مقالة بحثية

كشف عدم التماثل الهرمي في تحول الذكاء الاصطناعي: التنقل بين الجوانب المضيئة والمظلمة عبر المستويات التنظيمية

174 مشاهدات

⸱

DOI:

10.3791/70756

⸱

مايو 12, 2026

 ,  ,  ,  ,  , 
1Seoul Business School, aSSIST University, 2Department of Administration, University of Suwon, 3School of Business, Sungkyunkwan University, 4Department of Management Information Systems, Dong-A University

في هذه المقالة

ملخص

نحن نسصف منهجية مسح قابلة للتكرار تهدف إلى استكشاف التفاوت الهرمي في تصورات تحويل الذكاء الاصطناعي (AX). يكمل كل من التنفيذيين والممارسين استبيانا معتمدا مستضاف على كوالتريكس؛ يعمل خط التحليل في SmartPLS 4.0، ويغطي التحقق من صحة النماذج الخارجية، وتحليل المسارات، واختبار ثبات MICOM، والتحليل المتعدد المجموعات القائم على التبديلات (MGA).

الملخص

تعتمد هياكل الحوكمة التي تتوافق بين الاستراتيجية التنفيذية والتنفيذ في الخطوط الأمامية على فهم كيف يشكل التسلسل الهرمي التنظيمي تصورات عوامل نجاح التحول في الذكاء الاصطناعي (AI). نقدم منهجية معتمدة وقابلة للتكرار تعتمد على المسوح، تربط نمذجة المعادلات الهيكلية ذات المربعات الصغرى الجزئية (PLS-SEM) مع التحليل متعدد المجموعات (MGA) لاكتشاف وقياس عدم التماثل الهرمي في إدراكات AX — متجاوزين التحليل الكلي لكشف الفجوات الهيكلية التي تتركها طرق المجموعة الواحدة مخفية. وبالاعتماد على 293 محترفا مشاركين في مشاريع الذكاء الاصطناعي، نقيم أربعة أبعاد ديناميكية للقدرات — المرونة التشغيلية، جاهزية البيانات، قرب العملاء، والانضباط الاستراتيجي للعمليات — إلى جانب عوامل تمكين رئيسية: الدعم التكنولوجي، تحمل المخاطر الحساس للذكاء الاصطناعي، السياق البيئي، والقيادة الاستباقية. يتم التحقق أولا من ثبات التركيب من خلال اختبار MICOM؛ فقط بعد تأكيد قابلية المقارنة بين المجموعات، ينتقل التحليل إلى اختبارات الدلالة المعتمدة على التبديل في MGA. تظهر كلتا المجموعتين ارتباطات إيجابية بين القدرات الديناميكية وأداء AX (التنفيذيون: β = 0.637، R2 = 0.406؛ الممارسون: β = 0.531، R2 = 0.282). لا يكتشف MGA القائم على التبديل فروقا ذات دلالة إحصائية في معاملات المسار الهيكلي بين المجموعتين (جميعها p ≥ .178); لذا، فإن الدور المعتدل المفترض لموقف المنظمة في علاقات المسار (H5) يفتقر إلى الدعم. ومع ذلك، تظهر MICOM الخطوة 3a أن التنفيذيين يقيمون جميع البنى الرئيسية أعلى بكثير من الممارسين (8 من أصل 11 بناء، جميعها p ≤ .045)—وهو دليل على أن عدم التماثل الهرمي يظهر كفجوة في المستويات الإدراكية، وليس في العلاقات الهيكلية نفسها. كنموذج منهجي قابل للنقل، يزود البروتوكول الباحثين الذين يدرسون فجوات الإدراك في التحول التنظيمي بأدوات تتعلق مباشرة بحوكمة الذكاء الاصطناعي، واستراتيجية إدارة التغيير، والتوافق عبر المستويات في البيئات التقنية المكثفة.

المقدمة

لقد فتحت التطورات السريعة في الذكاء الاصطناعي مشهدا مزدوجا للمنظمات التجارية—فرص خلق قيمة استثنائية من جهة، ومخاطر وتحديات كبيرةمن جهة أخرى. يحمل الذكاء الاصطناعي التوليدي وتقنيات الذكاء الاصطناعي التقليدية وعدا بإنتاجية أعلى، وابتكار أسرع، وموقع تنافسي أقوى، ومع ذلك فإنها تثير في الوقت نفسه مخاوف حول التحيز، وفقدان الوظائف، وعدم المساواة، والمعضلات الأخلاقية. هذا الازدواجية بين الجانب المشرق/المظلم تتطلب تدقيقا دقيقا في كيفية توجيه المؤسسات لتجاوز الفرص والمخاطر أثناء سعيها للتحول.

توثق مجموعة متزايدة من الأعمال مدى تحول الذكاء الاصطناعي — تحسين تفاعل العملاء، مكاسب الكفاءة التشغيلية، واتخاذ قرارات أكثرحدة 6,7. ومع ذلك، تحمل هذه التطورات أوزانا معاكسة كبيرة. التمييز والتحيز المدمجين في أنظمة الذكاء الاصطناعي يمكن أن يجعلوا الفوارق القائمةترسخ 8، والأتمتة تهدد استقرار الوظائف9، وغموض العديد من الخوارزميات يثير أسئلة المساءلة10. الفجوة المتزايدة بين الشركات المدعومة بالذكاء الاصطناعي ونظرائها الأقل تقدما تكنولوجيا تعمق الفجوة الاقتصادية11، بينما تعقد الشفافية ونقص الثقة علاقات أصحاب المصلحة12.

على الرغم من أن الأدبيات حول التحول الرقمي واسعة13، إلا أن التحول المدفوع بالذكاء الاصطناعي يستحق التعامل بشكل منفصل كظاهرة مميزة14,15. حدد بلاك وآخرون العوامل الممكنة الحيوية لتحويل نموذج الأعمال المدعوم بالذكاء الاصطناعي من خلال عدسة القدرات الديناميكية، ومع ذلك لا يعالج إطارهم كيف يتم إدراك هذه العوامل وتطبيقها بشكل مختلف عبر التسلسلات الهرمية التنظيمية. تحمل هذه الفجوة وزنا بالنظر إلى تزايد الأدلة على عدم التوافق بين الاستراتيجية التنفيذية وتنفيذ الممارسين17.

بدأت الأبحاث متعددة المستويات تظهر أن تبني الذكاء الاصطناعي يتردد صداه بشكل غير متساو عبر مستويات المنظمة، مع تفاوت واضح في كيفية إدراك التنفيذيين والممارسين للتحول الذكي وحيانه18. تعد مكاسب الإنتاجية، واتخاذ قرارات أكثر حدة، وخلق قيمة جديدة من الفوائد المعترف بها على نطاق واسع للذكاء الاصطناعي، ومع ذلك لا تزال العديد من المؤسسات تواجه صعوبة في دفع مبادرات الذكاء الاصطناعي إلى ما بعد المرحلة التجريبية—خاصة عندما يفرق بين الإدراك والتشغيلي مستويات هرمية منفصلة.

في هذه الدراسة، يشير تحول الذكاء الاصطناعي (AX) إلى العملية المنهجية على مستوى المؤسسة لدمج تقنيات الذكاء الاصطناعي في العمليات الأساسية والاستراتيجية وعمليات خلق القيمة. كما هو موضح هنا، يمتد AX عبر ثلاثة أبعاد مترابطة: (1) صياغة استراتيجية الذكاء الاصطناعي للمؤسسات—التخطيط المتعمد للاستثمار في الذكاء الاصطناعي، وتحديد الأولويات، والحوكمة على مستوى المنظمة؛ (2) النشر التشغيلي لأنظمة الذكاء الاصطناعي — التبني التقني، والدمج، والتوسع لحلول الذكاء الاصطناعي ضمن سير العمل الحالي؛ و(3) إدارة التغيير التنظيمي—التعديلات البشرية والثقافية والهيكلية اللازمة لتحقيق إمكانات خلق القيمة للذكاء الاصطناعي على نطاق واسع. تستهدف هذه الدراسة هذه الفجوة من خلال السؤال: (1) ما إذا كانت العوامل التي حددها بلاك وآخرون تحمل صحة تجريبية عبر سياقات المنظمة، و(2) كيف يختلف التنفيذيون والممارسون في تصوراتهم لهذه العلاقات—خاصة فيما يتعلق بالجوانب المضيئة والمظلمة لتحول الذكاء الاصطناعي. من خلال إدخال التسلسل الهرمي التنظيمي كعامل هيكلي للمراقبة، نفحص ما إذا كانت هناك تفاوتات منهجية في كيفية إدراك المستويات المختلفة لوعود ومخاطر الذكاء الاصطناعي. تشير النتائج إلى أن العوامل التمكينية والعقبات في تحول الذكاء الاصطناعي قد تنظر إليها بشكل مختلف عبر المستويات الهرمية، مما يحمل تداعيات على استراتيجيات التوافق والحوكمة.

تعترف الدراسات بشكل متزايد بالطابع المزدوج ل AX. يقوم غريوال وآخرون بتحليل "النور والظلام" للذكاء الاصطناعي، بينما يستكشف بيلانش وآخرون الجوانب المضيئة والمظلمة في الخدمات. يتتبع بيلانش وآخرون التأثيرات المتباينة للإدارة الخوارزمية، ويقدم باراري وآخرون أدلة تحليلية فوق الجانب المظلم للذكاء الاصطناعي في التسويق. مجتمعة، توضح هذه الدراسات أن تحول الذكاء الاصطناعي لا يمكن إدراكه من خلال عدسة تفاؤل بحتة؛ يجب على المؤسسات إدارة الفرص وتقليل المخاطر في الوقت نفسه.

استنادا إلى بلاك وآخرين، تم فحص أربع قدرات ديناميكية مركزية للتعامل مع هذه الثنائية: (1) القدرة على الركض والتغيير، التي تمكن من الاستغلال والاستكشاف في آن واحد21؛ (2) جاهزية البيانات/أنظمة المعلومات الموجهة بالذكاء الاصطناعي، التي توفر بنية تحتية لنشر الذكاء الاصطناعي أثناء التعامل مع تحديات جودة البيانات والتكامل22؛ (3) الوعي بالسوق/العملاء، الذي يوازن بين فرص التخصيص وقضايا الخصوصية23؛ و(4) الانضباط الاستراتيجي للعمليات التي تحمي الحوكمة دون التضحية بالمرونة24. في هذا الإطار، تعمل السياق البيئي، والقيادة الاستباقية، والممكنات (تحمل المخاطر الحساس للذكاء الاصطناعي وثقافة الابتكار الحساسة للتكنولوجيا) كأسلاف تشكل معا هذه الأبعاد الأربعة للقدرات. هذه القدرات بدورها تقود أداء تحول الذكاء الاصطناعي بشكل جماعي. تشكل هذه السلسلة السببية—من السوابق مرورا بالقدرات إلى نتائج الأداء—المنطق النظري الأساسي للنموذج، حيث تدخل الوظيفة التنظيمية (التنفيذي مقابل الممارس) كعدسة معتدلة يتم من خلالها فحص عدم التماثل الإدراكي.

نظرية القدرات الديناميكية تأخذ في الاعتبار كيف تحافظ الشركات على ميزة تنافسية في البيئات المتقلبة من خلال الاستشعار، والاستحواذ، والتحويلعلى 25. عند تطبيقها على الذكاء الاصطناعي، تتيح هذه القدرات للمؤسسات استغلال الفرص التقنية مع الحفاظ على المخاطر المرتبطة بذلك.

القدرة على الإدارة والتغيير تلتقط مرونة المنظمة في موازنة العمليات المستمرة مع الابتكار. تسهل الرشاقة تبني الذكاء الاصطناعي بسرعة26، لكنها ترفع أيضا خطر النشر المبكر ونقص الاختبارات. يظهر نجوين وآخرون أن الذكاء الاصطناعي يعطل نماذج التغيير الخطي التقليدية، ويطالب بأنظمة تكرارية تعتمد على التغذية الراجعة بدلا من ذلك. بدون إدارة دقيقة، يمكن أن يؤدي التكيف المستمر الناتج إلى زعزعة استقرارالمنظمة.

تعمل جاهزية البيانات/نظم المعلومات الموجهة بالذكاء الاصطناعي كبنية تحتية أساسية، ومع ذلك فإن الجاهزية الحقيقية تشمل القدرات التقنية والتحديات التنظيمية. يمكن لأنظمة البيانات القوية أن تفتح خلق قيمة للذكاء الاصطناعي22، لكن البنى المجزأة وضعف جودة البيانات يمكن أن يحد من الفعالية29. يعرض Ghosh30 جاهزية كنظام مترابط يتطلب تكيفا مستمرا—مبرزا كل من إمكانياته التمكينية وتعقيد التنفيذ.

الوعي بالسوق/العملاء يجهز المؤسسات لفهم احتياجات العملاء وصياغة تجارب شخصية23. وفي الوقت نفسه، يثير مخاوف تتعلق بالخصوصية وخطر الإفراط في التخصيص. تحقيق التوازن الصحيح بين توليد الرؤى وحماية الخصوصية يعد توترا جوهريا في تحول الذكاء الاصطناعي31.

يوفر الانضباط الاستراتيجي للعمليات هياكل حوكمة لمبادرات الذكاء الاصطناعي، مما يعزز التوافق والمساءلة16. ومع ذلك، يمكن أن يؤدي الانضباط المفرط إلى خنق الابتكار وإبطاء التكيف. التحدي هو الحفاظ على هيكل كاف دون إقامة حواجز بيروقراطية.32.

H1: القدرات مرتبطة إيجابيا بالأداء.

يميز بلاك وآخرون القيادة الاستباقية عن "دعم الإدارة العليا" السلبي، مؤكدين القادة الذين يشكلون الأجندات الاستراتيجية بنشاط، ويتسامحون مع عدم اليقين، ويراقبون تنفيذ الذكاء الاصطناعي33. ومع ذلك، تعتمد فعالية القيادة في AX على سد الفجوة بين التنفيذيين والممارسين. يقوم التنفيذيون بتجسيد رؤية الذكاء الاصطناعي ويدمجون في الحوكمة الأخلاقية34,35، بينما يقدم الممارسون تغذية راجعة تجريبية أساسية من خلال التفاعل اليومي مع الأدوات، مما يتجاوز متطلبات العالم الحقيقي التي قد يفوتها التنفيذيون36. غالبا ما يظهر هذا الفجوة الهرمية كحماس استراتيجي في القمة، دون اهتمام كاف لتحديات تكامل سير العمل وقيود سهولة الاستخدام على الأرض. لذلك، تدعو القيادة الاستباقية إلى المشاركة ثنائية الاتجاه—حيث يحدد التنفيذيون اتجاها استراتيجيا مع دمج رؤى الممارسين بنشاط بحيث تتوافق قدرات الذكاء الاصطناعي مع الواقع التشغيلي. يؤدي هذا الترابط إلى:

H2. القيادة الاستباقية مرتبطة إيجابيا بالقدرات.

السياق البيئي يغطي القوى الخارجية التي تشكل المشهد الاستراتيجي للمنظمة. ديناميكية الصناعة — التي عرفها بلاك وآخرون بأنها سرعة وشدة التغيير والمنافسة — تتميز بالتطور التكنولوجي، والاضطراب المستمر، وتدفق مستمر من المنافسين الجدد، وكلها تتطلب مرونة المنظمة. تعزز الديناميكية العالية من أهمية تبني تقنيات تحويلية مثل الذكاء الاصطناعي، مما يجعل سرعة التبني عاملا حاسما في الفارق37. يظهر سينغ وآخرون كيف تمكن الديناميكية من تكوين القدرات القائمة على الموارد القابلة لإعادة التكوين من الوصول، مشيرين إلى الطريقة التي تدمج بها القدرات الديناميكية في الهياكل التنظيمية إما لدعم الابتكار والقدرة على التكيف أو لتقييدها. تؤكد النتائج الحديثة على الطابع المعقد ذو الحدين39 للديناميكية البيئية، حيث تشير إلى أنها تخفف إيجابيا وسلبيا من تأثيرات الرقمنة على ابتكار نموذج الأعمال في التصنيع الصيني، بينما يحدد بينسار وآخرون 40 تأثيرا معتدلا كبيرا على قدرات التبني الرقمي وأداء المستشفيات في إندونيسيا. إذا الاستجابة البيئية تتجاوز مجرد التكيف الخارجي؛ يتطلب التوافق بين أنظمة التنظيم والثقافة والقيادة. وبناء عليه، نفترض ما يلي:

H3. السياق البيئي مرتبط إيجابيا بالقدرات.

هناك عاملان أساسيان يؤثران على كيفية تعامل المؤسسات مع الطبيعة المزدوجة للذكاء الاصطناعي: تحمل الذكاء الاصطناعي للمخاطر وثقافة الابتكار الحساسة للتكنولوجيا. تحمل الذكاء الاصطناعي للمخاطر يعكس الاستعداد لقبول عدم اليقين في تجارب الذكاء الاصطناعي. بينما يغذي هذا التسامح الابتكار، فإنه يعرض المؤسسات أيضا لفشلمحتمل. يظهر تشاو وآخرون أن ثقافة إدارة الأخطاء تعزز الابتكار في الخدمات، رغم أن الفوائد تتلاشى بدون أنظمة إدارة مناسبة. يؤكد باريت وآخرون على الحاجة إلى ممارسات حوكمة المخاطر التي توازن بين التجربة والضمانات. تشجع ثقافة الابتكار الحساسة للتكنولوجيا على تبني الذكاء الاصطناعي والتجريب مع الاعتراف بالقيود التكنولوجية. تعزز هذه الثقافات التعلم المستمر والتعاون بين التخصصات44، ومع ذلك يمكنها أيضا الضغط على المنظمات لتبني مبكرا أو تقييم غير كاف للمخاطر. يبقى تحقيق التوازن الصحيح بين تشجيع الابتكار وضمان التنفيذ المسؤول تحديا مؤسسيا رئيسيا45.

H4: الممكنات مرتبطة إيجابيا بالقدرات.

يؤثر التسلسل الهرمي التنظيمي بشكل قوي على كيفية إدراك فرص ومخاطر الذكاء الاصطناعي. يميل التنفيذيون إلى التركيز على الفوائد الاستراتيجية—الميزة التنافسية، التموضع في السوق، وخلق القيمة على المدى الطويل، حيث ينظرون إلى الذكاء الاصطناعي من منظور متفائل إلى حد كبير يبرز إمكاناته التحويلية. ومع ذلك، فإن هذا المنظور يمكن أن يقلل من تحديات التنفيذ والتعقيدات التشغيلية. يواجه الممارسون الطبيعة المزدوجة للذكاء الاصطناعي بشكل أكثر مباشرة. بينما يدركون مكاسب الكفاءة، يواجهون يوميا مشاكل جودة البيانات، وعقبات التكامل، واضطرابات سيرالعمل، مما يجعلهم أكثر وعيا بقيود الذكاء الاصطناعي ومخاطره وتبعاته غير المقصودة. تؤكد الأبحاث حول تصورات الموظفين أن الممارسين يتنقلون في تفاعل معقد بين قلق الأتمتة ومكاسب الكفاءة، يتشكل من خلال التعرض العملي لتغيرات سير العمل المدفوعة بالذكاء الاصطناعي48. توضح الأبحاث المعرفية هذه الاختلافات. يعتمد المديرون أكثر على المعالجة الاستراتيجية الحدسية المناسبة للتعامل مع الغموض، بينما يستخدم الممارسون التفكير التحليلي لحل المشكلات التشغيلية49,50. تؤثر هذه الأساليب الإدراكية على قراءة كل مجموعة للجوانب المضيئة والمظلمة للذكاء الاصطناعي. تختلف التصورات الثقافية أيضا. يميل التنفيذيون إلى اعتبار ثقافة المنظمة مكونة من الابتكار والتماسك، بينما يبلغ الممارسون عن عوائق هيكلية وتأثير محدود51. تغذي هذه التوقعات المتباينة عدم التوافق في استراتيجيات تبني الذكاء الاصطناعي، والأطر الأخلاقية، وإدارة المخاطر52. يشغل المديرون الوسطيون دورا حيويا يربط بين الرؤية الاستراتيجية والواقع التشغيلي. مدى فعاليتهم في موازنة التفاؤل مع البراغماتية قد يرتبط بنتائج التحول53. عندما تتعثر تلك الوساطة، قد تتسع الفجوات، مما يضعف قدرة التنظيم على التكيف.

H5: يرتبط المنصب في المنظمة (التنفيذيون مقابل الممارسون) بفروق منهجية في المستوى الإدراكي الذي يتم فيه تقييم البنى المرتبطة ب AX، حيث يتوقع من التنفيذيين الإبلاغ عن تقييمات أعلى للقدرات والممكنات ونتائج الأداء — مما يعكس تركيزهم الأكبر على "الجانب المشرق" لتحول الذكاء الاصطناعي — مقارنة بالممارسين الذين هم أكثر قربا من المخاطر التشغيلية وتحديات التنفيذ. من المهم ملاحظة أن H5 تتعلق بالفروق الإدراكية (أي الاختلافات في كيفية تشكيل التسلسل الهرمي التنظيمي لمستوى درجات البناء)، وليس الفروقات في الآليات السببية الأساسية. يدعم تصميم المسح المقطعي لهذه الدراسة الاستنتاج حول الأنماط الإدراكية والعلاقات الترابطية؛ تتطلب الادعاءات السببية المتعلقة بالاعتدال الهيكلي تصاميم طولية أو تجريبية ولا تطرح هنا.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

جميع الإجراءات امتثلت للمعايير الأخلاقية للبحث البشري المشاركين في جامعة aSSIST، وجامعة سوون، وجامعة سونغكيونواكن، وجامعة دونغ-آ. نظرا لأن كل رد كان مجهولا الهوية عند نقطة الجمع ولم يتم جمع أي بيانات شخصية قابلة للتعريف في أي مرحلة، منحت لجنة المراجعة المؤسسية في جامعة aSSIST الدراسة إعفاء من المراجعة الكاملة. اعتمدت المؤسسات المشاركة في المؤلفين على موافقة المؤسسة الرائدة بدلا من متابعة مراجعات مستقلة للجنة المراجعة الدولية؛ وقد وافقت جامعة aSSIST على تصميم الدراسة وبروتوكول جمع البيانات. داخل منصة كوالتريكس، واجه كل مشارك بيان موافقة رقمي مستنير قبل أن يصبح الاستبيان متاحا. وقد أوضح ذلك البيان الغرض الأكاديمي للدراسة، وأكد التعامل مع البيانات المجهولة، وأشار إلى أن البيانات ستخدم لأغراض البحث فقط، وأشار إلى غياب المخاطر المتوقعة؛ أي شخص لم يوافق بنشاط يتم توجيهه تلقائيا خارج الاستبيان.

نموذج البحث
في نموذج بحثنا (الشكل 1)، تعمل القدرات كوسيط بين ثلاثة أسلاف—القيادة الاستباقية، السياق البيئي، والممكنين—والأداء، بينما تدخل منصب المنظمة كمتغير معتدل. تشمل القدرات أربعة أبعاد: القدرة على التشغيل والتغيير (RC)، جاهزية البيانات/نظم المعلومات الموجهة بالذكاء الاصطناعي (DR)، الوعي بالسوق/العميل (MC)، والانضباط الاستراتيجي للعمليات (SP). تشمل الممكنات ثقافة الابتكار الحساسة للتكنولوجيا (TS) وتحمل مخاطر الذكاء الاصطناعي (AS).

figure-protocol-1
الشكل 1: نموذج البحث. نموذج بحث مفاهيمي يصور العلاقات المفترضة بين القيادة الاستباقية، والسياق البيئي، والممكنين (السابقات)؛ أربعة أبعاد للقدرات الديناميكية (القدرة على التشغيل والتغيير، جاهزية البيانات/أنظمة المعلومات الموجهة بالذكاء الاصطناعي، الوعي بالسوق/العملاء، الانضباط الاستراتيجي للعمليات)؛ وأداء تحول الذكاء الاصطناعي، حيث تدخل المناصب التنظيمية (التنفيذي مقابل الممارس) كمتغير مراقب. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

بيانات البحث
اعتمد جمع البيانات على استبيان إلكتروني أجري عبر Prolific (https://www.prolific.co) لاستقطاب المشاركين وQualtrics (https://www.qualtrics.com) لاستضافة وإدارة الاستبيان، واستمر يومين متتاليين (24–25 نوفمبر 2024). كانت الأهلية محدودة على الأفراد العاملين حاليا والمشاركين بنشاط في مشاريع متعلقة بالذكاء الاصطناعي داخل مؤسساتهم. وقد فرضت مرشحات الفحص المسبق من شركة بروليفيك هذا المعيار، وأكد سؤال فحص من كوالتريكس ذلك: "أي من الأسباب التالية يصف وضعك الحالي بشكل أفضل؟" —فقط المستجيبون الذين اختاروا "أنا موظف حاليا وشاركت في أعمال متعلقة بالذكاء الاصطناعي" سمح لهم بالاستمرار. كان على المشاركين أيضا تأكيد أنهم لا يقل عمرهم عن 20 عاما عبر نموذج الموافقة الرقمية في بداية الاستطلاع؛ أما الذين لم يوافقوا فكانوا يستبعدون تلقائيا. عنصر فحص انتباه مدمج ("هل الذكاء الاصطناعي اختصار لمعلومات الخرشوف؟"؛ الإجابة الصحيحة: لا) أشار إلى المستجيبين غير المنتبهين؛ انتهى الاستبيان تلقائيا عند رد خاطئ. شملت العينة النهائية 293 محترفا (الإناث 50.51٪، الذكور 49.49٪). تم تصنيف المشاركين إلى مجموعتين بناء على إجابتهم على بند استبيان مخصص: "ما هو دورك في مشاريع الذكاء الاصطناعي لشركتك؟" مع خمسة خيارات: الإدارة التنفيذية/العليا، الإدارة الوسطى، الطاقم الفني/المهندس، الباحث/العالم، والمستشار. تم وضع الذين يختارون منصب الإدارة التنفيذية/العليا في مجموعة التنفيذيين؛ تم وضع من يختار الطاقم الفني/المهندس أو الباحث/العالم أو المستشار في مجموعة الممارسين. انضم المستجيبون من الإدارة الوسطى (عدد = 81) إلى مجموعة التنفيذيين، بحجة أن أدوار الإدارة الوسطى تتضمن الإشراف المباشر على فرق العمليات والمشاركة في التخطيط الاستراتيجي، مما يجعلها أقرب إلى الوظائف التنفيذية منها إلى الممارسة الأمامية. أسفر التجميع النهائي عن 112 مديرا تنفيذيا و181 ممارسا. يلخص الجدول 1 الملف الديموغرافي.

الجدول 1: الخصائص الديموغرافية. الملف الديموغرافي ل 293 مشاركا في الاستطلاع، بما في ذلك الجنس، العمر، الصناعة، والدور التنظيمي، موزعا حسب المجموعتين الهرمتين المستخدمتين للتحليل متعدد المجموعات (التنفيذيون، n = 112؛ الممارسون، n = 181). يرجى الضغط هنا لتحميل هذا الجدول.

المقاييس
تم قياس جميع عناصر الاستطلاع باستخدام مقياس ليكرت ذو سبع نقاط يتراوح من "يختلف بشدة (1)" إلى "أتفق بشدة (7)". للتحقق من وضوح وملاءمة الفكرة للفئة المهنية المستهدفة، تم إجراء اختبار مسبق من 30 مشاركا باستخدام مشاركين من Prolific الذين أبلغوا عن مشاركة نشطة في مشاريع متعلقة بالذكاء الاصطناعي في مؤسساتهم. أدت الردود قبل الاختبار إلى تعديلات طفيفة في صياغة بندين وجدهما المشاركون غامضين، دون أي تغييرات هيكلية في المقياس. تم اختبار الفرضيات عبر نمذجة المعادلات الهيكلية لمربعات المربعات الجزئية (PLS-SEM) المقدرة في SmartPLS 4.0. وجهت ثلاث ميزات من هذه الدراسة هذا الاختيار. أولا، يتم تشغيل كل من القدرات والمكينات كبنى من الرتبة الثانية التكوينية — وهو تكوين يكون التقدير القائم على التباين أكثر ملاءمة له مباشرة من SEM القائم على التغاير. ثانيا، تمثل عدم التماثل الإدراكي في تحويل الذكاء الاصطناعي مجالا بحثيا ناشئا لا تزال فيه تقاليد القياس الناضجة في طور التطور؛ في ظل هذه الظروف، يكون التركيز التنبؤي أكثر ملاءمة من تحسين مؤشرات التوافق التأكيدية. ثالثا، تختلف المجموعات الفرعية التنفيذية والممارسين بشكل كبير في الحجم (التنفيذيون n = 112؛ الممارسون n = 181)، والتقدير القائم على التباين لا يخضع لمتطلبات حجم الخلية الأدنى التي تقيد الأساليب القائمة على التغاير. وقد تبنت الأعمال التجريبية السابقة حول التحول الرقمي هذا النهج التحليلي.

في SmartPLS 4.0، تم تكوين خوارزمية PLS مع وزن المسارات، وحد أقصى 300 تكرار، ومعيار توقف 10⁻7. استخدم التمهيد 5,000 عينة فرعية مع فترات ثقة مصححة ومعجلة (BCa)، وعدم وجود تغييرات في الإشارات، وتمهيد كامل. بالنسبة للنهج ذي المرحلتين، تم الحصول على درجات المتغيرات الكامنة للمرحلة الأولى من خلال تشغيل خوارزمية PLS على نموذج القياس من الدرجة الأولى (حساب خوارزمية PLS →)؛ ثم تم تصدير هذه الدرجات (نتائج → درجات المتغيرات الكامنة) واستخدامها كمؤشرات واضحة للبنى من الدرجة الثانية في المرحلة الثانية. تم تنفيذ MGA القائم على التبديل عبر حساب → تحليل متعدد المجموعات → التبديل، مع 1000 تبديل ومستوى دلالة ذيلين 0.05. تم إجراء اختبار MICOM من خلال حساب → التبديل → MICOM، مع 1000 تبديل. تم إجراء تقسيم FIMIX-PLS عبر حساب → FIMIX-PLS مع 10 تكرارات وبذرة ثابتة لقابلية التكرار46، 54، 55، 56، 57، 58، 59. في سياق هذه الدراسة، خدم PLS-SEM وظيفة مزدوجة: تقييم علاقات المسار على مستوى البناء عبر العينة الكاملة ودعم المقارنات بين المجموعات عبر MGA. كما أشارت النتائج على مستوى المسار إلى أنماط تستدعي المزيد من الفحص النظري60.

تم تفعيل القدرات والممكنين كبنى تكوينية من الدرجة الثانية في هذه الدراسة. تجمع القدرات أربعة أبعاد من الدرجة الأولى: قدرة إعادة التكوين، وجاهزية البيانات والأنظمة الموجهة بالذكاء الاصطناعي، والقرب من السوق والعملاء، والانضباط الاستراتيجي للعمليات. يجمع التمكين بين بعدين من الدرجة الأولى: تحمل المخاطر الحساس للذكاء الاصطناعي وثقافة الابتكار الحساسة للتقنية. اتبع تقدير البنى التكوينية من الدرجة الثانية النهج ذي المرحلتين الموصى به للنماذج ذات الرتبة الأعلى في PLS-SEM61. يختلف هذا النهج عن نهج المؤشر المتكرر: بدلا من تكرار جميع مؤشرات الدرجة الأولى على مستوى الدرجة الثانية في خطوة تقدير واحدة، يقوم الإجراء ذو المرحلتين أولا بتوليد درجات متغيرات كامنة لكل بناء من الدرجة الأولى من مجموعة المؤشرات الخاصة به (المرحلة 1)، ثم يستخدم هذه الدرجات كمدخلات واضحة للبناء المقابل من الدرجة الثانية في المرحلة 2. يمنع هذا التقدير المتسلسل تضخم مؤشرات البناء المتقاطع الذي قد ينشأ عندما تظهر جميع العناصر في نفس الوقت ضمن نموذج من الرتبة العليا أحادية المرحلة 62,63,64. وبالتالي، يتجنب الإجراء ذي المرحلتين تضخم المعلمات والتقديرات المتحيزة التي قد تنتج عن نهج المؤشر المتكرر في تقدير المرحلةالواحدة 64. لفحص H5، تم تطبيق تحليل المجموعات المتعددة القائم على التبديل (PLS-MGA)65,66 لفحص ما إذا كانت العلاقات الهيكلية، وهي الارتباطات بين القدرات والأداء (H1)، القيادة والقدرات الاستباقية (H2)، السياق البيئي والقدرات (H3)، والممكنين والقدرات (H4)، تختلف بين المجموعات المصنفة حسب الموقع التنظيمي (H5) (الشكل 2)). تم استخدام دالة PLS-MGA المدمجة داخل SmartPLS لهذا التحليل. محتوى الاستبيان مقدم في الجدول 2.

الجدول 2: استبيان. أداة قياس كاملة تسرد جميع العناصر العاكسة للأحد عشر تراكيب من الدرجة الأولى، ومراجع مصدرها، ومقياس استجابة ليكرت ذو النقاط السبع المستخدمة لكل عنصر. يرجى الضغط هنا لتحميل هذا الجدول.

تم إدراج عنصرين لفحص الانتباه في الاستبيان النهائي، وعملتا كمرشحات لاستبعاد المشاركين الذين لا يجيبون بشكل صحيح (أي "أي من هذه الأسئلة يصف وضعك الحالي بشكل أفضل؟") وإذا أجاب المشارك على أحد هذه الأسئلة بشكل خاطئ، ينتهي الاستبيان فورا.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

كتقييم أولي لتحيز الطريقة الشائعة (CMB)، أجري اختبار هارمان العامل الواحد، حيث شكل العامل الأول غير المدور 30.21٪ من التباين (أقل من عتبة 50٪). بينما توفر هذه النتيجة دليلا أوليا على أن CMB لا يهيمن على البيانات، يعترف بأن اختبار هارمان له حساسية وخصوصية محدودة كأداة تشخيصية. كضمانات إجرائية إضافية، استخدم الاستطلاع ترتيب العناصر العشوائي، وشمل العناصر المشفرة عكسيا، وضمان إخفاء هوية المستجيبين لتقليل التحيز في الرغبة الاجتماعية. كمؤشر هيكلي إضافي، كانت قيم VIF التوافقية الكاملة لجميع تر...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

تكشف النتائج أن التسلسل الهرمي التنظيمي مرتبط بفروق منهجية في المستوى الذي يدرك فيه التنفيذيون والممارسون بنى تحول الذكاء الاصطناعي، وليس في بنية العلاقات بينهم. ثلاثة مناهج مستقلة ل MGA — MGA القائم على التباديل (1,000 تبديل)، Bootstrap MGA (5,000 عينة فرعية)74، واختبارات بارامترية وويلش-ساترويت66 — لم تجد باستمرار فروق ذات دلالة إحصائية في معاملات المسار الهيكلي (H5 غير مدعوم؛ جميع الاتجاهات ذات الذيل p > 0.05 عبر جميع الطرق)، مما يؤكد ال...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

يعلن المؤلفون عدم وجود تضارب مصالح. خلال إعداد المخطوطات، استخدم المؤلفون الذكاء الاصطناعي التوليدي بشكل محدود—وبشكل خاص لإعادة صياغة مسودات بعض المقاطع المنهجية وتحديد المشكلات النحوية في الأوصاف التقنية. ثم تم التحقق من كل مقطع مولد بالذكاء الاصطناعي مع البيانات المصدرية وأعاد المؤلفون كتابته بشكل كبير. يتحمل المؤلفون المسؤولية الكاملة عن دقة ونزاهة وأصالة كل جزء من المخطوطة. ساهم جميع المؤلفين بالتساوي في المقال.

شكر وتقدير

يدعم هذا العمل تمويل بحثي من جامعة aSSIST.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
Prolific (منصة توظيف المشاركين عبر الإنترنت)بروبليكتر أكاديمي المحدودةhttps://www.prolific.com/المنصة الإلكترونية المستخدمة لجذب المشاركين في الاستبيان. تم فحص المشاركين بناء على معايير الأهلية (مثل التوظيف الحالي في منظمة لديها خبرة في تبني الذكاء الاصطناعي) وتم تعويضهم وفقا لإرشادات الأجور العادلة من Prolific. 
كوالتريكس (منصة الاستطلاعات الإلكترونية)شركة كوالتريكس، ذ.م.مhttps://www.qualtrics.com/تستخدم منصة الاستبيانات عبر الإنترنت لتصميم الاستبيانات، وتوزيعها، وجمع بيانات الاستجابة. تم تطبيق جميع عناصر القياس عبر كوالتريكس باستخدام مقياس ليكرت ذو 7 نقاط (1 = معارض بشدة، 7 = متفق بشدة).  
SmartPLS 4.0 (برنامج PLS-SEM)شركة سمارت بي إل إس جي إم بي إتشhttps://smartpls.com/يستخدم لجميع تحليلات نمذجة المعادلات الهيكلية الجزئية الصغرى للمربعات (PLS-SEM)، بما في ذلك تقييم النموذج الخارجي (موثوقية مركبة، AVE، HTMT)، تحليل مسار النموذج الداخلي (التمهيد التشغيلي، 5000 عينة)، اختبار الثبات التركيبي ثلاثي الخطوات MICOM (التبديل، 1000 سحب)، واختبارات الفرق بين المجموعات PLS-MGA.

المراجع

  1. Barari, M., Casper Ferm, L. -E., Quach, S., Thaichon, P., Ngo, L. The dark side of artificial intelligence in marketing: Meta-analytics review. Mark Intell Plan. 42 (7), 1234-1256 (2024).
  2. Benlian, A., et al. Algorithmic management: Bright and dark sides, practical implications, and research opportunities. Bus Inf Syst Eng. 64 (6), 825-839 (2022).
  3. Maslej, N., et al. Artificial intelligence index report 2025. , Stanford University. (2025).
  4. Ntoutsi, E., et al. Bias in data-driven artificial intelligence systems—an introductory survey. WIREs Data Min Knowl Discov. 10 (3), e1356(2020).
  5. Ivanov, S. The dark side of artificial intelligence in higher education. Serv Ind J. 43 (15–16), 1055-1082 (2023).
  6. Akerkar, R. Artificial intelligence for business. , Springer. (2019).
  7. Huang, M. -H., Rust, R. T. A strategic framework for artificial intelligence in marketing. J Acad Mark Sci. 49 (1), 30-50 (2021).
  8. Zajko, M. Conservative AI and social inequality: Conceptualizing alternatives to bias through social theory. AI Soc. 36 (3), 1047-1056 (2021).
  9. Mcclure, P. K. “You’re fired,” says the robot: The rise of automation in the workplace, technophobes, and fears of unemployment. Soc Sci Comput Rev. 36 (2), 139-156 (2018).
  10. Gigerenzer, G. How to stay smart in a smart world: Why human intelligence still beats algorithms. , MIT Press. (2022).
  11. Zhang, S., Mehta, N., Singh, P. V., Srinivasan, K. Frontiers: Can an artificial intelligence algorithm mitigate racial economic inequality? An analysis in the context of airbnb. Mark Sci. 40 (5), 813-820 (2021).
  12. Guercini, S. Marketing automation and decision making: The role of heuristics and AI in marketing. , Edward Elgar Publishing. (2023).
  13. Aldoseri, A., Al-Khalifa, K. N., Hamouda, A. M. Ai-powered innovation in digital transformation: Key pillars and industry impact. Sustainability. 16 (5), 1790(2024).
  14. Allen, D., et al. A roadmap for governing ai: Technology governance and power-sharing liberalism. AI Ethics. 5 (3), 3355-3377 (2025).
  15. Smuha, N. A. From a ‘race to ai’to a ‘race to AI regulation’: Regulatory competition for artificial intelligence. Law Innov Technol. 13 (1), 57-84 (2021).
  16. Black, S., Samson, D., Ellis, A. Moving beyond ‘proof points’: Factors underpinning AI-enabled business model transformation. Int J Inf Manag. 77, (2024).
  17. Soulami, M., Benchekroun, S., Galiulina, A. Exploring how AI adoption in the workplace affects employees: A bibliometric and systematic review. Front Artif Intell. 7, 1473872(2024).
  18. Bankins, S., Ocampo, A. C., Marrone, M., Restubog, S. L. D., Woo, S. E. A multilevel review of artificial intelligence in organizations: Implications for organizational behavior research and practice. J Organ Behav. 45 (2), 159-182 (2024).
  19. Grewal, D., Guha, A., Satornino, C. B., Schweiger, E. B. Artificial intelligence: The light and the darkness. J Bus Res. 136, 229-236 (2021).
  20. Belanche, D., Belk, R. W., Casaló, L. V., Flavián, C. The dark side of artificial intelligence in services. Serv Ind J. 44 (3–4), 149-172 (2024).
  21. March, J. G. Exploration and exploitation in organizational learning. Organ Sci. 2 (1), 71-87 (1991).
  22. Wamba, S. F., Akter, S., Edwards, A., Chopin, G., Gnanzou, D. How ‘big data’can make big impact: Findings from a systematic review and a longitudinal case study. Int J Prod Econ. 165, 234-246 (2015).
  23. Rane, N. Enhancing customer loyalty through artificial intelligence (AI), internet of things (IoT), and big data technologies: Improving customer satisfaction, engagement, relationship, and experience. , (2023).
  24. Finkelstein, S., Hambrick, D. C., Cannella, A. A. Strategic leadership: Theory and research on executives, top management teams, and boards. , Oxford University Press. (2009).
  25. Teece, D., Peteraf, M., Leih, S. Dynamic capabilities and organizational agility: Risk, uncertainty, and strategy in the innovation economy. Calif Manage Rev. 58 (4), 13-35 (2016).
  26. Grover, V. Digital agility: Responding to digital opportunities. Eur J Inf Syst. 31 (6), 709-715 (2022).
  27. Nguyen, T., et al. The organisational impact of agility: A systematic literature review. Manag Rev Q. , 1-49 (2024).
  28. Atienza-Barba, M., Del Río, M. D. L. C., Meseguer-Martínez, Ã, Barba-Sanchez, V. Artificial intelligence and organizational agility: An analysis of scientific production and future trends. Eur Res Manag Bus Econ. 30 (2), 100253(2024).
  29. Hiniduma, K., Byna, S., Bez, J. L. Data readiness for ai: A 360-degree survey. ACM Comput Surv. 57 (9), 1-39 (2025).
  30. Ghosh, S. Developing artificial intelligence (AI) capabilities for data-driven business model innovation: Roles of organizational adaptability and leadership. J Eng Technol Manag. 75, 101851(2025).
  31. Cheng, X., Lin, X., Shen, X. -L., Zarifis, A., Mou, J. The dark sides of ai. Electron Mark. 32 (1), 11-15 (2022).
  32. Sinnaiah, T., Adam, S., Mahadi, B. A strategic management process: The role of decision-making style and organisational performance. J Work-Appl Manag. 15 (1), 37-50 (2023).
  33. Augier, M., Teece, D. J. Dynamic capabilities and the role of managers in business strategy and economic performance. Organ Sci. 20 (2), 410-421 (2009).
  34. Sposato, M. Leadership training and development in the age of artificial intelligence. Dev Learn Organ. 38 (4), 4-7 (2024).
  35. Abonamah, A. A., Abdelhamid, N. Managerial insights for ai/ml implementation: A playbook for successful organizational integration. Discover Artif Intell. 4 (1), 22(2024).
  36. Biswas, M. I., Talukder, M. S., Khan, A. R. Who do you choose? Employees' perceptions of artificial intelligence versus humans in performance feedback. China Account Finance Rev. 26 (4), 512-532 (2024).
  37. Porter, M. E. Towards a dynamic theory of strategy. Strategic Manag J. 12 (S2), 95-117 (1991).
  38. Singh, R., Charan, P., Chattopadhyay, M. Dynamic capabilities and responsiveness: Moderating effect of organization structures and environmental dynamism. Decision. 46 (4), 301-319 (2019).
  39. Li, Y., et al. Digitalization and network capability as enablers of business model innovation and sustainability performance: The moderating effect of environmental dynamism. J Inf Technol. 39 (4), 687-715 (2024).
  40. Binsar, F., Mursitama, T. N., Hamsal, M., Rahim, R. K. The role of digital adoption capability on hospital performance in indonesia moderated by environmental dynamism. J Health Organ Manag. 39 (1), 1-21 (2025).
  41. Wu, L., Yang, J. How does tolerance culture affect organizational agility? The moderating effect of top management team diversity. Total Quality Management & Business Excellence. 36 (3–4), 324-344 (2025).
  42. Zhao, B., Lu, Y., Wang, X., Pang, L. Challenge stressors and learning from failure: The moderating roles of emotional intelligence and error management culture. Technol Anal Strateg Manag. 36 (2), 238-251 (2024).
  43. Barrett, A. M., et al. AI Risk-Management Standards Profile for General-Purpose AI Systems (GPAIS) and Foundation Models. , Center for Long-Term Cybersecurity, UC Berkeley. (2023).
  44. Kanski, L., Pizon, J. The impact of selected components of Industry 4.0 on project management. J Innov Knowl. 8 (1), 100336(2023).
  45. Ali, M., Khan, T. I., Khattak, M. N., Şener, İ Synergizing AI and business: Maximizing innovation, creativity, decision precision, and operational efficiency in high-tech enterprises. J Open Innov Technol Mark Complex. 10 (3), 100352(2024).
  46. Rana, J., Daultani, Y., Goswami, M., Kumar, S. Exploring the impact of supply chain digital transformation on supply chain performance: An empirical investigation. Bus Strateg Environ. 34 (3), 3497-3521 (2025).
  47. Koponen, J., Julkunen, S., Laajalahti, A., Turunen, M., Spitzberg, B. Work characteristics needed by middle managers when leading AI-integrated service teams. J Serv Res. 28 (1), 168-185 (2025).
  48. Kelley, S. Employee perceptions of the effective adoption of AI principles. J Bus Ethics. 178 (4), 871-893 (2022).
  49. Caspers, S., et al. Dissociated neural processing for decisions in managers and non-managers. PLoS One. 7 (8), e43537(2012).
  50. Yamazaki, Y., Toyama, M., Putranto, A. J. Comparing managers’ and non-managers’ learning and competencies. J Workplace Learn. 30 (4), 274-290 (2018).
  51. Perry, C. R. D., Lieb, J., Wild, R., Sussman, J. Your AI transformation needs a different leadership approach. , L.E.K. Consulting. (2025).
  52. Rakova, B., Yang, J., Cramer, H., Chowdhury, R. Where responsible AI meets reality: Practitioner perspectives on enablers for shifting organizational practices. Proc ACM Hum-Comput Interact. 5 (CSCW1), 1-23 (2021).
  53. Koloski, D., Porter, C., Almand-Hunter, B., Gatchell, S., Logan, V. Data literacy in industry: High time to focus on operationalization through middle managers. Harv Data Sci Rev. 7 (1), (2025).
  54. Abdelwahed, naA., et al. Enabling sustainable futures: Examining organizational dynamics and technology platforms in digital transformation to achieve firm sustainability. Int J Innov Sci. , (2025).
  55. Depino-Besada, N. I., Sartal, A., León-Mateos, F., Llach, J. Exploring the relationships between digital transformation, organizational slack and business performance: A configurational approach. Bus Process Manag J. 31 (2), 416-442 (2025).
  56. Hongyun, T., et al. Navigating the digital landscape: Examining the interdependencies of digital transformation and big data in driving SMEs' innovation performance. Kybernetes. 54 (3), 1797-1825 (2025).
  57. Mamakou, X. J., Nakos, A. Navigating the digital future: Impact and opportunities of digital transformation and the metaverse. Procedia Comput Sci. 256, 12-19 (2025).
  58. Singh, K., Chaudhuri, R., Chatterjee, S. Assessing the impact of digital transformation on green supply chain for achieving carbon neutrality and accelerating circular economy initiatives. Comput Ind Eng. 201, 110943(2025).
  59. Takagi, N., Menezes, R., Varajao, J., Faria, S. Harnessing information processing theory: Key organizational initiatives for digital transformation projects success. Int J Manag Proj Bus. 18 (2), 410-433 (2025).
  60. Fornell, C., Larcker, D. F. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 18 (1), 39-50 (1981).
  61. Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Thiele, K. O. Mirror, mirror on the wall: A comparative evaluation of composite-based structural equation modeling methods. J Acad Mark Sci. 45 (5), 616-632 (2017).
  62. Loch, K. D., Straub, D. W., Kamel, S. Global information systems. , Routledge. (2008).
  63. Marakas, G., Johnson, R., Clay, P. F. 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. 8 (1), 2(2007).
  64. 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. 10 (2), 57-81 (2018).
  65. Henseler, J. PLS-MGA: A Non-Parametric Approach to Partial Least Squares-Based Multi-Group Analysis. Challenges at the Interface of Data Analysis, Computer Science, and Optimization. , Springer. (2012).
  66. Cheah, J. -H., Amaro, S., Roldán, J. L. Multi-group analysis of more than two groups in PLS-SEM: A review, illustration, and recommendations. J Bus Res. 156, 113539(2023).
  67. Podsakoff, P. M., Mackenzie, S. B., Lee, J. -Y., Podsakoff, N. P. Common method biases in behavioral research: A critical review of the literature and recommended remedies. J Appl Psychol. 88 (5), 879(2003).
  68. Henseler, J., Ringle, C. M., Sarstedt, M. A new criterion for assessing discriminant validity in variance-based structural equation modeling. J Acad Mark Sci. 43 (1), 115-135 (2015).
  69. Teece, D. J. Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Manag J. 28 (13), 1319-1350 (2007).
  70. Henseler, J., Ringle, C. M., Sarstedt, M. Testing measurement invariance of composites using partial least squares. Int Mark Rev. 33 (3), 405-431 (2016).
  71. Zhu, C., Li, N., Ma, J., Qi, X. CEOs' digital technology backgrounds and enterprise digital transformation: The mediating effect of R&D investment and corporate social responsibility. Corp Soc Responsib Environ Manag. 31 (3), 2557-2573 (2024).
  72. Packmohr, S., Paul, F. -H., Brink, H. Considering company size, level of responsibility, and employee age for analysing countermeasures against barriers to digital transformation. J Telecommun Digit Econ. 12 (1), 172-195 (2024).
  73. Ringle, C. M., Sarstedt, M. Gain more insight from your PLS-SEM results: The importance-performance map analysis. Ind Manag Data Syst. 116 (9), 1865-1886 (2016).
  74. Henseler, J., Ringle, C. M., Sinkovics, R. R. The use of partial least squares path modeling in international marketing. Advances in International Marketing. 20, 277-319 (2009).
  75. Hahn, C., Johnson, M. D., Herrmann, A., Huber, F. Capturing customer heterogeneity using a finite mixture pls approach. Schmalenbach Bus Rev. 54 (3), 243-269 (2002).
  76. Ringle, C. M., Sarstedt, M., Mooi, E. A. Response-based segmentation using finite mixture partial least squares: Theoretical foundations and an application to American Customer Satisfaction Index data. Data Mining: Special Issue in Annals of Information Systems. 8, 19-49 (2009).
  77. Sjödin, D., Parida, V., Palmié, M., Wincent, J. How AI capabilities enable business model innovation: Scaling AI through co-evolutionary processes and feedback loops. J Bus Res. 134, 574-587 (2021).
  78. Höhener, D. Dynamic capabilities to manage generative artificial intelligence in digital transformation efforts. Wirtschaftsinformatik 2024 Proceedings. 1, (2024).
  79. Teece, D. J. Business models and dynamic capabilities. Long Range Plann. 51 (1), 40-49 (2018).
  80. Hambrick, D. C., Mason, P. A. Upper echelons: The organization as a reflection of its top managers. Acad Manage Rev. 9 (2), 193-206 (1984).
  81. Pinski, M., Hofmann, T., Benlian, A. AI literacy for the top management: An upper echelons perspective on corporate AI orientation and implementation ability. Electron Mark. 34 (1), 1-23 (2024).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

الفيديو قريباً

مقالات ذات صلة