KI-Selbstwirksamkeit: Souverän in der digitalen Transformation

Künstliche Intelligenz ist längst kein futuristisches Versprechen mehr, sondern hat sich als fester Bestandteil in unseren Arbeitsalltag integriert. Sie ist heute nicht mehr nur ein technisches Werkzeug, sondern zunehmend ein „kollaborativer Partner“, der bei komplexen Analysen unterstützt, Routinen erleichtert oder kreative Impulse liefert. Nichtsdestotrotz stellt die KI-Transformation Menschen und Organisationen vor zahlreiche Lern- und Entwicklungsaufgaben. Ob diese in Gefühlen von Überforderung oder in Wachstum und Innovation münden, entscheidet sich an einer ganz zentralen Frage: Trauen Menschen sich zu, KI nicht nur oberflächlich zu nutzen, sondern zu verstehen, kritisch zu bewerten und aktiv in ihre Arbeit zu integrieren? Genau hier setzt KI-Selbstwirksamkeit an: Sie beschreibt die innere Überzeugung, den Umgang mit KI zu lernen und auch bei Unsicherheit handlungsfähig bleiben zu können. Dieser Beitrag zeigt, warum KI-Selbstwirksamkeit in der digitalen Transformation so wichtig ist — und wie Unternehmen sie durch Kompetenzaufbau, psychologische Sicherheit, gute Führung und aktive Arbeitsgestaltung stärken können.

Was ist eigentlich Selbstwirksamkeit?

Der Begriff der Selbstwirksamkeit (Self-Efficacy) wurde von Albert Bandura, langjähriger Professor für Psychologie an der Stanford University, geprägt (Bandura, 1977). Er beschreibt die Überzeugung einer Person, auch schwierige Aufgaben mit dem eigenen Wissen und den eigenen Fähigkeiten bewältigen zu können. Wichtig ist: Selbstwirksamkeit ist nicht dasselbe wie objektive Kompetenz. Im Arbeitskontext geht es also nicht nur darum, was Beschäftigte tatsächlich können, sondern vor allem auch darum, was sie sich zutrauen — besonders dann, wenn Aufgaben neu, komplex oder unsicher sind.

Neuheit, Komplexität und oft auch Unsicherheit: In der KI-Transformation allgegenwärtig. Genau deshalb ist Selbstwirksamkeit hier so relevant. Denn der souveräne Umgang mit KI entsteht nicht allein durch technische Fähigkeiten, sondern überall dort, wo Menschen erleben: Ich kann diese Technologie – auch wenn ich dafür etwas dazulernen und mich weiterentwickeln muss – verstehen, sinnvoll nutzen, kritisch einordnen und in meine Arbeit integrieren. Im KI-Kontext lassen sich mehrere Facetten der Selbstwirksamkeit unterscheiden, die aufeinander aufbauen. Schauen wir sie uns der Reihe nach an, denn in jeder Facette steckt ein möglicher Entwicklungshebel für Beschäftigte und Organisationen:

Technische Selbstwirksamkeit

Technische Selbstwirksamkeit (McDonald & Siegall, 1992) beschreibt das Vertrauen in die eigenen Kenntnisse und Fähigkeiten, die für den Umgang mit neuen Technologien im Allgemeinen erforderlich sind. Es geht um die grundlegende Überzeugung: Ich kann lernen, wie dieses System funktioniert.

Beispiel: Eine Buchhalterin erhält eine neue KI-Software zur Belegprüfung. Ihre technische Selbstwirksamkeit zeigt sich darin, dass sie sich sicher ist: „Ich werde wahrscheinlich schnell lernen, wie ich die Daten hochlade und den Filter richtig einstelle.“ Sie sieht die Komplexität nicht als Bedrohung, sondern als erlernbares Handwerk.

KI-Selbstwirksamkeit

KI-Selbstwirksamkeit geht einen Schritt weiter. Sie beschreibt die subjektive Überzeugung, KI-gestützte Aufgaben erfolgreich bewältigen zu können. Das beinhaltet zum Beispiel die Arbeit mit Large Language Modellen und die Fähigkeit, Prompts zu verbessern und Ergebnisse einzuordnen. Weil generative KI häufig über Sprache gesteuert wird, wird in diesem Zusammenhang teilweise auch von Prompt-Selbstwirksamkeit gesprochen.

Beispiel: Ein Analyst lässt ein LLM eine Zusammenfassung eines langen Marktberichts schreiben. Die erste Antwort der KI ist zu oberflächlich. Statt aufzugeben („Ich kann diesen Kram einfach nicht bedienen“), denkt er: „Ein guter Prompt entsteht manchmal erst im zweiten oder dritten Anlauf. Wenn ich meine Anfrage präzisiere, kann ich zu einem brauchbaren Ergebnis kommen.“ KI-Selbstwirksamkeit bedeutet hier also nicht blindes Vertrauen in die Maschine, sondern die Fähigkeit, dranzubleiben, nachzuschärfen und das Ergebnis kritisch zu prüfen.

Kreative Selbstwirksamkeit

Kreative Selbstwirksamkeit (Tierney & Farmer, 2002) beschreibt das Vertrauen in die eigene Fähigkeit, mithilfe von KI nicht nur Routineaufgaben zu bewältigen, sondern neue Ideen, Perspektiven und Lösungen zu entwickeln. KI wird dann nicht als Ersatz der eigenen Kreativität erlebt, sondern als Sparringspartner, der Denkprozesse erweitern kann.

Beispiel: Eine Designerin erstellt ein neues Logo-Konzept im Dialog mit der KI eines Bildbearbeitungsprogramms. Sie sieht die KI nicht als Ersatz für ihren Job, sondern als Inspirationsquelle. Sie ist überzeugt, dass sie durch den Dialog mit der Maschine neue visuelle Stile entdecken und kreative Lösungen für die Bedürfnisse ihrer Kunden entwickeln kann.

Selbstwirksamkeit als Schutzschild gegen Technostress und Angst

Selbstwirksamkeit ist in der Mensch-KI-Kollaboration mehr als ein „innerer Schutzschild“ gegen Machtlosigkeit oder Unsicherheit. Die Überzeugung, mit KI-bezogenen Aufgaben umgehen zu können, ist eine zentrale Grundlage dafür, ob Beschäftigte in der digitalen Transformation wachstumsorientiert, proaktiv und handlungsfähig bleiben. Der wichtigste Mechanismus dahinter ist die sogenannte kognitive Bewertung (Appraisal; Chen et al., 2024): Wenn Beschäftigte mit komplexen KI-Aufgaben konfrontiert werden, wirkt KI-Selbstwirksamkeit wie eine Linse, durch die sie die Situation einordnen.

Dabei sind vor allem zwei Bewertungen entscheidend:

• Challenge Appraisal: Personen mit hoher KI-Selbstwirksamkeit bewerten die Komplexität als herausfordernd, aber grundsätzlich bewältigbar. Sie vertrauen darauf, dass sie die nötigen Fähigkeiten entweder bereits besitzen oder schrittweise aufbauen können. Das fördert Neugier, Lernbereitschaft und proaktives Handeln.
• Hindrance Appraisal: Werden die eigenen Fähigkeiten dagegen als unzureichend eingeschätzt, kann dieselbe Technologie als Hindernis oder Bedrohung erlebt werden. Dann entsteht eher das Gefühl: „Das ist zu viel, zu schnell, zu undurchsichtig.“ Genau hier können Technostress, KI-Angst und Lernangst entstehen — also das Erleben, den wachsenden Anforderungen und der Fülle neuer Informationen nicht gewachsen zu sein.

Das ist besonders relevant, weil die Zusammenarbeit mit KI-Systemen die Komplexität der Arbeit häufig erhöht: Entscheidungsprozesse bleiben teilweise intransparent, Tools entwickeln sich schnell weiter und der eigene Lernbedarf wird sichtbarer. KI-Selbstwirksamkeit hilft Beschäftigten, diese Komplexität nicht als unüberwindbare Wand zu erleben, sondern als eine Reihe konkreter und bewältigbarer Lernschritte.

Mehr zu den psychologischen Mechanismen hinter digitaler Überforderung findet sich in unserem Beitrag zu Technostress.

The Forgotten Middle: Warum gerade die Mitte Unterstützung braucht

Interessanterweise wirkt dieses schützende innere Segel nicht immer linear. Das Phänomen der „vergessenen Mitte“ (The Forgotten Middle) beschreibt, dass Beschäftigte mit moderater KI-Selbstwirksamkeit unter Umständen besonders anfällig für KI-bezogene Jobunsicherheit sein können (Liu & Ye, 2026). Der Zusammenhang zwischen KI-Selbstwirksamkeit und wahrgenommener Bedrohung durch KI verläuft dann nicht einfach nach dem Motto: je mehr Selbstvertrauen, desto weniger Unsicherheit. Vielmehr kann gerade eine mittlere Ausprägung von KI-Selbstwirksamkeit eine spezifische psychologische Spannung erzeugen.

Diese Spannung entsteht aus dem Zusammenspiel von KI-Kompetenz und KI-Selbstwirksamkeit:

• Genug KI-Kompetenz, um die Veränderung zu erkennen: Beschäftigte mit moderater KI-Selbstwirksamkeit verfügen häufig bereits über ausreichend KI-Verständnis oder erste praktische Erfahrung, um die Tragweite von KI für ihre Arbeit realistisch einzuschätzen. Sie erkennen, welche Aufgaben sich verändern, automatisieren oder neu verteilen lassen.
• Noch zu wenig KI-Selbstwirksamkeit, um Sicherheit daraus abzuleiten: Gleichzeitig fehlt ihnen häufig noch das stabile Vertrauen, mit dieser Entwicklung dauerhaft Schritt halten und den eigenen Arbeitskontext aktiv mitgestalten zu können. Sie sehen also sehr klar, was sich verändert — sind sich aber noch nicht sicher, ob sie selbst schnell genug mitwachsen können.

Genau daraus entsteht die besondere Verletzlichkeit der „Mitte“: Diese Beschäftigten sind nicht ahnungslos, aber auch noch nicht wirklich souverän. Ihre KI-Kompetenz reicht aus, um Risiken und Veränderungsdruck wahrzunehmen; ihre KI-Selbstwirksamkeit reicht aber noch nicht aus, um daraus Zuversicht und aktive Gestaltungskraft abzuleiten. Für Unternehmen ist diese Gruppe deshalb besonders wichtig. Denn sie braucht keine allgemeinen Durchhalteparolen, sondern konkrete Lernerfahrungen, Orientierung und Räume, in denen aus Unsicherheit schrittweise Handlungsfähigkeit werden kann.

Selbstwirksamkeit trainieren im KI-Kontext

Wenn KI-Selbstwirksamkeit darüber entscheidet, ob Beschäftigte KI als Bedrohung oder als gestaltbare Herausforderung erleben, stellt sich die praktische Frage: Wie lässt sie sich gezielt stärken?

KI-Kompetenz als Grundlage von Selbstwirksamkeit schaffen

Ohne ein grundlegendes Verständnis von Funktionen, Möglichkeiten und Grenzen von KI-Systemen bleibt Selbstwirksamkeit im Umgang mit KI fragil. Beschäftigte müssen nicht zu technischen Experten werden. Aber sie brauchen genug KI-Kompetenz, um einschätzen zu können: Was kann dieses System leisten? Wo muss ich vorsichtig sein? Und wie kann ich KI so nutzen, dass sie meine Arbeit sinnvoll unterstützt?

Forschung zu KI-Literacy zeigt, dass dafür verschiedene Kompetenzbereiche zusammenspielen: KI muss verstanden, angewendet, bewertet, gestaltet und verantwortet werden können (Long & Magerko, 2020; Ng et al., 2021). Genau diese Verbindung ist entscheidend: KI-Kompetenz ist nicht nur technisches Bedienwissen, sondern die Grundlage dafür, dass Beschäftigte im Umgang mit KI handlungsfähig, kritisch und selbstbestimmt bleiben.

Dazu gehören zum Beispiel:

• Technische Grundlagen verstehen: Beschäftigte kennen grundlegende Funktionsprinzipien von KI und wissen, dass KI-Systeme Muster erkennen, Wahrscheinlichkeiten berechnen und Ergebnisse erzeugen, die plausibel wirken können, aber nicht automatisch richtig sind.
• Prompts passend anwenden: Beschäftigte können KI sinnvoll in typische Arbeitsaufgaben integrieren. Dazu gehört auch, Aufgaben und Prompts so zu formulieren, dass brauchbare Ergebnisse entstehen.
• Inhalte bewerten: Beschäftigte prüfen KI-Ergebnisse kritisch auf Genauigkeit, Logik, Quellenlage, Bias und fachliche Passung.
• KI innovativ anwenden: Beschäftigte nutzen KI nicht nur zur Effizienzsteigerung, sondern auch, um eigene Kompetenzen, Rollen und Zusammenarbeit sinnvoll weiterzuentwickeln.
• Verantwortungsbewusstsein schärfen: Beschäftigte entwickeln ein Bewusstsein für Datenschutz, Vertraulichkeit, Fairness, rechtliche Vorgaben und professionelle Standards.

KI-Selbstwirksamkeit durch arbeitsnahe Lernerfahrungen stärken

KI-Selbstwirksamkeit entsteht in besonderem Maß durch Erfahrung: Menschen müssen erleben, dass sie eine KI-bezogene Aufgabe tatsächlich bewältigen können. Genau deshalb reichen allgemeine KI-Schulungen oder abstrakte Tool-Demos häufig nicht aus. Forschung zu wirksamer Trainingsgestaltung zeigt, dass Trainings dann besonders anschlussfähig werden, wenn sie an konkrete Arbeitsaufgaben anknüpfen, aktive Übungsphasen ermöglichen und den Transfer in den Arbeitsalltag gezielt mitdenken (Salas et al., 2012; Blume et al., 2010). Für KI-Training bedeutet das: Wirksamer sind kontextspezifische Lernformate, die reale Aufgaben aus dem jeweiligen Team aufgreifen (Liu, Zhang & Wei, 2025).

Aus psychologischer Sicht sind dabei drei Prinzipien besonders wichtig:

• Integration in den Alltag: KI-Tools sollten direkt an realen Geschäftsaufgaben erlernt werden — etwa bei Textgenerierung, Recherche, Datenanalyse, Konzeptentwicklung oder Entscheidungsvorbereitung. So wird KI-Kompetenz nicht als Zusatzwissen aufgebaut, sondern als Teil der eigenen Arbeit erlebt.
• Modularer Aufbau: Komplexe Aufgaben sollten in kleine, überschaubare Lernschritte unterteilt werden. Das ermöglicht frühe Erfolgserlebnisse, reduziert Lernangst und stärkt besonders Beschäftigte mit moderaten Vorkenntnissen. Aus „Ich weiß nicht, wo ich anfangen soll“ wird schrittweise: „Ich kann den nächsten Schritt bewältigen.“
• Transfer und Reflexion: Nach dem Ausprobieren braucht es kurze Reflexionsschleifen: Was hat funktioniert? Wo war die KI hilfreich? Wo musste ich kritisch nachsteuern? Solche Reflexionen helfen, aus einzelnen Erfolgserlebnissen stabile KI-Selbstwirksamkeit aufzubauen. Darüber hinaus sollte Transfer aktiv gefördert und aufrechterhalten werden, etwa durch regelmäßige Follow-ups. Das Mindset darf nicht sein: „Wir lernen einmal KI und sind dann fertig“.

Für Unternehmen bedeutet das: KI-Training sollte nicht als einmaliges Schulungsformat gedacht werden, sondern als Lernarchitektur. Entscheidend ist, ob Beschäftigte in ihrem konkreten Arbeitskontext handlungsfähiger werden. Genau hier liegt die arbeitspsychologische Aufgabe: Lernformate so zu gestalten, dass sie Kompetenz und kritische Urteilsfähigkeit zugleich stärken.

Geschützte Experimentierräume für KI-Selbstwirksamkeit schaffen

KI-Selbstwirksamkeit wächst auch durch die Erfahrung: Ich darf ausprobieren, ohne dass ein Fehler sofort negative Konsequenzen hat. Training legt dafür die Grundlage, reicht aber nicht aus. Organisationen brauchen darüber hinaus psychologische Sicherheit — also ein Umfeld, in dem Fragen, Unsicherheit und Fehlversuche als Teil des Lernprozesses gelten. Das funktioniert zum Beispiel mithilfe von …

• KI-Sandkästen: Organisationen können geschützte Lernumgebungen schaffen, in denen Beschäftigte KI-Tools an realistischen, aber risikoarmen Aufgaben testen. Das kann zum Beispiel eine interne, datenschutzkonforme Instanz eines Large Language Models sein. Eine Art „Company-GPT“. Entscheidend ist: Ein unbrauchbarer Prompt, eine Halluzination der KI oder ein falscher Klick dürfen hier nicht direkt auf Kunden, Bilanz oder Leistungsbewertung durchschlagen.
• Klare Spielregeln: Psychologische Sicherheit bedeutet nicht Beliebigkeit. Gerade beim Umgang mit KI braucht es klare Leitplanken: Welche Daten dürfen verwendet werden? Welche Ergebnisse müssen geprüft werden? Wo ist menschliche Entscheidung zwingend? Solche Regeln senken Unsicherheit und machen Ausprobieren verantwortungsvoll möglich.
• Fehlerkultur: Eine Kultur, die Trial-and-Error als normalen Teil von KI-Lernen versteht, reduziert die Hemmschwelle, KI-Systeme proaktiv zu testen. Aus Fehlern werden dann keine Kompetenzbeweise gegen die Person, sondern Lernsignale für bessere Prompts, bessere Prozesse und bessere Zusammenarbeit mit KI.

Führung als Rahmengeber für souveräne KI-Nutzung verstehen

Führungskräfte haben einen maßgeblichen Einfluss darauf, ob KI im Team als zusätzlicher Druck oder als gemeinsame Lern- und Gestaltungsaufgabe erlebt wird. Ihre Rolle liegt darin, Orientierung zu geben, Sicherheit zu schaffen und Beteiligung zu ermöglichen.

• Vorbild und Orientierung: Führungskräfte können KI-Selbstwirksamkeit stärken, indem sie KI im eigenen Arbeitsalltag sichtbar und reflektiert einsetzen. Dass Führung durch Vorbildverhalten wirkt, ist unter anderem aus der Forschung zu transformationaler Führung gut belegt.
• Gemeinsames Lernen fördern: Gerade weil sich KI schnell entwickelt, müssen Führungskräfte nicht auf jede Frage sofort eine Antwort haben. Hilfreicher ist oft eine demütige Haltung: eigene Wissensgrenzen offen benennen, gemeinsam mit dem Team lernen und Unsicherheit nicht individualisieren.
• KI als Teil der Teamidentität: Wenn Führungskräfte deutlich machen, dass souveräne Mensch-KI-Kollaboration zur gemeinsamen Arbeitsweise gehört, entsteht Orientierung: Wir lernen das zusammen. Wir prüfen kritisch. Wir gestalten unsere Arbeit aktiv weiter. Genau hier wird KI-Arbeit auch zu einer Frage von Identity Leadership.

Weil Führung in der KI-Transformation viele weitere Facetten hat — von psychologischer Sicherheit über Lernkultur bis zur aktiven Arbeitsgestaltung — lohnt sich ergänzend unser eigener Blogbeitrag zur Rolle von Führungskräften in der KI-Einführung.

Mensch-KI-Kollaboration aktiv und kritisch gestalten

Wer KI-Selbstwirksamkeit stärken will, sollte die Logik einer aktiven Mensch-KI-Kollaboration betonen. Es geht darum, – auch bei ausreichender Selbstwirksamkeit – nicht bei einem passiven „Mitmachen“ stehen zu bleiben, sondern die Zusammenarbeit mit KI-Systemen aktiv gestalten zu lernen. Forschung zu Job Crafting zeigt, dass eine solche aktive Arbeitsgestaltung mit positiven Effekten für Beschäftigte einhergeht: Meta-Analysen finden Zusammenhänge zwischen Job Crafting und höherem Arbeitsengagement, Arbeitszufriedenheit und Leistung (Rudolph et al., 2017); längsschnittliche Befunde stützen insbesondere den positiven Zusammenhang mit Arbeitsengagement (Frederick & VanderWeele, 2020). Gerade im KI-Kontext ist daher entscheidend, ob Beschäftigte den durch Automatisierung entstehenden Freiraum nutzen können, um Aufgaben, Rollen und Arbeitsprozesse proaktiv weiterzuentwickeln. Zielperspektive muss sein:

• Vom Beifahrer zum aktiven Gestalter werden: Beschäftigte sollten dazu ermutigt werden, von einer passiven „Rezeption“ zu aktiver Gestaltung („Active Mastery“) der eigenen Arbeit überzugehen. Das bedeutet: Die Zusammenarbeit mit KI eigeninitiativ steuern und optimieren.
• Selbstbestimmung stärken: Beschäftigte müssen KI als Werkzeug begreifen, das Autonomie und Kompetenz erweitern kann, anstatt sie zu ersetzen. Diese Sichtweise fällt nicht vom Himmel, sondern fußt auf Kompetenz, Führung und Organisationskultur.
• Job Crafting ermöglichen und fördern: Beschäftigte nutzen im besten Fall den durch Automatisierung gewonnenen Freiraum, um den eigenen Arbeitsplatz proaktiv umzugestalten und neue, wertschöpfendere Aufgaben zu übernehmen. Statt KI nur als Effizienzwerkzeug zu verstehen, wird sie zum Werkzeug, um Arbeit so weiterzuentwickeln, dass mehr Sinn, Motivation und Wirksamkeit entsteht.

Selbstwirksamkeit im KI-Kontext: Unser Fazit

Dieser Beitrag ist von der Frage ausgegangen, warum KI im Arbeitsalltag für manche Beschäftigte zur Chance wird, während sie bei anderen Überforderung, Technostress oder Jobunsicherheit auslöst. Die Antwort liegt nicht allein in der Technologie selbst, sondern darin, ob Menschen sich im Umgang mit KI handlungsfähig erleben.

KI-Selbstwirksamkeit ist dafür ein zentraler psychologischer Hebel: Sie beeinflusst, ob Beschäftigte KI als bewältigbare Herausforderung oder als bedrohliches Hindernis wahrnehmen. Unternehmen stärken diese Selbstwirksamkeit nicht durch Tool-Schulungen allein, sondern durch gezielten Kompetenzaufbau, arbeitsnahe Lernerfahrungen, psychologische Sicherheit, gute Führung und aktive Arbeitsgestaltung.

So wird KI zu einem Werkzeug, das Beschäftigte verstehen, kritisch prüfen und souverän in ihre Arbeit integrieren können.

Quellen zum Blogbeitrag „KI-Selbstwirksamkeit“

• Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review, 84(2), 191–215. https://doi.org/10.1037/0033-295X.84.2.191
• Blume, B. D., Ford, J. K., Baldwin, T. T., & Huang, J. L. (2010). Transfer of training: A meta-analytic review. Journal of Management, 36(4), 1065–1105. https://doi.org/10.1177/0149206309352880
• Chang, P. C., Zhang, W., Cai, Q., & Guo, H. (2024). Does AI-driven technostress promote or hinder employees‘ artificial intelligence adoption intention? A moderated mediation model of affective reactions and technical self-efficacy. Psychology Research and Behavior Management, 17, 413–427. https://doi.org/10.2147/PRBM.S441444
• Chen, Q., Chen, M., Lin, L., & Bai, X. (2024). The challenge–hindrance–threat appraisal framework and the differential effects on employees’ work well-being and behaviors. Behavioral Sciences, 14(9), Article 734. https://doi.org/10.3390/bs14090734
• Frederick, D. E., & VanderWeele, T. J. (2020). Longitudinal meta-analysis of job crafting shows positive association with work engagement. Cogent Psychology, 7(1), Article 1746733. https://doi.org/10.1080/23311908.2020.1746733
• Hur, W.-M., Shin, G., & Shin, Y. (2026). When and how generative AI support promotes job crafting: Mediation of GenAI self-efficacy and moderation of GenAI usage. Oeconomia Copernicana, 17(1), 141–179. https://doi.org/10.24136/oc.4159
• Jiang, D., Liu, Y., & Gu, X. (2026). Autonomous enhancement or emotional depletion? The dual-path mechanism of AI usage on employees‘ work behavior. Frontiers in Public Health, 14, Artikel 1695066. https://doi.org/10.3389/fpubh.2026.1695066
• Long, D., & Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. CHI Conference on Human Factors in Computing Systems. https://doi.org./10.1145/3313831.3376727.
• Liu, X., & Ye, Z. (2026). The forgotten middle: How moderate self-efficacy amplifies the threat of AI through job insecurity. Frontiers in Psychology, 16, Artikel 1734254. https://doi.org/10.3389/fpsyg.2025.1734254
• Liu, X., Zhang, L., & Wei, X. (2025). Generative artificial intelligence literacy: Scale development and its effect on job performance. Behavioral Sciences, 15(6), Artikel 811. https://doi.org/10.3390/bs15060811
• McDonald, T., & Siegall, M. (1992). The effects of technological self-efficacy and job focus on job performance, attitudes, and withdrawal behaviors. The Journal of Psychology, 126(5), 465–475. https://doi.org/10.1080/00223980.1992.10543380
• Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org./10.1016/j.caeai.2021.100041.
• Rudolph, C. W., Katz, I. M., Lavigne, K. N., & Zacher, H. (2017). Job crafting: A meta-analysis of relationships with individual differences, job characteristics, and work outcomes. Journal of Vocational Behavior, 102, 112–138. https://doi.org/10.1016/j.jvb.2017.05.008
• Salas, E., Tannenbaum, S. I., Kraiger, K., & Smith-Jentsch, K. A. (2012). The science of training and development in organizations: What matters in practice. Psychological Science in the Public Interest, 13(2), 74–101. https://doi.org/10.1177/1529100612436661
• Sidra, S., & Mason, C. (2025). Generative AI in human–AI collaboration: Validation of the Collaborative AI Literacy and Collaborative AI Metacognition scales for effective use. International Journal of Human–Computer Interaction. Advance online publication. https://doi.org/10.1080/10447318.2025.2543997
• Tierney, P., & Farmer, S. M. (2002). Creative self-efficacy: Its potential antecedents and relationship to creative performance. Academy of Management Journal, 45(6), 1137–1148. https://doi.org/10.2307/3069429
• Wang, B., Liu, S., & Luo, C. (2026). How does human-AI collaboration task complexity affect employee work engagement? The roles of humble leadership and AI self-efficacy. Frontiers in Psychology, 17, Artikel 1767967. https://doi.org/10.3389/fpsyg.2026.1767967