Artykuł badawczy
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.
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.
Rozwój agentycznej sztucznej inteligencji (ang. Agentic AI) na nowo definiuje rolę sztucznej inteligencji w przemyśle oraz życiu organizacyjnym1,2. Agentyczna sztuczną inteligencję można zdefiniować jako zaawansowaną formę sztucznej inteligencji, która postrzega zmieniające się środowiska, samodzielnie ustala cele poprzez mechanizmy rozumowania i koordynuje sekwencje działań przy minimalnym nadzorze człowieka3,4. Różni się ona od tradycyjnej sztucznej inteligencji, w tym konwencjonalnych narzędzi do generowania treści, pod względem trzech aspektów: autonomii, ponieważ systemy agentyczne realizują cele przy minimalnym udziale człowieka, a nie wykonują wcześniej zaprogramowane zasady5,6; funkcji rdzeniowej, ponieważ ich celem jest automatyzacja złożonych przepływów pracy, a nie pojedynczych zadań7; oraz architektury, ponieważ koordynują wiele dużych modeli językowych, interfejsów programistycznych (API) i agentów, zamiast polegać na pojedynczym modelu7. Te zdolności opierają się na definiujących cechach technologicznych badanych w niniejszym badaniu8,9. Autonomiczne planowanie (AP) oznacza, że system, mając na uwadze cel użytkownika, niezależnie dekomponuje go na podzadania i rewiduje swój plan w miarę zmian ograniczeń10; na przykład pracownik może podać jednoliniową instrukcję i otrzymać wykonalny wieloetapowy plan projektu. Orkiestracja wielu narzędzi (MTO) oznacza, że system wybiera, sekwencji i integruje zewnętrzne narzędzia i interfejsy API1,11,12; na przykład łączenie wyszukiwarki internetowej, edytorów dokumentów i narzędzi do analizy danych w celu stworzenia jednego spójnego raportu. Proaktywna informacja zwrotna (PF) oznacza, że system wskazuje błędy, braki informacji i ryzykowne założenia przed pytaniem10,13; na przykład przypominanie pracownikowi o punktach walidacji lub zgodności podczas wykonywania zadania. Skupiamy się na tych trzech cechach, zwanych razem technologicznymi cechami agentycznej sztucznej inteligencji (AITC), ponieważ są to funkcjonalne zdolności, które wyróżniają agentyczną sztuczną inteligencję od tradycyjnej sztucznej inteligencji w codziennej pracy7,10; cechy takie jak przejrzystość, kontrolowalność i łatwość wyjaśnienia mają znaczenie dla zaufania do sztucznej inteligencji w ogóle, ale nie są specyficzne dla paradygmatu agentycznego, dlatego traktujemy je jako warunki brzegowe dla przyszłych badań, a nie podstawowe wymiary.
Mimo szybkiego rozprzestrzeniania się agentycznej sztucznej inteligencji w miejscach pracy, dotychczasowa literatura koncentrowała się głównie na jej technicznej architekturze, wydajności operacyjnej i zdolnościach do automatyzacji zadań, przykładowo zwracając niewielką uwagę na to, jak te cechy kształtują stany psychologiczne pracowników i ich reakcje behawioralne14,15. Ta pominiętość ma znaczenie, ponieważ realokacja zadań między ludźmi a AI nie jest czysto technicznym dostosowaniem, ale psychicznie i organizacyjnie zakorzenionym procesem: pracownicy muszą kwestionować istniejące przepływy pracy, na nowo definiować granice ról i akceptować nowe formy współpracy z inteligentnymi systemami16,17. Takie zmiany nie zachodzą automatycznie, po prostu dlatego, że dostępna jest zaawansowana technologia. W związku z tym celem niniejszego badania jest potrójne: zbadanie, czy AITC funkcjonują jako zasoby związane z nadwyżką poznawczą, bezpieczeństwem psychologicznym i realokacją zadań AI-człowiek; zbadanie roli pośredniczącej i sekwencyjnej pośredniczącej nadwyżki poznawczej i bezpieczeństwa psychologicznego; oraz zbadanie, czy te strukturalne relacje różnią się między liderów a pracownikami. Nowość niniejszego badania jest potrójna. Po pierwsze, konceptualizuje i operacjonalizuje technologiczne cechy agentycznej sztucznej inteligencji - autonomiczne planowanie, orkiestrację wielu narzędzi i proaktywną informację zwrotną - jako wyższy zasób zatrudnienia w ramach modelu JD-R, zamiast traktować adopcję AI jako nieroziznawalny kontekst. Po drugie, wprowadza realokację zadań AI-człowiek jako domenowo specyficzną, realizowaną technologicznie formę kształtowania zadań, odrębną zarówno od ogólnego kształtowania zadań, jak i wyników transformacji cyfrowej od góry do dołu. Po trzecie, dostarcza, na ile nam wiadomo, pierwsze wielogrupowe dowody, że związki generyczne zasobów agentycznej sztucznej inteligencji różnią się systematycznie między liderami a pracownikami.
Teoretyczna racjonalność integruje teorię zasobów i wymagań pracy (JD-R) oraz teorię zachowania zasobów (COR). Teoria JD-R zakłada, że każde zatrudnienie obejmuje wymagania związane z pracą, czyli aspekty fizyczne, emocjonalne i poznawcze pracy, które wymagają trwałego wysiłku, oraz zasoby związane z pracą, czyli aspekty, które zmniejszają wy
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
Charakterystyka uczestników
Tabela 2 przedstawia charakterystykę demograficzną końcowej próby (N = 331). Próba składała się z 65,0% mężczyzn i 35,0% kobiet, z stosunkowo zrównoważoną dystrybucją pomiędzy liderami (51,7%, n = 171) a personelem (48,3%, n = 160). Największą grupę wiekową stanowili użytkownicy poniżej 30 roku życia (46,5%), a za nimi 31-40 lat (32,0%); 76,4% posiadało stopień licencjacki lub magisterski. Uczestnicy pochodzili z różnorodnych branż, na czele z technologią i telekomunikacją (46,2%), oraz z organizacji o różnej wielkości. Ten profil jest zgodny z celami badawczymi koncentrującymi się na pracownikach aktywnie zaangażowanych w pracę związaną z AI.
| Charakterystyka | Kategorie | Częstotliwość (n) | % | % kumulatywne |
| Płeć | Mężczyzna (1) | 215 | 65 | 65 |
| Kobieta (0) | 116 | 35 | 100 | |
| Wiek | -30 | 154 | 46.5 | 46.5 |
| 31-40 | 106 | 32 | 78.5 | |
| 41-50 | 44 | 13.3 | 91.8 | |
| 51- | 27 | 8.2 | 100 | |
| Rola | Lider (1) | 171 | 51.7 | 51.7 |
| Personel (0) | 160 | 48.3 | 100 | |
| Edukacja | Szkoła średnia | 34 | 10.3 | 10.3 |
| College | 44 | 13.3 | 23.6 | |
| Liceum | 142 | 42.9 | 66.5 | |
| Magister | 111 | 33.5 | 100 | |
| Branża | Technologia Telekomunikacja ICT | 153 | 46.2 | 46.2 |
| Usługi profesjonalne (Consulting, Legal, Accounting) | 38 | 11.5 | 57.7 | |
| Przemysł Przemysłowy | 37 | 11.2 | 68.9 | |
| Usługi finansowe | 30 | 9.1 | 77.9 | |
| Opieka zdrowotna | 30 | 9.1 | 87 | |
| Sektor publiczny | 24 | 7.3 | 94.3 | |
| Handel detaliczny | 19 | 5.7 | 100 | |
| Wielkość firmy | Mniej niż 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 lub więcej | 42 | 12.7 | 100 | |
| Razem | 331 | 100 | 100 |
Tabela 2: Charakterystyka demograficzna końcowej próby. Dystrybucja 331 respondentów według płci, wieku, roli organizacyjnej, wykształcenia, branży i wielkości firmy. n = częstotliwość; % = procent całkowitej próby; % kumulatywne = procent kumulatywny w obrębie każdej cechy. Wartości w nawiasach w kolumnie Kategorie wskazują zakodowane wartości binarne używane w analizie (np. Lider = 1, Personel = 0).
Ocena modelu pomiarowego
Ponieważ AITC jest modelowany jako konstrukt drugiego rzędu, zastosowano dwuetapową metodę40. Najpierw oceniono niezawodność i ważność konstruktów pierwszego rzędu przy użyciu alfy Cronbacha, niezawodności złożonej (CR) i średniej wariancji wyciągniętej (AVE), jak pokazano w Tabeli 3. PS5 i AHTR4 wykluczono z powodu niskich ładunków zewnętrznych, co poprawiło konwergentną ważność PS (AVE = 0,563) i AHTR (AVE = 0,619)36. Wszystkie wartości CR przekroczyły próg 0,70, a wszystkie wartości AVE przekroczyły 0,50. Chociaż alfa Cronbacha dla AP wynosiła 0,585, je
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 i przeznaczaniem zadań człowieka-AI; nadwyżka poznawcza i bezpieczeństwo psychologiczne mediały relację AITC-AHTR indywidualnie i sekwencyjnie; a związki AITC z obiema zmiennymi zasobowymi były znacząco silniejsze wśród liderów niż wśród pracowników.
Wyniki mają trzy teoretyczne implikacje. Po pierwsze, rozszerzają teorię JD-R na kontekst AI agenturalnej, traktując cechy technologiczne nie jako narzędzia, ale jako zasoby służbowe: silna wiązka AITC-CS (β = 0.485) jest zgodna z poglądem, że autonomiczne planowanie, orkiestracja wielu narzędzi i proaktywne feedbacki oszczędzają energię poznawczą i czas dyspozycyjny, który pracownicy mogą ponownie zainwestować15,23,24. Po drugie, łączą logikę zysku spiralnego teorii COR z przeprojektowaniem pracy wspomaganej AI: istotna sekwencyjna ścieżka (AITC → PS → CS → AHTR) sugeruje, że bezpieczeństwo psychologiczne działa jako kontekstowy zasób, który wspiera akumulację nadwyżki poznawczej, która z kolei wiąże się z zachowaniem przeznaczania zadań20,22. Po trzecie, umieszczając AHTR jako technologicznie specyficzną formę kształtowania zadań w literaturze o kształtowaniu pracy17,31,32, badanie wykracza poza dominujący nacisk na wydajność techniczną i wyniki automatyzacji, oferując psychologiczne rozumienie, jak systemy agenturalne wkomponowują się w przeprojektowanie pracy. Ponieważ projekt jest przekrojowy, te ścieżki powinny być odczytywane jako związki zgodne z teoretyzowaną kolejnością przyczynową, a nie jako demonstracje przyczynowości.
Wyniki związane z mediacją wyjaśniają, dlaczego sama dostępność zaawansowanej AI nie musi przekładać się na zmiany w praktykach zawodowych. Bezpośrednia wiązka AITC-AHTR (β = 0.215) została uzupełniona przez pośrednie ścieżki o porównywalnej łącznej wielkości przez nadwyżkę poznawczą (β = 0.215) i bezpieczeństwo psychologiczne (β = 0.060): pracownicy wydają się przeznaczać zadania do AI, gdy technologia wyraźnie uwalnia zasoby poznawcze, a klimat międzyludzki sprawia, że eksperymentowanie wydaje się bezpieczne16,25,38. Ten podwójny mechanizm sugeruje, że przeznaczanie zadań jest tak bardzo zjawiskiem zasobowym i klimatycznym, jak technologicznym, co może wyjaśniać zróżnicowane wyniki adopcji w przypadku podobnych wdrożeń.
Wyniki wielogrupowe dodają warunek graniczny oparty na roli. Wiązki AITC-CS i AITC-PS były odpowiednio 1,6 i 2,2 raza silniejsze dla liderów niż dla pracowników, podczas gdy ścieżki z dół od zasobów do przeznaczania nie różniły się istotnie między grupami. Jedno tłumaczenie, zgodne z argumentami o odległości percepcyjnej30,35, jest takie, że liderzy, którzy posiadają większą władzę decyzyjną i strategiczną odpowiedzialność, łatwiej przekształcają zdolności agenturalne w postrzegane zasoby, podczas gdy pracownicy, którzy są bardziej narażeni na zagrożenia związane z automatyzacją i wymagania edukacyjne, mniej bezpośrednio realizują korzyści z bezpieczeństwa psychologicznego: dla pracowników bezpieczeństwo psychologiczne wiąże się z przeznaczaniem głównie poprzez nadwyżkę poznawczą (PS → CS → AHTR: β = 0.140, p = 0.001), podczas gdy dla liderów bezpośrednia ścieżka PS → AHTR była istotna (β = 0.234, p = 0.001). Są to tendencje obserwowane w tej próbie, a nie stałe dyspozycje, a przedziały ufności wokół różnic między grupami wymagają ostrożnej interpretacji.
Praktycznie, wyniki sugerują strategie wdrażania zróżnicowane według ról. Dla wszystkich pracowników organizacje mogą chronić przekształcanie oszczędzonego czasu w nadwyżkę poznawczą, dostosowując normy obciążenia i wskaźniki kluczowego wydajności, tak aby godziny uwolnione przez AI były ponownie inwestowane w strategiczne, kreatywne i współpracownicze zadania, a nie pochłaniane przez dodatkowe rutynowe wymagania; konkretne dźwignie obejmują zarządzanie użyciem AI, które wyjaśnia odpowiedzialność, gdy AI się myli, strukturalne szkolenie w umiejętnościach AI ukierunkowanych na delegowaniu oraz systemy uznania,
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.
To dzieło było wspierane przez fundusze badawcze z aSSIST University.
| 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 |
Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE
Poproś o pozwolenie