Исследовательская статья

Как агентный ИИ меняет работу: роль когнитивного избытка, психологической безопасности и перераспределения задач между ИИ и человеком

DOI:

10.3791/71797

⸱

4 августа 2026 г.

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

В этой статье

Краткое содержание

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Этот протокол описывает рабочий процесс на основе опросов для изучения того, как технологические характеристики агентного ИИ связаны с когнитивным избытком, психологической безопасностью и перераспределением задач между ИИ и человеком среди 331 сотрудника. Моделирование структурных уравнений с частичными наименьшими квадратами с использованием многогруппового анализа выявляет различия в ролях между руководителями и сотрудниками.

Аннотация

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этом исследовании рассматривается, как технологические характеристики агентного ИИ связаны с психологическим состоянием сотрудников и поведенческими реакциями в организациях. Опираясь на теорию спроса на работу — ресурсы (JD-R) и теорию сохранения ресурсов (COR), мы концептуализируем технологические характеристики агентного ИИ (AITC) как конструкт высшего порядка, включающий автономное планирование, многофункциональную оркестрацию и проактивную обратную связь, и предполагаем, что эти характеристики функционируют как ресурсы работы, связанные с большим когнитивным избытком и психологической безопасностью, которые, в свою очередь, связаны с перераспределением задач между ИИ и человеком. Мы дополнительно исследуем, различаются ли эти отношения между руководителями и сотрудниками. Поперечный, анонимный онлайн-опрос проводился через онлайн-платформу для участников, набранных через исследовательскую панель с использованием целенаправленной невероятностной выборки; Право на участие ограничивалась взрослыми с текущим или предыдущим опытом работы, связанной с ИИ, а отборные, проверенные с учетом внимания ответы дали итоговую выборку из 331 сотрудника (171 руководитель, 160 сотрудников). Все конструкции измерялись с помощью валидированных шкал, адаптированных к контексту агентного ИИ на 7-балльных шкалах Ликерта. Данные анализировались с использованием моделирования структурных уравнений с частичными наименьшими квадратами (PLS-SEM), применяя двухэтапный подход для конструкции второго порядка, используя 5 000 перевыборок для прямых и косвенных эффектов, а также многогрупповый анализ (MGA) для сравнения лидеров и персонала. Модель измерения продемонстрировала приемлемую надёжность и валидность, а структурные результаты соответствовали теоретической модели приобретения ресурсов: AITC положительно ассоциировался с когнитивным избыточностью, психологической безопасностью и перераспределением задач, с значимыми путями медиации и более сильными ассоциациями AITC с ресурсами среди лидеров. Сосредотачиваясь на психологических механизмах, а не на технической эффективности, это исследование расширяет новые исследования агентного ИИ и предлагает практические последствия для стратегий внедрения ИИ с дифференцированными ролями.

Введение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Распространение агентного ИИ переопределяет роль искусственного интеллекта в промышленности иорганизационной жизни 1,2. Агентный ИИ можно определить как продвинутую форму искусственного интеллекта, которая воспринимает меняющуюся среду, независимо ставит цели с помощью механизмов рассуждения и координирует последовательности действий с минимальным человеческимконтролем 3,4. Он отличается от традиционного ИИ, включая традиционные генеративные инструменты ИИ, по трём параметрам: автономии, поскольку агентные системы преследуют цели с минимальным человеческим вмешательством, а не выполняют заранее запрограммированныеправила 5,6; основная функция, поскольку их цель — автоматизация сложных рабочих процессов, а неотдельные задачи 7; и архитектуру, поскольку они координируют несколько крупных языковых моделей, интерфейсов прикладного программирования (API) и агентов, а не полагаются на одну модель7. Эти возможности основаны на определяющих технологических характеристиках, рассмотренных в этомисследовании 8,9. Автономное планирование (АП) означает, что, имея цель пользователя, система независимо разбивает её на подзадачи и пересматривает свой план по мере измененияограничений 10; Например, сотрудник может дать однострочную инструкцию и получить рабочий многоступенчатый план проекта. Многоинструментальная оркестрация (MTO) означает, что система выбирает, секвенирует и интегрирует внешние инструменты и API 1,11,12; например, комбинирование веб-поиска, редакторов документов и инструментов анализа данных для создания единого целостного отчёта. Проактивная обратная связь (PF) означает, что система отмечает ошибки, отсутствующую информацию и рискованные предположения до того, как ей задаютвопрос 10, 13; Например, напоминание сотруднику о контрольных точках проверки или соблюдения требований во время выполнения задачи. Мы сосредотачиваемся на этих трёх характеристиках, которые вместе называются технологичными характеристиками агентного ИИ (AITC), поскольку именно эти функциональные возможности отличают агентный ИИ от традиционного в повседневнойработе 7,10; такие атрибуты, как прозрачность, управляемость и объяснимость, имеют значение для доверия к ИИ в целом, но не являются специфичными для агентной парадигмы, поэтому мы рассматриваем их как граничные условия для будущих исследований, а не как фокусные измерения.

Несмотря на быстрое распространение агентного ИИ на рабочих местах, существующая литература в основном рассматривает его техническую архитектуру, операционную эффективность и возможности автоматизации задач, уделяя сравнительно мало внимания тому, как эти характеристики влияют на психологическое состояние и поведенческие реакции сотрудников14,15. Это упущение важно, потому что перераспределение задач между людьми и ИИ — это не чисто техническая корректировка, а психологически и организационно заложенный процесс: сотрудники должны бросать вызов существующим рабочим процессам, переосмыслить границы ролей и принимать новые формы сотрудничества с интеллектуальнымисистемами 16,17. Такие изменения не происходят автоматически просто потому, что доступны передовые технологии. Соответственно, цель данного исследования состоит из трёх аспектов: выяснить, функционируют ли AITC как ресурсы для работы, связанные с когнитивным избыточным профицитом, психологической безопасностью и перераспределением задач между ИИ и человеком; для изучения опосреднических и последовательных ролей когнитивного избытка и психологической безопасности; а также исследовать, различаются ли эти структурные отношения между руководителями и сотрудниками. Новизна этого исследования тройка. Во-первых, он концептуализирует и реализует технологические характеристики агентного ИИ — автономное планирование, многофункциональную оркестрацию и проактивную обратную связь — как ресурс более высокого уровня в рамках JD-R, а не рассматривает внедрение ИИ как недифференцированный контекст. Во-вторых, он вводит перераспределение задач с помощью ИИ и человека как специфическую область, технологично реализованную форму создания задач, отличающуюся как от стандартного крафта заданий, так и от результатов цифровой трансформации сверху вниз. В-третьих, насколько нам известно, он предоставляет первые многогрупповые доказательства того, что ассоциации агентного ИИ с генерацией ресурсов систематически различаются между лидерами и сотрудниками.

Теоретическая логика объединяет теорию требований до ресурсов (JD-R) и теорию сохранения ресурсов (COR). Теория JD-R утверждает, что каждая работа включает в себя требования к работе, физические, эмоциональные и когнитивные аспекты, требующие постоянных усилий, а также рабочие ресурсы — аспекты, которые снижают требования, поддерживают достижение целей и стимулируют личностное развитие; Их баланс формирует вовлечённость, благополучие ирезультативность 18,19. Теория COR добавляет динамический механизм: индивидуумы стремятся получить, удержать и защитить ценные ресурсы, а накопленные ресурсы запускают спирали приобретений, в ходе которых существующие ресурсы реинвестируются для приобретения новыхресурсов 20, 21, 22. С этой совместной точки зрения AITC можно рассматривать не просто как технические особенности, а как новую форму ресурса для работы: поглощая повторяющиеся и когнитивно утомительные задачи, такие как планирование и диагностический анализ, агентные системы снижают требования и сохраняют когнитивную энергию и времясотрудников 15,23. Мы определяем когнитивный избыток (КС) как резервуар когнитивной энергии и свободного времени, который становится доступным, когда такие рутинные задачи делегируются технологиям, и который может быть реинвестирован в коллективное участие, сотрудничество и создание новой ценности24. Таким образом, CS концептуально отличается от вовлечённости в работу, которое является аффективно-мотивационным состоянием, и от простой доступности времени, поскольку обозначает конвертируемый запас личных ресурсов в смыслеCOR 20,24. КС также отличается от психологического отстранения и восстановления, которые связаны с восстановлением истощённой энергии вдали от работы, и от временного изобилия, которое обозначает субъективное восприятие достаточного количества времени; CS — это освобождённые когнитивные способности, которые остаются доступны для реинвестирования во время самой работы. С точки зрения COR накопленная CS представляет собой приобретение ресурсов, которое должно поддерживать благополучие профессии, буферизируя истощение и выгорание, тогда как его поглощение дополнительными рутинными требованиями сигнализирует о потерересурсов 20,23,24. Превращается ли сэкономленное время в избыток, может зависеть от индивидуальных характеристик, таких как грамотность ИИ, нормы рабочей нагрузки, которые могут поглотить сэкономленное время с дополнительными требованиями, а также от организационной культуры; Поэтому мы рассматриваем путь приобретения ресурсов как гипотезу для проверки, а не как предположение.

H1: AITC положительно связан с компьютерными науками.

Психологическая безопасность (ПС) определяется как убеждение, что рабочая среда безопасна для межличностных рисков, таких как признание ошибок, просьба о помощи и вызовстатус-кво 25,26. Хотя психологическая безопасность часто изучалась как командный климат, это исследование концептуализирует и измеряет её как индивидуальное восприятие, что соответствует нашему индивидуальному опросу27,28. Когда агентные системы предоставляют обратную связь, ориентированную на обучение, и поддерживающие инструменты, межличностные затраты на эксперименты и выявление ошибок могут снизиться, поскольку сотрудники могут тестировать и исправлять свою работу перед тем, как представить еёдругим 26,28. Однако мы признаём, что противоположная динамика возможна: если агентные системы внедряются для наблюдения или подотчётности по выявлению ошибок, воспринимаемые межличностные риски и недоверие могутувеличиться на 29,30. Поскольку рассматриваемые здесь характеристики носят ассистентивный, а не оценочный характер, мы предполагаем положительную ассоциацию, рассматривая эту двустороннюю возможность как важное граничное условие.

H2: AITC положительно ассоциируется с PS.

Мы определяем перераспределение задач ИИ-человеком (AHTR) как самоинициированное перераспределение задач сотрудниками между собой и системами ИИ, делегирование рутинной работы ИИ и расширение их собственных стратегических и творческих обязанностей. Мы позиционируем AHTR как форму создания вакансий, специфическую для конкретной области. В модели Tims and Bakker, основанной на JD-R, создание рабочих мест включает увеличение ресурсов по рабочим местам, увеличение требований к вызовам и снижение требований к препятствиям17,31; в типологии Вжесневского и Даттона она включает задание, реляционное и когнитивноекрафтинг 32. AHTR наиболее близко относится к созданию задач, реализуемому с помощью технологий: передача рутинных задач ИИ одновременно снижает требования к препятствиям и привлекает новый ресурсдля работы 17,23,32. Он уже, чем общий результат цифровой трансформации, поскольку отражает дискреционные, инициированные сотрудниками изменения границ задач, а не сверху вниз организационныйредизайн 33. Мы отдаём предпочтение перераспределению задач реляционному и когнитивному крафтингу, поскольку перераспределение задач является самым непосредственным поведенческим интерфейсом между сотрудниками и агентными системами и напрямую наблюдается при раннем внедрении, тогда как реляционное и когнитивное крафтинг обычно проявляются как последующиеадаптации 31,32. В отличие от предыдущих исследований, которые рассматривают внедрение ИИ как контекстуальный предшественник общего создания рабочих мест16,34, мы моделируем само перераспределение как фокусное поведение крафта. Поскольку такое перераспределение нарушает устоявшиеся рабочие процессы, сотрудники с большей вероятностью применяют его, когда обладают достаточными когнитивными ресурсами для переработки своей работы и чувствуют себя психологически в безопасности, принимая связанные межличностныериски 16,34. В рамках спиральной логики теории COR психологическая безопасность также функционирует как контекстуальный ресурс, который защищает и усиливает накопление когнитивногоизбытка 22.

H3: CS положительно связана с AHTR.

H5: PS положительно связан с AHTR.

H6: PS положительно связан с CS.

H9: AITC положительно ассоциируется с AHTR.

Интегрируя эти аргументы, ожидается, что AITC будет взаимодействовать с AHTR не только напрямую, но и косвенно через пути приобретения ресурсов — когнитивного избытка и психологической безопасности.

H4: CS опосредует отношения между AITC и AHTR.

H7: PS опосредует отношения между AITC и AHTR.

H8: PS и CS последовательно опосредуют отношения между AITC и AHTR.

Наконец, сотрудники не интерпретируют и не реагируют на агентный ИИ единообразно. Гибсон, Купер и Конгер описали перцептивную дистанцию между лидерами и их командами как когнитивное несоответствие в отношении одних и тех же целей организации, основанное на асимметриях доступа к информации, подотчётности, риска и опытаработы 35. Основываясь на этой точке зрения, руководители и сотрудники занимают структурно разные позиции в вопросах внедрения ИИ: руководители несут стратегическую ответственность и склонны рассматривать ИИ как ресурс, ориентированный на дополнение, для продуктивности и принятия решений на основе данных, тогда как сотрудники относительно чаще сталкиваются с нестабильностью, связанной с автоматизацией, и перегрузкойобучения 20,30. Мы рассматриваем эти закономерности как тенденции, которые нужно проверять эмпирически, а не как фиксированные предрасположения любой из групп. Такие расхождения, основанные на ролях, могут порождать гетерогенные закономерности в взаимоотношениях между AITC, CS, PS и AHTR, однако эмпирические исследования, явно отражающие эти групповые различия, остаются ограниченными.

H10a: Ассоциации AITC с CS и PS различаются между руководителями и сотрудниками.

H10b: Ассоциации PS и CS с AHTR различаются между руководителями и сотрудниками.

Протокол ниже описывает полный рабочий процесс — от набора участников и скрининга до проведения опросов, очистки данных, валидации измерений, оценки структурной модели, анализа медиации и многогруппового анализа (MGA) (рисунок 1), чтобы процедуру можно было независимо воспроизводить. Исследовательская модель показана на рисунке 2: AITC, смоделированная как конструкция второго порядка, включающая AP, MTO и PF, связана с AHTR прямо и косвенно через CS и PS, при этом PS также относится к CS; различие в ролях лидера и персонала рассматривается через MGA.

figure-introduction-1
Рисунок 1. Общий рабочий процесс обучения и дизайна. Схема полного исследовательского протокола. Участников набирали через онлайн-панель с использованием целенаправленного невероятностного выбора и отбирали на опыт работы, связанный с ИИ; Подходящие респонденты заполнили анонимный опрос, измеряя все конструкции по 7-балльной шкале Ликерта. После очистки данных (сбои скрининга, проверки внимания и неправдоподобно короткое время завершения; окончательное N = 331) модель измерения была валидирована (надёжность: α Кронбаха, композитная надёжность; сходимость валидности: извлечена средняя дисперсия; дискриминантная валидность: HTMT и Форнелла-Ларкера), конструкция второго порядка была проверена с помощью двухэтапного подхода, а структурная модель, пути медиации и многогрупповый анализ лидер-персонал оценены в 5000 Bootstrap ресэмплирует. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-introduction-2
Рисунок 2. Предложенная исследовательская модель. Концептуальная модель гипотетических отношений. Технологические характеристики агентного ИИ (AITC) — конструкция второго порядка, включающая автономное планирование (AP; способность системы разбивать цели на подзадачи и пересматривать планы), многоинструментальную оркестрацию (MTO; способность выбирать, секвенировать и интегрировать несколько инструментов и API) и проактивную обратную связь (PF; способность без повода отмечать ошибки и риски), гипотетизируется как положительно связана с когнитивным избытком (CS; резервуар когнитивной энергии и дискреционного времени освобождается, когда рутинные задачи делегируются ИИ), психологической безопасности (PS; восприятие безопасности рабочей среды для межличностного риска) и перераспределении задач с ИИ и человеком (AHTR; самоинициированное перераспределение задач сотрудниками между собой и ИИ) (H1, H2, H9). Предполагается, что CS и PS положительно связаны с AHTR (H3, H5), PS — с CS (H6), а CS и PS для опосредования, индивидуально и последовательно, взаимосвязи AITC-AHTR (H4, H7, H8). Стрелки представляют гипотетические структурные пути; H10a/H10b обозначают гипотетические различия между лидерами и персоналом, проверяемые с помощью многогруппового анализа. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Протокол

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Все процедуры проводились в соответствии с этическими стандартами исследований с участием людей в Университете aSSIST и Университете Донг-А. Поскольку все ответы были анонимизированы при сборе и на каком-либо этапе не собиралась личная идентифицирующая информация, Институциональный обзорный совет Университета aSSIST постановил, что исследование освобождено от полного рассмотрения в соответствии со статьёй 15 Закона о биоэтике и безопасности Республики Корея и статьёй 13 его Правила о применении. Опрос начался с информационной и согласованной страницы, в которой говорилось, что участие ограничено лицами, которые в настоящее время работают и участвуют в проекте ИИ, описывается цель исследования и объясняет добровольный характер участия, анонимность ответов и предполагаемое использование данных; К анкете приступили только те, кто явно согласился. Страница согласия указана в Дополнительном файле 1.

Определение размера выборки

Перед сбором данных с использованием G*Power 3.1.9.7 (RRID: SCR_013726) для семейства линейной множественной регрессии был проведён априорный анализ мощности, указывающий наибольшее количество предикторов, направленных на одну эндогенную конструкцию в модели; в этом исследовании AHTR предсказуется тремя конструкциями (AITC, CS и PS). При среднем размере эффекта (f2 = 0,15), α = 0,05 и статистической мощности 0,80, необходимая минимальная выборка составляла 77 случаев; выход протокола G*Power предоставлен в дополнительном файле 2. Минимальный размер выборки был перекрёстно проверен методом обратного квадратного корня дляPLS-SEM 36, при котором требуется примерно 155 случаев для обнаружения минимального стандартизированного коэффициента пути примерно 0,20 на уровне значимости 5% при мощности 80%. Наконец, цель по набору была установлена так, чтобы значительно превышать оба минимума, чтобы поддерживать самостоятельное внедрение косвенных эффектов и многогрупповый анализ с разделённой выборкой; окончательная выборка (N = 331; лидеры n = 171, посох n = 160) удовлетворяла минимальным требованиям по выборке в каждой подгруппе.

Набор и отбор участников

Участники были набраны через онлайн-панель с использованием целенаправленного невероятностного выборки; то есть выборка была намеренно ограничена респондентами, соответствующими априорному существенному критерию — текущему или предыдущему опыту работы с ИИ — а не отобрали случайным образом из общей популяции. Право на участие было ограничено респондентами в возрасте 18 лет и старше. Опыт работы, связанный с ИИ, был реализован через отборочный пункт «Какой из следующих лучше всего описывает вашу текущую ситуацию?», представленный перед основным опросником; только респонденты, указавшие, что в настоящее время заняты и занимаются работой, связанной с ИИ, продолжили, тогда как оставшиеся варианты (занятые, но не связанные с ИИ; не работали, но ранее участвовали; не были заняты и не участвовали) вызывали мгновенное отсекание. Сбор данных был проведён в одной сессии 8 февраля 2026 года (10:28–13:30), а участникам была выплачена компенсация в размере 6,98 фунтов стерлингов в час в соответствии с политикой справедливой оплаты труда платформы. Дублирование участия было предотвращено благодаря уникальным идентификаторам участников платформы и настройкам предотвращения дублирования ответов. Количество респондентов на каждом этапе фиксировалось для документирования процесса включения/исключения: было записано 537 ответов; 151 вопрос был отсеян с помощью отборочных вопросов (386 осталось); 40 были удалены за провал проверок внимания, включая прямую линию (346 осталось); и 15 были удалены за невероятно короткое время завершения (менее примерно 180 с), что дало итоговую образцу N = 331.

Стандартизированные инструкции по определению и обследованию

Участникам сообщили, что опрос изучал, как агентный ИИ может влиять на организации и их членов. В начале опроса всем участникам показали краткое стандартизированное определение агентного ИИ, соответствующее определению, приведённому во введении — продвинутая система ИИ, характеризующаяся автономным планированием, многофункциональной оркестрацией и проактивной обратной связью, выполняющей целенаправленные действия с ограниченным человеческим контролем (Рисунок 1, шаг 2). Право на участие было ограничено респондентами, которые в настоящее время работали и участвовали в проекте ИИ, что предоставляло релевантную рабочую основу для ответа на опрос. Отдельного пункта для проверки понимания не было; Стандартизированное определение, таким образом, служило контекстной ориентацией, а не проверкой понимания. Участникам было поручено ответить на каждый вопрос, основываясь на их реальных условиях использования или работы с такими агентными системами ИИ в организационных условиях.

Разработка и управление геодезическими инструментами

Анкета была разработана на основе проверенных шкал измерений, адаптированных к организационному контексту агентного ИИ. В таблице 1 перечислены каждый элемент, его исходный масштаб и описательная статистика: элементы AP, MTO и PF были адаптированы из недавних концептуализаций агентногоИИ 7,8; Материалы по информатике из исследований когнитивных ресурсов генеративногоИИ 37; PS статьи от Plomp и др.38; и предметы AHTR из JD-R-based job craftingscales 17,39, адаптированных для перераспределения задач. Все конструкции измерялись по 7-балльной шкале Ликерта от 1 («сильно не согласен») до 7 («полностью согласен»). Опрос был организован в блоки, охватывающие страницу согласия, скрининг, пункты AITC (AP, MTO, PF), CS, PS, AHTR и демографические/контрольные характеристики; Инструмент также содержал дополнительные шкалы (грамотность ИИ и самоэффективность широкой роли), которые выходят за рамки текущей модели и были собраны, но не проанализированы здесь, отчитаются для прозрачности. Опрос был размещён на онлайн-платформе; кнопка «назад» была отключена, чтобы респонденты не могли пересматривать предыдущие ответы, а пункты представлялись в фиксированном порядке в блоках. Медианное время завершения составляло 7 мин 44 с. Два пункта проверки внимания с инструктированным ответом были встроены как ветки потока опроса, которые закрывали опрос при неправильном ответе: (i) фактическая проверка: «Является ли ИИ сокращением от Artichoke Information?» (правильный ответ: нет), и (ii) проверку понимания шкалы, подтверждающую, что ответы были зафиксированы по 7-балльной шкале Ликерта от «сильно не согласен» до «полностью согласен». До основного управления был проведён пилотный тест с участием 124 респондентов для оценки ясности вопросов, общего процесса опроса, продолжительности их завершения и осуществимости опроса; Длительность завершения была пересмотрена для выявления необычно коротких ответов и подтверждения, что длина опроса соответствует целевым респондентам. Пилотный тест не выявил проблем с формулировками, требующих пересмотра пунктов, и до основного опроса изменений в формулировках не было. Кроме того, пилотные данные анализировались с использованием PLS-SEM в качестве предварительной процедуры валидации для оценки эффективности индикатора, построения надёжности, сходимости, дискриминантной валидности, коллинеарности и правдоподобности предлагаемых структурных связей; Результаты подтвердили пригодность прибора для основного обследования.

КонструкцияПредметВопросЗлойSTDEVVIFИсточник
AITCAPAP1Когда я ставлю цель, ИИ помогает создать многоэтапный план для её достижения.5.810.91.44Абу Али, М. и др. (2025); Сапкота, Р. и др. (2025)
AP2ИИ может пересматривать свой план при изменении ограничений или требований.5.750.991.37
AP3ИИ разбивает сложную работу на управляемые подзадачи без необходимости пошаговых инструкций.5.331.371.33
MTOMTO1ИИ может объединять несколько инструментов или приложений (например, поиск, документы, инструменты обработки данных) для выполнения задачи.5.691.111.5
MTO2ИИ предлагает нужный инструмент(ы) и использует их в правильной последовательности для получения результата.5.361.041.64
MTO3ИИ помогает интегрировать результаты разных инструментов в единый цельный результат.5.611.011.63
PFPF1ИИ проактивно указывает на ошибки, недостающую информацию или рискованные предположения в моей работе.4.91.441.68
PF2ИИ предлагает улучшения, прежде чем я явно прошу обратной связи.5.071.381.85
PF3ИИ напоминает мне контрольные точки (например, валидация, соответствие, качество), чтобы предотвратить переработку.5.021.41.6
CSCS1Использование ИИ освободило мою умственную энергию, чтобы сосредоточиться на более сложной и значимой работе.5.591.282.07Лю, Ю., Шэн, Ф., и Лю, Р. (2025)
CS2У меня появилось больше времени для стратегического мышления и решения проблем, когда я использую ИИ.5.611.232.38
CS3Нагрузка от рутинных задач значительно сократилась, что даёт мне пространство для новых инициатив.5.421.282.23
CS4В конце рабочего дня я чувствую себя менее умственно истощённым, потому что ИИ справляется с повторяющимися задачами.5.151.51.91
P.S.PS1В моём рабочем месте безопасно рискнуть, используя ИИ по-новому.4.741.371.52Пломп и др. (2019)
PS2Мой менеджер поощряет эксперименты с ИИ и терпимо относится к ошибкам.4.521.611.68
PS3Я чувствую себя спокойно высказываться, если у меня есть опасения по поводу использования ИИ в моей команде.5.481.241.32
PS4Мои коллеги поддерживают меня, если я пробую новые способы работы с ИИ.5.261.321.48
PS5 (исключено)Я не боюсь негативных последствий, если предлагаю инновационное применение ИИ в своей работе.4.471.591.23
AHTRAHTR1Я сознательно переношу рутинные задачи (например, ввод данных, форматирование отчёта) на ИИ, чтобы сосредоточиться на более ценных работах.5.121.351.68Тимс, М., и Баккер, А. Б. (2010); Li, W. и др. (2024)
AHTR2Я активно ищу возможности использовать ИИ для выполнения задач, которые раньше выполнял вручную.5.581.281.84
AHTR3С тех пор как я начал использовать ИИ, я взял на себя новые или расширенные обязанности, которые более стратегические или творческие.5.181.31.58
AHTR4 (исключён)Я веду переговоры с менеджером о том, какие задачи должен выполнять ИИ, а какие мне делать.4.091.651.23
AHTR5Я переделал свою работу, передав рутинную работу на ИИ, освободив себя для более значимых задач.4.921.351.67

Таблица 1: Элементы измерения, источники, описательная статистика и полная оценка коллинеарности. Полный инструмент для обследования. Каждый элемент перечисляется со своим конструктом (измерения AITC: AP, MTO, PF; CS; P.S. AHTR), код элемента, формулировка, среднее значение, стандартное отклонение (STDEV), коэффициент полной коллинеарной дисперсии (VIF; значения <3.3 указывают на отсутствие общего дисперсионного загрязнения) и исходную шкалу, из которой он был адаптирован. Все элементы измерялись по 7-балльной шкале Ликерта (1 = категорически не согласен, 7 = полностью согласен). PS5 и AHTR4 были удалены во время оценки модели измерения из-за низких внешних нагрузок. AITC = Технологические характеристики агентного ИИ; AP = автономное планирование; MTO = многофункциональная оркестрация; PF = проактивная обратная связь; CS = когнитивный избыток; PS = психологическая безопасность; AHTR = перераспределение задач ИИ-человеком. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Подготовка и очистка данных

Исходные ответы экспортировались в формате CSV. Случаи, не соответствовавшие критерию скрининга или любому из пунктов проверки внимания, были исключены, как и ответы с существенной отсутствующей информацией (настройки принудительного ответа минимизировали отсутствующую в рамках опроса); Полученные случаи исключения на каждом этапе задокументированы в разделе 2 протокола (537 зарегистрировано → 331 сохранено). Удержанные данные были проверены на согласованность и скрининговались на невнимательные реакции: прямолинейные ответы были удалены с помощью проверок внимания, а ответы с невероятно коротким временем завершения (менее примерно 180 с) были исключены. Переменные затем кодировались для анализа (например, Роль: Лидер = 1, Персонал = 0; Пол: Мужчина = 1, Женщина = 0), как показано в Таблице 2, категориальные контрольные пункты, такие как промышленность, были фиктивно кодированы с индикаторами k-1, а окончательный набор данных импортировался в программное обеспечение PLS-SEM. Кодовая книга, сопоставляющая каждую переменную с её текстом элемента, кодированием и конструкцией, предоставляется как дополнительный файл 2.

Оценка модели измерения

С помощью программного обеспечения PLS-SEM каждому наблюдаемому элементу назначается его латентная конструкция, а все конструкции первого порядка (AP, MTO, PF, CS, PS, AHTR) задаются как отражающие элементы. AITC была определена как конструкция второго порядка, включающая AP, MTO и PF, и оценивалась с помощью двухэтапногоподхода 40,41,42: сначала получались латентные переменные оценки для конструкций первого порядка, а затем использовались (AP_LVS, MTO_LVS, PF_LVS) как формирующие индикаторы AITC. Алгоритм PLS использовался по схеме взвешивания пути, максимум 3 000 итераций и критерию стопа 10−7. Внутренняя надёжность согласованности оценивалась по порогам α Кронбаха и композитной надёжности (CR) в 0,70–43, при этом α значения 0,5–0,6 считались предельно приемлемыми для коротких масштабов в новых исследовательскихконтекстах 43; сходимость валидности оценивалась по среднему порогу экстракции дисперсии (AVE) 0,5044; а дискриминантная валидность оценивалась с использованием соотношения гетеротрейт-монопризнак (HTMT <0,85, консервативный порог)45 и критерия Форнелла–Ларкера 44. Если критерии надёжности или сходимости не были выполнены, внешние нагрузки проверялись, а плохо работающие индикаторы удалялись при сохранении валидности содержания, при этом каждое удаление и его обоснование фиксировались; в этом исследовании PS5 и AHTR4 были удалены из-за низких внешних нагрузок, что повысило сходимость PS и AHTR.

Структурная модель и анализ медиации

Структурные пути были определены в соответствии с исследовательской моделью (рисунок 2), а коллинеарность между предикторными конструкциями исследовалась с использованием факторов инфляции внутри модели (VIF < 5.0)36 и полных коллинеарных VIF (<3.3)46,47. Значимость пути оценивалась путём бутстрэппинга с 5 000 повторных выборок с использованием процентильных доверительных интервалов и двустороннего тестирования, а также были представлены стандартизированные коэффициенты пути (β), средние значения выборки (M), стандартные отклонения (STDEV), t-значения, p-значения, 95% доверительные интервалы, R2 и размеры эффектов (f2). Внеобразочная предсказательная мощность оценивалась с помощью PLSpredict с 10 разложениями и 10 повторениями; для каждого эндогенного индикатора был проверен прогнозQ 2(>0 указывает на прогностическую релевантность), а ошибки прогнозирования PLS-SEM (RMSE и MAE) сравнивались с эталонным показателем линейной модели(LM) 48. Для медиационного анализа были указаны косвенные эффекты AITC на AHTR через CS, через PS и через последовательный путь PS → CS, а каждый конкретный косвенный эффект оценивался с помощью bootstrap-распределения (5 000 повторных выборок), при этом косвенный эффект считался значимым, если его 95% доверительный интервал исключал ноль.

Многогрупповый анализ

Респонденты были классифицированы на группы лидеров и сотрудников на основе самооценки организационной роли (Роль: Лидер = 1, Персонал = 0; Таблица 2); Группа лидеров включала руководителей/руководителей, менеджеров/руководителей отделов, а также руководителей/высшего руководства, а в состав сотрудников штатного уровня. До сравнения коэффициентов пути инвариантность измерения между группами была установлена с помощью процедуры инвариантности измерения композитных моделей(MICOM) 45. Шаг 1 (конфигурационная инвариантность) был выполнен одинаковой спецификацией модели по группам, а шаг 2 (композиционная инвариантность) поддерживался для всех конструкций с исходными корреляциями на или выше их 5% квантилей и незначимыми p-значениями перестановок (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), устанавливая частичную инвариантность измерения и оправдывая многогрупповое сравнение (полные результаты MICOM в Дополнительном файле 3). Модель затем оценивалась отдельно для каждой группы, а различия в путях тестировались с помощью PLS-MGA на основе bootstrap, при этом односторонние и двухсторонние p-значения сообщались для разницы лидеров и персонала (Δ) каждого пути; Коефициенты, T-значения и p-значения для всех прямых и косвенных путей были представлены групповые значения, а также величина каждой разницы между группами.

Отчетность, проверка и устранение неисправностей

Все результаты по надёжности, валидности, конструкции, медиации и MGA были скомпилированы; Таблицы результатов экспортировались; и каждая зарегистрированная статистика верифицировалась с программным результатом для обеспечения согласованности между таблицами, рисунками и текстом. Для устранения неполадок применяются следующие рекомендации: если многие ответы не проходят скрининг или проверку внимания, уточните требования к участию и уточните инструкции к опросу; если критерии надёжности (CR < 0,70) или сходимости (AVE < 0,50) не выполняются, пересмотреть внешние нагрузки и удалить слабые индикаторы, сохраняя теоретическое покрытие; если выявлена коллинеарность (VIF выше порогов), переоценить спецификации конструкции и устранить избыточные индикаторы; если эффекты медиации или группы незначимы, пересмотрите адекватность выборки и сконструируйте операционализацию перед интерпретацией; и использовать достаточное количество bootstrap resamples (например, 5 000) для стабилизации оценок.

Результаты

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Характеристики участников

В таблице 2 представлены демографические характеристики окончательной выборки (N = 331). Выборка включала 65,0% мужчин и 35,0% женщин, с относительно сбалансированным распределением между руководителями (51,7%, n = 171) и сотрудниками (48,3%, n = 160). Самая большая возрастная группа — младше 30 лет (46,5%), за ней следовали 31–40 лет (32,0%); 76,4% имели степень бакалавра или магистратуры. Респонденты были собраны из различных отраслей, лидерами которых стали технологии и телекоммуникации (46,2%), а также из организаций разного размера. Этот профиль соответствует целенаправленному фокусу исследования на сотрудниках, активно вовлечённых в работу, связанную с ИИ.

ХарактеристикиКатегорииЧастота (n)%Совокупный процент
ПолМужчина (1)2156565
Женщина (0)11635100
Возраст-3015446.546.5
31-401063278.5
41-504413.391.8
51-278.2100
РольЛидер (1)17151.751.7
Персонал (0)16048.3100
ОбразованиеСредняя школа3410.310.3
Колледж4413.323.6
Бакалавриат14242.966.5
Аспирантура11133.5100
ПромышленностьТехнологии, телекоммуникации, ИКТ15346.246.2
Профессиональные услуги (консалтинг, юриспруденция, бухгалтерия)3811.557.7
Промышленное производство3711.268.9
Финансовые услуги309.177.9
Здравоохранение309.187
Государственный сектор247.394.3
Розничная торговля195.7100
Размер фирмыМенее 507221.821.8
50-993610.932.6
100-4998525.758.3
500-9994613.972.2
1000-49995015.187.3
5000 и более4212.7100
Total331100100

Таблица 2: Демографические характеристики окончательной выборки. Распределение 331 респондента по полу, возрасту, организационной роли, образованию, отрасли и размеру фирмы. n = частота; % = процент от общей выборки; Кумулятивный процент = накопленный процент внутри каждой характеристики. Значения в скобках в столбце Категории указывают на бинарное кодирование, используемое в анализе (например, Лидер = 1, Посох = 0).

Оценка модели измерения

Поскольку AITC моделируется как конструкция второго порядка, был применён двухэтапныйподход 40. Во-первых, надёжность и валидность конструкций первого порядка оценивались с помощью α Кронбаха, составной надёжности (CR) и средней дисперсии (AVE), как показано в Таблице 3. PS5 и AHTR4 были исключены из-за низких внешних нагрузок, что улучшило сходимость PS (AVE = 0,563) и AHTR (AVE = 0,619)36. Все значения CR превысили порог 0,70, а все значения AVE превысили 0,50. Хотя α Кронбаха для AP составлял 0,585, его CR (0,781) и AVE (0,547) оставались в пределах допустимых пределов, и значения 0,5–0,6 α можно считать приемлемыми для короткихмасштабов 43. Была подтверждена дискриминантная валидность: все коэффициенты HTMT (0,25–0,77) были ниже консервативного порога 0,85 (Таблица 4)45, а квадратный корень AVE каждого конструкта превышал свой самый высокий межконструктивный корреляцию по критерию Форнелла–Ларкера (Таблица 5)44.

КонструкцияαНадёжность композитовAVE
AITCAP0.5850.7810.547
MTO0.7310.8480.65
PF0.7580.8580.669
CS0.8580.9040.701
P.S.0.7410.8370.563
AHTR0.7950.8670.619

Таблица 3: Надёжность и сходимость корректности конструкций первого порядка. α = альфа Кронбаха (внутренняя консистенция; порог 0,70, при этом 0,5–0,6 незначительно допустимо для коротких масштабов); Композитная надёжность (CR; порог 0,70); AVE = извлекаемая средняя дисперсия (сходимость валидности; порог 0,50). Значения, указанные после удаления PS5 и AHTR4. AP = автономное планирование; MTO = многофункциональная оркестрация; PF = проактивная обратная связь; CS = когнитивный избыток; PS = психологическая безопасность; AHTR = перераспределение задач ИИ-человеком.

КонструкцииГетеротрейтно-монопризнательное соотношение (HTMT)
APMTOPFCSP.S.AHTR
AITCAP
MTO0.75
PF0.640.59
CS0.630.590.48
P.S.0.450.360.250.48
AHTR0.620.590.450.770.54

Таблица 4: Дискриминантная валидность конструкций первого порядка (HTMT). Отношение гетеротрейт-монопризнак корреляций между парами конструкций. Значения ниже консервативного порога 0,85 поддерживают дискриминантную валидность. AP = автономное планирование; MTO = многофункциональная оркестрация; PF = проактивная обратная связь; CS = когнитивный избыток; PS = психологическая безопасность; AHTR = перераспределение задач ИИ-человеком.

КонструкцииКритерий Форнелла-Ларкера
APMTOPFCSP.S.AHTR
AITCAP0.74
MTO0.490.81
PF0.420.440.82
CS0.460.470.40.84
P.S.0.310.270.190.390.75
AHTR0.430.450.370.640.430.79

Таблица 5: Дискриминантная валидность конструкций первого порядка (критерий Форнелля-Ларкера). Диагональные элементы (жирные) — это квадратные корни AVE каждой конструкции; Внедиагональные элементы являются взаимоконструктированными корреляциями. Дискриминантная валидность поддерживается, когда каждый диагональный элемент превышает все корреляции в своей строке и столбце.

Поскольку все переменные были предоставлены одними и теми же респондентами, были применены как процедурные, так и статистические методы49,50. Процедурно респондентам гарантировала анонимность, заявление о согласии подчёркивало добровольное участие и отсутствие правильных или неправильных ответов, предикторные и критерийные пункты были размещены в отдельных разделах опроса, использовались валидированные короткие шкалы для снижения усталости, а проверки внимания отсеивали небрежные ответы. Статистически, однофакторный тестХармана 51 показал, что один невращаемый фактор объясняет 30,99% дисперсии, что ниже 50% критерия49,52. В качестве более строгой проверки полная оценка коллинеарности46 показала все VIFs ниже 3.3 (Таблица 1), что не свидетельствует о серьёзном распространённом смещении метода, хотя такие диагностические данные не могут окончательно исключить дисперсиюметодов 46,47.

Значимость эффектов восходящих размеров формирующей конструкции второго порядка (AITC) была оценена с помощью бутстрэппинга с 5 000 повторныхвыборок 36,41. Как показано в таблице 6, формирующие веса AP_LVS (0,493, p < 0,001), MTO_LVS (0,492, p < 0,001) и PF_LVS (0,249, p < 0,001) были значимы, а все VIFs были ниже 3,3, что указывает на то, что каждое нижнее измерение существенно вносит вклад в AITC без опасений коллинеарности. Итоговая структурная модель была оценена с помощью двухэтапнойпроцедуры 41,42 (рисунок 3).

Формирующий индикаторVIFОригинальный βЗлые βSTDEVt-значениеp-значение
AP_LVS → AITC1.4180.4930.4890.0945.2320
MTO_LVS → AITC1.4570.4920.4890.0925.3330
PF_LVS → AITC1.3350.2490.2480.092.7540.006

Таблица 6: Восходящие эффекты для формирующей конструкции второго порядка. Bootstrap оценивает (5 000 повторных выборок) формативных весов, связывающих латентные переменные оценки AP, MTO и PF (AP_LVS, MTO_LVS, PF_LVS) с AITC в двухэтапном подходе. β = стандартизированный вес (Оригинал) и среднее по бутстрепу; STDEV = отклонение стандарта bootstrap; VIF = коэффициент инфляции дисперсии (<3.3 означает отсутствие коллинеарности); t-значение = \|β/STDEV\|; p-значение из дистрибутива bootstrap. AITC = Технологические характеристики агентного ИИ; AP = автономное планирование; MTO = многофункциональная оркестрация; PF = проактивная обратная связь.

figure-results-1
Рисунок 3. Оценочная структурная модель. Финальная модель со стандартизированными коэффициентами пути (β) для всей выборки (N = 331). Все сокращения, как на рисунке 2; AP_LVS, MTO_LVS и PF_LVS обозначают латентные переменные баллы AP, MTO и PF, используемые в качестве формирующих индикаторов AITC в двухэтапном подходе. Сплошные стрелки указывают значимые пути; значения в скобках равны R2 (доля дисперсии, объясняемая в каждой эндогенной конструкции: AHTR = 0,471, CS = 0,363, PS = 0,114). Значимость оценивалась путём бутстрэппинга с 5 000 повторных выборок; p < 0,001. AP = автономное планирование; MTO = многофункциональная оркестрация; PF = проактивная обратная связь; AITC = Технологические характеристики агентного ИИ; CS = когнитивный избыток; PS = психологическая безопасность; AHTR = перераспределение задач ИИ-человеком. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Структурная модель и анализ медиации

В таблице 7 представлены коэффициенты пути с p-значениями, средними (M), стандартными отклонениями (STDEV), t-значениями и 95% доверительными интервалами. AITC был положительно связан с CS (β = 0,485, p < 0,001), поддерживающим H1, и с PS (β = 0,338, p < 0,001), поддерживающим H2. CS положительно ассоциировался с AHTR (β = 0,444, p < 0,001), поддерживая H3, как и PS (β = 0,179, p < 0,001), поддерживающий H5. PS положительно ассоциировался с CS (β = 0,230, p < 0,001), поддерживая H6, а AITC — с AHTR (β = 0,215, p < 0,001), поддерживая H9. Модель объясняла 47,1% дисперсии в AHTR (R2 = 0,471), 36,3% в CS и 11,4% по PS.

КонструкцииβСреднее по выборке (M)Стандартное отклонение (STDEV)Статистика T (|O/STDEV|)p-значения0.0250.975R²
AITC → AHTR0.2150.2120.0593.6400.0990.3320.471
CS → AHTR0.4440.4450.0548.15500.3350.549
P.S. → AHTR0.1790.1810.053.59600.0850.279
AITC → CS0.4850.4850.0519.58700.3840.5790.363
PS → CS0.230.2310.0534.29900.1290.336
AITC → PS0.3380.3470.0556.09400.2360.4510.114
PS → CS → AHTR0.1020.1030.0273.78600.0540.159
AITC → PS → AHTR0.060.0620.0193.2250.0010.0270.102
AITC → CS → AHTR0.2150.2160.0366.00700.1490.29
AITC → PS → CS → AHTR0.0340.0360.0113.1220.0020.0170.06
AITC → PS → CS0.0780.080.0223.48500.0410.127

Таблица 7: Результаты структурной модели и специфические косвенные эффекты (полная выборка). β = стандартизированный коэффициент пути; M = среднее среднее по bootstrap; STDEV = отклонение стандарта bootstrap; t = \|β/STDEV\|; p = двухстороннее p-значение; 0,025/0,975 = нижняя/верхняя граница 95% доверительного интервала bootstrap (интервал без нуля указывает значимость); R2 = дисперсия, объяснённая в эндогенной конструкции. Ряды со стрелками через несколько конструкций (например, AITC → PS → CS → AHTR) сообщают о специфических косвенных (медиационных) эффектах. В бутстрэппинге использовалось 5 000 пересэмплов.

Результаты bootstrap для специфических косвенных эффектов (Таблица 7) показывают, что CS существенно опосредовал взаимосвязь AITC-AHTR (β = 0,215, 95% CI [0,149, 0,290], p < 0,001), поддерживая H4, а PS также (β = 0,060, 95% CI [0,027, 0,102], p = 0,001), поддерживая H7. Последовательный путь AITC → PS → CS → AHTR также был значим (β = 0,034, 95% CI [0,017, 0,060], p = 0,002), поддерживая H8. Таблица 8 обобщает результаты тестирования гипотез.

ГипотезаРезультаты
H1Агентные технологические характеристики ИИ положительно связаны с когнитивным избыточным профицитом.Принято
H2Технические характеристики агентного ИИ положительно связаны с психологической безопасностью.Принято
H3Когнитивный избыток положительно связан с перераспределением задач ИИ и человеком.Принято
H4Когнитивный избыток опосредует связь между технологическими характеристиками агентного ИИ и перераспределением задач ИИ и человеком.Принято
H5Психологическая безопасность положительно связана с перераспределением задач ИИ и человеком.Принято
H6Психологическая безопасность положительно связана с когнитивным избытком.Принято
H7Психологическая безопасность опосредует связь между технологическими характеристиками агентного ИИ и перераспределением задач ИИ и человеком.Принято
H8Психологическая безопасность и когнитивный избыток последовательно связывают связь между технологическими характеристиками агентного ИИ и перераспределением задач ИИ и человеком.Принято
H9Технические характеристики агентного ИИ положительно связаны с перераспределением задач ИИ и человеком.Принято
H10aАссоциации технологических характеристик агентного ИИ с когнитивным избыточностью и психологической безопасностью различаются у руководителей и сотрудников.Принято
H10bСвязи между психологической безопасностью и когнитивным избыточностью и перераспределением задач ИИ и человека различаются между руководителями и сотрудниками.Частично принято

Таблица 8: Сводка тестов на гипотезы. Каждая гипотеза с соответствующим структурным путём и решением (принято/отклонённым) на основе bootstrap приводит в таблице 7 (порог значимости p < 0,05). AITC = Технологические характеристики агентного ИИ; CS = когнитивный избыток; PS = психологическая безопасность; AHTR = перераспределение задач ИИ-человеком.

Вневыборочная прогностическая сила оценивалась с помощью PLSpredict (10 раз, 10 повторений; Таблица 9). Все эндогенные индикаторы показали положительные значения прогноза заQ2, что указывает на прогностическую релевантность, и модель PLS-SEM показала более низкие показатели RMSE и MAE, чем линейная модель (LM) почти по всем показателям, за исключением PS_4. Эти результаты показывают среднюю и высокую вневыборочную прогнозную эффективность для психологической безопасности, когнитивного избытка и перераспределения задач ИИи человека 48.

ИндикаторQ²predictPLS-SEM RMSEПОЖАЛУЙСТА-СЕМ МЭLM RMSELM MAEIA RMSEIA MAE
PS_10.0671.3211.0421.3251.0421.3681.098
PS_20.0181.5961.3141.6021.3331.6101.363
PS_30.0481.2090.9371.2180.9411.2390.983
PS_40.0841.2620.9771.2580.9651.3181.046
CS_10.2181.1380.8761.1440.8811.2871.030
CS_20.2761.0450.7921.0480.7931.2290.971
CS_30.1811.1570.8841.1610.8891.2781.011
CS_40.1701.3711.0881.3771.0931.5061.209
AHTR_10.1491.2510.9701.2590.9771.3571.028
AHTR_20.1881.1510.8951.1580.9001.2771.003
AHTR_30.1761.1850.9011.1910.9081.3050.990
AHTR_50.1301.2610.9821.2690.9911.3521.039

Таблица 9: Прогностическая оценка вне выборки (PLSpredict). Предиктивные метрики для каждого эндогенного индикатора (PS, CS, AHTR) из PLSpredict (10 раз, 10 повторений). Q2предсказать = предиктивная релевантность (>0 означает, что модель PLS-SEM превосходит самый наивный ориентир); PLS-SEM RMSE/MAE = ошибка корня среднего квадрата и средняя абсолютная ошибка модели PLS-SEM; LM RMSE/MAE = соответствующие ошибки для бенчмарка линейной модели; IA RMSE/MAE = показатель среднего показателя. Ошибки PLS-SEM ниже бенчмарка LM свидетельствуют о удовлетворительной предиктивной эффективности. PS = психологическая безопасность; CS = когнитивный избыток; AHTR = перераспределение задач ИИ-человеком. Примечание:Все второекварталы предсказывают > 0. PLS-SEM RMSE/MAE < бенчмарк LM для всех индикаторов, кроме PS_4, указывающий на среднюю и высокую прогнозную эффективность.

Многогрупповый анализ

MGA изучала, различаются ли структурные отношения между лидерами и сотрудниками, которые занимают разные должности в области ответственности, обеспечения занятости и состава задач. Как показано в Таблице 10, ассоциации AITC с двумя переменными ресурсов были значительно сильнее среди лидеров: AITC → CS (лидер β = 0,599 против сотрудников β = 0,363; Δ = 0,236, двусторонний p = 0,014) и AITC → PS (лидер β = 0,435 против сотрудников β = 0,199; Δ = 0,236, двухсторонний p = 0,043). Эти различия практически значимы: ассоциация AITC-CS среди руководителей была примерно в 1,6 раза выше, чем среди сотрудников, а ассоциация AITC-PS была более чем вдвое сильнее. Оставшиеся прямые пути (AITC → AHTR, CS → AHTR, PS → AHTR, PS → CS) существенно не различались между группами (все двусторонние p > 0.19), что указывает на то, что после формирования ресурсов их ассоциации с перераспределением задач действуют одинаково между ролями. Групповые оценки bootstrap (Таблица 11) дополнительно выявляют асимметричные закономерности значимости по четырём путям: PS → AHTR был значим для лидеров (β = 0,234, p = 0,001), но не для сотрудников (β = 0,133, p = 0,064); косвенный путь AITC → PS → AHTR был значим для лидеров (β = 0,102, p = 0,005), но не для персонала (β = 0,026, p = 0,178); наоборот, PS → CS → AHTR были значительными для сотрудников (β = 0,140, p = 0,001), но лишь предельными для лидеров (β = 0,059, p = 0,054); а AITC → PS → CS были значимы для персонала (β = 0,057, p = 0,043), но незначительными для лидеров (β = 0,067, p = 0,065). В совокупности путь психологической безопасности к перераспределению задач кажется более прямым для руководителей, тогда как для сотрудников психологическая безопасность связана с перераспределением главным образом за счёт обеспечения когнитивного избытка, что соответствует различиям в ролях в подотчётности и риске занятости (поддерживается H10a; H10b частично поддерживается).

КонструкцииΔ (Лидер — Посох)Однохвостое (Лидер против Персонала) значение pЗначение p с 2-хвостым (лидер против персонала)
AITC → AHTR0.0070.4820.963
AITC → CS0.2360.0070.014
AITC → PS0.2360.0220.043
CS → AHTR-0.10.8140.371
P.S. → AHTR0.1010.1610.322
PS → CS-0.1350.9010.199

Таблица 10: Многогрупповый анализ (PLS-MGA) различий путей лидера и персонала. Δ = разница между коэффициентами стандартизированного пути лидера и персонала (лидер минус персонал); p-значения из PLS-MGA на базе bootstrap (1-tailed и 2-tailed). Значимые различия ( 2-хвостые p < 0,05) указывают на различие пути между лидерами (n = 171) и сотрудниками (n = 160). AP = автономное планирование; MTO = многофункциональная оркестрация; PF = проактивная обратная связь; CS = когнитивный избыток; PS = психологическая безопасность; AHTR = перераспределение задач ИИ-человеком; AITC = Технологические характеристики агентного ИИ.

Оригинал (Лидер)Оригинал (сотрудник)Mean (лидер)Mean (посох)STDEV (Лидер)STDEV (сотрудники)t значение (Лидер)t значение (Посох)p-значение (Лидер)p-значение (Staff)
AITC → AHTR0.2330.2270.2370.2240.0980.0772.3812.9450.0170.003
AITC → CS0.5990.3630.5990.3680.0570.07710.4264.73400
AITC → PS0.4350.1990.4480.2260.0750.0895.822.2400.025
CS → AHTR0.3830.4840.3810.4860.0910.0654.197.40600
P.S. → AHTR0.2340.1330.2340.1340.0730.0723.1851.8560.0010.064
PS → CS0.1540.2890.1570.2890.070.0772.2123.7410.0270
PS → CS → AHTR0.0590.140.060.1410.0310.0431.933.2690.0540.001
AITC → PS → AHTR0.1020.0260.1040.0290.0360.022.8081.3470.0050.178
AITC → CS → AHTR0.2290.1760.2280.180.060.0473.8343.75700
AITC → PS → CS → AHTR0.0260.0280.0270.0310.0160.0151.651.8520.0990.064
AITC → PS → CS0.0670.0570.0710.0640.0360.0281.8442.020.0650.043

Таблица 11: Групповые оценки bootstrap для руководителей и сотрудников. Стандартизированные коэффициенты пути (Original), средние загрузки, стандартные отклонения (STDEV), t-значения и двухсторонние p-значения оценивались отдельно в группах лидера (n = 171) и staff (n = 160) для всех прямых и специфических косвенных путей. В бутстрэппинге использовалось 5 000 пересэмплев внутри каждой группы. AP = автономное планирование; MTO = многофункциональная оркестрация; PF = проактивная обратная связь; CS = когнитивный избыток; PS = психологическая безопасность; AHTR = перераспределение задач ИИ-человеком; AITC = Технологические характеристики агентного ИИ.

В целом, модель измерения соответствовала критериям надёжности и валидности; AITC был положительно ассоциирован с CS, PS и AHTR; CS и PS посредничали между ассоциацией AITC-AHTR индивидуально и последовательно; модель показала удовлетворительную вневыборочную предиктивную эффективность; а ассоциации AITC с CS и PS были значительно сильнее среди лидеров, тогда как пути от ресурсов к перераспределению задач существенно не различались между ролями. В совокупности результаты подтверждают гипотетическую модель приобретения ресурсов и мотивируют интерпретацию, дифференцированную по ролям, разработанную в обсуждении.

ДОСТУПНОСТЬ ДАННЫХ:

Файлы данных и анализа загружаются как Дополнительный файл 1, Дополнительный файл 2, Дополнительный файл 3, Дополнительный файл 4, Дополнительный файл 5, Дополнительный файл 6 и Дополнительный файл 7.

Дополнительный файл 1: Анкета.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 2. Выход протокола G*Power.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 3. Шаг MICOM 2 — Композиционная инвариантность (перестановка, 1 000). Композиционная инвариантность, установленная для всех конструкций (исходная c ≥ 5% квантиль; перестановка p > 0,05). Частичная инвариантность измерения достаточно для обоснования PLS-MGA. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 4. Набор данных.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 5. Отчёт MGA bootstrap SmartPLS.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 6. Отчёт MGA по перестановке SmartPLS. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 7. Codebook — переменная, элемент, конструкция, масштабирование, кодирование и источник.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этом исследовании рассматривалось, как технологические характеристики агентного ИИ связаны с психологическими ресурсами сотрудников и поведением при перераспределении задач, а также различаются ли эти связи между ролями организации. Используя поперечное опрос 331 сотрудника с опытом работы с ИИ и PLS-SEM с медиацией и многогрупповым анализом, результаты соответствовали теоретической модели прироста ресурсов: AITC положительно ассоциировался с когнитивным избыточностью, психологической безопасностью и перераспределением задач ИИ и человеком; когнитивный избыток и психологическая безопасность опосредовали взаимосвязь AITC-AHTR индивидуально и последовательно; и ассоциация AITC с обеими переменными ресурсов была значительно сильнее среди руководителей, чем среди сотрудников.

Результаты несут три теоретических вывода. Во-первых, они расширяют теорию JD-R в контекст агентного ИИ, рассматривая технологические характеристики не как инструменты, а как рабочие ресурсы: сильная ассоциация AITC-CS (β = 0,485) согласуется с мнением, что автономное планирование, многофункциональная оркестрация и проактивная обратная связь сохраняют когнитивную энергию и свободное время, которое сотрудники могут реинвестировать15, 23 и 24. Во-вторых, они связывают спиральную логику теории COR с редизайном работы с использованием ИИ: значимый последовательный путь (AITC → PS → CS → AHTR) предполагает, что психологическая безопасность функционирует как контекстуальный ресурс, поддерживающий накопление когнитивного излишка, который, в свою очередь, связан с поведениемперераспределения 20,22. В-третьих, позиционируя AHTR как технологически специфическую форму создания задач в литературе по написанию рабочих мест17, 31 и 32, исследование выходит за рамки доминирующего акцента на технической производительности и результатах автоматизации и предлагает психологический анализ того, как агентные системы внедряются в переработку работы. Поскольку дизайн является пересечением, эти пути следует рассматривать как ассоциации, соответствующие теоретическому причинному порядку, а не как доказательства причинности.

Результаты медиации объясняют, почему одна только продвинутая доступность ИИ может не привести к изменению рабочих практик. Прямая ассоциация AITC-AHTR (β = 0,215) дополнялась косвенными путями сопоставимой совокупной величины через когнитивный избыток (β = 0,215) и психологическую безопасность (β = 0,060): сотрудники, похоже, перераспределяют задачи на ИИ, когда технология явно освобождает когнитивные ресурсы, а межличностная атмосфера делает экспериментыбезопасными 16,25,38 . Этот двойной механизм подразумевает, что перераспределение задач — это не только технологическое явление, но и ресурсное и климатическое явление, что может объяснять разнородные результаты внедрения в аналогичных развертываниях.

Многогрупповые результаты добавляют граничное условие, основанное на ролях. Ассоциации AITC-CS и AITC-PS были примерно в 1,6 и 2,2 раза сильнее среди лидеров соответственно, чем среди сотрудников, тогда как пути перехода от ресурсов к перераспределению существенно не различались между группами. Одна из интерпретаций, согласуемая с аргументами о перцептивнойдистанции 30,35, заключается в том, что лидеры, обладающие большими полномочиями принятия решений и стратегической подотчетностью, чаще превращают агентные способности в воспринимаемые ресурсы, тогда как сотрудники, более сталкивающиеся с автоматизацией нестабильностью работы и требованиями к обучению, менее непосредственно осознают психологические преимущества безопасности: для персонала психологическая безопасность, связанная с перераспределением главным образом через когнитивный избыток (PS → CS → AHTR: β = 0,140, p = 0,001), тогда как для лидеров прямой путь PS → AHTR был значим (β = 0,234, p = 0,001). Это тенденции, наблюдаемые в этой выборке, а не фиксированные предположения, и доверительные интервалы вокруг групповых различий требуют осторожной интерпретации.

На практике результаты указывают на стратегии развертывания, дифференцированные по ролям. Для всех сотрудников организации могут защитить превращение сэкономленного времени в когнитивный избыток, корректируя нормы рабочей нагрузки и ключевые показатели эффективности так, чтобы часы, освобождённые от ИИ, были реинвестированы в стратегические, творческие и совместные задачи, а не поглощались дополнительными рутинными требованиями; конкретные рычаги включают управление использованием ИИ, которое проясняет ответственность при ошибках ИИ, структурированное обучение навыкам ориентированного на делегирование ИИ и системы распознавания, поощряющие документированное перепроектирование задач. Для сотрудников конкретно результаты подразумевают, что психологические меры безопасности, такие как безответственный обзор экспериментов с ИИ, терпимость менеджера к ранним ошибкам и явная коммуникация о безопасности работы, являются предпосылками для формирования когнитивного излишка; для руководителей, которые легче превращают AITC в ресурсы, приоритетом является направить этот избыток на управление и планирование на случай чрезвычайных ситуаций, что сокращает разрыв восприятия лидеров и персонала, а не расширяет его. Эти последствия распространяются и на высокопоставленные ситуации, такие как обнаружение мошенничества и операции по финансовой безопасности, где агентные системы всё чаще сортируют оповещения, организуют расследования и отмечают аномальные транзакции: в таких условиях психологическая безопасность является предпосылкой для сотрудников, чтобы они могли ставить под сомнение, отменять и докладывать о решениях, сгенерированных ИИ, без страха быть виновным, а перераспределение рутинного мониторинга на ИИ может освободить аналитиков когнитивные ресурсы для сложных, дела, включающие насыщенное судебное решение, в то время как управление должно гарантировать, что автоматизация не подрывает ответственность за решения с высокими последствиями. В более широком смысле, наблюдаемые различия между лидерами и персоналом свидетельствуют о дифференцированных вмешательствах: учебных программах, которые акцентируют внимание на навыках делегирования и контроля лидеров, а также поддержке экспериментов и переквалификации персонала, управленческие роли, отражающие риски каждой группы, и коммуникационные стратегии, которые делают достижения ресурсов лидерами видимыми и достижимыми для сотрудников.

Ряд ограничений квалифицируют эти выводы и определяют будущие направления. Все переменные сами сообщались одними и теми же респондентами в определённый момент времени; Несмотря на процедурные меры и статистические проверки, показывающие, что распространённая смещённость методов не была серьёзной, поперечный дизайн исключает причинные выводы и не может отражать временные задержки ресурсных спиралей. Кроме того, AITC измерялась по самооценке сотрудников о возможностях агентных систем, которые могут не соответствовать реальным техническим возможностям системы; Будущие проекты должны сочетать перцептивные показатели с системными журналами или аудитом возможностей. Хотя участникам в начале опроса показали краткое стандартизированное определение агентного ИИ, ни один элемент проверки понимания не подтверждал их понимание фокусной технологии, и в будущих исследованиях следует включать такую проверку. Целенаправленная, набранная на платформе выборка сотрудников с опытом работы с ИИ, ориентированная на технологические отрасли и молодых респондентов, подходит для тестирования ранней модели, но ограничивает обобщённость для организаций с низкой зрелостью ИИ, небольшими фирмами и нецифровыми секторами; Набор в одну панель за один период также подразумевает культурную и контекстуальную специфику, поэтому наблюдаемые ассоциации не могут обобщаться на рынках труда, в режимах управления ИИ или профессиональных культурах. Психологическая безопасность также измерялась как индивидуальное восприятие, а не как общий командный климат. Будущие исследования должны использовать лонгитюдные или опытные проекты для отслеживания спиралей прироста, многоуровневые проекты, разделяющие индивидуальные и командные психологические безопасности, вероятностные или организационные выборки по уровням зрелости ИИ, а также расширение конструкции AITC на такие атрибуты, как прозрачность, управляемость и объяснимость. Несмотря на эти ограничения, исследование предоставляет воспроизводимый протокол и первоначальные доказательства того, что связь агентного ИИ с рабочими результатами действует и ограничена психологическими ресурсами сотрудников — знаниями, которые должны помогать исследователям, практикам и политикам внедрять агентные системы таким образом, чтобы они усиливали, а не разрушали человеческую сторону работы.

Раскрытие информации

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторы не заявляют о конфликтах интересов.

Для редактирования языков использовался инструмент генеративного ИИ (ChatGPT, OpenAI); весь контент был проверен и проверен авторами, которые также проверяли, что редактирование с помощью искусственного интеллекта не приводит к изменениям терминологии или тона между разделами.

Благодарности

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Эта работа была поддержана финансированием исследований Университетом aSSIST.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
ProlificProlifichttps://www.prolific.com/Поставщик онлайн-панелей для опросов
QualtricsQualtrics, LLChttps://www.qualtrics.com/Кодирование опросов
SmartPLS SmartPLS GmbHверсия 4.0.1, https://www.smartpls.com/Анализ PLS-SEM

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

234234JD R

Похожие статьи