijke correlaties op of boven hun 5% kwantielen en niet-significante permutatiewaarden p-waarden (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), waarmee partiële meetinvariantie wordt vastgesteld en de multigroepsvergelijking wordt gerechtvaardigd (volledige MICOM-resultaten in Aanvullend Bestand 3). Het model werd vervolgens afzonderlijk geschat voor elke groep, en padverschillen werden getest met bootstrap-gebaseerde PLS-MGA, waarbij eenzijdige en tweezijdige p-waarden werden gerapporteerd voor het leider-stafverschil (Δ) van elk pad; Groepsspecifieke padcoëfficiënten, T-waarden en p-waarden werden gerapporteerd voor alle directe en indirecte paden, samen met de grootte van elk verschil tussen groepen.

Rapportage, verificatie en probleemoplossing

Alle betrouwbaarheids-, validiteit-, structurele, mediatie- en MGA-uitkomsten werden gecompileerd; de resultaattabellen werden geëxporteerd; en elke gerapporteerde statistiek werd verifiërd aan de hand van de door software gegenereerde output om consistentie te waarborgen tussen tabellen, figuren en tekst. Voor probleemoplossing gelden de volgende richtlijnen: als veel antwoorden niet slagen voor screening of aandachtscontroles, verfijn dan de geschiktheidseisen en verduidelijken we de instructies van de enquête; als betrouwbaarheid (CR < 0,70) of convergente validiteit (AVE < 0,50) criteria niet worden gehaald, beoordeel dan de buitenste belastingen en verwijder zwakke indicatoren terwijl de theoretische dekking behouden blijft; als collineariteit wordt vastgesteld (VIF boven de drempels), hervalueer constructspecificaties en elimineer redundante indicatoren; Als bemiddelings- of groepseffecten niet significant zijn, herbekijk dan de toereikendheid van de steekproef en construeer operationalisering vóór interpretatie; en gebruik een voldoende aantal bootstrap-resamples (bijv. 5.000) om schattingen te stabiliseren.

Resultaten

Kenmerken van deelnemers

Tabel 2 toont de demografische kenmerken van de uiteindelijke steekproef (N = 331). De steekproef bestond uit 65,0% mannelijke en 35,0% vrouwelijke respondenten, met een relatief evenwichtige verdeling tussen leiders (51,7%, n = 171) en personeel (48,3%, n = 160). De grootste leeftijdsgroep was jonger dan 30 jaar (46,5%), gevolgd door 31–40 jaar (32,0%); 76,4% had een bachelor- of masterdiploma. De respondenten kwamen uit diverse sectoren, geleid door technologie en telecommunicatie (46,2%), en uit organisaties van verschillende grootte. Dit profiel is in overeenstemming met de doelgerichte focus van het onderzoek op werknemers die actief betrokken zijn bij AI-gerelateerd werk.

Kenmerken	Categorieën	Frequentie (n)	%	Cumulatief percentage
Geslacht	Mannelijk (1)	215	65	65
	Vrouwelijk (0)	116	35	100
Leeftijd	-30	154	46.5	46.5
	31-40	106	32	78.5
	41-50	44	13.3	91.8
	51-	27	8.2	100
Rol	Leider (1)	171	51.7	51.7
	Staf (0)	160	48.3	100
Opleiding	Middelbare school	34	10.3	10.3
	College	44	13.3	23.6
	Bacheloropleiding	142	42.9	66.5
	Postdoctoraal	111	33.5	100
Industrie	Technologie Telecommunicatie ICT	153	46.2	46.2
	Professionele diensten (Consultancy, Juridisch, Accountancy)	38	11.5	57.7
	Productie-industrie	37	11.2	68.9
	Financiële dienstverlening	30	9.1	77.9
	Gezondheidszorg	30	9.1	87
	Publieke sector	24	7.3	94.3
	Detailhandel	19	5.7	100
Bedrijfsgrootte	Minder dan 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 of meer	42	12.7	100
Totaal		331	100	100

Tabel 2: Demografische kenmerken van de uiteindelijke steekproef. Verdeling van de 331 respondenten op geslacht, leeftijd, organisatierol, opleiding, sector en bedrijfsgrootte. n = frequentie; % = percentage van de totale steekproef; Cumulatief percentage = cumulatief percentage binnen elke eigenschap. Tussen haakjes geplaatste waarden in de kolom Categorieën geven de binaire codering aan die in de analyse wordt gebruikt (bijv. Leider = 1, Staf = 0).

Evaluatie van meetmodellen

Omdat AITC wordt gemodelleerd als een tweede-orde constructie, werd een tweestapsbenadering toegepast⁴⁰. Ten eerste werden de betrouwbaarheid en validiteit van de eerste-orde constructen geëvalueerd met behulp van Cronbach's α, samengestelde betrouwbaarheid (CR) en gemiddelde variantie geëxtraheerd (AVE), zoals weergegeven in Tabel 3. PS5 en AHTR4 werden uitgesloten vanwege lage buitenbelastingen, wat de convergente validiteit van PS (AVE = 0,563) en AHTR (AVE = 0,619)³⁶ verbeterde. Alle CR-waarden overschreden de drempel van 0,70, en alle AVE-waarden overschreden 0,50. Hoewel Cronbachs α voor AP 0,585 was, bleven de CR (0,781) en AVE (0,547) binnen acceptabele grenzen, en α waarden van 0,5–0,6 kunnen als acceptabel worden beschouwd voor korte schalen⁴³. Discriminantvaliditeit werd ondersteund: alle HTMT-ratio's (0,25–0,77) lagen onder de conservatieve drempel van 0,85 (Tabel 4)⁴⁵, en de vierkantswortel van de AVE van elk construct overtrof de hoogste interconstructiecorrelatie volgens het Fornell-Larcker-criterium (Tabel 5)⁴⁴.

Constructie		α	Composietbetrouwbaarheid	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

Tabel 3: Betrouwbaarheid en convergente validiteit van de eerste-orde constructen. α = Cronbachs alfa (interne consistentie; drempel 0,70, met 0,5–0,6 marginaal acceptabel voor korte schalen); Compositieve betrouwbaarheid (CR; drempel 0,70); AVE = gemiddelde variantie geëxtraheerd (convergente validiteit; drempel 0,50). Waarden gerapporteerd na het verwijderen van PS5 en AHTR4. AP = autonome planning; MTO = multitool-orkestratie; PF = proactieve feedback; CS = cognitief overschot; PS = psychologische veiligheid; AHTR = AI-mens taakherverdeling.

Constructies		Heterotrait-monotrait verhouding (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

Tabel 4: Discriminantvaliditeit van de eerste-orde constructen (HTMT). Heterotrait-monotrait-verhouding van correlaties tussen constructparen. Waarden onder de conservatieve drempel van 0,85 ondersteunen discriminantvaliditeit. AP = autonome planning; MTO = multitool-orkestratie; PF = proactieve feedback; CS = cognitief overschot; PS = psychologische veiligheid; AHTR = AI-mens taakherverdeling.

Constructies		Fornell-Larcker-criterium
		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

Tabel 5: Discriminantvaliditeit van de eerste-orde constructen (Fornell-Larcker-criterium). Diagonale elementen (vetgedrukt) zijn de vierkantswortels van de AVE van elk construct; Elementen buiten de diagonaal zijn interconstructie-correlaties. Discriminantvaliditeit wordt ondersteund wanneer elk diagonale element alle correlaties in zijn rij en kolom overschrijdt.

Omdat alle variabelen door dezelfde respondenten zelf werden gerapporteerd, werden zowel procedurele als statistische oplossingen toegepast ^49,50. Procedureel kregen respondenten gegarandeerd anonimiteit, legde de toestemmingsverklaring de nadruk op vrijwillige deelname en het ontbreken van juiste of foute antwoorden, werden voorspeller- en criterie-items in aparte enquêtesecties geplaatst, werden gevalideerde korte schalen gebruikt om vermoeidheid te verminderen, en aandachtscontroles filterden onvoorzichtige antwoorden uit. Statistisch gezien toonde Harmans single-factor test⁵¹ aan dat een enkele niet-geroteerde factor 30,99% van de variantie verklaarde, onder het 50%-criterium^{van 49,52}. Als strengere controle toonde een volledige collineariteitsbeoordeling⁴⁶ alle VIF's onder 3,3 (Tabel 1), wat wijst op geen ernstige common method bias, hoewel dergelijke diagnostiek methodevariantie^46,47 niet definitief kan uitsluiten.

De betekenis van de opwaartse dimensie-effecten van het tweede-orde formatieve construct (AITC) werd beoordeeld met bootstrapping en 5.000 resamples^36,41. Zoals weergegeven in Tabel 6 waren de formatieve gewichten van AP_LVS (0,493, p < 0,001), MTO_LVS (0,492, p < 0,001) en PF_LVS (0,249, p < 0,001) allemaal significant, en alle VIF's lagen onder de 3,3, wat aangeeft dat elke lagere orde dimensie substantief bijdraagt aan AITC zonder collineariteitszorgen. Het uiteindelijke structurele model werd vervolgens geschat met behulp van de tweestapsprocedure^41,42 (Figuur 3).

Formatieve indicator	VIF	Oorspronkelijke β	Mean β	STDEV	T-waarde	p-waarde
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

Tabel 6: Opwaartse dimensionale effecten voor het tweede-orde formatieve construct. Bootstrap schattingen (5.000 hermonsters) van de formatieve gewichten die de latente variabelen van AP, MTO en PF (AP_LVS, MTO_LVS, PF_LVS) koppelen aan AITC in de tweefasenbenadering. β = gestandaardiseerd gewicht (origineel) en bootstrap-gemiddelde; STDEV = bootstrap standaarddeviatie; VIF = variantie-inflatiefactor (<3,3 geeft geen collineariteitszorg aan); t-waarde = \|β/STDEV\|; p-waarde uit de bootstrap-verdeling. AITC = Agentische AI-technologische kenmerken; AP = autonome planning; MTO = multitool-orkestratie; PF = proactieve feedback.

Figuur 3. Geschat structureel model. Definitief model met gestandaardiseerde padcoëfficiënten (β) voor de volledige steekproef (N = 331). Alle afkortingen zoals in Figuur 2; AP_LVS, MTO_LVS en PF_LVS duiden de latente variabelen aan van AP, MTO en PF die als formatieve indicatoren van AITC worden gebruikt in de tweefasenbenadering. Massieve pijlen geven belangrijke paden aan; waarden tussen haakjes zijn R² (het aandeel variantie dat in elke endogene constructie wordt uitgelegd: AHTR = 0,471, CS = 0,363, PS = 0,114). De significantie werd beoordeeld door bootstrapping met 5.000 hermonsters; p < 0,001. AP = autonome planning; MTO = multitool-orkestratie; PF = proactieve feedback; AITC = Agentische AI-technologische kenmerken; CS = cognitief overschot; PS = psychologische veiligheid; AHTR = AI-mens taakherverdeling. Klik hier om een grotere versie van deze figuur te bekijken.

Structureel model en mediatieanalyse

Tabel 7 toont de padcoëfficiënten met p-waarden, steekproefgemiddelden (M), standaarddeviaties (STDEV), t-waarden en 95% betrouwbaarheidsintervallen. AITC was positief geassocieerd met CS (β = 0,485, p < 0,001), die H1 ondersteunt, en met PS (β = 0,338, p < 0,001), die H2 ondersteunt. CS was positief geassocieerd met AHTR (β = 0,444, p < 0,001), wat H3 ondersteunde, evenals PS (β = 0,179, p < 0,001), dat H5 ondersteunde. PS was positief geassocieerd met CS (β = 0,230, p < 0,001), wat H6 ondersteunt, en AITC met AHTR (β = 0,215, p < 0,001), wat H9 ondersteunt. Het model verklaarde 47,1% van de variantie in AHTR (R² = 0,471), 36,3% in CS en 11,4% in PS.

Constructies	β	Steekproefgemiddelde (M)	Standaarddeviatie (STDEV)	T-statistieken (|O/STDEV|)	p-waarden	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 → CS	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

Tabel 7: Structurele modelresultaten en specifieke indirecte effecten (volledige steekproef). β = gestandaardiseerde padcoëfficiënt; M = bootstrap-steekproefgemiddelde; STDEV = bootstrap standaarddeviatie; t = \|β/STDEV\|; p = tweezijdige p-waarde; 0,025/0,975 = onder/bovengrenzen van het 95% bootstrap-betrouwbaarheidsinterval (een interval zonder nul duidt op significantie); R² = variantie verklaard in het endogene construct. Rijen met pijlen door meerdere constructies (bijv. AITC → PS → CS → AHTR) rapporteren specifieke indirecte (bemiddelings)effecten. Bootstrapping gebruikte 5.000 resamples.

De bootstrap-resultaten voor specifieke indirecte effecten (Tabel 7) tonen aan dat CS significant de AITC-AHTR-relatie bemiddelde (β = 0,215, 95% BI [0,149, 0,290], p < 0,001), wat H4 ondersteunde, en PS eveneens (β = 0,060, 95% BI [0,027, 0,102], p = 0,001), wat H7 ondersteunde. De sequentiële route AITC → PS → CS → AHTR was ook significant (β = 0,034, 95% BI [0,017, 0,060], p = 0,002), wat H8 ondersteunt. Tabel 8 vat de resultaten van hypothese-testen samen.

	Hypothese			Resultaten
H1	Agentische AI-technologische kenmerken worden positief geassocieerd met cognitief overschot.			Geaccepteerd
H2	Agentische AI-technologische kenmerken zijn positief geassocieerd met psychologische veiligheid.			Geaccepteerd
H3	Cognitief overschot wordt positief geassocieerd met AI-mens taakherverdeling.			Geaccepteerd
H4	Cognitief surplus bemiddelt de relatie tussen Agentic AI-technologische kenmerken en AI-mens taakherverdeling.			Geaccepteerd
H5	Psychologische veiligheid wordt positief geassocieerd met AI-mens taakherverdeling.			Geaccepteerd
H6	Psychologische veiligheid wordt positief geassocieerd met cognitieve overschotten.			Geaccepteerd
H7	Psychologische veiligheid bemiddelt de relatie tussen Agentic AI-technologische kenmerken en AI-mens taakherverdeling.			Geaccepteerd
H8	Psychologische veiligheid en cognitief overschot bemiddelen sequentieel de relatie tussen Agentic AI technologische kenmerken en AI-mens taakherverdeling.			Geaccepteerd
H9	Agentische AI-technologische kenmerken zijn positief geassocieerd met AI-mens taakherverdeling.			Geaccepteerd
H10a	De associaties van Agentic AI-technologische kenmerken met cognitief overtollig en psychologische veiligheid verschillen tussen leiders en medewerkers.			Geaccepteerd
H10b	De verbanden tussen psychologische veiligheid en cognitief overschot met AI-mens taakverdeling verschillen tussen leiders en staf.			Gedeeltelijk geaccepteerd

Tabel 8: Samenvatting van hypothesetests. Elke hypothese met het bijbehorende structurele pad en de beslissing (geaccepteerd/verworpen) op basis van de bootstrap resulteert in Tabel 7 (significantiedrempel p < 0,05). AITC = Agentische AI-technologische kenmerken; CS = cognitief overschot; PS = psychologische veiligheid; AHTR = AI-mens taakherverdeling.

De voorspellende kracht buiten de steekproef werd beoordeeld met PLSpredict (10 keer keer, 10 herhalingen; Tabel 9). Alle endogene indicatoren leverden positieve Q 2-voorspellingswaarden op, wat wijst op voorspellende relevantie, en het PLS-SEM-model leverde voor bijna alle indicatoren een lagere RMSE en MAE op dan de lineair-model (LM) benchmark, met als enige uitzondering PS_4. Deze resultaten wijzen op middelmatige tot hoge voorspellende prestaties buiten de steekproef voor psychologische veiligheid, cognitief overschot en AI-mens taakherverdeling⁴⁸.

Indicator	Q²voorspel	PLS-SEM RMSE	ALSJEBLIEFT-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

Tabel 9: Out-of-sample predictive assessment (PLSpredict). Voorspellende metrieken voor elke endogene indicator (PS, CS, AHTR) van PLSpredict (10 keer herhaald, 10 herhalingen). Q²voorspellen = voorspellende relevantie (>0 geeft aan dat het PLS-SEM-model beter presteert dan de meest naïeve benchmark); PLS-SEM RMSE/MAE = wortel-gemiddelde-kwadraat fout en gemiddelde absolute fout van het PLS-SEM-model; LM RMSE/MAE = overeenkomstige fouten voor de lineair-model benchmark; IA RMSE/MAE = indicatorgemiddelde benchmark. PLS-SEM-fouten onder de LM-benchmark duiden op bevredigende voorspellende prestaties. PS = psychologische veiligheid; CS = cognitief overschot; AHTR = AI-mens taakherverdeling. Opmerking: Alle Q²voorspellen > 0. PLS-SEM RMSE/MAE < LM-benchmark voor alle indicatoren behalve PS_4, wat wijst op middelmatige tot hoge voorspellende prestaties.

Multi-groep analyse

MGA onderzocht of de structurele relaties verschillen tussen leiders en medewerkers, die verschillende posities bekleden op het gebied van verantwoordelijkheid, baanzekerheid en taaksamenstelling. Zoals weergegeven in Tabel 10, waren de associaties van AITC met de twee resourcevariabelen significant sterker onder leiders: AITC → CS (leider β = 0,599 versus personeel β = 0,363; Δ = 0,236, tweezijdig p = 0,014) en AITC → PS (leider β = 0,435 versus staf β = 0,199; Δ = 0,236, tweezijdig p = 0,043). Deze verschillen zijn praktisch betekenisvol: de AITC-CS-associatie onder leiders was ongeveer 1,6 keer zo groot als die onder het personeel, en de AITC-PS-vereniging was meer dan twee keer zo sterk. De overige directe paden (AITC → AHTR, CS → AHTR, PS → AHTR, PS → CS) verschilden niet significant tussen groepen (allemaal tweezijdig p > 0,19), wat aangeeft dat zodra middelen zijn gevormd, hun associaties met taakherverdeling vergelijkbaar werken over rollen heen. De groepsspecifieke bootstrap-schattingen (Tabel 11) tonen verder asymmetrische significantiepatronen in vier paden: PS → AHTR was significant voor leiders (β = 0,234, p = 0,001) maar niet voor personeel (β = 0,133, p = 0,064); het indirecte pad AITC → PS → AHTR was significant voor leiders (β = 0,102, p = 0,005) maar niet voor personeel (β = 0,026, p = 0,178); omgekeerd was PS → CS → AHTR significant voor personeel (β = 0,140, p = 0,001) maar slechts marginaal voor leiders (β = 0,059, p = 0,054); en AITC → PS → CS was significant voor personeel (β = 0,057, p = 0,043) maar marginaal voor leiders (β = 0,067, p = 0,065). Gezamenlijk lijkt de psychologisch-veiligheidsroute naar taakherverdeling directer voor leiders, terwijl psychologische veiligheid voor personeel vooral betrekking heeft op herverdeling door het mogelijk maken van cognitieve overschotten, een patroon dat overeenkomt met rolverschillen in verantwoordelijkheid en blootstelling aan baanzekerheid (H10a ondersteund; H10b gedeeltelijk ondersteund).

Constructies	Δ (Leider - Staf)	1-staartige (Leider versus Staf) p-waarde	2-tailed (Leider versus Staf) p-waarde
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
PS → AHTR	0.101	0.161	0.322
PS → CS	-0.135	0.901	0.199

Tabel 10: Multi-groep analyse (PLS-MGA) van verschillen tussen leider-stafpaden. Δ = verschil tussen de coëfficiënten van het gestandaardiseerde pad van leider en personeel (leider minus staf); p-waarden van bootstrap-gebaseerde PLS-MGA (1-tailed en 2-tailed). Significante verschillen (tweestaartig p < 0,05) geven aan dat het pad verschilt tussen leiders (n = 171) en staf (n = 160). AP = autonome planning; MTO = multitool-orkestratie; PF = proactieve feedback; CS = cognitief overschot; PS = psychologische veiligheid; AHTR = AI-mens taakherverdeling; AITC = Agentische AI-technologische kenmerken.

	Origineel (Leider)	Origineel (Staf)	Mean (Leider)	Mean (Staf)	STDEV (Leider)	STDEV (Staf)	t waarde (Leider)	t waarde (Staf)	p-waarde (Leader)	p-waarde (Staf)
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
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

Tabel 11: Groepsspecifieke bootstrap-schattingen voor leiders en medewerkers. Gestandaardiseerde padcoëfficiënten (Origineel), bootstrap-gemiddelden, standaardafwijkingen (STDEV), t-waarden en tweezijdige p-waarden werden afzonderlijk geschat binnen de leider- (n = 171) en stafgroepen (n = 160), voor alle directe en specifieke indirecte paden. Bootstrapping gebruikte 5.000 resamples binnen elke groep. AP = autonome planning; MTO = multitool-orkestratie; PF = proactieve feedback; CS = cognitief overschot; PS = psychologische veiligheid; AHTR = AI-mens taakherverdeling; AITC = Agentische AI-technologische kenmerken.

Samengevat voldeed het meetmodel aan de betrouwbaarheids- en validiteitscriteria; AITC was positief geassocieerd met CS, PS en AHTR; CS en PS bemiddelden de AITC-AHTR-associatie individueel en opeenvolgend; Het model toonde bevredigende voorspellende prestaties buiten de steekproef; en de associaties van AITC met CS en PS waren aanzienlijk sterker onder leiders, terwijl de paden van middelen naar taakherverdeling niet significant verschilden tussen de rollen. Gezamenlijk ondersteunen de resultaten het veronderstelde resource-winmodel en motiveren ze de rolgedifferentieerde interpretatie die in de discussie is ontwikkeld.

BESCHIKBAARHEID GEGEVENS:

De gegevens- en analysebestanden worden geüpload als Aanvullend Bestand 1, Aanvullend Bestand 2, Aanvullend Bestand 3, Aanvullend Bestand 4, Aanvullend Bestand 5, Aanvullend Bestand 6 en Aanvullend Bestand 7.

Aanvullend dossier 1: Vragenlijst.Klik hier om dit bestand te downloaden.

Aanvullend dossier 2. G*Power-protocol uitgang.Klik hier om dit bestand te downloaden.

Aanvullend dossier 3. MICOM Stap 2 — Comcompositionele invariantie (permutatie, 1.000). Compositionele invariantie vastgesteld voor alle constructen (oorspronkelijk c ≥ 5% kwantiel; permutatie p > 0,05). Gedeeltelijke meetinvariantie is voldoende om PLS-MGA te rechtvaardigen. Klik hier om dit bestand te downloaden.

Aanvullend dossier 4. Dataset.Klik hier om dit bestand te downloaden.

Aanvullend dossier 5. MGA bootstrap SmartPLS-rapport.Klik hier om dit bestand te downloaden.

Aanvullend dossier 6. MGA-permutatie SmartPLS-rapport. Klik hier om dit bestand te downloaden.

Aanvullend dossier 7. Codeboek — variabele, item, construct, schaal, codering en bron.Klik hier om dit bestand te downloaden.

Discussie

Deze studie onderzocht hoe de technologische kenmerken van Agentic AI zich verhouden tot de psychologische middelen en het taakherverdelingsgedrag van medewerkers, en of deze relaties verschillen tussen organisatorische rollen. Met behulp van een cross-sectionele enquête onder 331 AI-ervaren medewerkers en PLS-SEM met bemiddeling en multigroepsanalyse, waren de resultaten consistent met het veronderstelde resource-gainmodel: AITC was positief geassocieerd met cognitieve overschotten, psychologische veiligheid en AI-mens taakherverdeling; cognitief overschot en psychologische veiligheid bemiddelden de relatie tussen AITC en AHTR, individueel en opeenvolgend; en de associaties van AITC met beide resourcevariabelen waren significant sterker onder leiders dan bij personeel.

De bevindingen dragen drie theoretische implicaties. Ten eerste breiden ze de JD-R-theorie uit naar de context van Agentic AI door technologische kenmerken niet als hulpmiddelen te behandelen, maar als werkbronnen: de sterke associatie tussen AITC en CS (β = 0,485) is consistent met de opvatting dat autonome planning, multi-tool orkestratie en proactieve feedback cognitieve energie en discretionaire tijd besparen die werknemers kunnen herinvesteren 15,23,24 . Ten tweede verbinden ze de gain-spiral logica van de COR-theorie met AI-ondersteunde werkherontwerp: het significante sequentiële pad (AITC → PS → CS → AHTR) suggereert dat psychologische veiligheid functioneert als een contextuele bron die de accumulatie van cognitief surplus ondersteunt, wat op zijn beurt verband houdt met herallocatiegedrag^20,22. Ten derde, door AHTR te positioneren als een technologie-specifieke vorm van taakvorming binnen de job crafting-literatuur 17,31,32, gaat de studie verder dan de dominante focus op technische prestaties en automatiseringsresultaten en biedt het een psychologisch verslag van hoe agentische systemen worden ingebed in werkherontwerp. Omdat het ontwerp dwarsdoorsnede-gebaseerd is, moeten deze paden worden gelezen als associaties die consistent zijn met de veronderstelde causale ordening en niet als demonstraties van causaliteit.

De bemiddelingsresultaten verduidelijken waarom geavanceerde AI-beschikbaarheid alleen mogelijk niet vertaalt in veranderde werkpraktijken. De directe AITC-AHTR-associatie (β = 0,215) werd aangevuld door indirecte routes van vergelijkbare gecombineerde omvang via cognitief overschot (β = 0,215) en psychologische veiligheid (β = 0,060): werknemers lijken taken te herverdelen naar AI wanneer de technologie aantoonbaar cognitieve middelen vrijmaakt en wanneer het interpersoonlijke klimaat experimenteren veilig laat voelen 16,25,38. Dit dubbele mechanisme impliceert dat taakherverdeling evenzeer een grondstof- en klimaatfenomeen is als een technologisch fenomeen, wat heterogene adoptieresultaten over anders vergelijkbare implementaties kan verklaren.

De multi-groep resultaten voegen een rolgebaseerde randvoorwaarde toe. De AITC-CS en AITC-PS verenigingen waren respectievelijk ongeveer 1,6 en 2,2 keer sterker voor leiders dan voor personeel, terwijl de downstream routes van middelen naar herverdeling niet significant verschilden tussen groepen. Een interpretatie, consistent met de argumenten over perceptuele afstand^30,35, is dat leiders, die meer besluitvormingsbevoegdheid en strategische verantwoordelijkheid hebben, agentische capaciteiten gemakkelijker omzetten in waargenomen middelen, terwijl personeel, dat meer wordt blootgesteld aan automatiseringsgerelateerde baanonzekerheid en leereisen, minder direct psychologische veiligheidsvoordelen realiseren: voor personeel is psychologische veiligheid vooral gerelateerd aan herverdeling via cognitieve surplus (PS → CS → AHTR: β = 0,140, p = 0,001), terwijl voor leiders het directe PS → AHTR-pad significant was (β = 0,234, p = 0,001). Dit zijn tendensen die in deze steekproef worden waargenomen in plaats van vaste disposities, en de betrouwbaarheidsintervallen rond groepsverschillen rechtvaardigen voorzichtige interpretatie.

In de praktijk suggereren de bevindingen rolgedifferentieerde inzetstrategieën. Voor alle medewerkers kunnen organisaties de omzetting van bespaarde tijd in cognitieve surplus beschermen door werklastnormen en belangrijke prestatie-indicatoren aan te passen, zodat AI-vrije uren worden herinvesteerd in strategische, creatieve en samenwerkingsgerichte taken in plaats van opgeslokt te worden door extra routinebehoeften; concrete hefbomen zijn onder andere AI-gebruik governance die verantwoordelijkheid verduidelijkt wanneer AI fouten maakt, gestructureerde training in delegatiegerichte AI-vaardigheden en herkenningssystemen die gedocumenteerde taakherontwerpen belonen. Voor het personeel impliceren de resultaten dat psychologische veiligheidsinterventies, zoals no-blame review van AI-experimenten, tolerantie van managers voor vroege fouten en expliciete communicatie over baanzekerheid, voorwaarden zijn voor het ontstaan van cognitieve overschotten; voor leiders, die AITC gemakkelijker omzetten in middelen, is de prioriteit om dat overschot te kanaliseren in governance en noodplannen die de perceptiekkloof tussen leiders en medewerkers verkleinen in plaats van vergroten. Deze implicaties strekken zich uit tot risicovolle situaties zoals fraudedetectie en financiële beveiligingsoperaties, waarbij agentische systemen steeds vaker meldingen triageren, onderzoeksprocessen coördineren en afwijkende transacties markeren: in zulke omgevingen is psychologische veiligheid een voorwaarde voor medewerkers om AI-gegenereerde oordelen in twijfel te trekken, te overrulen en te rapporteren zonder angst voor schuld, en het herverdelen van routinematige monitoring naar AI kan de cognitieve middelen van analisten vrijmaken voor complexe, Oordelen-intensieve zaken, terwijl governance ervoor moet zorgen dat automatisering de verantwoordelijkheid voor beslissingen met hoge gevolgen niet ondermijnt. In bredere zin pleiten de waargenomen verschillen tussen leiders en medewerkers voor gedifferentieerde interventies: trainingscurricula die de nadruk leggen op delegatie- en toezichtsvaardigheden voor leiders en ondersteuning bij experimenteren en omscholing voor personeel, governancerollen die het risicorisico van elke groep weerspiegelen, en communicatiestrategieën die de resourcewinst van leiders zichtbaar en haalbaar maken voor het personeel.

Verschillende beperkingen bepalen deze conclusies en bepalen toekomstige richtingen. Alle variabelen werden op een bepaald moment door dezelfde respondenten zelf gerapporteerd; Ondanks procedurele oplossingen en statistische controles die suggereren dat de gemeenschappelijke methodenbias niet ernstig was, sluit het cross-sectional design causale inferentie uit en kan het geen tijdsvertraagde resourcespiralen vastleggen. Daarnaast werd AITC gemeten aan de hand van de zelfgerapporteerde percepties van medewerkers over agentische systeemcapaciteiten, die mogelijk niet overeenkomen met de werkelijke technische mogelijkheden van de systemen; Toekomstige ontwerpen zouden perceptuele metingen moeten koppelen aan systeemlogs of capaciteitsaudits. Hoewel deelnemers aan het begin van de enquête een korte gestandaardiseerde definitie van Agentic AI te zien kregen, bevestigde geen enkel begrip van de focus-technologie hun begrip van de focale technologie, en toekomstige studies zouden zo'n check moeten bevatten. De doelgerichte, platformgerekruteerde steekproef van AI-ervaren medewerkers, gewogen naar technologiesectoren en jongere respondenten, is geschikt voor een vroege modeltest maar beperkt de generaliseerbaarheid tot organisaties met een lage AI-volwassenheid, kleinere bedrijven en niet-digitale sectoren; de enkelvoudige selectie in één verzamelperiode impliceert eveneens culturele en contextuele specificiteit, waardoor de waargenomen associaties mogelijk niet generaliseren over arbeidsmarkten, AI-governanceregimes of beroepsculturen. Psychologische veiligheid werd ook gemeten als een individuele perceptie in plaats van een gedeeld teamklimaat. Toekomstig onderzoek zou longitudinale of ervaringsbemonsteringsontwerpen moeten gebruiken om winstspiralen te traceren, meerlaagse ontwerpen die individuele en teamgerichte psychologische veiligheid, kans- of organisatiegebaseerde steekproeven scheiden over AI-volwassenheidsniveaus, en uitbreidingen van het AITC-construct naar attributen zoals transparantie, controleerbaarheid en verklaarbaarheid. Ondanks deze beperkingen biedt de studie een reproduceerbaar protocol en initiële aanwijzingen dat de associaties van Agentic AI met werkresultaten werken door, en worden begrensd door, de psychologische middelen van medewerkers, kennis die onderzoekers, praktijkmensen en beleidsmakers zou moeten helpen agentische systemen in te zetten op manieren die de menselijke kant van werk versterken in plaats van ondermijnen.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Prolific	Prolific	https://www.prolific.com/	Online survey panel aanbieder
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com/	Enquêtecodering
SmartPLS	SmartPLS GmbH	versie 4.0.1, https://www.smartpls.com/	PLS-SEM analyse