Como a IA Agente Remodela o Trabalho: Os Papéis do Excedente Cognitivo, Segurança Psicológica e Realocação de Tarefas IA-Humano

Resumo

Este protocolo descreve um fluxo de trabalho baseado em pesquisa para examinar como as características tecnológicas da IA Agente se relacionam com superávit cognitivo, segurança psicológica e realocação de tarefas IA-humanos entre 331 funcionários. Modelagem estrutural parcial de equações de mínimos quadrados com análise multigrupo revela diferenças baseadas em papéis entre líderes e funcionários.

Resumo

Este estudo examina como as características tecnológicas da IA Agente se relacionam com os estados psicológicos e as respostas comportamentais dos funcionários nas organizações. Baseando-nos na teoria das Demandas de Emprego-Recursos (JD-R) e na teoria da Conservação de Recursos (COR), conceituamos as características tecnológicas da IA Agente (AITC) como um construto de ordem superior que compreende planejamento autônomo, orquestração de múltiplas ferramentas e feedback proativo, e propomos que essas características funcionam como recursos de trabalho associados a maior excedente cognitivo e segurança psicológica, o que, por sua vez, se relaciona com a realocação de tarefas IA-humano. Investigamos ainda mais se essas relações diferem entre líderes e funcionários. Uma pesquisa online transversal e anônima foi administrada por meio de uma plataforma de pesquisa online para participantes recrutados por meio de um painel de pesquisa usando amostragem não-probabilística intencional; a elegibilidade foi restrita a adultos com experiência profissional atual ou anterior relacionada a IA, e respostas triadas e checadas de atenção resultaram em uma amostra final de 331 funcionários (171 líderes, 160 funcionários). Todos os construtos foram medidos com escalas validadas adaptadas ao contexto da IA Agente em escalas de Likert de 7 pontos. Os dados foram analisados usando modelagem estrutural de equações parciais de mínimos quadrados (PLS-SEM), aplicando uma abordagem em duas etapas para o construto de segunda ordem, bootstrapping com 5.000 reamostras para efeitos diretos e indiretos, e análise multigrupo (MGA) para comparações líder-equipe. O modelo de medição demonstrou confiabilidade e validade aceitáveis, e os resultados estruturais foram consistentes com o modelo teorizado de ganho de recursos: o AITC esteve positivamente associado a superávit cognitivo, segurança psicológica e realocação de tarefas, com vias de mediação significativas e associações mais fortes entre líderes e recursos do AITC. Ao focar nos mecanismos psicológicos em vez do desempenho técnico, este estudo amplia pesquisas emergentes sobre IA Agente e oferece implicações práticas para estratégias de adoção de IA diferenciada por papéis.

Introdução

A proliferação da IA Agente está redefinindo o papel da inteligência artificial nas indústrias e na vida^{organizacional 1,2}. A IA agente pode ser definida como uma forma avançada de inteligência artificial que percebe ambientes em mudança, define objetivos de forma independente por meio de mecanismos de raciocínio e orquestra sequências de ações com supervisão humana^{mínima 3,4}. Ela se distingue da IA tradicional, incluindo ferramentas convencionais de IA generativa, em três aspectos: autonomia, porque sistemas agentes perseguem objetivos com intervenção humana mínima, em vez de executar regras^{pré-programadas 5,6}; função principal, porque seu propósito é automatizar fluxos de trabalho complexos em vez de tarefas^{únicas 7}; e arquitetura, porque coordenam múltiplos grandes modelos de linguagem, interfaces de programação de aplicações (APIs) e agentes, em vez de depender de um único modelo⁷. Essas capacidades se baseiam nas características tecnológicas definidoras examinadas neste^{estudo 8,9}. Planejamento autônomo (AP) significa que, dado o objetivo do usuário, o sistema o decompõe independentemente em subtarefas e revisa seu plano conforme as restrições^{mudam 10}; Por exemplo, um funcionário pode fornecer uma instrução de uma linha e receber um plano de projeto viável em várias etapas. Orquestração multi-ferramenta (MTO) significa que o sistema seleciona, sequencia e integra ferramentas externas e APIs ^1,11,12; por exemplo, combinar busca na web, editores de documentos e ferramentas de análise de dados para produzir um relatório único e coerente. Feedback proativo (PF) significa que o sistema sinaliza erros, informações faltantes e suposições arriscadas antes de ser^{questionado 10,13}; Por exemplo, lembrar um funcionário dos pontos de validação ou de conformidade durante a execução da tarefa. Focamos nessas três características, coletivamente chamadas de características tecnológicas de IA Agentide (AITC), porque são as capacidades funcionais que diferenciam a IA agente da tradicional no trabalho^{cotidiano 7,10}; atributos como transparência, controlabilidade e explicabilidade importam para a confiança em IA em geral, mas não são específicos do paradigma agente, e por isso os tratamos como condições de contorno para pesquisas futuras, e não como dimensões focais.

Apesar da rápida difusão da IA Agente nos ambientes de trabalho, a literatura existente abordou principalmente sua arquitetura técnica, eficiência operacional e capacidades de automação de tarefas, dando relativamente pouca atenção a como essas características remodelam os estados psicológicos e as respostas comportamentais^{dos funcionários 14,15}. Essa omissão é importante porque realocar tarefas entre humanos e IA não é um ajuste puramente técnico, mas um processo psicológico e organizacional enraizado: os funcionários devem desafiar fluxos de trabalho existentes, redefinir limites de funções e aceitar novas formas de colaboração com sistemas^{inteligentes 16,17}. Tais mudanças não ocorrem automaticamente simplesmente porque tecnologia avançada está disponível. Assim, o objetivo deste estudo é triplo: examinar se o AITC funciona como recursos de trabalho associados ao superávit cognitivo, segurança psicológica e realocação de tarefas entre IA e humanos; investigar os papéis mediadores e sequenciais mediadores do excedente cognitivo e da segurança psicológica; e explorar se essas relações estruturais diferem entre líderes e funcionários. A novidade deste estudo é tripla. Primeiro, conceitualiza e operacionaliza características tecnológicas da IA Agente—planejamento autônomo, orquestração de múltiplas ferramentas e feedback proativo—como um recurso de trabalho de ordem superior dentro do framework JD-R, em vez de tratar a adoção da IA como um contexto indiferenciado. Segundo, introduz a realocação de tarefas entre IA e humanos como uma forma específica de domínio e implementada por tecnologia de elaboração de tarefas, distinta tanto da elaboração genérica de tarefas quanto dos resultados de transformação digital de cima para baixo. Terceiro, ela fornece, até onde sabemos, a primeira evidência multigrupo de que as associações geradoras de recursos da IA Agente diferem sistematicamente entre líderes e funcionários.

A justificativa teórica integra a teoria das Demandas de Emprego-Recursos (JD-R) e a teoria da Conservação de Recursos (COR). A teoria JD-R sustenta que todo trabalho compreende demandas do trabalho, os aspectos físicos, emocionais e cognitivos do trabalho que exigem esforço contínuo, e os recursos do trabalho, os aspectos que reduzem demandas, apoiam a realização de metas e estimulam o desenvolvimento pessoal; Seu equilíbrio molda engajamento, bem-estar e desempenho ^18,19. A teoria COR adiciona um mecanismo dinâmico: os indivíduos buscam obter, reter e proteger recursos valiosos, e recursos acumulados iniciam espirais de ganho nas quais os recursos existentes são reinvestidos para adquirir recursos^adicionais 20,21,22^. A partir dessa perspectiva conjunta, o AITC pode ser conceituado não apenas como características técnicas, mas como uma nova forma de recurso de trabalho: ao absorver tarefas repetitivas e cognitivamente exigentes, como planejamento e análise diagnóstica, os sistemas agentes reduzem demandas e conservam a energia e o tempo cognitivo^{dos funcionários 15,23}. Definimos excedente cognitivo (CS) como o reservatório de energia cognitiva e tempo discricionário que fica disponível quando tais tarefas rotineiras são delegadas à tecnologia, e que pode ser reinvestido na participação coletiva, colaboração e criação de novo^{valor 24}. A CS é, portanto, conceitualmente distinta do engajamento no trabalho, que é um estado afetivo-motivacional, e da mera disponibilidade temporal, porque denota um estoque conversível de recursos pessoais no sentido^{COR 20,24}. A CS também se distingue do distanciamento e recuperação psicológicos, que tratam da restauração da energia esgotada longe do trabalho, e da riqueza temporal, que denota a percepção subjetiva de ter tempo suficiente; CS, em vez disso, refere-se à capacidade cognitiva liberada que permanece disponível para reinvestimento durante o próprio trabalho. Em termos de COR, o CS acumulado representa um ganho de recursos que deve apoiar o bem-estar ocupacional ao amortecer o esgotamento e o esgotamento, enquanto sua absorção por demandas rotineiras adicionais sinalizaria perda^{de recursos} 20,23,24. Se o tempo conservado realmente se converte em excedente pode depender de características individuais, como alfabetização em IA, de normas de carga de trabalho que podem absorver o tempo economizado com demandas adicionais, e da cultura organizacional; Portanto, tratamos a via de ganho de recursos como uma hipótese a ser testada, e não apenas uma suposição.

H1: O AITC está positivamente associado à CS.

Segurança psicológica (PS) é definida como a crença de que o ambiente de trabalho é seguro para assumir riscos interpessoais, como admitir erros, pedir ajuda e desafiar o status^{quo 25,26}. Embora a segurança psicológica tenha sido frequentemente estudada como um clima em nível de equipe, este estudo a conceitua e mede como uma percepção em nível individual, consistente com nosso desenho de pesquisa^{em nível individual 27,28}. Quando sistemas agentes fornecem feedback orientado para aprendizagem e ferramentas de apoio, o custo interpessoal de experimentar e expor erros pode diminuir, pois os funcionários podem testar e corrigir seu trabalho antes de apresentá-lo aos^{outros 26,28}. Reconhecemos, no entanto, que a dinâmica oposta é plausível: onde sistemas agentes são usados para vigilância ou responsabilidade de busca de falhas, o risco e a desconfiança interpessoais percebidos podem aumentar^{em 29,30}. Como as características aqui examinadas são de natureza assistiva e não avaliativa, hipotetizamos uma associação positiva enquanto tratamos essa possibilidade bilateral como uma condição de contorno importante.

H2: O AITC está positivamente associado ao PS.

Definimos realocação de tarefas IA-humano (AHTR) como a redistribuição auto-iniciada dos funcionários das tarefas entre si e os sistemas de IA, delegando tarefas rotineiras à IA enquanto expandem suas próprias responsabilidades estratégicas e criativas. Posicionamos o AHTR como uma forma específica de criação de trabalhos por domínio. No modelo baseado em JD-R de Tims e Bakker, a elaboração de trabalhos compreende o aumento dos recursos de emprego, aumento da demanda por desafios e diminuição das demandas de^{impedimento 17,31}; na tipologia de Wrzesniewski e Dutton, ela compreende a criação de tarefas, relacional e^{cognitiva 32}. O AHTR corresponde mais de perto à elaboração de tarefas implementada por tecnologia: transferir tarefas rotineiras para a IA simultaneamente diminui as demandas de obstáculos e mobiliza um novo recurso de trabalho 17,23,32. É mais restrito do que um resultado geral de transformação digital porque captura mudanças discricionárias iniciadas pelos funcionários nos limites das tarefas, em vez de um redesenho organizacional^{de cima para baixo 33}. Privilegiamos a realocação de tarefas em detrimento da criação relacional e cognitiva porque a redistribuição das tarefas é a interface comportamental mais imediata entre funcionários e sistemas agentivos e é diretamente observável na adoção precoce, enquanto a elaboração relacional e cognitiva normalmente surgem como adaptações^{posteriores 31,32}. Diferente de estudos anteriores que tratam a adoção da IA como um antecedente contextual da criação geral de^{trabalhos 16,34}, nós modelamos a realocação em si como o comportamento focal de criação. Como essa realocação perturba fluxos de trabalho estabelecidos, os funcionários têm maior probabilidade de implementá-la quando possuem recursos cognitivos suficientes para redesenhar seu trabalho e se sentem psicologicamente seguros para assumir os riscos interpessoais^{associados 16,34}. Dentro da lógica de espiral de ganho da teoria COR, a segurança psicológica também funciona como um recurso contextual que protege e amplifica o acúmulo de excedente^{cognitivo 22}.

H3: A CS está positivamente associada ao AHTR.

H5: PS está positivamente associada ao AHTR.

H6: PS está positivamente associada à CS.

H9: O AITC está positivamente associado ao AHTR.

Integrando esses argumentos, espera-se que o AITC se relacione ao AHTR não apenas diretamente, mas também indiretamente, por meio das vias de ganho de recursos do excedente cognitivo e da segurança psicológica.

H4: A CS media a relação entre AITC e AHTR.

H7: PS media a relação entre AITC e AHTR.

H8: PS e CS mediam sequencialmente a relação entre AITC e AHTR.

Por fim, os funcionários não interpretam e respondem à IA Agentica de forma uniforme. Gibson, Cooper e Conger descreveram a distância perceptiva entre líderes e suas equipes como discrepância cognitiva em relação aos mesmos objetivos organizacionais, enraizada em assimetrias de acesso à informação, responsabilidade, exposição ao risco e experiência^{de trabalho 35}. Com base nessa visão, líderes e funcionários ocupam posições estruturalmente diferentes em relação à adoção da IA: líderes têm responsabilidade estratégica e tendem a enquadrar a IA como um recurso orientado para aumento para produtividade e tomada de decisões baseadas em dados, enquanto os funcionários estão relativamente mais expostos à insegurança laboral relacionada à automação e à sobrecarga de aprendizado^20,30. Tratamos esses padrões como tendências a serem testadas empiricamente, e não como disposições fixas de qualquer um dos grupos. Essas discrepâncias baseadas em papéis podem gerar padrões heterogêneos nas relações entre AITC, CS, PS e AHTR, mas pesquisas empíricas que capturam explicitamente essas diferenças de grupo permanecem limitadas.

H10a: As associações do AITC com CS e PS diferem entre líderes e funcionários.

H10b: As associações de PS e CS com AHTR diferem entre líderes e funcionários.

O protocolo abaixo descreve o fluxo de trabalho completo, desde o recrutamento e triagem dos participantes até a administração da pesquisa, limpeza de dados, validação de medições, estimativa de modelos estruturais, análise de mediação e análise multigrupo (MGA) (Figura 1), para que o procedimento possa ser replicado de forma independente. O modelo de pesquisa é representado na Figura 2: AITC, modelado como um construto de segunda ordem composto por AP, MTO e PF, relaciona-se direta e indiretamente com AHTR por meio de CS e PS, com PS também relacionado a CS; a diferença entre líderes e funcionários é examinada pela MGA.

Figura 1. Fluxo de trabalho geral de estudo e desenho. Esquema do protocolo completo de pesquisa. Os participantes foram recrutados por meio do painel online usando amostragem não-probabilística intencional e avaliados para a experiência de trabalho relacionada à IA; os respondentes elegíveis completaram uma pesquisa anônima que mediu todos os construtos em escalas de Likert de 7 pontos. Após a limpeza dos dados (falhas de triagem, falhas de verificação de atenção e tempos de conclusão improvavelmente curtos removidos; final N = 331), o modelo de medição foi validado (confiabilidade: α de Cronbach, confiabilidade composta; validade convergente: variância média extraída; validade discriminante: HTMT e Fornell-Larcker), o construto de segunda ordem foi validado por meio da abordagem em duas etapas, e o modelo estrutural, caminhos de mediação e análise multigrupo líder-equipe foram estimados com 5.000 Resamples do Bootstrap. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 2. Modelo de pesquisa proposto. Modelo conceitual de relações hipotetizadas. Características tecnológicas de IA Agente (AITC), um construto de segunda ordem que compreende planejamento autônomo (AP; a capacidade do sistema de decompor objetivos em subtarefas e revisar planos), orquestração de múltiplas ferramentas (MTO; a capacidade de selecionar, sequenciar e integrar múltiplas ferramentas e APIs) e feedback proativo (PF; a capacidade de sinalizar erros e riscos sem ser solicitado), é hipotetizada como positivamente associada ao superávit cognitivo (CS; o reservatório de energia cognitiva e tempo discricionário liberados quando tarefas rotineiras são delegadas à IA), segurança psicológica (PS; a percepção de que o ambiente de trabalho é seguro para assumir riscos interpessoais) e realocação de tarefas IA-humano (AHTR; redistribuição auto-iniciada dos funcionários das tarefas entre eles e a IA) (H1, H2, H9). Hipotetiza-se que CS e PS estejam positivamente associados ao AHTR (H3, H5), PS ao CS (H6) e CS e PS para mediar, individual e sequencialmente, a relação AITC-AHTR (H4, H7, H8). Setas representam caminhos estruturais hipotéticos; H10a/H10b denotam diferenças hipotetizadas entre líder e equipe testadas por meio de análise multigrupo. Por favor, clique aqui para ver uma versão ampliada desta figura.

Protocolo

Todos os procedimentos foram realizados de acordo com os padrões éticos para pesquisas envolvendo participantes humanos na Universidade aSSIST e na Universidade Dong-A. Como todas as respostas foram anonimizadas na coleta e nenhuma informação pessoal identificável foi coletada em nenhum momento, o Conselho de Revisão Institucional da Universidade aSSIST determinou que o estudo estava isento de revisão completa conforme o Artigo 15 da Lei de Bioética e Segurança da República da Coreia e o Artigo 13 de sua Regra de Aplicação. A pesquisa começou com uma página de informações e consentimento afirmando que a participação era restrita a indivíduos atualmente empregados e envolvidos em um projeto de IA, descrevendo o propósito do estudo e explicando a natureza voluntária da participação, o anonimato das respostas e o uso pretendido dos dados; apenas os respondentes que concordaram explicitamente passaram ao questionário. A página de consentimento está fornecida no Arquivo Suplementar 1.

Determinação do tamanho da amostra

Uma análise de potência a priori foi realizada antes da coleta de dados usando G*Power 3.1.9.7 (RRID: SCR_013726) para a família de regressão múltipla linear, especificando o maior número de preditores direcionados a um único construto endógeno no modelo; neste estudo, o AHTR é previsto por três construtos (AITC, CS e PS). Com tamanho de efeito médio (f² = 0,15), α = 0,05 e poder estatístico de 0,80, a amostra mínima exigida foi de 77 casos; a saída do protocolo G*Power é fornecida no Arquivo Suplementar 2. O tamanho mínimo da amostra foi verificado usando o método da raiz quadrada inversa para o^{PLS-SEM 36}, sob o qual aproximadamente 155 casos são necessários para detectar um coeficiente de caminho padronizado mínimo de aproximadamente 0,20 no nível de significância de 5% com 80% de potência. Por fim, a meta de recrutamento foi estabelecida para superar substancialmente ambos os mínimos, a fim de apoiar o bootstrapping de efeitos indiretos e a análise multigrupo por amostra dividida; a amostra final (N = 331; líderes n = 171, equipe n = 160) atendia ao requisito mínimo de amostra dentro de cada subgrupo.

Recrutamento e triagem de participantes

Os participantes foram recrutados por meio do painel de pesquisa online usando amostragem não-probabilística intencional; ou seja, a amostra foi deliberadamente restrita a respondentes que atendiam a um critério substantivo a priori — experiência de trabalho atual ou anterior envolvendo IA — em vez de serem escolhidos aleatoriamente da população geral. A elegibilidade era restrita a entrevistados com 18 anos ou mais. A experiência de trabalho relacionada à IA foi operacionalizada por meio do item de triagem "Qual dos seguintes descreve melhor sua situação atual?", apresentado antes do questionário principal; apenas os entrevistados que indicaram estar atualmente empregados e envolvidos em trabalhos relacionados à IA prosseguiram, enquanto as opções restantes (empregadas, mas não envolvidas em trabalhos com IA; não empregadas, mas anteriormente envolvidas; não empregadas e não envolvidas) acionaram uma exclusão imediata. A coleta de dados foi realizada em uma única sessão em 8 de fevereiro de 2026 (10h28–13h30), e os participantes foram remunerados a GBP 6,98 por hora, de acordo com a política de pagamento justo da plataforma. A participação duplicada foi evitada por meio dos identificadores únicos de participantes da plataforma e das configurações de prevenção de respostas duplicadas da plataforma. O número de respondentes em cada etapa foi registrado para documentar o fluxo de trabalho de inclusão/exclusão: 537 respostas foram registradas; 151 foram eliminados pelas perguntas de triagem (386 restantes); 40 foram removidos por falharem nas verificações de atenção, incluindo a linha reta (346 restantes); e 15 foram removidos com tempos de conclusão improvavelmente curtos (abaixo de aproximadamente 180 s), resultando na amostra final de N = 331.

Definição padronizada e instruções de levantamento

Os participantes foram informados de que a pesquisa examinou como a IA Agentica pode afetar as organizações e seus membros. No início da pesquisa, todos os participantes receberam uma breve definição padronizada de IA Agente, consistente com a definição apresentada na Introdução — um sistema avançado de IA caracterizado por planejamento autônomo, orquestração de múltiplas ferramentas e feedback proativo que realiza ações direcionadas a objetivos com supervisão humana limitada (Figura 1, passo 2). A elegibilidade foi restrita a respondentes que estivessem atualmente empregados e envolvidos em um projeto de IA, o que forneceu uma base relevante relacionada ao trabalho para responder ao questionário. Não havia item separado de verificação de compreensão; A definição padronizada, portanto, servia como uma orientação contextual, e não como uma verificação de compreensão verificada. Os participantes foram instruídos a responder a cada item com base em sua experiência real de usar ou trabalhar com tais sistemas de IA Agente em contextos organizacionais.

Desenvolvimento e administração de instrumentos de levantamento

O questionário foi desenvolvido a partir de escalas de medição validadas adaptadas ao contexto organizacional da IA Agente. A Tabela 1 lista todos os itens, sua escala de origem e estatísticas descritivas: itens de AP, MTO e PF foram adaptados das conceitualizações recentes de IA^{Agente 7,8}; Itens de CS da pesquisa cognitiva-de recursos de IA^{generativa 37}; PS itens de Plomp et ^al.38; e itens AHTR das escalas de criação de tarefas baseadas em^{JD-R 17,39} adaptados à realocação de tarefas. Todos os construtos foram medidos em escalas de Likert de 7 pontos, variando de 1 ("fortemente discordar") a 7 ("fortemente concordo"). A pesquisa foi organizada em blocos abrangendo a página de consentimento, triagem, itens do AITC (AP, MTO, PF), CS, PS, AHTR e características demográficas/controle; o instrumento também continha escalas adicionais (alfabetização em IA e autoeficácia em amplitude de papéis) que estão além do escopo do modelo atual e foram coletadas, mas não analisadas aqui, reportadas para transparência. A pesquisa foi hospedada na plataforma online de pesquisas; O botão de voltar foi desativado para que os respondentes não pudessem revisar respostas anteriores, e os itens foram apresentados em ordem fixa dentro de blocos. O tempo médio de conclusão foi de 7 min 44s. Dois itens de verificação de atenção com resposta instruída foram incorporados como ramificações do fluxo de pesquisa que fechavam a pesquisa quando respondidas incorretamente: (i) uma verificação factual, "A IA é uma abreviação de Informação sobre Alcachofra?" (resposta correta: Não), e (ii) uma verificação de compreensão de escala confirmando que as respostas foram registradas em uma escala de Likert de 7 pontos, variando de "fortemente discordar" a "fortemente concordar". Antes da administração principal, foi realizado um teste piloto com 124 entrevistados para avaliar a clareza dos itens da pesquisa, o fluxo geral da pesquisa, a duração da conclusão e a viabilidade do questionário; A duração da conclusão foi revisada para identificar respostas incomumente curtas e confirmar que o comprimento da pesquisa era adequado para os respondentes-alvo. O teste piloto não indicou problemas de redação que exigissem revisão de itens, e nenhuma alteração de redação foi feita antes da pesquisa principal. Além disso, os dados piloto foram analisados usando PLS-SEM como procedimento preliminar de validação para avaliar o desempenho dos indicadores, construir confiabilidade, validade convergente, validade discriminante, colinearidade e plausibilidade das relações estruturais propostas; Os resultados comprovaram a adequação do instrumento para o levantamento principal.

Construto		Item	Pergunta			Mean	STDEV	VIF	Fonte
AITC	AP	AP1	Quando eu ofereço uma meta, a IA ajuda a criar um plano em múltiplas etapas para alcançá-la.			5.81	0.9	1.44	Abou Ali, M., et al. (2025); Sapkota, R., et al. (2025)
		AP2	A IA pode revisar seu plano quando restrições ou requisitos mudam.			5.75	0.99	1.37
		AP3	A IA divide trabalhos complexos em subtarefas gerenciáveis sem precisar de instruções passo a passo.			5.33	1.37	1.33
	MTO	MTO1	A IA pode combinar múltiplas ferramentas ou aplicativos (por exemplo, busca, documentos, ferramentas de dados) para completar uma tarefa.			5.69	1.11	1.5
		MTO2	A IA sugere a(s) ferramenta(s) correta(s) e as usa na sequência correta para produzir um entregável.			5.36	1.04	1.64
		MTO3	A IA ajuda a integrar resultados de diferentes ferramentas em um único resultado coerente.			5.61	1.01	1.63
	PF	PF1	A IA aponta proativamente erros, informações faltantes ou suposições arriscadas no meu trabalho.			4.9	1.44	1.68
		PF2	A IA sugere melhorias antes mesmo de eu pedir feedback explicitamente.			5.07	1.38	1.85
		PF3	A IA me lembra de checkpoints (por exemplo, validação, conformidade, qualidade) para evitar rework.			5.02	1.4	1.6
CS		CS1	Usar IA liberou minha energia mental para focar em trabalhos mais complexos e significativos.			5.59	1.28	2.07	Liu, Y., Sheng, F., & Liu, R. (2025)
		CS2	Tenho mais tempo disponível para pensamento estratégico e resolução de problemas desde que uso IA.			5.61	1.23	2.38
		CS3	A carga de trabalho das tarefas rotineiras diminuiu significativamente, me dando espaço para novas iniciativas.			5.42	1.28	2.23
		CS4	Me sinto menos mentalmente exausto no final do expediente porque a IA lida com tarefas repetitivas.			5.15	1.5	1.91
PS		PS1	No meu local de trabalho, é seguro correr riscos relacionados ao uso da IA de novas maneiras.			4.74	1.37	1.52	Plomp et al. (2019)
		PS2	Meu gerente incentiva a experimentação com IA e é tolerante a erros.			4.52	1.61	1.68
		PS3	Me sinto confortável para me manifestar se tiver dúvidas sobre como a IA está sendo usada na minha equipe.			5.48	1.24	1.32
		PS4	Meus colegas me apoiam se eu tento novas formas de trabalhar com IA.			5.26	1.32	1.48
		PS5 (excluido)	Não tenho medo de consequências negativas se eu propor usos inovadores da IA no meu trabalho.			4.47	1.59	1.23
AHTR		AHTR1	Transfiro deliberadamente tarefas rotineiras (por exemplo, entrada de dados, formatação de relatórios) para IA para poder focar em trabalhos de maior valor.			5.12	1.35	1.68	Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024)
		AHTR2	Busco ativamente oportunidades para usar IA para lidar com tarefas que fazia manualmente.			5.58	1.28	1.84
		AHTR3	Desde que uso IA, assumi novas responsabilidades ou ampliei responsabilidades que são mais estratégicas ou criativas.			5.18	1.3	1.58
		AHTR4 (excluído)	Negocio com meu gerente quais tarefas a IA deve realizar e quais eu devo fazer.			4.09	1.65	1.23
		AHTR5	Redesenhei meu trabalho realocando tarefas rotineiras para a IA, me libertando para tarefas mais significativas.			4.92	1.35	1.67

Tabela 1: Itens de medição, fontes, estatísticas descritivas e avaliação completa de colinearidade. Instrumento completo de levantamento. Cada item é listado com seu construto (dimensões AITC AP, MTO, PF; CS; PS; AHTR), código do item, redação, média, desvio padrão (STDEV), fator de inflação da variância de colinearidade total (VIF; valores <3,3 indicam a ausência de contaminação comum por variância do método) e a escala de origem da qual foi adaptado. Todos os itens foram medidos em escalas de Likert de 7 pontos (1 = fortemente discordar, 7 = fortemente concordar). PS5 e AHTR4 foram removidos durante a avaliação do modelo de medição devido às baixas cargas externas. AITC = Características tecnológicas de IA agente; AP = planejamento autônomo; MTO = orquestração multi-ferramenta; PF = feedback proativo; CS = superávit cognitivo; PS = segurança psicológica; AHTR = realocação de tarefas IA-humano. Por favor, clique aqui para baixar esta Tabela.

Preparação e limpeza de dados

As respostas brutas foram exportadas em formato CSV. Casos que não cumpriram o critério de triagem ou qualquer item de verificação de atenção foram excluídos, assim como respostas com dados substancialmente ausentes (configurações de resposta forçada minimizadas dentro da pesquisa); As contagens de exclusão resultantes em cada etapa estão documentadas na Seção 2 do protocolo (537 registradas → 331 mantidas). Os dados retidos foram inspecionados quanto à consistência e avaliados para padrões de resposta desatenta: respostas em linha reta foram removidas por meio das verificações de atenção, e respostas com tempos de conclusão improvavelmente curtos (abaixo de aproximadamente 180 s) foram excluídas. As variáveis foram então codificadas para análise (por exemplo, Função: Líder = 1, Equipe = 0; Gênero: Masculino = 1, Feminino = 0) conforme documentado na Tabela 2, controles categóricos como indústria foram codificados em dummy-code com indicadores k-1, e o conjunto de dados finalizado foi importado para o software PLS-SEM. Um livro de códigos mapeando cada variável ao seu texto, código e construção do item é fornecido como Arquivo Suplementar 2.

Avaliação do modelo de medição

Usando o software PLS-SEM, cada item observado era atribuído ao seu construto latente, e todos os construtos de primeira ordem (AP, MTO, PF, CS, PS, AHTR) eram especificados como reflexivos. O AITC foi especificado como um construto de segunda ordem composto por AP, MTO e PF e foi estimado com a abordagem de duas etapas^{40, 41, 42}: as pontuações de variáveis latentes foram primeiro obtidas para os construtos de primeira ordem e depois usadas (AP_LVS, MTO_LVS, PF_LVS) como indicadores formativos do AITC. O algoritmo PLS foi executado com o esquema de ponderação de caminhos, um máximo de 3.000 iterações e um critério de parada de 10⁻⁷. A confiabilidade interna de consistência foi avaliada em relação aos limiares de confiabilidade α e composta (CR) de Cronbach de 0,70⁴³, tratando valores de α de 0,5 a 0,6 como marginalmente aceitáveis para escalas curtas em contextos de pesquisa^{emergentes 43}; a validade convergente foi avaliada em relação ao limiar médio de variância extraída (AVE) de 0,50⁴⁴; e a validade discriminante foi avaliada usando a razão heterotraço-monotraço (HTMT <0,85, limiar conservador)⁴⁵ e o critério^{de Fornell-Larcker 44}. Quando critérios de confiabilidade ou validade convergente não foram atendidos, as cargas externas foram inspecionadas e indicadores de baixo desempenho foram removidos enquanto se preservava a validade do conteúdo, com cada remoção e sua justificativa documentadas; neste estudo, PS5 e AHTR4 foram removidos devido às baixas cargas externas, o que melhorou a validade convergente de PS e AHTR.

Modelo estrutural e análise de mediação

Os caminhos estruturais foram especificados de acordo com o modelo de pesquisa (Figura 2), e a colinearidade entre os construtos preditores foi examinada usando fatores de inflação da variância interna do modelo (VIF < 5,0)³⁶ e VIFs de colinearidade total (<3,3)^46,47. A significância do caminho foi estimada por meio do bootstrapping com 5.000 reamostras usando intervalos percentuais de confiança e testes de duas caudas, e coeficientes padronizados de caminho (β), médias amostrais (M), desvios padrão (STDEV), valores t, valores p, intervalos de confiança de 95%, R² e tamanhos de efeito (f²) foram reportados. O poder preditivo fora da amostra foi avaliado usando PLSpredict com 10 dobras e 10 repetições; para cada indicador endógeno, a previsão Q²(>0 indica relevância preditiva) foi inspecionada, e os erros de predição do PLS-SEM (RMSE e MAE) foram comparados com o benchmark⁴⁸ do modelo linear (LM). Para a análise de mediação, os efeitos indiretos do AITC sobre o AHTR por meio do CS, pelo PS e pela via sequencial PS → CS foram especificados, e cada efeito indireto específico foi avaliado usando a distribuição bootstrap (5.000 reamostras), com um efeito indireto considerado significativo quando seu intervalo de confiança de 95% excluiu zero.

Análise multigrupo

Os entrevistados foram classificados em grupos de líderes e funcionários com base no papel organizacional auto-relatado (Função: Líder = 1, Equipe = 0; Tabela 2); O grupo de líderes era composto por líderes de equipe/supervisores, gerentes/chefes de departamento e executivos/liderança sênior, e o grupo de equipe era composto por funcionários de nível de funcionários. Antes da comparação dos coeficientes de caminho, a invariância de medição entre grupos foi estabelecida usando o procedimento⁴⁵ da invariância de invariância de medidas de modelos compostos (MICOM). O passo 1 (invariância configural) foi satisfeito por especificação idêntica do modelo entre os grupos, e o passo 2 (invariância composicional) foi suportado para todos os construtos, com correlações originais iguais ou acima dos quantiles de 5% e valores p de permutação não significativos (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), estabelecendo invariância parcial de medição e justificando a comparação multigrupo (resultados completos do MICOM no Arquivo Suplementar 3). O modelo foi então estimado separadamente para cada grupo, e as diferenças de caminho foram testadas usando PLS-MGA baseado em bootstrap, com valores p de uma e duas caudas relatados para a diferença líder-bastão (Δ) de cada caminho; Coeficientes de caminho específicos de grupo, valores t e valores p foram relatados para todos os caminhos diretos e indiretos, juntamente com a magnitude de cada diferença entre grupos.

Relatórios, verificação e solução de problemas

Todas as saídas de confiabilidade, validade, estrutural, mediação e MGA foram compiladas; As tabelas de resultados foram exportadas; e cada estatística reportada foi verificada em relação à saída gerada por software para garantir consistência entre tabelas, figuras e texto. Para a resolução de problemas, aplicam-se as seguintes diretrizes: se muitas respostas não passarem na triagem ou nas verificações de atenção, refinar os requisitos de elegibilidade e esclarecer as instruções da pesquisa; se os critérios de confiabilidade (CR < 0,70) ou validade convergente (AVE < 0,50) não forem atendidos, revise as cargas externas e remova indicadores fracos preservando a cobertura teórica; se a colinearidade for identificada (VIF acima dos limiares), reavaliar as especificações da construção e eliminar indicadores redundantes; se a mediação ou os efeitos de grupo não forem significativos, reexaminar a adequação da amostra e construir operacionalização antes da interpretação; e usar um número adequado de reamostras bootstrap (por exemplo, 5.000) para estabilizar as estimativas.

Resultados

Características dos participantes

A Tabela 2 apresenta as características demográficas da amostra final (N = 331). A amostra era composta por 65,0% de homens e 35,0% de mulheres, com uma distribuição relativamente equilibrada entre líderes (51,7%, n = 171) e funcionários (48,3%, n = 160). O maior grupo etário era menor de 30 anos (46,5%), seguido pelos 31–40 anos (32,0%); 76,4% possuíam diplomas de graduação ou pós-graduação. Os entrevistados foram provenientes de diversos setores, liderados pela tecnologia e telecomunicações (46,2%) e de organizações de tamanhos variados. Esse perfil está em consonância com o foco intencional do estudo em funcionários ativamente envolvidos em trabalhos relacionados à IA.

Características	Categorias	Frequência (n)	%	Porcentagem cumulativa
Gênero	Masculino (1)	215	65	65
	Feminino (0)	116	35	100
Idade	-30	154	46.5	46.5
	31-40	106	32	78.5
	41-50	44	13.3	91.8
	51-	27	8.2	100
Função	Líder (1)	171	51.7	51.7
	Equipe (0)	160	48.3	100
Educação	Ensino Médio	34	10.3	10.3
	Faculdade	44	13.3	23.6
	Graduação	142	42.9	66.5
	Pós-graduação	111	33.5	100
Indústria	Tecnologia e Telecomunicações, TIC	153	46.2	46.2
	Serviços Profissionais (Consultoria, Jurídico, Contabilidade)	38	11.5	57.7
	Manufatura Industrial	37	11.2	68.9
	Serviços Financeiros	30	9.1	77.9
	Saúde	30	9.1	87
	Setor Público	24	7.3	94.3
	Varejo	19	5.7	100
Tamanho da Empresa	Menos de 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 ou mais	42	12.7	100
Total		331	100	100

Tabela 2: Características demográficas da amostra final. Distribuição dos 331 entrevistados por gênero, idade, função organizacional, educação, indústria e tamanho da empresa. n = frequência; % = porcentagem da amostra total; Porcentagem cumulativa = porcentagem acumulada dentro de cada característica. Valores entre parênteses na coluna Categorias indicam a codificação binária usada na análise (por exemplo, Líder = 1, Equipe = 0).

Avaliação do modelo de medição

Como o AITC é modelado como uma construção de segunda ordem, uma abordagem de dois passos foi^{aplicada em 40}. Primeiro, a confiabilidade e validade dos construtos de primeira ordem foram avaliadas usando a α de Cronbach, a confiabilidade composta (CR) e a variância média extraída (AVE), conforme mostrado na Tabela 3. PS5 e AHTR4 foram excluídos devido às baixas cargas externas, o que melhorou a validade convergente de PS (AVE = 0,563) e AHTR (AVE = 0,619)³⁶. Todos os valores de CR ultrapassaram o limite de 0,70, e todos os valores de AVE ultrapassaram 0,50. Embora o α de Cronbach para AP fosse 0,585, seu CR (0,781) e AVE (0,547) permaneceram dentro dos limites aceitáveis, e valores α de 0,5–0,6 podem ser considerados aceitáveis para escalas^{curtas 43}. A validade discriminante foi suportada: todas as razões HTMT (0,25–0,77) estavam abaixo do limite conservador de 0,85 (Tabela 4)⁴⁵, e a raiz quadrada do AVE de cada construto superava sua maior correlação interconstruto sob o critério de Fornell-Larcker (Tabela 5)⁴⁴.

Construto		α	Confiabilidade composta	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

Tabela 3: Confiabilidade e validade convergente dos construtos de primeira ordem. α = alfa de Cronbach (consistência interna; limiar 0,70, com 0,5–0,6 marginalmente aceitável para escalas curtas); Confiabilidade composta (CR; limiar 0,70); AVE = variância média extraída (validade convergente; limiar 0,50). Valores reportados após a remoção do PS5 e do AHTR4. AP = planejamento autônomo; MTO = orquestração multi-ferramenta; PF = feedback proativo; CS = superávit cognitivo; PS = segurança psicológica; AHTR = realocação de tarefas IA-humano.

Construtos		Proporção heterotraço-monotraço (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

Tabela 4: Validade discriminante dos construtos de primeira ordem (HTMT). Razão heterotraço-monotraço de correlações entre pares de construtos. Valores abaixo do limiar conservador de 0,85 apoiam validade discriminante. AP = planejamento autônomo; MTO = orquestração multi-ferramenta; PF = feedback proativo; CS = superávit cognitivo; PS = segurança psicológica; AHTR = realocação de tarefas IA-humano.

Construtos		Critério de Fornell-Larcker
		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

Tabela 5: Validade discriminante dos construtos de primeira ordem (critério de Fornell-Larcker). Elementos diagonais (negrito) são as raízes quadradas da AVE de cada construção; elementos fora da diagonal são correlações entre construtos. A validade discriminante é apoiada quando cada elemento diagonal excede todas as correlações em sua linha e coluna.

Como todas as variáveis foram autorrelatadas pelos mesmos respondentes, tanto os remédios processuais quanto estatísticos foram^{aplicados 49,50}. Proceduralmente, os respondentes tiveram garantia de anonimato, a declaração de consentimento enfatizou a participação voluntária e a ausência de respostas certas ou erradas, itens preditores e critérios foram colocados em seções separadas da pesquisa, escalas curtas validadas foram usadas para reduzir a fadiga e as verificações de atenção foram filtradas para respostas descuidadas. Estatisticamente, o teste de fator^{único 51} de Harman mostrou que um único fator não rotacionado explicava 30,99% da variância, abaixo do critério^{de 50% de 49,52}. Como uma verificação mais rigorosa, uma avaliação completa de colinearidade⁴⁶ mostrou todos os VIFs abaixo de 3,3 (Tabela 1), sugerindo que não há evidências de viés comum severo no método, embora tais diagnósticos não possam descartar conclusivamente a variância do método^46,47.

A importância dos efeitos da dimensão ascendente do construto formativo de segunda ordem (AITC) foi avaliada usando bootstrapping com 5.000 reamostras ^36,41. Como mostrado na Tabela 6, os pesos formativos de AP_LVS (0,493, p < 0,001), MTO_LVS (0,492, p < 0,001) e PF_LVS (0,249, p < 0,001) foram todos significativos, e todos os VIFs estavam abaixo de 3,3, indicando que cada dimensão de ordem inferior contribui substancialmente para o AITC sem preocupações de colinearidade. O modelo estrutural final foi então estimado usando o procedimento de duas etapas^41,42 (Figura 3).

Indicador formativo	VIF	Original β	Mean β	STDEV	valor t	valor-p
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

Tabela 6: Efeitos de dimensão ascendente para o construto formativo de segunda ordem. Estimativas bootstrap (5.000 reamostras) dos pesos formativos que ligam as pontuações das variáveis latentes de AP, MTO e PF (AP_LVS, MTO_LVS, PF_LVS) ao AITC na abordagem de dois estágios. β = peso padronizado (Original) e média bootstrap; STDEV = desvio padrão bootstrap; VIF = fator de inflação da variância (<3,3 indica que não há preocupação com colinearidade); t-valor = \|β/STDEV\|; valor p da distribuição bootstrap. AITC = Características tecnológicas de IA agente; AP = planejamento autônomo; MTO = orquestração multi-ferramenta; PF = feedback proativo.

Figura 3. Modelo estrutural estimado. Modelo final com coeficientes de caminho padronizados (β) para a amostra completa (N = 331). Todas as abreviações como na Figura 2; AP_LVS, MTO_LVS e PF_LVS denotam as pontuações variáveis latentes de AP, MTO e PF usadas como indicadores formativos do AITC na abordagem de dois estágios. Setas sólidas indicam caminhos significativos; os valores entre parênteses são R² (a proporção de variância explicada em cada construto endógeno: AHTR = 0,471, CS = 0,363, PS = 0,114). A importância foi avaliada por meio de bootstrap com 5.000 reamostras; p < 0,001. AP = planejamento autônomo; MTO = orquestração multi-ferramenta; PF = feedback proativo; AITC = Características tecnológicas de IA agente; CS = superávit cognitivo; PS = segurança psicológica; AHTR = realocação de tarefas IA-humano. Por favor, clique aqui para ver uma versão ampliada desta figura.

Modelo estrutural e análise de mediação

A Tabela 7 relata os coeficientes de caminho com valores p, médias amostrais (M), desvios padrão (STDEV), valores t e intervalos de confiança de 95%. O AITC foi positivamente associado ao CS (β = 0,485, p < 0,001), suportando H1, e com PS (β = 0,338, p < 0,001), suportando H2. O CS foi positivamente associado ao AHTR (β = 0,444, p < 0,001), apoiando H3, assim como o PS (β = 0,179, p < 0,001), apoiando H5. A PS foi positivamente associada ao CS (β = 0,230, p < 0,001), suportando H6, e AITC com AHTR (β = 0,215, p < 0,001), apoiando H9. O modelo explicou 47,1% da variância no AHTR (R² = 0,471), 36,3% no CS e 11,4% no PS.

Construtos	β	Média amostral (M)	Desvio padrão (STDEV)	Estatísticas T (|O/STDEV|)	valores p	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 → Ciência da Computação	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

Tabela 7: Resultados do modelo estrutural e efeitos indiretos específicos (amostra completa). β = coeficiente de caminho padronizado; M = média amostral bootstrap; STDEV = desvio padrão bootstrap; t = \|β/STDEV\|; p = valor p de duas caudas; 0,025/0,975 = limites inferiores/superiores do intervalo de confiança bootstrap de 95% (um intervalo excluindo zero indica significância); R² = variância explicada no construto endógeno. Linhas com setas por múltiplos construtos (por exemplo, AITC → PS → CS → AHTR) relatam efeitos indiretos específicos (mediação). O bootstrap usou 5.000 reamostras.

Os resultados do bootstrap para efeitos indiretos específicos (Tabela 7) mostram que a CS mediou significativamente a relação AITC-AHTR (β = 0,215, IC 95% [0,149, 0,290], p < 0,001), suportando H4 e PS da mesma forma (β = 0,060, IC 95% [0,027, 0,102], p = 0,001), suportando H7. A via sequencial AITC → PS → CS → AHTR também foi significativa (β = 0,034, IC 95% [0,017, 0,060], p = 0,002), suportando H8. A Tabela 8 resume os resultados dos testes de hipótese.

	Hipótese			Resultados
H1	As características tecnológicas da IA agente estão positivamente associadas ao superávit cognitivo.			Aceito
H2	As características tecnológicas da IA agente estão positivamente associadas à segurança mental.			Aceito
H3	O excedente cognitivo está positivamente associado à realocação de tarefas entre IA e humanos.			Aceito
H4	O excedente cognitivo media a relação entre as características tecnológicas da IA Agente e a realocação de tarefas IA-humano.			Aceito
H5	A segurança mental está positivamente associada à realocação de tarefas entre IA e humanos.			Aceito
H6	A segurança psicológica está positivamente associada ao superávit cognitivo.			Aceito
H7	A segurança psicológica mede a relação entre as características tecnológicas da IA Agente e a realocação de tarefas IA-humano.			Aceito
H8	A segurança psicológica e o excedente cognitivo mediam sequencialmente a relação entre as características tecnológicas da IA Agente e a realocação de tarefas IA-humano.			Aceito
H9	As características tecnológicas da IA agente estão positivamente associadas à realocação de tarefas IA-humano.			Aceito
H10a	As associações das características tecnológicas da IA Agente com o excedente cognitivo e a segurança psicológica diferem entre líderes e equipes.			Aceito
H10b	As associações de segurança psicológica e superávit cognitivo com a realocação de tarefas entre IA e humanos diferem entre líderes e funcionários.			Parcialmente aceito

Tabela 8: Resumo dos testes de hipótese. Cada hipótese com seu caminho estrutural correspondente e decisão (aceita/rejeitada) baseada no bootstrap resulta na Tabela 7 (limiar de significância p < 0,05). AITC = Características tecnológicas de IA agente; CS = superávit cognitivo; PS = segurança psicológica; AHTR = realocação de tarefas IA-humano.

O poder preditivo fora da amostra foi avaliado com PLSpredict (10 vezes, 10 repetições; Tabela 9). Todos os indicadores endógenos retornaram valores preditivos positivos do^Q2, indicando relevância preditiva, e o modelo PLS-SEM produziu RMSE e MAE menores do que o benchmark do modelo linear (LM) para quase todos os indicadores, sendo a única exceção PS_4. Esses resultados indicam desempenho preditivo fora da amostra médio a alto para segurança psicológica, superávit cognitivo e realocação de tarefas^{IA-humanos 48}.

Indicador	Q²prever	POR FAVOR, SEM RMSE	POR FAVOR, 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

Tabela 9: Avaliação preditiva fora da amostra (PLSpredict). Métricas preditivas para cada indicador endógeno (PS, CS, AHTR) do PLSpredict (10 duplicações, 10 repetições). Q²prever = relevância preditiva (>0 indica que o modelo PLS-SEM supera o benchmark mais ingênuo); PLS-SEM RMSE/MAE = erro quadrático médio e erro absoluto médio do modelo PLS-SEM; LM RMSE/MAE = erros correspondentes para o benchmark de modelo linear; IA RMSE/MAE = indicador-média de referência. Erros PLS-SEM abaixo do benchmark LM indicam desempenho preditivo satisfatório. PS = segurança psicológica; CS = superávit cognitivo; AHTR = realocação de tarefas IA-humano. Nota: Todos os^Q2preveem > 0. PLS-SEM RMSE/MAE < referência de LM para todos os indicadores, exceto PS_4, indicando desempenho preditivo médio a alto.

Análise multigrupo

A MGA examinou se as relações estruturais diferem entre líderes e funcionários, que ocupam posições diferentes de responsabilidade, segurança no emprego e composição de tarefas. Como mostrado na Tabela 10, as associações do AITC com as duas variáveis de recurso foram significativamente mais fortes entre os líderes: AITC → CS (líder β = 0,599 vs. equipe β = 0,363; Δ = 0,236, p bilateral = 0,014) e AITC → PS (líder β = 0,435 vs. equipe β = 0,199; Δ = 0,236, p bilateral = 0,043). Essas diferenças são praticamente significativas: a associação AITC-CS entre líderes era aproximadamente 1,6 vezes maior que entre os funcionários, e a associação AITC-PS era mais do que duas vezes mais forte. Os caminhos diretos restantes (AITC → AHTR, CS → AHTR, PS → AHTR, PS → CS) não diferiram significativamente entre os grupos (todos dois lados p > 0,19), indicando que, uma vez formados recursos, suas associações com a realocação de tarefas operam de forma semelhante entre os papéis. As estimativas bootstrap específicas de grupo (Tabela 11) revelam ainda padrões assimétricos de significância em quatro caminhos: PS → AHTR foi significativo para líderes (β = 0,234, p = 0,001), mas não para a equipe (β = 0,133, p = 0,064); o caminho indireto AITC → PS → AHTR foi significativo para líderes (β = 0,102, p = 0,005), mas não para funcionários (β = 0,026, p = 0,178); inversamente, PS → CS → AHTR foi significativo para a equipe (β = 0,140, p = 0,001), mas apenas marginal para líderes (β = 0,059, p = 0,054); e AITC → PS → CS foi significativo para a equipe (β = 0,057, p = 0,043), mas marginal para líderes (β = 0,067, p = 0,065). Em conjunto, a rota psicológico-segurança para realocação de tarefas parece mais direta para os líderes, enquanto para a equipe, a segurança psicológica está relacionada principalmente à realocação ao permitir o excedente cognitivo, um padrão consistente com diferenças de responsabilidade e exposição à segurança no emprego (H10a apoiado; H10b parcialmente suportado).

Construtos	Δ (Líder - Estado-Maior)	Valor p uni-cauda (Líder vs Bastão)	Valor p bicaudale (Líder vs Bastão)
AITC → AHTR	0.007	0.482	0.963
AITC → Ciência da Computação	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

Tabela 10: Análise multigrupo (PLS-MGA) das diferenças de caminho entre líderes e funcionários. Δ = diferença entre coeficientes padronizados de caminho do líder e da equipe (líder menos bastão); valores p provenientes de PLS-MGA baseados em bootstrap (1 cauda e 2 caudas). Diferenças significativas ( p bi-cauda < 0,05) indicam que o caminho difere entre líderes (n = 171) e equipe (n = 160). AP = planejamento autônomo; MTO = orquestração multi-ferramenta; PF = feedback proativo; CS = superávit cognitivo; PS = segurança psicológica; AHTR = realocada de tarefas IA-humano; AITC = Características tecnológicas de IA agente.

	Original (Líder)	Original (Equipe)	Mean (Líder)	Mean (Bastão)	STDEV (Líder)	STDEV (Equipe)	valor t (Líder)	valor t (Equipe)	valor p (Líder)	valor p (Equipe)
AITC → AHTR	0.233	0.227	0.237	0.224	0.098	0.077	2.381	2.945	0.017	0.003
AITC → Ciência da Computação	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

Tabela 11: Estimativas bootstrap específicas de grupo para líderes e equipe. Coeficientes de caminho padronizados (Original), médias bootstrap, desvios padrão (STDEV), valores t e valores p de duas caudas foram estimados separadamente dentro dos grupos líder (n = 171) e de equipe (n = 160), para todos os caminhos diretos e indiretos específicos. O bootstrapping usou 5.000 reamostras dentro de cada grupo. AP = planejamento autônomo; MTO = orquestração multi-ferramenta; PF = feedback proativo; CS = superávit cognitivo; PS = segurança psicológica; AHTR = realocada de tarefas IA-humano; AITC = Características tecnológicas de IA agente.

Em suma, o modelo de medição atendia aos critérios de confiabilidade e validade; O AITC foi positivamente associado ao CS, PS e AHTR; CS e PS mediaram a associação AITC-AHTR individual e sequencialmente; O modelo apresentou desempenho preditivo satisfatório fora da amostra; e as associações do AITC com CS e PS foram significativamente mais fortes entre os líderes, enquanto os caminhos dos recursos para a realocação de tarefas não diferiram significativamente entre os papéis. Em conjunto, os resultados apoiam o modelo hipotético de ganho de recursos e motivam a interpretação diferenciada por papéis desenvolvida na Discussão.

DISPONIBILIDADE DE DADOS:

Os arquivos de dados e análise são carregados como Arquivo Suplementar 1, Arquivo Suplementar 2, Arquivo Suplementar 3, Arquivo Suplementar 4, Arquivo Suplementar 5, Arquivo Suplementar 6 e Arquivo Suplementar 7.

Arquivo Suplementar 1: Questionário.Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 2. Saída do protocolo G*Power.Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 3. MICOM Passo 2 — Invariância composicional (permutação, 1.000). Invariância composicional estabelecida para todos os construtos (c original ≥ 5% quantil; permutação p > 0,05). A invariância parcial da medição é suficiente para justificar o PLS-MGA. Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 4. Conjunto de dados.Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 5. Relatório SmartPLS da MGA bootstrap.Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 6. Relatório SmartPLS da permutação da MGA. Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 7. Codebook — variável, item, construção, escala, codificação e fonte.Por favor, clique aqui para baixar este arquivo.

Discussão

Este estudo examinou como as características tecnológicas da IA Agente se relacionam com os recursos psicológicos dos funcionários e o comportamento de realocação de tarefas, e se essas relações diferem entre os papéis organizacionais. Utilizando uma pesquisa transversal com 331 funcionários experientes em IA e PLS-SEM, com mediação e análise multigrupo, os resultados foram consistentes com o modelo teorizado de ganho de recursos: o AITC esteve positivamente associado ao superávit cognitivo, segurança psicológica e realocação de tarefas IA-humanos; o excedente cognitivo e a segurança psicológica mediaram a relação AITC-AHTR individual e sequencialmente; e as associações do AITC com ambas as variáveis de recurso foram significativamente mais fortes entre líderes do que entre a equipe.

Os achados têm três implicações teóricas. Primeiro, eles estendem a teoria JD-R para o contexto da IA Agente, tratando características tecnológicas não como ferramentas, mas como recursos de trabalho: a forte associação AITC-CS (β = 0,485) é consistente com a visão de que planejamento autônomo, orquestração de múltiplas ferramentas e feedback proativo conservam energia cognitiva e tempo discricionário que os funcionários podem reinvestir 15,23,24. Segundo, eles conectam a lógica de espiral de ganho da teoria da COR ao redesenho do trabalho habilitado por IA: o significativo caminho sequencial (AITC → PS → CS → AHTR) sugere que a segurança psicológica opera como um recurso contextual que apoia o acúmulo de excedente cognitivo, o que, por sua vez, se relaciona ao comportamento de^{realocação 20,22}. Terceiro, ao posicionar o AHTR como uma forma específica de tecnologia de elaboração de tarefas dentro da literatura sobre criação de^trabalhos 17,31,32, o estudo vai além do foco dominante em desempenho técnico e resultados de automação, oferecendo uma explicação psicológica de como os sistemas agentes se tornam incorporados no redesenho do trabalho. Como o desenho é transversal, esses caminhos devem ser lidos como associações consistentes com a ordenação causal teorizada, e não como demonstrações de causalidade.

Os resultados da mediação esclarecem por que a disponibilidade avançada de IA por si só pode não se traduzir em mudanças nas práticas de trabalho. A associação direta AITC-AHTR (β = 0,215) foi complementada por vias indiretas de magnitude combinada comparável por meio de superávit cognitivo (β = 0,215) e segurança psicológica (β = 0,060): os funcionários parecem realocar tarefas para a IA quando a tecnologia libera comprovadamente recursos cognitivos e quando o clima interpessoal faz a experimentação parecer segura 16,25,38. Esse mecanismo duplo implica que a realocação de tarefas é tanto um fenômeno de recursos e clima quanto de tecnologia, o que pode explicar resultados heterogêneos de adoção em implantações que, de outra forma, seriam semelhantes.

Os resultados de múltiplos grupos adicionam uma condição de contorno baseada em papéis. As associações AITC-CS e AITC-PS foram aproximadamente 1,6 e 2,2 vezes mais fortes, respectivamente, para líderes do que para funcionários, enquanto os caminhos posteriores dos recursos para a realocação não diferiram significativamente entre os grupos. Uma interpretação, consistente com os argumentos de distância perceptiva^30,35, é que líderes que detêm maior autoridade de decisão e responsabilidade estratégica convertem mais facilmente capacidades agenticas em recursos percebidos, enquanto os funcionários, que estão mais expostos à insegurança laboral relacionada à automação e às demandas de aprendizagem, percebem benefícios psicológicos de segurança menos diretamente: para os funcionários, a segurança psicológica relacionada principalmente à realocação por meio de excedente cognitivo (PS → CS → AHTR: β = 0,140, p = 0,001), enquanto para líderes o caminho direto PS → AHTR foi significativo (β = 0,234, p = 0,001). Essas são tendências observadas nesta amostra, e não disposições fixas, e os intervalos de confiança em torno das diferenças entre grupos justificam uma interpretação cautelosa.

Na prática, os achados sugerem estratégias de implantação diferenciadas por funções. Para todos os funcionários, as organizações podem proteger a conversão do tempo economizado em excedente cognitivo ajustando as normas de carga de trabalho e os principais indicadores-chave de desempenho, para que as horas livres da IA sejam reinvestidas em tarefas estratégicas, criativas e colaborativas, em vez de serem absorvidas por demandas rotineiras adicionais; Alavancas concretas incluem governança do uso de IA, que esclarece a responsabilidade quando a IA erra, treinamento estruturado em habilidades de IA orientadas à delegação e sistemas de reconhecimento que recompensam o redesenho documentado de tarefas. Para a equipe especificamente, os resultados indicam que intervenções de segurança psicológica, como revisão sem culpa dos experimentos de IA, tolerância do gerente a erros iniciais e comunicação explícita sobre segurança no emprego, são pré-requisitos para que o excedente cognitivo se forme; para os líderes que convertem o AITC em recursos com mais facilidade, a prioridade é canalizar esse excedente para governança e planejamento de contingência que reduzam a lacuna de percepção entre líderes e funcionários, em vez de ampliá-la. Essas implicações se estendem a ambientes de alto risco, como detecção de fraudes e operações de segurança financeira, nas quais sistemas agentes cada vez mais triagem de alertas, orquestram fluxos de trabalho de investigação e sinalizam transações anômalas: nesses ambientes, a segurança psicológica é uma pré-condição para que os funcionários questionem, anulem e relatem julgamentos gerados por IA sem medo de culpa, e realocar o monitoramento rotineiro para a IA pode liberar os recursos cognitivos dos analistas para situações complexas, casos que exigem muito julgamento, enquanto a governança deve garantir que a automação não corróia a responsabilidade por decisões de alta consequência. De forma mais ampla, as diferenças observadas entre líderes e funcionários defendem intervenções diferenciadas: currículos de treinamento que enfatizam delegação e supervisão de líderes e suporte à experimentação e requalificação para a equipe, papéis de governança que refletem a exposição ao risco de cada grupo e estratégias de comunicação que tornam os ganhos de recursos alcançados pelos líderes visíveis e alcançáveis para a equipe.

Diversas limitações qualificam essas conclusões e definem direções futuras. Todas as variáveis foram autorrelatadas pelos mesmos respondentes em um determinado momento; Apesar de remédios procedimentais e verificações estatísticas sugerindo que o viés comum do método não era severo, o desenho transversal impede a inferência causal e não consegue capturar espirais de recursos com atraso temporal. Além disso, o AITC foi medido por meio das percepções auto-relatadas dos funcionários sobre as capacidades do sistema agente, que podem não corresponder às capacidades técnicas reais dos sistemas; Projetos futuros devem combinar medidas perceptuais com logs do sistema ou auditorias de capacidade. Embora os participantes tenham recebido uma breve definição padronizada de IA Agente no início da pesquisa, nenhum item de verificação de compreensão verificou sua compreensão da tecnologia focal, e estudos futuros devem incluir tal verificação. A amostra propositada, recrutada por plataformas, de funcionários com experiência em IA, orientada para indústrias de tecnologia e entrevistados mais jovens, é adequada para um teste inicial de modelo, mas limita a generalização a organizações com baixa maturidade em IA, empresas menores e setores não digitais; o recrutamento de painel único em um período de coleta também implica especificidade cultural e contextual, de modo que as associações observadas podem não se generalizar entre mercados de trabalho, regimes de governança de IA ou culturas ocupacionais. A segurança psicológica também foi medida como uma percepção individual, e não como um clima compartilhado de equipe. Pesquisas futuras devem empregar desenhos longitudinais ou por amostragem por experiência para rastrear espirais de ganho, desenhos multinível que separem amostras de segurança psicológica individual e de equipe em nível de segurança, probabilidade ou amostras organizacionais entre níveis de maturidade em IA, e extensões do construto AITC a atributos como transparência, controlabilidade e explicabilidade. Apesar dessas limitações, o estudo fornece um protocolo replicável e evidências iniciais de que as associações da IA Agente com resultados de trabalho operam por meio dos recursos psicológicos dos funcionários e são limitadas por recursos psicológicos dos funcionários, conhecimento que deve ajudar pesquisadores, profissionais e formuladores de políticas a implantar sistemas agenticos de maneiras que aumentem, em vez de corroer, o lado humano do trabalho.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Prolific	Prolific	https://www.prolific.com/	Fornecedor de painéis de pesquisa online
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com/	Código de pesquisa
SmartPLS	SmartPLS GmbH	versão 4.0.1, https://www.smartpls.com/	Análise PLS-SEM