Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

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

110 просмотров

⸱

DOI:

10.3791/71797

⸱

4 августа 2026 г.

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

В этой статье

Краткое содержание

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

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

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.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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. Респондент...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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 ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Эта работа была поддержана финансированием исследований Университетом aSSIST.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

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

Ссылки

  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.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

234234JD R
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.