Forschungsartikel

Hierarchische Asymmetrien bei der Transformation der künstlichen Intelligenz aufdecken: Die Licht- und Dunkelseiten auf organisatorischen Ebenen navigieren

171 Ansichten

⸱

DOI:

10.3791/70756

⸱

12. Mai 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

In diesem Artikel

Zusammenfassung

Wir beschreiben eine replizierbare Umfragemethodik, die hierarchische Asymmetrien in der Wahrnehmung der Transformation von künstlicher Intelligenz (KI) (AX) untersucht. Sowohl Führungskräfte als auch Praktiker füllen einen validierten Fragebogen aus, der auf Qualtrics angeboten wird; die analytische Pipeline läuft in SmartPLS 4.0 und umfasst die Validierung des äußeren Modells, Pfadanalyse, MICOM-Invarianztests und permutationsbasierte Multi-Gruppen-Analyse (MGA).

Zusammenfassung

Governance-Strukturen, die die Führungsstrategie mit der Umsetzung an vorderster Front ausrichten, hängen davon ab, zu verstehen, wie die organisatorische Hierarchie die Wahrnehmung von Erfolgsfaktoren für künstliche Intelligenz (KI) Transformation (AX) beeinflusst. Wir präsentieren eine validierte, replizierbare, auf Umfragen basierende Methodik, die partielle Strukturgleichungsmodellierung (PLS-SEM) mit Multi-Gruppen-Analyse (MGA) verbindet, um hierarchische Asymmetrien in AX-Wahrnehmungen zu erkennen und zu quantifizieren – und gehen über die aggregierte Analyse hinaus und decken strukturelle Unterschiede auf, die Einzelgruppen-Methoden verborgen lassen. Mit 293 Fachkräften, die an KI-Projekten beteiligt sind, bewerten wir vier dynamische Kompetenzdimensionen – operative Agilität, Datenbereitschaft, Kundennähe und strategische Prozessdisziplin – zusammen mit wichtigen unterstützenden Faktoren: technologische Unterstützung, KI-sensible Risikotoleranz, Umweltkontext und proaktive Führung. Die Kompositionsinvarianz wird zunächst durch MICOM-Tests überprüft; erst nach Bestätigung der Vergleichbarkeit zwischen den Gruppen wechselt die Analyse zu permutationsbasierten MGA-Signifikanztests. Beide Gruppen zeigen positive Assoziationen zwischen dynamischen Fähigkeiten und AX-Leistung (Führungskräfte: β = 0,637, R2 = 0,406; Praktiker: β = 0,531, R2 = 0,282). Permutationsbasierte MGA erkennt keine statistisch signifikanten Unterschiede in den strukturellen Wegkoeffizienten zwischen den beiden Gruppen (alle p ≥ .178); die hypothetische moderierende Rolle der organisatorischen Position auf Pfadbeziehungen (H5) fehlt daher an Unterstützung. Dennoch zeigt MICOM Schritt 3a, dass Führungskräfte alle wichtigen Konstrukte signifikant höher bewerten als Praktiker (8 von 11 Konstrukten, alle p ≤ 0,045) – ein Beweis dafür, dass hierarchische Asymmetrie als Lücke in den Wahrnehmungsebenen sichtbar wird, nicht in den strukturellen Beziehungen selbst. Als übertragbare methodologische Vorlage stattet das Protokoll Forscher, die Wahrnehmungslücken in der Organisationstransformation untersuchen, mit Werkzeugen aus, die sich direkt auf KI-Governance, Change-Management-Strategie und Ebenenübergreifende Ausrichtung in technologieintensiven Umgebungen beziehen.

Einleitung

Rasante Fortschritte in der künstlichen Intelligenz haben Unternehmen eine doppelte Landschaft eröffnet – außergewöhnliche Möglichkeiten zur Wertschöpfung auf der einen Seite, erhebliche Risiken und Herausforderungen auf der anderen 1,2. Generative KI und konventionelle KI-Technologien versprechen höhere Produktivität, schnellere Innovation und eine stärkereWettbewerbsposition, laden aber gleichzeitig Bedenken zu Vorurteilen, Arbeitsplatzverlust, Ungleichheit und ethischen Dilemmataauf. Diese Dualität von der hellen und dunklen Seite erfordert eine sorgfältige Prüfung darüber, wie Organisationen sowohl Chancen als auch Risiken bewältigen, während sie Transformation anstreben.

Ein wachsendes Werk dokumentiert die transformative Reichweite von KI – Optimierung der Kundeninteraktion, Gewinne in operativer Effizienz und schärfere Entscheidungsfindung 6,7. Diese Fortschritte bringen jedoch erhebliche Gegengewichte mit sich. Diskriminierung und Voreingenommenheit, die in KI-Systemen verankert sind, können bestehende Ungleichheiten verfestigen.8, Automatisierung bedroht die Arbeitsplatzstabilität9, und die Undurchsichtigkeit vieler Algorithmen wirft Fragen zur Verantwortlichkeitauf. 10. Die wachsende Kluft zwischen KI-gestützten Unternehmen und ihren technologisch weniger fortschrittlichen Konkurrenten vertieft die wirtschaftliche Ungleichheit11, während Transparenz und Vertrauensdefizite die Beziehungen zu den Interessengruppen erschweren12.

Obwohl die Literatur zur digitalen Transformation umfangreich ist,13, verdient KI-gesteuerte Transformation eine separate Behandlung als eigenständigesPhänomen 14,15. Black et al.16 identifizierten kritische Ermöglicher für KI-gestützte Geschäftsmodelltransformationen aus einer dynamischen Kompetenzperspektive, doch ihr Rahmenwerk berücksichtigt nicht, wie diese Faktoren unterschiedlich in organisatorischen Hierarchien wahrgenommen und umgesetzt werden. Diese Lücke hat Gewicht, angesichts der zunehmenden Hinweise auf eine Fehlanpassung zwischen der Exekutivstrategie und der Umsetzung durch Praktiker17.

Mehrstufige Forschungen zeigen, dass die KI-Einführung ungleichmäßig über Organisationsebenen hinweg nachhallt, mit deutlichen Unterschieden darin, wie Führungskräfte und Praktiker die KI-Transformation wahrnehmen und leben. Produktivitätsgewinne, schärfere Entscheidungen und neue Wertschöpfung sind weithin anerkannte Vorteile von KI, doch viele Organisationen haben weiterhin Schwierigkeiten, KI-Initiativen über die Pilotphase hinaus zu bringen – insbesondere dort, wo Wahrnehmungs- und Betriebsebenen unterschiedliche hierarchische Ebenen trennen.

In dieser Studie bezeichnet KI-Transformation (AX) den systematischen, organisationsweiten Prozess, KI-Technologien in Kernabläufe, Strategie und Wertschöpfungsprozesse einzubinden. Wie hier operationalisiert, umfasst AX drei miteinander verbundene Dimensionen: (1) Konzeption der Unternehmens-KI-Strategie – die bewusste Planung von KI-Investitionen, Priorisierung und Governance auf Organisationsebene; (2) operativer Einsatz von KI-Systemen – die technische Einführung, Integration und Skalierung von KI-Lösungen innerhalb bestehender Arbeitsabläufe; und (3) organisatorisches Change Management – die menschlichen, kulturellen und strukturellen Anpassungen, die notwendig sind, um das Wertschöpfungspotenzial von KI im großen Maßstab zu realisieren. Diese Studie adressiert diese Lücke, indem sie fragt: (1) ob die von Black et al.16 identifizierten Faktoren empirische Validität über organisatorische Kontexte hinweg haben und (2) wie sich Führungskräfte und Praktiker in ihrer Wahrnehmung dieser Beziehungen unterscheiden – insbesondere in Bezug auf die positiven und dunklen Seiten der KI-Transformation. Indem wir die organisatorische Hierarchie als strukturellen Moderator einführen, untersuchen wir, ob systematische Asymmetrien darin bestehen, wie verschiedene Ebenen die Versprechen und Gefahren von KI wahrnehmen. Die Ergebnisse zeigen, dass sowohl unterstützende Faktoren als auch Hindernisse bei der KI-Transformation auf hierarchischen Ebenen unterschiedlich wahrgenommen werden können, was Auswirkungen auf Ausrichtungs- und Governance-Strategien hat.

Die Forschung erkennt zunehmend den doppelten Charakter von AX an. Grewal et al.19 analysieren das "Licht und die Dunkelheit" von KI, während Belanche et al.20 die hellen und dunklen Seiten in Dienstleistungen untersuchen. Belanche et al.20 verfolgen die kontrastierenden Effekte des algorithmischen Managements, und Barari et al.1 liefern metaanalytische Belege für die dunkle Seite von KI im Marketing. Zusammengenommen machen diese Studien deutlich, dass KI-Transformation nicht durch eine rein optimistische Brille betrachtet werden kann; Organisationen müssen Chancen managen und Risiken gleichzeitig mindern.

Aufbauend auf Black et al.16 wurden vier dynamische Fähigkeiten untersucht, die für die Navigation dieser Dualität zentral sind: (1) Fähigkeit zu laufen und zu verändern, was gleichzeitige Nutzung und Erkundung ermöglicht21; (2) KI-orientierte Daten-/IS-Bereitschaft, die Infrastruktur für den KI-Einsatz bereitstellt und gleichzeitig Datenqualitäts- und Integrationsherausforderungen bewältigt22; (3) Markt- und Kundenbewusstsein, das Personalisierungsmöglichkeiten mit Datenschutzbedenkenausbalanciert 23; und (4) Strategische Prozessdisziplin, die die Governance schützt, ohne die Agilität zu opfern24. In diesem Rahmen fungieren Umweltkontexte, proaktive Führung und Erabler (KI-sensible Risikotoleranz und technologiesensible Innovationskultur) als Vorläufer, die gemeinsam diese vier Fähigkeitsdimensionen prägen. Die Fähigkeiten wiederum treiben gemeinsam die KI-Transformationsleistung voran. Diese Kausalkette – von Vorläufern über Fähigkeiten bis hin zu Leistungsergebnissen – bildet die theoretische Kernlogik des Modells, wobei die organisatorische Position (Führungskraft vs. Praktiker) als moderierende Linse eintritt, durch die Wahrnehmungsasymmetrien untersucht werden.

Die Theorie der dynamischen Fähigkeiten erklärt, wie Unternehmen in volatilen Umgebungen einen Wettbewerbsvorteil erhalten, indem sie sie erkennen, ergreifen und transformieren25. Angewandt auf KI ermöglichen diese Fähigkeiten es Organisationen, technologische Chancen zu nutzen, während die damit verbundenen Risiken im Griff bleiben.

Die Fähigkeit zu laufen und sich zu verändern erfasst die Agilität einer Organisation, indem sie laufende Abläufe mit Innovation ausbalanciert. Agilität erleichtert eine schnelle Einführungvon KI, erhöht aber auch das Risiko vorzeitiger Bereitstellung und unzureichender Testung. Nguyen et al.27 zeigen, dass KI traditionelle lineare Veränderungsmodelle stört und stattdessen iterative, feedbackgetriebene Systeme erfordert. Ohne sorgfältiges Management kann die daraus resultierende ständige Anpassungdie Organisation destabilisieren.

KI-orientierte Daten-/IS-Bereitschaft fungiert als grundlegende Infrastruktur, doch die wahre Einsatzbereitschaft umfasst sowohl technische Fähigkeiten als auch organisatorische Herausforderungen. Robuste Datensysteme können KI-Wertschöpfungfreischalten, aber fragmentierte Architekturen und schlechte Datenqualität können dieEffektivität von 29 begrenzen. Ghosh 30-Frames-Bereitschaft als wechselseits abhängiges System erfordert kontinuierliche Anpassung – wobei sowohl sein Ermöglichungspotenzial als auch die Implementierungskomplexität hervorgehoben wird.

Markt- und Kundenbewusstsein befähigt Organisationen, Kundenbedürfnisse zu erkennen und personalisierte Erlebnisse zu gestalten23. Gleichzeitig führt es zu Datenschutzbedenken und zum Risiko einer Überpersonalisierung. Das richtige Gleichgewicht zwischen Einsichtsgenerierung und Datenschutz zu finden, stellt eine zentrale Spannung in der KI-Transformation31 dar.

Strategische Prozessdisziplin bietet Governance-Strukturen für KI-Initiativen und fördert Ausrichtung und Verantwortlichkeit16. Übermäßige Disziplin hingegen kann Innovation hemmen und die Anpassung verlangsamen. Die Herausforderung besteht darin, genügend Struktur aufrechtzuerhalten, ohne bürokratische Hürden zu errichten,32.

H1: Fähigkeiten sind positiv mit der Leistung verbunden.

Black et al.16 heben proaktive Führung von passiver "Top-Management-Unterstützung" ab und betonen Führungskräfte, die strategische Agenden aktiv gestalten, Unsicherheiten tolerieren und die KI-Implementierung überwachen33. Doch die Führungskompetenz in AX hängt davon ab, die Kluft zwischen Executive und Practitioner zu überbrücken. Führungskräfte kristallisieren die KI-Vision und verweben ethische Governance34,35, während Praktiker durch tägliche Tool-Interaktionen wichtiges, erfahrungsbasiertes Feedback liefern und reale Anforderungen aufdecken, die Führungskräfte möglicherweiseübersehen. Diese hierarchische Lücke zeigt sich oft als strategische Begeisterung an der Spitze, ohne ausreichende Berücksichtigung von Herausforderungen bei der Workflow-Integration und Usability-Einschränkungen vor Ort. Eine proaktive Führung fordert daher bidirektionales Engagement – Führungskräfte setzen eine strategische Richtung und integrieren aktiv Praktiker-Einblicke, damit KI-Fähigkeiten mit den operativen Realitäten übereinstimmen. Diese gegenseitige Abhängigkeit führt zu:

H2. Proaktive Führung ist positiv mit Fähigkeiten verbunden.

Der Umweltkontext umfasst die äußeren Kräfte, die die strategische Landschaft einer Organisation prägen. Die Dynamik der Branche – definiert von Black et al.16 als Geschwindigkeit und Intensität von Wandel und Wettbewerb – ist geprägt von technologischer Raffinesse, unermüdlicher Disruption und einem stetigen Zustrom neuer Wettbewerber, die alle organisatorische Wendigkeit erfordern. Hohe Dynamik verstärkt die Dringlichkeit der Einführung transformativer Technologien wie KI, wodurch die Einführungsgeschwindigkeit zu einem entscheidenden Unterschied37 ist. Singh et al.38 zeigen, wie Dynamik es ermöglicht, rekonfigurierbare, ressourcenbasierte Fähigkeiten zu bilden, und weisen darauf hin, wie dynamische Fähigkeiten in Organisationsstrukturen verankert sind, entweder um Innovation und Anpassungsfähigkeit zu unterstützen oder einzuschränken. Jüngste Erkenntnisse unterstreichen den komplexen, zweischneidigen Charakter39 des Umweltdynamiks, der sowohl positive als auch negative Auswirkungen der Digitalisierung auf Geschäftsmodellinnovationen in der chinesischen Fertigung moderiert, während Binsar et al.40 einen signifikanten moderierenden Effekt auf digitale Akzeptanzfähigkeiten und die Krankenhausleistung in Indonesien identifizieren. Die Umweltreaktionsfähigkeit geht also über bloße äußere Anpassung hinaus; Es erfordert eine Ausrichtung zwischen Organisationssystemen, Kultur und Führung. Dementsprechend stellen wir folgende Hypothese auf:

H3. Der Umweltkontext ist positiv mit Fähigkeiten verbunden.

Zwei entscheidende Ermöglicher beeinflussen, wie Organisationen mit der doppelten Natur von KI umgehen: KI-Risikotoleranz und technologiesensible Innovationskultur. KI-Risikotoleranz erfasst die Bereitschaft, Unsicherheiten bei KI-Experimenten zu akzeptieren. Während diese Toleranz Innovation fördert, setzt sie Organisationen auch potenziellen Misserfolgenaus 41. Zhao et al.42 zeigen, dass die Fehlermanagementkultur die Dienstleistungsinnovation fördert, auch wenn die Vorteile ohne angemessene Managementsysteme verblassen. Barrett et al.43 betonen die Notwendigkeit von Risikogovernance-Praktiken, die Experimente mit Schutzmaßnahmen in Einklang bringen. Die technologiesensible Innovationskultur fördert die Einführung und Experimente von KI, wobei technologische Grenzen anerkannt werden. Solche Kulturen fördern kontinuierliches Lernen und interfunktionale Zusammenarbeit44 , können aber auch Organisationen zu einer vorzeitigen Einführung oder unzureichender Risikobewertung drängen. Das richtige Gleichgewicht zwischen Innovation und verantwortungsvoller Umsetzung zu finden, bleibt eine zentrale organisatorische Herausforderung45.

H4: Ermöglicher werden positiv mit Fähigkeiten assoziiert.

Die organisatorische Hierarchie übt einen starken Einfluss darauf aus, wie die Chancen und Risiken von KI wahrgenommen werden. Führungskräfte konzentrieren sich tendenziell auf strategische Vorteile – Wettbewerbsvorteil, Marktpositionierung und langfristige Wertschöpfung35 – und betrachten KI überwiegend optimistisch, die ihr transformatives Potenzial hervorhebt. Dieser Standpunkt kann jedoch die Implementierungsherausforderungen und die operativen Komplexitäten unterschätzen. Praktiker begegnen der doppelten Natur von KI direkter. Obwohl sie Effizienzgewinne erkennen, setzen sie sich täglich mit Datenqualitätsproblemen, Integrationshindernissen und Workflow-Störungenauseinander, wodurch sie sensibler für die Begrenzungen, Risiken und unbeabsichtigten Folgen von KI sind47. Forschungen zur Wahrnehmung von Mitarbeitern bestätigen, dass Praktiker ein komplexes Zusammenspiel von Automatisierungsängste und Effizienzgewinnen navigieren, das durch praktische Erfahrungen mit KI-gesteuerten Workflow-Änderungen geprägt ist48. Die kognitive Forschung beleuchtet diese Unterschiede. Manager verlassen sich mehr auf intuitive, strategische Verarbeitung, die zur Bewältigung von Mehrdeutigkeiten geeignet ist, während Praktiker analytisches Schließen für operative Problemlösungenanwenden 49,50. Diese kognitiven Stile beeinflussen die Interpretation der positiven und dunklen Seiten der KI durch jede Gruppe. Auch die kulturellen Wahrnehmungen unterscheiden sich. Führungskräfte neigen dazu, die Unternehmenskultur als innovationsfördernd und kohärent zu betrachten34, während Praktiker strukturelle Hindernisse und begrenzten Einfluss melden51. Solche unterschiedlichen Sichtweisen führen zu Fehlanpassungen in KI-Adoptionsstrategien, ethischen Rahmenwerken und Risikomanagement52. Mittlere Manager übernehmen eine entscheidende Brückenrolle zwischen strategischer Vision und operativer Realität. Wie effektiv sie Optimismus mit Pragmatismus in Einklang bringen, kann mit Transformationsergebnissenzusammenhängen 53. Wenn diese Vermittlung ins Stocken gerät, können sich die Distanzen vergrößern und die organisatorische Anpassungsfähigkeit beeinträchtigen.

H5: Die Position in der Organisation (Führungskräfte vs. Praktiker) ist mit systematischen Unterschieden in der Wahrnehmungsebene verbunden, auf der AX-bezogene Konstrukte bewertet werden, wobei von Führungskräften erwartet wird, höhere Bewertungen von Fähigkeiten, Ermöglichern und Leistungsergebnissen zu berichten – was ihre stärkere Betonung auf die "positive Seite" der KI-Transformation widerspiegelt – im Vergleich zu Praktikern, die näher an operativen Risiken und Implementierungsherausforderungen stehen. Es ist wichtig zu beachten, dass H5 Wahrnehmungsunterschiede betrifft (d. h. Unterschiede darin, wie die organisatorische Hierarchie das Niveau der Konstruktwerte beeinflusst), nicht Unterschiede in zugrunde liegenden kausalen Mechanismen. Das Querschnitts-Survey-Design dieser Studie unterstützt Schlussfolgerungen über Wahrnehmungsmuster und assoziative Beziehungen; Kausale Behauptungen zur strukturellen Moderation erfordern longitudinale oder experimentelle Entwürfe und werden hier nicht erhoben.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Alle Verfahren entsprachen den ethischen Standards für menschliche Teilnehmerforschung an der aSSIST University, der University of Suwon, der Sungkyunwakn University und der Dong-A University. Da jede Antwort zum Zeitpunkt der Sammlung anonymisiert wurde und zu keinem Zeitpunkt personenbezogene Daten erhoben wurden, gewährte das Institutional Review Board der aSSIST University der Studie eine Ausnahme von der vollständigen Prüfung. Mitautoreninstitutionen setzten auf diese Zulassung der führenden Institutionen, anstatt unabhängige IRB-Überprüfungen durchzuführen; die aSSIST University hatte sowohl das Studiendesign als auch das Datenerfassungsprotokoll genehmigt. Innerhalb der Qualtrics-Plattform stieß jeder Teilnehmer auf eine digitale informierte Einwilligungserklärung, bevor der Fragebogen zugänglich wurde. Diese Erklärung legte den akademischen Zweck der Studie dar, bestätigte den Umgang mit anonymen Daten, wies darauf hin, dass die Daten nur Forschungszwecken dienen würden, und wies auf das Fehlen vorhersehbarer Risiken hin; Jeder, der nicht aktiv zustimmte, wurde automatisch aus der Umfrage ausgeschlossen.

Forschungsmodell
In unserem Forschungsmodell (Abbildung 1) dienen Fähigkeiten als Vermittler zwischen drei Vorläufern – proaktiver Führung, Umweltkontext und Ermöglicher – und Leistung, während die organisatorische Position als moderierende Variable eintritt. Fähigkeiten umfassen vier Dimensionen: Fähigkeit zu laufen und zu verändern (RC), KI-orientierte Daten-/IS-Bereitschaft (DR), Markt-/Kundenbewusstsein (MC) und Strategische Prozessdisziplin (SP). Zu den Ermöglichern gehören die technologiesensible Innovationskultur (TS) und die KI-Risikotoleranz (AS).

figure-protocol-1
Abbildung 1: Forschungsmodell. Konzeptionelles Forschungsmodell, das die hypothetischen Beziehungen zwischen proaktiver Führung, Umweltkontext und Ermöglichern (Antecedenten) darstellt; vier dynamische Fähigkeitsdimensionen (Fähigkeit zu laufen und zu verändern, KI-orientierte Daten-/IS-Bereitschaft, Markt-/Kundenbewusstsein, strategische Prozessdisziplin); und KI-Transformationsleistung, wobei die Organisationsposition (Executive vs. Practitioner) als moderierende Variable eintritt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Forschungsdaten
Die Datenerhebung basierte auf einer Online-Umfrage, die von Prolific (https://www.prolific.co) für die Teilnehmerrekrutierung und Qualtrics (https://www.qualtrics.com) für das Hosting und die Durchführung der Umfrage durchgeführt wurde und sich über zwei aufeinanderfolgende Tage (24.–25. November 2024) erstreckte. Die Berechtigung beschränkte sich auf Personen, die derzeit in KI-bezogenen Projekten ihrer Organisation beschäftigt und aktiv involviert waren. Prolifics Vorscreening-Filter setzten dieses Kriterium durch, und eine Qualtrics-Screening-Frage bestätigte es: "Welches der folgenden beschreibt am besten Ihre aktuelle Situation?" —durften nur Befragte, die "Ich bin derzeit beschäftigt und war in KI-bezogener Arbeit tätig" wählten, weitermachen. Die Teilnehmer mussten außerdem über das digitale Einverständnisformular zu Beginn der Umfrage bestätigen, dass sie mindestens 20 Jahre alt waren; diejenigen, die nicht einwilligten, wurden automatisch ausgeschlossen. Ein eingebetteter Aufmerksamkeitscheck-Punkt ("Ist KI eine Abkürzung für Artischockeninformation?"; korrekte Antwort: Nein) markierte unaufmerksame Befragte; Die Umfrage endete automatisch bei einer falschen Antwort. Die Endstichprobe umfasste 293 Fachkräfte (Frauen 50,51 %, männlich 49,49 %). Die Befragten wurden in zwei Gruppen eingeteilt, basierend auf ihrer Antwort auf eine spezielle Umfrageaufgabe: "Welche Rolle spielen Sie bei den KI-Projekten Ihres Unternehmens?" mit fünf Optionen: Führungsebene/Führungsebene, Mittleres Management, Technisches Personal/Ingenieur, Forscher/Wissenschaftler und Berater. Diejenigen, die das Exekutiv- und Oberleitungsmanagement auswählen, wurden in die Führungskräftegruppe eingeordnet; diejenigen, die Technisches Personal/Ingenieur, Forscher/Wissenschaftler oder Berater auswählten, wurden der Gruppe Praktiker zugeordnet. Befragte im mittleren Management (n = 81) traten der Executives-Gruppe bei, mit der Begründung, dass mittlere Managementpositionen die direkte Aufsicht über operative Teams und die Teilnahme an der strategischen Planung beinhalten, wodurch sie näher an der exekutiven Funktion als an der Frontlinie positioniert werden. Die endgültige Gruppierung ergab 112 Führungskräfte und 181 Praktiker. Tabelle 1 fasst das demografische Profil zusammen.

Tabelle 1: Demografische Merkmale. Demografisches Profil der 293 Befragten, einschließlich Geschlecht, Alter, Branche und Organisationsrolle, aufgeschlüsselt nach den beiden hierarchischen Gruppen, die für die Multi-Group-Analyse verwendet werden (Führungskräfte, n = 112; Praktiker, n = 181). Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Maßnahmen
Alle Umfragepunkte wurden mit einer Sieben-Punkte-Likert-Skala gemessen, die von "stark anderer Meinung (1)" bis "stark übereinstimmend (7)" reichte. Um konzeptionelle Klarheit und Angemessenheit für die Zielgruppe zu überprüfen, wurde ein Vortest mit 30 Befragten durchgeführt, bei dem Prolific-Teilnehmer aktiv an KI-bezogenen Projekten in ihren Organisationen beteiligt waren. Die Antworten vor dem Test führten zu kleineren Formulierungsänderungen bei zwei Items, die die Teilnehmer als mehrdeutig empfanden, ohne strukturelle Änderungen an der Skala. Die Hypothesen wurden mit Partial Least Squares Structural Equation Modeling (PLS-SEM) getestet, das in SmartPLS 4.0 geschätzt wurde. Drei Merkmale der vorliegenden Studie leiteten zu dieser Entscheidung. Erstens werden sowohl Capabilities als auch Ermöglicher als formative Konstrukte zweiter Ordnung operationalisiert – eine Konfiguration, für die varianzbasierte Schätzung direkter geeignet ist als kovarianzbasierte SEM. Zweitens stellen Wahrnehmungsasymmetrien in der KI-Transformation ein aufkommendes Forschungsfeld dar, in dem sich ausgereifte Messkonventionen noch entwickeln; Unter diesen Bedingungen ist eine prädiktive Betonung angemessener als die Optimierung von konfirmatorischen Passungsindizes. Drittens unterscheiden sich die Untergruppen Exekutiv und Praktiker erheblich in ihrer Größe (Führungskräfte n = 112; Praktiker n = 181), und varianzbasierte Schätzung unterliegt nicht den Mindestanforderungen an die Zellgröße, die kovarianzbasierte Ansätze einschränken. Frühere empirische Arbeiten zur digitalen Transformation haben diesen analytischen Ansatz übernommen.

In SmartPLS 4.0 war der PLS-Algorithmus mit Pfadgewichtung, maximal 300 Iterationen und einem Stoppkriterium von 10⁻7 konfiguriert. Das Bootstrapping nutzte 5.000 Unterstichproben mit bias-korrigierten und beeilten (BCa) Konfidenzintervallen, Zeichenveränderungen und vollständigem Bootstrapping. Für den zweistufigen Ansatz wurden die Werte der Stufe 1 für latente Variablen durch Ausführung des PLS-Algorithmus auf dem Messmodell erster Stufe (Berechnung → PLS-Algorithmus) ermittelt; diese Werte wurden dann exportiert (Ergebnisse → Latent Variable Scores) und als Manifestindikatoren für die Konstrukte zweiter Ordnung in Stufe 2 verwendet. Permutationsbasierte MGA wurde mittels Calculating → Multi-Group Analysis → Permutation durchgeführt, mit 1.000 Permutationen und einem zweiseitigen Signifikanzniveau von 0,05. MICOM-Tests wurden mit Calculating → Permutation → MICOM durchgeführt, ebenfalls mit 1.000 Permutationen. Die FIMIX-PLS-Segmentierung erfolgte über Calculate → FIMIX-PLS mit 10 Wiederholungen und einem festen Seed für Reproduzierbarkeit 46,54,55,56,57,58,59. Im Rahmen dieser Studie erfüllte PLS-SEM eine doppelte Funktion: es bewertete konstruktebene Pfadbeziehungen über die gesamte Stichprobe und unterstützte Gruppenvergleiche mittels MGA. Die Ergebnisse auf Pfadebene deuteten ebenfalls auf Muster hin, die eine weitere theoretische Untersuchung rechtfertigen60.

Fähigkeiten und Ermöglicher werden in dieser Studie jeweils als formative Konstrukte zweiter Ordnung operationalisiert. Capabilities aggregiert vier Erstordnungsdimensionen: Rekonfigurationsfähigkeit, KI-orientierte Daten- und Systembereitschaft, Markt- und Kundennähe sowie strategische Prozessdisziplin. Enablers vereint zwei erstklassige Dimensionen: KI-sensible Risikotoleranz und technologiesensible Innovationskultur. Die Schätzung der formativen Konstrukte zweiter Ordnung folgte dem zweistufigen Ansatz, der für höherordnungige Modelle in PLS-SEM61 empfohlen wurde. Dieser Ansatz unterscheidet sich vom wiederholten Indikatoransatz: Anstatt alle Erstordnungsindikatoren auf zweiter Ordnungsebene in einem einzigen Schätzschritt zu duplizieren, erzeugt das zweistufige Verfahren zunächst latente Variablenwerte für jedes Erstordnungskonstrukt aus dem jeweiligen Indikatorset (Stufe 1) und verwendet diese dann als manifeste Eingaben für das entsprechende Konstrukt zweiter Ordnung in Stufe 2. Diese sequentielle Schätzung verhindert eine Cross-Construct-Indikatorinflation, die auftreten kann, wenn alle Elemente gleichzeitig in einem einstufigen höheren Ordnungsmodell 62,63,64 erscheinen. Das zweistufige Verfahren vermeidet dadurch die Parameterinflation und verzerrte Schätzungen, die aus dem wiederholten Indikatoransatz in einer einstufigen Schätzung64 resultieren können. Zur Untersuchung von H5 wurde eine permutationsbasierte Multi-Group-Analyse (PLS-MGA) angewandt, um zu untersuchen, ob die strukturellen Zusammenhänge, nämlich die Zusammenhänge zwischen Fähigkeiten und Leistung (H1), proaktiver Führung und Fähigkeiten (H2), Umweltkontext und -fähigkeiten (H3) sowie Ermöglichern und Fähigkeiten (H4), sich zwischen den nach organisatorischen Positionen (H5) kategorisierten Gruppen unterscheiden (Abbildung 2)). Die in SmartPLS integrierte PLS-MGA-Funktion wurde für diese Analyse verwendet. Der Inhalt des Fragebogens ist in Tabelle 2 dargestellt.

Tabelle 2: Fragebogen. Vollständiges Messinstrument, das alle reflektierenden Elemente für die elf Konstrukte erster Ordnung, deren Quellenangaben und die sieben-Punkte-Likert-Antwortskala für jedes Element auflistet. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Zwei Aufmerksamkeitskontrollpunkte wurden in die finale Umfrage eingefügt, die als Filter dienten, um Teilnehmer auszusortieren, die nicht korrekt antworteten (z. B. "Welche dieser Fragen beschreibt Ihre aktuelle Situation am besten?"), und wenn der Teilnehmer eine dieser Fragen falsch beantwortete, endete die Umfrage sofort.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Als vorläufige Bewertung des Common Method Bias (CMB) wurde Harmans Single-Factor-Test durchgeführt, wobei der erste nicht rotierte Faktor 30,21 % der Varianz (unterhalb der 50%-Schwelle) ausmachte. Obwohl dieses Ergebnis erste Hinweise darauf liefert, dass CMB die Daten nicht dominiert, wird anerkannt, dass Harmans Test als diagnostisches Werkzeug eine begrenzte Sensitivität und Spezifität aufweist. Als zusätzliche prozedurale Sicherungen setzte die Umfrage eine randomisierte Item-Reihe...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Die Ergebnisse zeigen, dass die organisatorische Hierarchie mit systematischen Unterschieden in der Wahrnehmung von KI-Transformationskonstrukten durch Führungskräfte und Praktiker verbunden ist, und nicht mit der Struktur der Beziehungen zwischen ihnen. Drei unabhängige MGA-Ansätze – permutationsbasierte MGA (1.000 Permutationen), Bootstrap MGA (5.000 Teilproben)74 sowie parametrische und Welch-Satterthwaite-Tests66 – fanden durchgehend ke...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären keine Interessenkonflikte. Während der Manuskriptvorbereitung nutzten die Autoren generative KI in begrenztem Umfang – insbesondere um Entwürfe ausgewählter methodischer Passagen umzuformulieren und grammatikalische Fehler in technischen Beschreibungen zu markieren. Jeder KI-generierte Abschnitt wurde anschließend mit den Quelldaten abgeglichen und von den Autoren umfassend umgeschrieben. Die Autoren tragen die volle Verantwortung für die Genauigkeit, Integrität und Originalität jedes einzelnen Teils des Manuskripts. Alle Autoren trugen gleichermaßen zum Artikel bei.

Danksagungen

Diese Arbeit wird durch Forschungsmittel der aSSIST University unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Prolific (Online-Plattform zur Teilnehmerwerbung)Prolific Academic Ltdhttps://www.prolific.com/Online-Plattform zur Rekrutierung von Umfrageteilnehmern. Die Teilnehmer wurden basierend auf den Zulassungskriterien (z. B. aktuelle Beschäftigung in einer Organisation mit Erfahrung in der KI-Adoption) gescreent und gemäß den fairen Bezahlungsrichtlinien von Prolific entschädigt.
Qualtrics (Online-Umfrageplattform)Qualtrics, LLChttps://www.qualtrics.com/Webbasierte Umfrageplattform, die für das Design, die Verteilung und die Sammlung von Antwortdaten genutzt wird. Alle Messaufgaben wurden per Qualtrics mit einer 7-Punkte-Likert-Skala durchgeführt (1 = stark anderer Meinung, 7 = stark übereinstimmend). 
SmartPLS 4.0 (PLS-SEM-Software)SmartPLS GmbHhttps://smartpls.com/Verwendet für alle Partial Least Squares Structural Equation Modeling (PLS-SEM)-Analysen, einschließlich äußerer Modellbewertung (Composite Reliability, AVE, HTMT), innerer Modellpfadanalyse (Bootstrapping, 5.000 Stichproben), MICOM-3-Step-Kompositional-Invarianztests (Permutation, 1.000 Draws) und PLS-MGA-Differenztests zwischen Gruppen. 

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Hierarchische AsymmetrieOrganisationshierarchieDynamische F higkeitenPartielle Kleinste Quadrate MethodeMulti Gruppen AnalyseWahrnehmungsl ckenChange ManagementAI GovernanceStrukturgleichungsmodellierung
Video demnächst verfügbar

Verwandte Artikel