É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de investigação

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

115 visualizações

⸱

DOI:

10.3791/71797

⸱

4 de agosto de 2026

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

Neste artigo

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 vidaorganizacional 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 humanamínima 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 regraspré-programadas 5,6; função principal, porque seu propósito é automatizar fluxos de trabalho complexos em vez de tarefasúnicas 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 nesteestudo 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 restriçõesmudam 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 serquestionado 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 trabalhocotidiano 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 comportamentaisdos 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 sistemasinteligentes 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 recursosadicionais 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 cognitivodos 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 novovalor 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 sentidoCOR 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 perdade 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 statusquo 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 pesquisaem 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 aosoutros 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 aumentarem 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 deimpedimento 17,31; na tipologia de Wrzesniewski e Dutton, ela compreende a criação de tarefas, relacional ecognitiva 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 organizacionalde 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 adaptaçõesposteriores 31,32. Diferente de estudos anteriores que tratam a adoção da IA como um antecedente contextual da criação geral detrabalhos 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 interpessoaisassociados 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 excedentecognitivo 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 experiênciade 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 aprendizado20,30. 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.

figure-introduction-1
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.

figure-introduction-2
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.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

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 oPLS-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 IAAgente 7,8; Itens de CS da pesquisa cognitiva-de recursos de IAgenerativa 37; PS itens de Plomp et al.38; e itens AHTR das escalas de criação de tarefas baseadas emJD-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.

ConstrutoItemPerguntaMeanSTDEVVIFFonte
AITCAPAP1Quando eu ofereço uma meta, a IA ajuda a criar um plano em múltiplas etapas para alcançá-la.5.810.91.44Abou Ali, M., et al. (2025); Sapkota, R., et al. (2025)
AP2A IA pode revisar seu plano quando restrições ou requisitos mudam.5.750.991.37
AP3A IA divide trabalhos complexos em subtarefas gerenciáveis sem precisar de instruções passo a passo.5.331.371.33
MTOMTO1A IA pode combinar múltiplas ferramentas ou aplicativos (por exemplo, busca, documentos, ferramentas de dados) para completar uma tarefa.5.691.111.5
MTO2A IA sugere a(s) ferramenta(s) correta(s) e as usa na sequência correta para produzir um entregável.5.361.041.64
MTO3A IA ajuda a integrar resultados de diferentes ferramentas em um único resultado coerente.5.611.011.63
PFPF1A IA aponta proativamente erros, informações faltantes ou suposições arriscadas no meu trabalho.4.91.441.68
PF2A IA sugere melhorias antes mesmo de eu pedir feedback explicitamente.5.071.381.85
PF3A IA me lembra de checkpoints (por exemplo, validação, conformidade, qualidade) para evitar rework.5.021.41.6
CSCS1Usar IA liberou minha energia mental para focar em trabalhos mais complexos e significativos.5.591.282.07Liu, Y., Sheng, F., & Liu, R. (2025)
CS2Tenho mais tempo disponível para pensamento estratégico e resolução de problemas desde que uso IA.5.611.232.38
CS3A carga de trabalho das tarefas rotineiras diminuiu significativamente, me dando espaço para novas iniciativas.5.421.282.23
CS4Me sinto menos mentalmente exausto no final do expediente porque a IA lida com tarefas repetitivas.5.151.51.91
PSPS1No meu local de trabalho, é seguro correr riscos relacionados ao uso da IA de novas maneiras.4.741.371.52Plomp et al. (2019)
PS2Meu gerente incentiva a experimentação com IA e é tolerante a erros.4.521.611.68
PS3Me sinto confortável para me manifestar se tiver dúvidas sobre como a IA está sendo usada na minha equipe.5.481.241.32
PS4Meus colegas me apoiam se eu tento novas formas de trabalhar com IA.5.261.321.48
PS5 (excluido)Não tenho medo de consequências negativas se eu propor usos inovadores da IA no meu trabalho.4.471.591.23
AHTRAHTR1Transfiro deliberadamente tarefas rotineiras (por exemplo, entrada de dados, formatação de relatórios) para IA para poder focar em trabalhos de maior valor.5.121.351.68Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024)
AHTR2Busco ativamente oportunidades para usar IA para lidar com tarefas que fazia manualmente.5.581.281.84
AHTR3Desde que uso IA, assumi novas responsabilidades ou ampliei responsabilidades que são mais estratégicas ou criativas.5.181.31.58
AHTR4 (excluído)Negocio com meu gerente quais tarefas a IA deve realizar e quais eu devo fazer.4.091.651.23
AHTR5Redesenhei meu trabalho realocando tarefas rotineiras para a IA, me libertando para tarefas mais significativas.4.921.351.67

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 etapas40, 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 pesquisaemergentes 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 critériode 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.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

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. ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

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 cognit...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores não declaram conflitos de interesse.

Uma ferramenta de IA generativa (ChatGPT, OpenAI) foi usada para edição de linguagem; todo o conteúdo foi revisado e verificado pelos autores, que também verificaram que a edição assistida por IA não introduzisse mudanças na terminologia ou no tom entre seções.

Agradecimentos

Esse trabalho foi financiado por financiamento de pesquisa da Universidade aSSIST.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
ProlificProlifichttps://www.prolific.com/Fornecedor de painéis de pesquisa online
QualtricsQualtrics, LLChttps://www.qualtrics.com/Código de pesquisa
SmartPLS SmartPLS GmbHversão 4.0.1, https://www.smartpls.com/Análise PLS-SEM

Referências

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. Acharya DB, Kuppan K, Divya B. Agentic AI: Autonomous intelligence for complex goals - a comprehensive survey. IEEE Access. 2025;13:18912–18936.
  6. 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.
  7. Sapkota R, Roumeliotis KI, Karkee M. AI agents vs. Agentic AI: A conceptual taxonomy, applications and challenges. Inf Fusion. 2026;126:103599.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. Wooldridge M, Jennings NR. Intelligent agents: Theory and practice. Knowl Eng Rev. 1995;10(2):115–152.
  15. 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.
  16. Sha C, Chai T. When digital-AI transformation sparks adaptation: Job crafting and AI knowledge in job insecurity contexts. Front Psychol. 2025;16:1612245.
  17. Tims M, Bakker AB. Job crafting: Towards a new model of individual job redesign. SA J Ind Psychol. 2010;36(2):1–9.
  18. 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.
  19. 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.
  20. 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.
  21. Hobfoll SE. Conservation of resources: A new attempt at conceptualizing stress. Am Psychol. 1989;44(3):513–524.
  22. 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.
  23. Bakker AB, Demerouti E. Job demands-resources theory: Taking stock and looking forward. J Occup Health Psychol. 2017;22(3):273–285.
  24. Shirky C. Cognitive Surplus: How Technology Makes Consumers into Collaborators. Penguin Press; New York; 2010.
  25. Edmondson A. Psychological safety and learning behavior in work teams. Adm Sci Q. 1999;44(2):350–383.
  26. 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.
  27. 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.
  28. 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.
  29. 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.
  30. Raisch S, Krakowski S. Artificial intelligence and management: The automation-augmentation paradox. Acad Manage Rev. 2021;46(1):192–210.
  31. Tims M, Bakker AB, Derks D. Development and validation of the job crafting scale. J Vocat Behav. 2012;80(1):173–186.
  32. Wrzesniewski A, Dutton JE. Crafting a job: Revisioning employees as active crafters of their work. Acad Manage Rev. 2001;26(2):179–201.
  33. Grant AM, Parker SK. Redesigning work design theories: The rise of relational and proactive perspectives. Acad Manag Ann. 2009;3(1):317–375.
  34. 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.
  35. 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.
  36. Hair JF, et al. Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R: A Workbook. Springer; Cham; 2021:1–56.
  37. 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.
  38. 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.
  39. Li W, et al. Embracing artificial intelligence (AI) with job crafting: Exploring trickle-down effect and employees’ outcomes. Tour Manag. 2024;104:104935.
  40. 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.
  41. 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.
  42. 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.
  43. Nunnally JC. Psychometric Theory. 2nd ed. McGraw-Hill; New York; 1978.
  44. Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39–50.
  45. 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.
  46. Kock N. Common method bias in PLS-SEM: A full collinearity assessment approach. Int J e-Collab. 2015;11(4):1–10.
  47. 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.
  48. Shmueli G, et al. Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. Eur J Mark. 2019;53(11):2322–2347.
  49. 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.
  50. 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.
  51. Harman HH. Modern Factor Analysis. 3rd ed. University of Chicago Press; Chicago; 1976.
  52. Podsakoff PM, Organ DW. Self-reports in organizational research: Problems and prospects. J Manage. 1986;12(4):531–544.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

ComportamentoEdi o 234Edi o 234Valor VazioEdi oteoria JD Rconserva o de recursos
Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.