Ten protokół opisuje przepływ pracy oparty na ankiecie do badania, jak cechy technologiczne Agentic AI są związane z nadwyżką poznawczą, bezpieczeństwem psychologicznym oraz realokacją zadań AI-człowiek wśród 331 pracowników. Modelowanie równan strukturalnych z wykorzystaniem najmniejszych kwadratów z wielogrupową analizą ujawnia różnice między liderami a personelem.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
Jak agentyjna AI kształtuje pracę: role nadwyżki poznawczej, bezpieczeństwa psychologicznego i realokacji zadań AI-człowiek
W tym artykule
Podsumowanie
Streszczenie
Niniejsze badanie bada, jak cechy technologiczne Agencjalnej AI są związane z stanami psychicznymi pracowników i ich reakcji behawioralnymi w organizacjach. Opierając się na teorii Wymagań i Zasobów Pracy (JD-R) oraz teorii Ochrony Zasobów (COR), konceptualizujemy cechy technologiczne Agencjalnej AI (AITC) jako wyższego rzędu konstrukt obejmujący autonomiczne planowanie, orkiestrację wielu narzędzi i proaktywne feedback, i proponujemy, że te cechy funkcjonują jako zasoby pracy związane z większym nadwyżkowym poziomem kognitywnym i bezpieczeństwem psychicznym, które z kolei są związane z realokacją zadań AI-człowiek. Dodatkowo badamy, czy te relacje różnią się między liderami a personelem. Przekrojowa, anonimowa ankieta online została przeprowadzona za pośrednictwem platformy ankietowej dla uczestników rekrutowanych przez panel badawczy przy użyciu wybiórczej próby nieprobabiltycznej; kwalifikacje ograniczono do dorosłych osób z aktualnym lub poprzednim doświadczeniem związanym z AI, a przesiewane, sprawdzone pod kątem uwagi odpowiedzi dały ostateczną próbę 331 pracowników (171 liderów, 160 personelu). Wszystkie konstrukty zostały zmierzone za pomocą skali Likerta o 7 punktach, przystosowanej do kontekstu Agencjalnej AI. Dane zostały przeanalizowane za pomocą częściowej metody najmniejszych kwadratów strukturalnego modelowania równań (PLS-SEM), stosując dwuetapowe podejście dla konstruktu drugiego rzędu, bootstrapowanie z 5000 resamplingami dla efektów bezpośrednich i pośrednich oraz analizę wielogrupową (MGA) dla porównań lider-personel. Model pomiarowy wykazał akceptowalną niezawodność i ważność, a wyniki strukturalne były zgodne z teoretyzowanym modelem zysku zasobów: AITC był pozytywnie związany z nadwyżką kognitywną, bezpieczeństwem psychicznym i realokacją zadań, z istotnymi ścieżkami mediacji i silniejszymi skojarzeniami AITC-zasobami wśród liderów. Skupiając się na mechanizmach psychicznych zamiast na wydajności technicznej, to badanie rozszerza wschodzące badania nad Agencjalną AI i oferuje praktyczne zastosowania dla zróżnicowanych strategii wdrożenia AI.
Wprowadzenie
Rozwój Agentycznej AI redefiniuje rolę sztucznej inteligencji w przemyśle i życiu organizacyjnym1,2. Agentyczną AI można zdefiniować jako zaawansowaną formę sztucznej inteligencji, która postrzega zmieniające się środowiska, niezależnie wyznacza cele za pomocą mechanizmów rozumowania i koordynuje sekwencje działań przy minimalnym nadzorze człowieka3,4. Odróżnia się ona od tradycyjnej AI, w tym konwencjonalnych narzędzi generatywnej AI, pod trzema względami: autonomią, ponieważ systemy agentyczne dążą do realizacji celów przy minimalnej interwencji człowieka, zamiast wykonywać zaprogramowane reguły5,6; funkcją podstawową, ponieważ ich celem jest automatyzacja złożonych przepływów pracy, a nie pojedynczych zadań7; oraz architekturą, ponieważ koordynują one wiele dużych modeli językowych, interfejsów programistycznych aplikacji (API) i agentów, zamiast polegać na pojedynczym modelu7. Możliwości te opierają się na definiujących cechach technologicznych badanych w niniejszej pracy8,9. Autonomiczne planowanie (AP) oznacza, że w odniesieniu do celu użytkownika system niezależnie rozkłada go na podzadania i aktualizuje swój plan w miarę zmiany ograniczeń10; na przykład pracownik może podać jednowiersową instrukcję i otrzymać gotowy, wieloetapowy plan projektu. Wielonarzędziowa orkiestracja (MTO) oznacza, że system wybiera, szereguje i integruje zewnętrzne narzędzia oraz API1,11,12; na przykład łącząc wyszukiwanie internetowe, edytory dokumentów i narzędzia do analizy danych w celu stworzenia jednego spójnego raportu. Proaktywna informacja zwrotna (PF) oznacza, że system sygnalizuje błędy, brakujące informacje i ryzykowne założenia, zanim zostanie o to poproszony10,13; na przykład przypominając pracownikowi o punktach weryfikacji lub zgodności podczas wykonywania zadania. Skupiamy się na tych trzech cechach, określanych zbiorczo jako cechy technologiczne Agentycznej AI (AITC), ponieważ są to możliwości funkcjonalne, które odróżniają AI agentyczną od tradycyjnej w codziennej pracy7,10; atrybuty takie jak przejrzystość, sterowalność i wyjaśnialność mają znaczenie dla zaufania do AI w ogóle, ale nie są specyficzne dla paradygmatu agentycznego, dlatego traktujemy je jako warunki brzegowe dla przyszłych badań, a nie jako wymiary centralne.
Mimo szybkiego upowszechniania się agentycznej sztucznej inteligencji (Agentic AI) w miejscach pracy, istniejąca literatura koncentrowała się głównie na jej architekturze technicznej, wydajności operacyjnej oraz możliwościach automatyzacji zadań, poświęcając stosunkowo mało uwagi temu, jak cechy te kształtują stany psychologiczne i reakcje behawioralne pracowników14,15. Pominięcie tego aspektu jest istotne, ponieważ realokacja zadań między ludźmi a AI nie jest jedynie korektą techniczną, lecz procesem osadzonym psychologicznie i organizacyjnie: pracownicy muszą kwestionować istniejące przepływy pracy, redefiniować granice ról i akceptować nowe formy współpracy z inteligentnymi systemami16,17. Takie zmiany nie zachodzą automatycznie tylko dlatego, że dostępna jest zaawansowana technologia. W związku z tym cel niniejszego badania jest trojaki: zbadanie, czy AITC funkcjonują jako zasoby pracy powiązane z nadwyżką poznawczą, bezpieczeństwem psychologicznym i realokacją zadań AI-człowiek; zbadanie roli mediacyjnej i sekwencyjnie mediacyjnej nadwyżki poznawczej oraz bezpieczeństwa psychologicznego; a także sprawdzenie, czy te relacje strukturalne różnią się między liderami a personelem. Nowatorstwo tego badania przejawia się w trzech aspektach. Po pierwsze, konceptualizuje i operacjonalizuje cechy technologiczne agentycznej AI — autonomiczne planowanie, koordynację wielu narzędzi oraz proaktywną informację zwrotną — jako zasób pracy wyższego rzędu w ramach modelu JD-R, zamiast traktować wdrażanie AI jako niezróżnicowany kontekst. Po drugie, wprowadza realokację zadań AI-człowiek jako specyficzną dla danej dziedziny, realizowaną technologicznie formę kształtowania zadań (task crafting), odmienną zarówno od ogólnego kształtowania pracy (job crafting), jak i wyników cyfrowej transformacji narzuconej odgórnie. Po trzecie, dostarcza, według naszej wiedzy, pierwszych dowodów z analizy wielogrupowej na to, że powiązania generujące zasoby w przypadku agentycznej AI różnią się systematycznie między liderami a personelem.
Uzasadnienie teoretyczne integruje teorię wymagań i zasobów w pracy (Job Demands-Resources, JD-R) oraz teorię zachowania zasobów (Conservation of Resources, COR). Teoria JD-R zakłada, że każda praca składa się z wymagań zawodowych – fizycznych, emocjonalnych i poznawczych aspektów pracy wymagających stałego wysiłku – oraz zasobów zawodowych, czyli aspektów, które redukują wymagania, wspierają osiąganie celów i stymulują rozwój osobisty; ich równowaga kształtuje zaangażowanie, dobrostan i wydajność18,19. Teoria COR dodaje do tego mechanizm dynamiczny: jednostki dążą do pozyskiwania, utrzymywania i ochrony cennych zasobów, a zgromadzone zasoby inicjują spirale zysków, w których istniejące zasoby są reinwestowane w celu zdobycia kolejnych20,21,22. Z tej wspólnej perspektywy AITC można konceptualizować nie tylko jako funkcje techniczne, ale jako nową formę zasobu zawodowego: przejmując powtarzalne i obciążające poznawczo zadania, takie jak planowanie i analiza diagnostyczna, systemy agentowe redukują wymagania i oszczędzają energię poznawczą oraz czas pracowników15,23. Nadwyżkę poznawczą (cognitive surplus, CS) definiujemy jako rezerwuar energii poznawczej i czasu dyspozycyjnego, który staje się dostępny, gdy takie rutynowe zadania są delegowane do technologii, i który może zostać reinwestowany w zbiorowe uczestnictwo, współpracę oraz tworzenie nowej wartości24. CS jest zatem konceptualnie odrębny od zaangażowania w pracę, które jest stanem afektywno-motywacyjnym, oraz od samej dostępności czasowej, ponieważ oznacza on konwertowalny zasób osobistych zasobów w sensie teorii COR20,24. CS różni się również od dystansowania psychologicznego i regeneracji, które dotyczą odzyskiwania wyczerpanej energii poza pracą, oraz od obfitości czasowej, która oznacza subiektywne odczucie posiadania wystarczającej ilości czasu; CS odnosi się natomiast do uwolnionych zasobów poznawczych, które pozostają dostępne do reinwestycji w trakcie samej pracy. W terminologii COR skumulowana nadwyżka CS reprezentuje zysk zasobowy, który powinien wspierać dobrostan zawodowy poprzez buforowanie wyczerpania i wypalenia, podczas gdy jej pochłonięcie przez dodatkowe rutynowe wymagania sygnalizowałoby stratę zasobów20,23,24. To, czy zaoszczędzony czas faktycznie przekłada się na nadwyżkę, może zależeć od cech indywidualnych, takich jak biegłość w obsłudze AI (AI literacy), od norm obciążenia pracą, które mogą pochłonąć zaoszczędzony czas poprzez dodatkowe wymagania, oraz od kultury organizacyjnej; traktujemy zatem ścieżkę zysku zasobowego jako hipotezę do przetestowania, a nie jako założenie.
H1: AITC jest dodatnio skorelowany z CS.
Bezpieczeństwo psychologiczne (PS) definiuje się jako przekonanie, że środowisko pracy jest bezpieczne pod kątem podejmowania ryzyka interpersonalnego, takiego jak przyznawanie się do błędów, proszenie o pomoc i kwestionowanie istniejącego stanu rzeczy25,26. Chociaż bezpieczeństwo psychologiczne było często badane jako klimat na poziomie zespołu, w niniejszym badaniu konceptualizowane i mierzone jest ono jako percepcja na poziomie indywidualnym, co jest zgodne z projektem naszej ankiety na poziomie indywidualnym27,28. Gdy systemy agentyczne dostarczają informacji zwrotnych zorientowanych na naukę oraz narzędzi wspierających, koszt interpersonalny eksperymentowania i ujawniania błędów może spaść, ponieważ pracownicy mogą testować i korygować swoją pracę przed przedstawieniem jej innym26,28. Przyznajemy jednak, że możliwa jest odwrotna dynamika: w sytuacjach, gdy systemy agentyczne są wykorzystywane do nadzoru lub rozliczania z błędów, postrzegane ryzyko interpersonalne i nieufność mogą wzrosnąć29,30. Ponieważ analizowane tutaj cechy mają charakter pomocniczy, a nie oceniający, hipotetyzujemy wystąpienie pozytywnej korelacji, traktując tę dwustronną możliwość jako istotny warunek brzegowy.
H2: AITC jest dodatnio skorelowany z PS.
Definiujemy ponowne przydzielanie zadań między sztuczną inteligencją a człowiekiem (AHTR) jako inicjowaną przez pracowników redystrybucję zadań pomiędzy nimi a systemami AI, polegającą na delegowaniu rutynowej pracy do AI przy jednoczesnym rozszerzaniu własnych odpowiedzialności strategicznych i kreatywnych. Pozycjonujemy AHTR jako specyficzną dla danej domeny formę kształtowania pracy (job crafting). W modelu Tims i Bakkera opartym na JD-R, kształtowanie pracy obejmuje zwiększanie zasobów pracy, zwiększanie wyzwań oraz zmniejszanie czynników utrudniających17,31; w typologii Wrzesniewskiego i Duttona obejmuje ono kształtowanie zadań, relacji oraz poznawcze32. AHTR odpowiada w największym stopniu kształtowaniu zadań realizowanemu za pomocą technologii: oddelegowanie rutynowych zadań do AI jednocześnie zmniejsza czynniki utrudniające i mobilizuje nowy zasób pracy17,23,32. Jest to pojęcie węższe niż ogólny rezultat transformacji cyfrowej, ponieważ obejmuje ono uznaniowe, inicjowane przez pracowników zmiany w granicach zadań, a nie odgórną reorganizację struktury33. Nadajemy pierwszeństwo ponownemu przydzielaniu zadań nad kształtowaniem relacyjnym i poznawczym, ponieważ redystrybucja zadań stanowi najbardziej bezpośredni interfejs behawioralny między pracownikami a systemami agentowymi i jest bezpośrednio obserwowalna we wczesnej fazie adaptacji, podczas gdy kształtowanie relacyjne i poznawcze zazwyczaj pojawia się jako wtórne adaptacje31,32. W przeciwieństwie do wcześniejszych badań, które traktowały wdrażanie AI jako kontekstowy poprzednik ogólnego kształtowania pracy16,34, modelujemy samo ponowne przydzielanie jako kluczowe zachowanie związane z kształtowaniem pracy. Ponieważ takie ponowne przydzielanie zakłóca ugruntowane przepływy pracy, pracownicy są bardziej skłonni je wdrażać, gdy dysponują wystarczającymi zasobami poznawczymi do przeprojektowania swojej pracy i czują się psychologicznie bezpieczni, by podjąć związane z tym ryzyko interpersonalne16,34. W ramach logiki spirali zysków teorii COR, bezpieczeństwo psychologiczne funkcjonuje również jako zasób kontekstowy, który chroni i potęguje akumulację nadwyżki poznawczej22.
H3: CS jest dodatnio skorelowany z AHTR.
H5: PS jest dodatnio skorelowany z AHTR.
H6: PS jest dodatnio skorelowane z CS.
H9: AITC jest dodatnio skorelowane z AHTR.
Integrując te argumenty, oczekuje się, że AITC będzie wiązać się z AHTR nie tylko bezpośrednio, ale także pośrednio, poprzez ścieżki zysku zasobów w postaci nadwyżki poznawczej i bezpieczeństwa psychologicznego.
H4: CS pośredniczy w relacji między AITC a AHTR.
H7: PS pośredniczy w relacji między AITC a AHTR.
H8: PS i CS pośredniczą sekwencyjnie w związku pomiędzy AITC a AHTR.
Wreszcie, pracownicy nie interpretują i nie reagują na agentową AI w sposób jednolity. Gibson, Cooper i Conger opisali dystans percepcyjny między liderami a ich zespołami jako rozbieżność poznawczą w odniesieniu do tych samych celów organizacyjnych, wynikającą z asymetrii w dostępie do informacji, odpowiedzialności, ekspozycji na ryzyko oraz doświadczenia zawodowego35. Opierając się na tym ujęciu, liderzy i personel zajmują strukturalnie różne pozycje w kontekście wdrażania AI: liderzy ponoszą odpowiedzialność strategiczną i mają tendencję do postrzegania AI jako zasobu zorientowanego na augmentację, służącego zwiększeniu produktywności i podejmowaniu decyzji w oparciu o dane, podczas gdy personel jest w stopniu większym narażony na niepewność zatrudnienia związaną z automatyzacją oraz przeładowanie procesem uczenia się20,30. Traktujemy te wzorce jako tendencje podlegające empirycznej weryfikacji, a nie jako stałe predyspozycje którejkolwiek z grup. Takie rozbieżności wynikające z pełnionej roli mogą generować heterogeniczne wzorce w relacjach między AITC, CS, PS i AHTR, jednak badania empiryczne jednoznacznie uwzględniające te różnice grupowe pozostają ograniczone.
H10a: Zależności między AITC a CS i PS różnią się w zależności od tego, czy badane osoby są liderami, czy personelem.
H10b: Związki PS i CS z AHTR różnią się pomiędzy liderami a personelem.
Poniższy protokół opisuje kompletny przebieg prac, od rekrutacji i przesiewu uczestników, poprzez przeprowadzenie ankiet, oczyszczanie danych, walidację pomiarów, estymację modelu strukturalnego, analizę mediacji, aż po analizę wielogrupową (MGA) (Rycina 1), aby umożliwić niezależne powtórzenie procedury. Model badawczy przedstawiono na Rycynie 2: AITC, modelowany jako konstrukt drugiego rzędu obejmujący AP, MTO i PF, wiąże się z AHTR bezpośrednio oraz pośrednio poprzez CS i PS, przy czym PS wiąże się również z CS; różnicę w roli lider-pracownik badano za pomocą MGA.
Rysunek 1Ogólny schemat przebiegu projektu badania. Schemat pełnego protokołu badawczego. Uczestników zrekrutowano za pośrednictwem panelu online z wykorzystaniem celowego doboru nielosowego, a następnie przesiewowo zweryfikowano pod kątem doświadczenia zawodowego związanego z AI; kwalifikujący się respondenci wypełnili anonimową ankietę, w której wszystkie konstrukty mierzono za pomocą 7-stopniowych skal Likerta. Po oczyszczeniu danych (usunięciu osób, które nie przeszły weryfikacji przesiewowej, nie zaliczyły kontroli uwagi lub wykazały nieprawdopodobnie krótki czas wypełniania ankiety; końcowe N = 331), zwalidowano model pomiarowy (niezawodność: współczynnik α Cronbacha, niezawodność złożona; trafność zbieżna: średnia wariancja wyodrębniona; trafność różnicująca: HTMT i kryterium Fornella-Larckera), zwalidowano konstrukt drugiego rzędu za pomocą podejścia dwuetapowego, a model strukturalny, ścieżki mediacji oraz analizę wielogrupową dla liderów i pracowników oszacowano przy użyciu 5000 prób bootstrapowych. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 2. Proponowany model badawczy. Model koncepcyjny hipotetycznych zależności. Zakładano, że cechy technologiczne agentycznej AI (AITC), konstrukt drugiego rzędu obejmujący autonomiczne planowanie (AP; zdolność systemu do rozbijania celów na podzadania i rewizji planów), orkiestrację wielu narzędzi (MTO; zdolność do wyboru, sekwencjonowania i integrowania wielu narzędzi i API) oraz proaktywną informację zwrotną (PF; zdolność do niepromptowanego sygnalizowania błędów i ryzyk), są dodatnio skorelowane z nadwyżką poznawczą (CS; rezerwa energii poznawczej i czas wolny uwalniany, gdy rutynowe zadania są delegowane do AI), bezpieczeństwem psychologicznym (PS; przekonanie, że środowisko pracy jest bezpieczne dla podejmowania ryzyka interpersonalnego) oraz realokacją zadań człowiek-AI (AHTR; inicjowana przez pracowników redystrybucja zadań między nimi a AI) (H1, H2, H9). Założono, że CS i PS są dodatnio skorelowane z AHTR (H3, H5), PS z CS (H6), a CS i PS pełnią funkcję mediatorów, indywidualnie i sekwencyjnie, w relacji AITC-AHTR (H4, H7, H8). Strzałki reprezentują hipotetyczne ścieżki strukturalne; H10a/H10b oznaczają hipotetyczne różnice między kadrą kierowniczą a personelem, badane za pomocą analizy wielogrupowej. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
Wszystkie procedury zostały przeprowadzone zgodnie z etycznymi standardami badań z udziałem ludzkich uczestników na Uniwersytecie aSSIST i Uniwersytecie Dong-A. Ponieważ wszystkie odpowiedzi zostały szanowane anonimowość podczas zbierania i żadne dane osobowe nie zostały zebrane na żadnym etapie, Rada Etyczna Uniwersytetu aSSIST stwierdziła, że badanie jest zwolnione z pełnej rewizji zgodnie z Artykułem 15 Prawa o Bioetyce i Bezpieczeństwie Republiki Korei oraz Artykułem 13 jego Przepisów Wykonawczych. Ankieta rozpoczynała się od strony informacyjnej i zgody, stwierdzającej, że udział ograniczony był do osób obecnie zatrudnionych i zaangażowanych w projekt AI, opisującej cel badania i wyjaśniającej dobrowolny charakter uczestnictwa, anonimowość odpowiedzi oraz przewidziane użycie danych; tylko respondentzi, którzy wyraźnie wyrazili zgodę, przeszli do kwestionariusza. Strona zgody znajduje się w Pliku uzupełniającym 1.
Wyznaczanie wielkości próby
Przed zebraniem danych przeprowadzono analizę a priori mocy przy użyciu G*Power 3.1.9.7 (RRID: SCR_013726) dla rodziny liniowej regresji wielokrotnej, określając największą liczbę predykcji skierowanych na pojedynczą endogenną konstrukcję w modelu; w niniejszym badaniu AHTR jest przewidywane przez trzy konstrukty (AITC, CS i PS). Przy średniej wielkości efektu (f2 = 0,15), α = 0,05 i mocy statystycznej 0,80 wymagana minimalna liczba przypadków wynosiła 77; wynik protokołu G*Power jest przedstawiony w Pliku uzupełniającym 2. Minimalna wielkość próby została zweryfikowana za pomocą metody odwrotnej pierwiastka kwadratowego dla PLS-SEM36, według której wymagana jest około 155 przypadków, aby wykryć minimalny znormalizowany współczynnik ścieżki około 0,20 na poziomie istotności 5% przy mocy 80%. Wreszcie cel rekrutacji został ustalony na znacznie przekraczający oba minima, aby wspierać bootstrapowanie efektów pośrednich i wielogrupową analizę podzbiorów; ostateczna próba (N = 331; liderzy n = 171, personel n = 160) spełniała minimalny wymóg próby w każdej podgrupie.
Rekrutacja i przesiewanie uczestników
Uczestnicy zostali zrekrutowani za pośrednictwem internetowego panelu badawczego przy użyciu celowego nieprawdopodobnego pobierania prób; to znaczy, że próba została celowo ograniczona do respondentów spełniających a priori kryterium merytoryczne - obecne lub poprzednie doświadczenie zawodowe związane z AI - zamiast losowo pobranych z ogólnej populacji. Kwalifikacji podlegały osoby w wieku 18 lat lub starsze. Doświadczenie zawodowe związane z AI zostało sprecyzowane za pomocą pytania przesiewającego "Które z poniższych najlepiej opisuje Twoją obecną sytuację?", przedstawionego przed głównym kwestionariuszem; tylko respondentzi, którzy wskazali, że są obecnie zatrudnieni i zaangażowani w pracę związaną z AI, kontynuowali, podczas gdy pozostałe opcje (zatrudnieni, ale nie zaangażowani w pracę z AI; niezatrudnieni, ale wcześniej zaangażowani; niezatrudnieni i niezaangażowani) powodowały natychmiastowe wykluczenie. Zbieranie danych odbyło się w jednej sesji 8 lutego 2026 (10:28-13:30), a uczestnicy byli wynagrodzeni w wysokości 6,98 GBP za godzinę zgodnie z polityką uczciwej płacy platformy. Powtórne uczestnictwo zostało uniknięte dzięki unikalnym identyfikatorom uczestników platformy i ustawieniach zapobiegającym podwójnym odpowiedziom platformy ankietowej. Liczba respondentów na każdym etapie została zarejestrowana w celu udokumentowania przepływu inkluzji/ekskluzji: zarejestrowanych zostało 537 odpowiedzi; 151 zostało wykluczonych przez pytania przesiewające (386 pozostało); 40 zostało usuniętych za nieprzejście kontroli uwagi, w tym prostych linii (346 pozostało); i 15 zostało usuniętych z powodu nieprawdopodobnie krótkich czasów wypełnienia (poniżej około 180 s), co dało ostateczną próbę N = 331.
Standaryzowana definicja i instrukcje ankiety
Uczestnicy zostali poinformowani, że ankieta badała, jak Agentic AI może wpływać na organizacje i ich członków. Na początku ankiety wszystkim uczestnikom została przedstawiona krótka standaryzowana definicja Agentic AI, zgodna z definicją podawaną we Wprowadzeniu - zaawansowany system AI charakteryzujący się autonomicznym planowaniem, orkietracją wielu narzędzi i proaktywną informacją zwrotną, który wykonuje działania ukierunkowane na osiągnięcie celu z ograniczonym nadzorem człowieka (Rysunek 1, krok 2). Kwalifikacji podlegały osoby, które były obecnie zatrudnione i zaangażowane w projekt AI, co zapewniało odpowiednie zawodowe podstawy do odpowiedzi na kwestionariusz. Nie została dołączona osobna pozycja sprawdzająca zrozumienie; standaryzowana definicja służyła zatem jako orientacja kontekstowa, a nie zweryfikowany test zrozumienia. Uczestnicy zostali pouczeni, aby odpowiedzieć na każdą pozycję na podstawie swojego rzeczywistego doświadczenia korzystania lub pracy z takimi systemami Agentic AI w kontekście organizacyjnym.
Opracowanie i administrowanie narzę
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Charakterystyka uczestników
Tabela 2 przedstawia charakterystykę demograficzną końcowej próby (N = 331). Próbę stanowiło 65,0% mężczyzn i 35,0% kobiet, z relatywnie zrównoważonym rozkładem między liderami (51,7%, n = 171) a personelem (48,3%, n = 160). Najliczniejszą grupą wiekową były osoby poniżej 30 roku życia (46,5%), a następnie grupa 31–40 lat (32,0%); 76,4% posiadało stopnie licencjata, inżyniera lub magistra. Respondenci pochodzili z różnych branż, w t...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Niniejsze badanie zbadał, jak technologiczne cechy AI agenturalnej wiążą się z zasobami psychologicznymi pracowników i zachowaniem dotyczącym przeznaczania zadań, oraz czy te relacje różnią się w zależności od ról organizacyjnych. Korzystając z przekrojowej ankiety przeprowadzonej na 331 pracowników z doświadczeniem w dziedzinie AI oraz PLS-SEM z mediacją i analizą wielogrupową, wyniki były zgodne z teoretyzowanym modelem zysku zasobowego: AITC był pozytywnie związany z nadwyżką poznawczą, bezpieczeństwem psychologicznym...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autorzy deklarują brak konfliktów interesów.
Do edycji językowej wykorzystano narzędzie sztucznej inteligencji (ChatGPT, OpenAI); cały materiał został przejrzany i zweryfikowany przez autorów, którzy sprawdzili również, czy edycja wspierana przez sztuczną inteligencję nie wprowadziła zmian w terminologii czy tonie w różnych sekcjach.
Podziękowania
To dzieło było wspierane przez fundusze badawcze z aSSIST University.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Prolific | Prolific | https://www.prolific.com/ | Dostawca internetowego panelu ankieterskiego |
| Qualtrics | Qualtrics, LLC | https://www.qualtrics.com/ | Kodowanie ankiety |
| SmartPLS | SmartPLS GmbH | wersja 4.0.1, https://www.smartpls.com/ | Analiza PLS-SEM |
Bibliografia
- Chawla C, Chatterjee S, Gadadinni SS, Verma P, Banerjee S. Agentic AI: The building blocks of sophisticated AI business applications. Journal of AI, Robotics & Workplace Automation. 2024;3(3):196–210.
- Lu C, et al. The AI scientist: Towards fully automated open-ended scientific discovery. arXiv [Preprint]. 2024. arXiv:2408.06292. Available from: https://arxiv.org/abs/2408.06292.
- Xie J, Chen Z, Zhang R, Wan X, Li G. Large multimodal agents: A survey. arXiv [Preprint]. 2024. arXiv:2402.15116. Available from: https://arxiv.org/abs/2402.15116.
- Du H, Thudumu S, Vasa R, Mouzakis K. A survey on context-aware multi-agent systems: Techniques, challenges and future directions. arXiv [Preprint]. 2024. arXiv:2402.01968. Available from: https://arxiv.org/abs/2402.01968.
- Acharya DB, Kuppan K, Divya B. Agentic AI: Autonomous intelligence for complex goals - a comprehensive survey. IEEE Access. 2025;13:18912–18936.
- Calegari R, Ciatto G, Mascardi V, Omicini A. Logic-based technologies for multi-agent systems: A systematic literature review. Auton Agent Multi Agent Syst. 2021;35(1):1.
- Sapkota R, Roumeliotis KI, Karkee M. AI agents vs. Agentic AI: A conceptual taxonomy, applications and challenges. Inf Fusion. 2026;126:103599.
- Abou Ali M, Dornaika F, Charafeddine J. Agentic AI: A comprehensive survey of architectures, applications, and future directions. Artif Intell Rev. 2025;59(1):11.
- Buyya R. Agentic artificial intelligence (AI): Architectures, taxonomies, and evaluation of large language model agents. arXiv [Preprint]. 2026. arXiv:2601.12560. Available from: https://arxiv.org/abs/2601.12560.
- Nisa U, Shirazi M, Saip MA, Pozi MSM. Agentic AI: The age of reasoning - a review. J Autom Intell. 2025. doi:10.1016/j.jai.2025.08.003.
- Singh A, Ehtesham A, Kumar S, Khoei TT. Enhancing AI systems with agentic workflows patterns in large language model. In: 2024 IEEE World AI IoT Congress (AIIoT); Seattle, WA; 2024:527–532.
- Zeng A, et al. AgentTuning: Enabling generalized agent abilities for LLMs. In: Findings of the Association for Computational Linguistics: ACL 2024; Bangkok, Thailand; 2024:3053–3077.
- Liu X, Zhang L, Wei X. Generative artificial intelligence literacy: Scale development and its effect on job performance. Behav Sci (Basel). 2025;15(6):811.
- Wooldridge M, Jennings NR. Intelligent agents: Theory and practice. Knowl Eng Rev. 1995;10(2):115–152.
- Masterman T, Besen S, Sawtell M, Chao A. The landscape of emerging AI agent architectures for reasoning, planning, and tool calling: A survey. arXiv [Preprint]. 2024. arXiv:2404.11584. Available from: https://arxiv.org/abs/2404.11584.
- Sha C, Chai T. When digital-AI transformation sparks adaptation: Job crafting and AI knowledge in job insecurity contexts. Front Psychol. 2025;16:1612245.
- Tims M, Bakker AB. Job crafting: Towards a new model of individual job redesign. SA J Ind Psychol. 2010;36(2):1–9.
- Bakker AB, Hakanen JJ, Demerouti E, Xanthopoulou D. Job resources boost work engagement, particularly when job demands are high. J Educ Psychol. 2007;99(2):274–284.
- Bakker AB, Demerouti E, Sanz-Vergel A. Job demands-resources theory: Ten years later. Annu Rev Organ Psychol Organ Behav. 2023;10(1):25–53.
- Hobfoll SE, Shirom A. Conservation of resources theory: Applications to stress and management in the workplace. In: Golembiewski RT, ed. Handbook of Organizational Behavior. 2nd ed. Marcel Dekker; New York; 2000:57–80.
- Hobfoll SE. Conservation of resources: A new attempt at conceptualizing stress. Am Psychol. 1989;44(3):513–524.
- Hobfoll SE, Halbesleben J, Neveu JP, Westman M. Conservation of resources in the organizational context: The reality of resources and their consequences. Annu Rev Organ Psychol Organ Behav. 2018;5(1):103–128.
- Bakker AB, Demerouti E. Job demands-resources theory: Taking stock and looking forward. J Occup Health Psychol. 2017;22(3):273–285.
- Shirky C. Cognitive Surplus: How Technology Makes Consumers into Collaborators. Penguin Press; New York; 2010.
- Edmondson A. Psychological safety and learning behavior in work teams. Adm Sci Q. 1999;44(2):350–383.
- Zhao G, Kumar N, Wang C, Liu Z. Bridging the AI gap: How AI-oriented leadership empowers non-technical employees in AI-based innovation engagement. Leadersh Organ Dev J. 2026;47(3):498–514.
- Edmondson AC, Lei Z. Psychological safety: The history, renaissance, and future of an interpersonal construct. Annu Rev Organ Psychol Organ Behav. 2014;1(1):23–43.
- Kim BJ, Kim MJ, Lee J. The dark side of artificial intelligence adoption: Linking artificial intelligence adoption to employee depression via psychological safety and ethical leadership. Humanit Soc Sci Commun. 2025;12(1):1–14.
- Cardon PW, Ma H, Fleischmann C. Recorded business meetings and AI algorithmic tools: Negotiating privacy concerns, psychological safety, and control. Int J Bus Commun. 2023;60(4):1095–1122.
- Raisch S, Krakowski S. Artificial intelligence and management: The automation-augmentation paradox. Acad Manage Rev. 2021;46(1):192–210.
- Tims M, Bakker AB, Derks D. Development and validation of the job crafting scale. J Vocat Behav. 2012;80(1):173–186.
- Wrzesniewski A, Dutton JE. Crafting a job: Revisioning employees as active crafters of their work. Acad Manage Rev. 2001;26(2):179–201.
- Grant AM, Parker SK. Redesigning work design theories: The rise of relational and proactive perspectives. Acad Manag Ann. 2009;3(1):317–375.
- Liu Q, Tian Q, Li X, Tan H. How does organizational AI adoption affect employees’ job crafting behaviors? An approach-avoidance perspective. Front Psychol. 2025;16:1690238.
- Gibson CB, Cooper CD, Conger JA. Do you see what we see? The complex effects of perceptual distance between leaders and teams. J Appl Psychol. 2009;94(1):62–76.
- Hair JF, et al. Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R: A Workbook. Springer; Cham; 2021:1–56.
- Liu Y, Sheng F, Liu R. Generative AI adoption and employee outcomes: A conservation of resources perspective on job crafting, career commitment, and the moderating role of liking of AI. Humanit Soc Sci Commun. 2025;12:1376.
- Plomp J, Tims M, Khapova SN, Jansen PG, Bakker AB. Psychological safety, job crafting, and employability: A comparison between permanent and temporary workers. Front Psychol. 2019;10:974.
- Li W, et al. Embracing artificial intelligence (AI) with job crafting: Exploring trickle-down effect and employees’ outcomes. Tour Manag. 2024;104:104935.
- Gaskin J, Godfrey S, Vance A. Successful system use: It’s not just who you are, but what you do. AIS Trans Hum Comput Interact. 2018;10(2):57–81.
- Marakas G, Johnson R, Clay PF. The evolving nature of the computer self-efficacy construct: An empirical investigation of measurement construction, validity, reliability and stability over time. J Assoc Inf Syst. 2007;8(1):2.
- Loch KD, Straub DW, Kamel S. Diffusing the Internet in the Arab world: The role of social norms and technological culturation. Global Information Systems. 2008;143–175.
- Nunnally JC. Psychometric Theory. 2nd ed. McGraw-Hill; New York; 1978.
- Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39–50.
- Henseler J, Ringle CM, Sarstedt M. A new criterion for assessing discriminant validity in variance-based structural equation modeling. J Acad Mark Sci. 2015;43(1):115–135.
- Kock N. Common method bias in PLS-SEM: A full collinearity assessment approach. Int J e-Collab. 2015;11(4):1–10.
- Kock N, Lynn GS. Lateral collinearity and misleading results in variance-based SEM: An illustration and recommendations. J Assoc Inf Syst. 2012;13(7):2.
- Shmueli G, et al. Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. Eur J Mark. 2019;53(11):2322–2347.
- Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: A critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879–903.
- Podsakoff PM, MacKenzie SB, Podsakoff NP. Sources of method bias in social science research and recommendations on how to control it. Annu Rev Psychol. 2012;63(1):539–569.
- Harman HH. Modern Factor Analysis. 3rd ed. University of Chicago Press; Chicago; 1976.
- Podsakoff PM, Organ DW. Self-reports in organizational research: Problems and prospects. J Manage. 1986;12(4):531–544.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.