Artificial intelligence-driven work systems and employee burnout: a systematic review of mechanisms, moderators, and a dynamic meta-system framework
سیستم‌های کاری مبتنی بر هوش مصنوعی و فرسودگی شغلی کارکنان: مرور نظام‌مند سازوکارها، تعدیل‌کننده‌ها و چارچوب فرادستگاه پویا
چکیده
Background The rapid integration of artificial intelligence (AI) into workplace systems is transforming job design and employee experiences. While AI promises efficiency gains, it also creates a paradox by simultaneously reducing workload and increasing psychological strain, leading to divergent effects on burnout. Objective This study systematically reviews evidence on the relationship between AI exposure and employee burnout and develops the AI as Meta-System (AIMS) framework. Methods Following PRISMA 2020, four bibliographic databases and Google Scholar were searched from inception to 31 March 2026. Forty-three peer-reviewed primary empirical studies were included: 20 measured burnout or an established burnout dimension, and 23 examined mechanisms, moderators, proxy outcomes, measurement, or implementation conditions. Methodological quality was appraised using the Mixed Methods Appraisal Tool at the criterion level. Results Findings varied according to the functional role of AI and the study design. Assistive AI was generally associated with lower burnout or exhaustion in randomized and pre–post healthcare studies, whereas monitoring and algorithmic-control exposures were associated with greater burnout or related psychosocial strain in observational studies. Perceptual AI exposure produced direct, indirect, and null associations through pathways involving job stress, job insecurity, work–family interference, perceived organizational support, and organizational commitment. Three randomized studies provided the strongest evidence for assistive interventions. Evidence for nonlinear effects was limited to supporting proxy outcomes and did not directly establish an inverted U-shaped AI–burnout relationship. Conclusion Artificial intelligence is not inherently harmful or beneficial; its associations with burnout depend on its functional role, implementation, and employee appraisal. The AIMS framework integrates these pathways and identifies propositions requiring longitudinal and experimental testing.
زمینه: ادغام سریع هوش مصنوعی (AI) در سیستم‌های محیط کار، طراحی شغل و تجربیات کارکنان را دگرگون می‌کند. اگرچه هوش مصنوعی وعده افزایش بهره‌وری را می‌دهد، اما هم‌زمان با کاهش حجم کار، فشار روان‌شناختی را افزایش داده و منجر به آثار متضاد بر فرسودگی شغلی می‌شود. هدف: این مطالعه به‌صورت مرور نظام‌مند شواهد مربوط به رابطه مواجهه با هوش مصنوعی و فرسودگی شغلی کارکنان را بررسی و چارچوب هوش مصنوعی به‌عنوان فرادستگاه (AIMS) را توسعه می‌دهد. روش‌ها: مطابق با PRISMA 2020، چهار پایگاه داده کتاب‌شناختی و Google Scholar از ابتدا تا ۳۱ مارس ۲۰۲۶ جست‌وجو شدند. چهل‌وسه مطالعه تجربی اولیه داوری‌شده وارد شدند: ۲۰ مطالعه فرسودگی شغلی یا یکی از ابعاد معتبر آن را سنجیده و ۲۳ مطالعه به بررسی سازوکارها، تعدیل‌کننده‌ها، پیامدهای جانشین، سنجش یا شرایط پیاده‌سازی پرداخته‌اند. کیفیت روش‌شناختی با استفاده از ابزار Mixed Methods Appraisal Tool در سطح معیار ارزیابی شد. یافته‌ها: نتایج بسته به نقش عملکردی هوش مصنوعی و طرح مطالعه متفاوت بود. هوش مصنوعی کمکی عموماً با فرسودگی شغلی یا خستگی کمتر در مطالعات تصادفی و پیش‌آزمون–پس‌آزمون حوزه سلامت همراه بود، در حالی که مواجهه با کنترل الگوریتمی و پایش با فرسودگی شغلی بیشتر یا فشار روانی اجتماعی مرتبط در مطالعات مشاهده‌ای همراه بود. مواجهه ادراکی با هوش مصنوعی از طریق مسیرهایی شامل استرس شغلی، ناامنی شغلی، تداخل کار–خانواده، حمایت سازمانی ادراک‌شده و تعهد سازمانی، ارتباطات مستقیم، غیرمستقیم و بی‌ارتباط ایجاد کرد. سه مطالعه تصادفی قوی‌ترین شواهد را برای مداخلات کمکی ارائه دادند. شواهد مربوط به آثار غیرخطی محدود به پیامدهای جانشین بود و رابطه U وارونه بین هوش مصنوعی و فرسودگی شغلی را به‌طور مستقیم اثبات نکرد. نتیجه‌گیری: هوش مصنوعی ذاتاً مضر یا سودمند نیست؛ ارتباط آن با فرسودگی شغلی به نقش عملکردی، نحوه پیاده‌سازی و ارزیابی کارکنان بستگی دارد. چارچوب AIMS این مسیرها را یکپارچه کرده و گزاره‌هایی را شناسایی می‌کند که نیازمند آزمون‌های طولی و تجربی هستند.