Article de recherche

Découvrir les asymétries hiérarchiques dans la transformation de l’intelligence artificielle : naviguer dans les côtés positifs et sombres à travers les niveaux organisationnels

175 vues

⸱

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

Dans cet article

Résumé

Nous décrivons une méthodologie d’enquête reproductible conçue pour sonder les asymétries hiérarchiques dans les perceptions de la transformation par intelligence artificielle (IA). Les cadres et les praticiens remplissent un questionnaire validé hébergé sur Qualtrics ; le pipeline analytique s’exécute en SmartPLS 4.0, couvrant la validation du modèle externe, l’analyse de chemins, les tests d’invariance MICOM et l’analyse multi-groupes basée sur les permutations (MGA).

Résumé

Les structures de gouvernance qui alignent la stratégie exécutive avec la mise en œuvre de première ligne dépendent de la compréhension de la manière dont la hiérarchie organisationnelle façonne la perception des facteurs de réussite de la transformation de l’intelligence artificielle (IA) (AX). Nous présentons une méthodologie validée et reproductible basée sur des enquêtes, couplant la modélisation structurelle des équations partielles des moindres carrés (PLS-SEM) à l’analyse multigroupe (MGA) pour détecter et quantifier les asymétries hiérarchiques dans les perceptions AX — allant au-delà de l’analyse agrégée pour exposer les divisions structurelles que les méthodes à groupe unique laissent cachées. En nous appuyant sur 293 professionnels impliqués dans des projets d’IA, nous évaluons quatre dimensions dynamiques des capacités — agilité opérationnelle, préparation des données, proximité client et discipline des processus stratégiques — ainsi que les facteurs clés de facilitation : le soutien technologique, la tolérance aux risques sensible à l’IA, le contexte environnemental et le leadership proactif. L’invariance compositionnelle est d’abord vérifiée par des tests MICOM ; ce n’est qu’après avoir confirmé la comparabilité entre groupes que l’analyse passe aux tests de signification MGA basés sur la permutation. Les deux groupes présentent des associations positives entre les capacités dynamiques et la performance de l’AX (dirigeants : β = 0,637, R2 = 0,406 ; praticiens : β = 0,531, R2 = 0,282). La MGA basée sur la permutation ne détecte aucune différence statistiquement significative dans les coefficients de chemin structurel entre les deux groupes (tous p ≥ 0,178) ; le rôle modérateur hypothétique de la position organisationnelle sur les relations de chemin (H5) manque donc de soutien. Pourtant, MICOM Step 3a montre que les dirigeants évaluent tous les grands concepts significativement plus haut que les praticiens (8 des 11 constructs, tous p ≤ 0,045) — preuve que l’asymétrie hiérarchique apparaît comme un écart dans les niveaux perceptuels, et non dans les relations structurelles elles-mêmes. En tant que modèle méthodologique transférable, le protocole dote les chercheurs étudiant les lacunes de perception dans la transformation organisationnelle d’outils portant directement sur la gouvernance de l’IA, la stratégie de gestion du changement et l’alignement inter-niveaux dans des contextes à forte intensité technologique.

Introduction

Les avancées rapides en intelligence artificielle ont ouvert un double paysage pour les organisations commerciales — des opportunités extraordinaires de création de valeur d’un côté, des risques et défis importantsde l’autre. L’IA générative et les technologies d’IA conventionnelles promettent une productivité accrue, une innovation plus rapide et un positionnement concurrentielrenforcé 3, tout en suscitant simultanément des préoccupations concernant les biais, le remplacement d’emplois, les inégalités et les dilemmeséthiques 4,5. Cette dualité côté positif/côté obscur exige un examen attentif de la manière dont les organisations gèrent à la fois les opportunités et les risques dans la transformation de leur mère.

Un corpus croissant de travaux documente la portée transformatrice de l’IA — optimisation de l’interaction client, gains d’efficacité opérationnelle et prise de décision plusprécise 6,7. Ces avancées, cependant, comportent des contrepoids substantiels. La discrimination et les biais intégrés dans les systèmes d’IA peuvent enraciner les inégalitésexistantes 8, l’automatisation menace la stabilité de l’emploi9, et l’opacité de nombreux algorithmes soulève des questions de responsabilité10. L’écart croissant entre les entreprises équipées par l’IA et leurs homologues moins avancés en technologie accentue les disparités économiques11, tandis que les déficits de transparence et de confiance compliquent les relations avec les partiesprenantes 12.

Bien que la littérature sur la transformation numérique soit vaste13, la transformation pilotée par l’IA mérite un traitement distinct comme un phénomènedistinct 14,15. Black et al.16 ont identifié des facilitateurs critiques pour la transformation des modèles économiques grâce à l’IA à travers une lentille dynamique des capacités, mais leur cadre ne prend pas en compte la manière dont ces facteurs sont perçus et appliqués différemment selon les hiérarchies organisationnelles. Cet écart a du poids compte tenu des preuves croissantes de décalage entre la stratégie exécutive et la mise en œuvre par lespraticiens 17.

Des recherches multiniveaux ont commencé à montrer que l’adoption de l’IA résonne de manière inégale selon les niveaux organisationnels, avec une variation marquée dans la manière dont les dirigeants et les praticiens perçoivent et vivent la transformationde l’IA 18. Les gains de productivité, des décisions plus précises et la création de nouvelle valeur sont des avantages largement reconnus de l’IA, pourtant de nombreuses organisations peinent encore à faire passer les initiatives d’IA au-delà du stade pilote — en particulier lorsque perception et fonctionnement divisent des niveaux hiérarchiques distincts.

Dans cette étude, la transformation de l’IA (AX) désigne le processus systématique et organisationnel consistant à intégrer les technologies d’IA dans les opérations centrales, la stratégie et les processus de création de valeur. Tel que mis en œuvre ici, l’AX s’étend sur trois dimensions interdépendantes : (1) la formulation de la stratégie d’IA d’entreprise — la planification délibérée de l’investissement, de la priorisation et de la gouvernance en IA au niveau organisationnel ; (2) le déploiement opérationnel des systèmes d’IA — l’adoption technique, l’intégration et la mise à l’échelle des solutions d’IA au sein des flux de travail existants ; et (3) la gestion du changement organisationnel — les ajustements humains, culturels et structurels nécessaires pour réaliser à grande échelle le potentiel de création de valeur de l’IA. Cette étude cible cette lacune en demandant : (1) si les facteurs identifiés par Black et al.16 ont une validité empirique dans les contextes organisationnels, et (2) comment les cadres et les praticiens divergent dans leurs perceptions de ces relations — notamment en ce qui concerne les aspects positifs et sombres de la transformation de l’IA. En introduisant la hiérarchie organisationnelle comme modérateur structurel, nous examinons l’existence d’asymétries systématiques dans la manière dont différents niveaux perçoivent les promesses et les périls de l’IA. Les résultats indiquent que les facteurs favorisants et les obstacles à la transformation de l’IA peuvent être perçus différemment selon les niveaux hiérarchiques, ce qui a des implications pour l’alignement et les stratégies de gouvernance.

La recherche reconnaît de plus en plus le double caractère de l’AX. Grewal et al.19 dissèquent la « lumière et l’obscurité » de l’IA, tandis que Belanche et al.20 explorent les côtés lumineux et sombres dans les services. Belanche et al.20 tracent les effets contrastants de la gestion algorithmique, et Barari et al.1 fournissent des preuves méta-analytiques du côté sombre de l’IA dans le marketing. Pris ensemble, ces études montrent clairement que la transformation de l’IA ne peut pas être saisie uniquement avec optimisme ; Les organisations doivent gérer les opportunités tout en atténuant les risques.

En s’appuyant sur Black et al.16, quatre capacités dynamiques centrales pour naviguer dans cette dualité ont été examinées : (1) Capacité à fonctionner et à changer, ce qui permet l’exploitation et l’explorationsimultanées 21 ; (2) la préparation des données/systèmes d’information orientée IA, qui fournit une infrastructure pour le déploiement de l’IA tout en gérant la qualité des données et les défis d’intégration22 ; (3) La sensibilisation au marché/client, qui équilibre les opportunités de personnalisation avec les préoccupations en matière deconfidentialité 23 ; et (4) la discipline des processus stratégiques, qui protège la gouvernance sans sacrifierl’agilité 24. Dans ce cadre, le contexte environnemental, le leadership proactif et les facilitateurs (tolérance au risque sensible à l’IA et culture d’innovation technologique) fonctionnent comme des antécédents qui façonnent ensemble ces quatre dimensions de capacité. Ces capacités, à leur tour, déterminent collectivement la performance de la transformation de l’IA. Cette chaîne causale — des antécédents aux capacités jusqu’aux résultats de performance — forme la logique théorique centrale du modèle, la position organisationnelle (cadre vs. praticien) entrant comme un prisme modérateur à travers lequel les asymétries perceptuelles sont examinées.

La théorie des capacités dynamiques explique comment les entreprises maintiennent l’avantage concurrentiel dans des environnements volatils en détectant, saisissant ettransformant 25. Appliquées à l’IA, ces capacités permettent aux organisations de saisir des opportunités technologiques tout en maîtrisant les risques associés.

La capacité à gérer et à changer reflète l’agilité d’une organisation à équilibrer opérations en cours et innovation. L’agilité facilite une adoption rapide de l’IA26, mais elle augmente aussi le risque de déploiement prématuré et de tests insuffisants. Nguyen et al.27 démontrent que l’IA perturbe les modèles traditionnels de changement linéaire, exigeant à la place des systèmes itératifs et basés sur le feedback. Sans une gestion attentive, l’adaptation constante qui en résulte peut déstabiliser l’organisation28.

La préparation des données/SI orientée IA fonctionne comme une infrastructure fondamentale, mais la véritable préparation couvre à la fois les capacités techniques et les défis organisationnels. Des systèmes de données robustes peuvent débloquer la création de valeur par l’IA22, mais des architectures fragmentées et une mauvaise qualité des données peuvent limiter l’efficacité29. Ghosh30 cadre la préparation en tant que système interdépendant nécessitant une adaptation continue — mettant en lumière à la fois son potentiel de mise en valeur et sa complexité d’implémentation.

La notoriété du marché et de la clientèle permet aux organisations de percevoir les besoins des clients et de créer des expériencespersonnalisées 23. En même temps, cela suscite des préoccupations concernant la vie privée et le risque de surpersonnalisation. Trouver le bon équilibre entre la génération d’insights et la protection de la vie privée constitue une tension centrale dans la transformation del’IA 31.

La discipline des processus stratégiques fournit des structures de gouvernance pour les initiatives d’IA, favorisant l’alignement et la responsabilité16. Cependant, une discipline excessive peut freiner l’innovation et ralentir l’adaptation. Le défi est de maintenir une structure suffisante sans ériger des barrières bureaucratiques32.

H1 : Les capacités sont positivement associées à la performance.

Black et al.16 distinguent le leadership proactif du « soutien de la haute direction » passif, mettant l’accent sur des leaders qui façonnent activement des agendas stratégiques, tolèrent l’incertitude et surveillent la mise en œuvre del’IA 33. Pourtant, l’efficacité du leadership dans l’AX dépend de la réduction du fossé entre les cadres et les praticiens. Les dirigeants cristallisent la vision de l’IA et intègrent la gouvernanceéthique 34,35, tandis que les praticiens fournissent des retours expérientiels essentiels via l’interaction quotidienne avec les outils, mettant en lumière des exigences concrètes que les dirigeants peuvent manquer36. Cet écart hiérarchique se manifeste souvent par un enthousiasme stratégique au sommet, qui avance sans une attention adéquate aux défis d’intégration des flux de travail et aux contraintes d’utilisabilité sur le terrain. Le leadership proactif appelle donc à un engagement bidirectionnel — des dirigeants définissant une orientation stratégique tout en intégrant activement les insights des praticiens afin que les capacités de l’IA correspondent aux réalités opérationnelles. Cette interdépendance conduit à :

H2. Le leadership proactif est positivement associé aux capacités.

Le contexte environnemental couvre les forces extérieures qui façonnent le paysage stratégique d’une organisation. Le dynamisme industriel — défini par Black et al.16 comme la rapidité et l’intensité du changement et de la concurrence — se caractérise par une sophistication technologique, une disruption incessante et un afflux constant de nouveaux concurrents, qui exigent autant d’agilité organisationnelle. Un dynamisme élevé amplifie l’urgence d’adopter des technologies transformatrices comme l’IA, faisant de la rapidité d’adoption un facteur crucialde différenciation 37. Singh et al.38 montrent comment le dynamisme permet de se former des capacités reconfigurables basées sur les ressources, en soulignant la manière dont des capacités dynamiques s’intègrent dans les structures organisationnelles soit pour soutenir, soit pour limiter l’innovation et l’adaptabilité. Des résultats récents soulignent le caractère complexe et à double tranchant du dynamismeenvironnemental 39, rapportent qu’il modère à la fois positivement et négativement les effets de la numérisation sur l’innovation des modèles économiques dans la fabrication chinoise, tandis que Binsar et al.40 identifient un effet modérateur significatif sur les capacités d’adoption numérique et la performance des hôpitaux en Indonésie. La réactivité environnementale va donc au-delà de la simple adaptation externe ; Cela exige un alignement entre les systèmes organisationnels, la culture et le leadership. En conséquence, nous émettons l’hypothèse suivante :

H3. Le contexte environnemental est positivement associé aux capacités.

Deux facteurs clés concernent la manière dont les organisations gèrent la double nature de l’IA : la tolérance au risque de l’IA et la culture d’innovation sensible à la technologie. La tolérance au risque de l’IA reflète la volonté d’accepter l’incertitude dans l’expérimentation en IA. Si cette tolérance alimente l’innovation, elle expose aussi les organisations à des échecspotentiels 41. Zhao et al.42 montrent que la culture de gestion des erreurs favorise l’innovation des services, bien que les avantages s’estompent sans systèmes de gestion adéquats. Barrett et al.43 soulignent la nécessité de pratiques de gouvernance des risques équilibrant l’expérimentation et les garanties. La culture de l’innovation sensible à la technologie encourage l’adoption et l’expérimentation de l’IA tout en reconnaissant les limites technologiques. De telles cultures favorisent l’apprentissage continu et la collaboration interfonctionnelle, mais elles peuvent aussi pousser les organisations à adopter prématurément ou à évaluer les risques inadéquatement. Trouver le bon équilibre entre encourager l’innovation et garantir une mise en œuvre responsable reste un défi organisationnelmajeur 45.

H4 : Les enablers sont positivement associés aux capacités.

La hiérarchie organisationnelle exerce une forte influence sur la manière dont les opportunités et les risques de l’IA sont perçus. Les dirigeants ont tendance à se concentrer sur les avantages stratégiques — avantage concurrentiel, positionnement sur le marché et création de valeur àlong terme 35, voyant l’IA sous un angle largement optimiste qui met en avant son potentiel de transformation. Ce point de vue, cependant, peut minimiser les défis de mise en œuvre et les complexités opérationnelles. Les praticiens rencontrent plus directement la double nature de l’IA. Bien qu’ils reconnaissent des gains d’efficacité, ils doivent aussi faire face quotidiennement à des problèmes de qualité des données, des obstacles à l’intégration et des perturbations des fluxde travail, ce qui les rend plus attentifs aux limites, aux risques et aux conséquences imprévues del’IA. Les recherches sur la perception des employés confirment que les praticiens naviguent dans une interaction complexe entre l’anxiété liée à l’automatisation et les gains d’efficacité, façonnée par une exposition directe aux changements de flux de travail pilotés parl’IA 48. La recherche cognitive met en lumière ces différences. Les managers s’appuient davantage sur un traitement intuitif et stratégique adapté à la gestion de l’ambiguïté, tandis que les praticiens emploient le raisonnement analytique pour résoudre des problèmesopérationnels 49,50. Ces styles cognitifs influencent la lecture que chaque groupe a des côtés positifs et sombres de l’IA. Les perceptions culturelles divergent également. Les dirigeants ont tendance à considérer la culture organisationnelle comme propice à l’innovation etcohésive 34, tandis que les praticiens rapportent des obstacles structurels et une influencelimitée 51. De telles perspectives contrastées alimentent les désalignements dans les stratégies d’adoption de l’IA, les cadres éthiques et la gestiondes risques 52. Les cadres intermédiaires jouent un rôle crucial de pont entre la vision stratégique et la réalité opérationnelle. La manière dont ils équilibrent efficacement optimisme et pragmatisme peut être associée aux résultats de transformation53. Lorsque cette médiation faiblit, les déconnexions peuvent s’élargir, affaiblissant l’adaptabilité organisationnelle.

H5 : Le poste dans l’organisation (cadres vs. praticiens) est associé à des différences systématiques dans le niveau perceptif auquel les concepts liés à l’AX sont évalués, les dirigeants étant censés rapporter des évaluations plus élevées des capacités, des facilitateurs et des résultats de performance — reflétant leur plus grande importance portée au « bon côté » de la transformation de l’IA — par rapport aux praticiens, qui sont plus proches des risques opérationnels et des défis de mise en œuvre. Il est important de noter que H5 concerne les différences perceptuelles (c’est-à-dire les différences dans la façon dont la hiérarchie organisationnelle façonne le niveau des scores des constructs), et non les différences dans les mécanismes causaux sous-jacents. Le plan d’enquête transversale de cette étude soutient l’inférence sur les schémas perceptifs et les relations associatives ; les affirmations causales concernant la modération structurelle nécessitent des plans longitudinaux ou expérimentaux et ne sont pas avancées ici.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Toutes les procédures ont respecté les normes éthiques pour la recherche sur les participants humains à l’Université aSSIST, à l’Université de Suwon, à l’Université Sungkyunwakn et à l’Université Dong-A. Comme chaque réponse était anonymisée au moment de la collecte et qu’aucune donnée personnellement identifiable n’a été recueillie à aucun moment, le Conseil d’éthique institutionnel de l’université aSSIST a accordé à l’étude une exemption d’examen complet. Les institutions co-auteures se sont appuyées sur cette approbation des institutions principales plutôt que de poursuivre des examens indépendants du comité d’éthique (IRB) ; aSSIST University avait approuvé à la fois la conception de l’étude et le protocole de collecte des données. Sur la plateforme Qualtrics, chaque participant a rencontré une déclaration de consentement éclairé numérique avant que le questionnaire ne devienne accessible. Cette déclaration exposait l’objectif académique de l’étude, confirmait la gestion des données anonymes, notait que les données serviraient uniquement à des fins de recherche, et signalait l’absence de risques prévisibles ; Toute personne ne consentant pas activement était automatiquement exclue de l’enquête.

Modèle de recherche
Dans notre modèle de recherche (Figure 1), les capacités servent de médiateurs entre trois antécédents — le leadership proactif, le contexte environnemental et les facilitateurs — et la performance, tandis que la position organisationnelle intervient comme variable modératrice. Les capacités couvrent quatre dimensions : capacité à gérer et changer (RC), préparation aux données/systèmes d’information orientés IA (DR), sensibilisation au marché/client (MC) et discipline des processus stratégiques (SP). Les facteurs de facilitation comprennent la Culture de l’Innovation Sensible à la Technologie (TS) et la Tolérance au Risque de l’IA (AS).

figure-protocol-1
Figure 1 : Modèle de recherche. Modèle de recherche conceptuel illustrant les relations hypothétées entre leadership proactif, contexte environnemental et facilitateurs (antécédents) ; quatre dimensions dynamiques des capacités (capacité à exécuter et changer, préparation aux données/systèmes d’information orientées IA, sensibilisation au marché/client, discipline stratégique des processus) ; et la performance de transformation de l’IA, la position organisationnelle (Cadre vs. Praticien) entrant en jeu comme variable modératrice. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Données de recherche
La collecte de données s’est appuyée sur une enquête en ligne administrée par Prolific (https://www.prolific.co) pour le recrutement de participants et par Qualtrics (https://www.qualtrics.com) pour l’hébergement et l’administration des enquêtes, s’étalant sur deux jours consécutifs (24–25 novembre 2024). L’éligibilité était limitée aux personnes actuellement employées et activement impliquées dans des projets liés à l’IA au sein de leur organisation. Les filtres de présélection de Prolific ont renforcé ce critère, et une question de dépistage de Qualtrics l’a confirmé : « Lequel des éléments suivants décrit le mieux votre situation actuelle ? » — seuls les répondants sélectionnant « Je suis actuellement employé et j’ai participé à des travaux liés à l’IA » ont été autorisés à continuer. Les participants devaient également confirmer qu’ils avaient au moins 20 ans via le formulaire de consentement numérique au début de l’enquête ; ceux qui ne consentaient pas étaient automatiquement exclus. Un item intégré pour le contrôle d’attention (« L’IA est-elle une abréviation d’Informations sur les Artichauts ? » ; réponse correcte : Non) signalait les répondants inattentifs ; L’enquête s’est automatiquement terminée en cas de mauvaise réponse. L’échantillon final comprenait 293 professionnels (femmes 50,51 %, hommes 49,49 %). Les répondants ont été répartis en deux groupes selon leur réponse à un sujet dédié à l’enquête : « Quel est votre rôle dans les projets d’IA de votre entreprise ? » avec cinq options : Cadre/Direction, Cadre intermédiaire, Personnel technique/Ingénieur, Chercheur/Scientifique et Consultant. Ceux qui sélectionnaient les cadres dirigeants/supérieurs étaient placés dans le groupe des cadres ; ceux qui sélectionnaient le personnel technique/ingénieur, chercheur/scientifique ou consultant étaient placés dans le groupe des praticiens. Les répondants du middle management (n = 81) ont rejoint le groupe des cadres, en arguant que les postes de middle management impliquent une supervision directe des équipes opérationnelles et une participation à la planification stratégique, les plaçant plus proches de la fonction exécutive que de la pratique de première ligne. Le dernier regroupement a permis de compter 112 cadres et 181 praticiens. Le tableau 1 résume le profil démographique.

Tableau 1 : Caractéristiques démographiques. Profil démographique des 293 répondants à l’enquête, incluant le genre, l’âge, l’industrie et le rôle organisationnel, réparti selon les deux groupes hiérarchiques utilisés pour l’analyse multi-groupes (Cadres, n = 112 ; Praticiens, n = 181). Veuillez cliquer ici pour télécharger ce tableau.

Mesures
Tous les items de l’enquête ont été mesurés à l’aide d’une échelle de Likert à sept points, allant de « fortement en désaccord (1) » à « fortement d’accord (7) ». Pour vérifier la clarté conceptuelle et l’adéquation pour la population professionnelle cible, un prétest de 30 répondants a été réalisé avec des participants prolifiques qui ont déclaré un engagement actif dans des projets liés à l’IA dans leurs organisations. Les réponses préalables ont conduit à de légères révisions de formulation pour deux items que les participants ont trouvés ambigus, sans modification structurelle de l’échelle. Les hypothèses ont été testées via la modélisation structurelle des moindres carrés partiels (PLS-SEM) estimée dans SmartPLS 4.0. Trois caractéristiques de la présente étude ont guidé ce choix. Premièrement, les Capacités et les Facilitateurs sont tous deux opérationnels comme des constructions formatives du second ordre — une configuration pour laquelle l’estimation basée sur la variance est plus directement adaptée que le MEB basé sur la covariance. Deuxièmement, les asymétries perceptuelles dans la transformation de l’IA représentent un domaine de recherche émergent où des conventions de mesure matures sont encore en développement ; Dans ces conditions, une insistance prédictive est plus appropriée que l’optimisation des indices d’ajustement confirmatoires. Troisièmement, les sous-groupes Exécutifs et Praticiens diffèrent considérablement en taille (Cadres n = 112 ; Praticiens n = 181), et l’estimation basée sur la variance n’est pas soumise aux exigences minimales de taille de cellule qui contraignent les approches basées sur la covariance. Des travaux empiriques antérieurs sur la transformation numérique ont adopté cette approche analytique.

Dans SmartPLS 4.0, l’algorithme PLS était configuré avec une pondération de chemin, un maximum de 300 itérations, et un critère d’arrêt de 10⁻7. Le bootstrapping a utilisé 5 000 sous-échantillons avec des intervalles de confiance corrigés par biais et accélérés (BCa), sans changement de signe, et un bootstrapping complet. Pour l’approche en deux étapes, les scores de variables latentes de l’étape 1 ont été obtenus en exécutant l’algorithme PLS sur le modèle de mesure du premier ordre (Calculer → algorithme PLS) ; ces scores ont ensuite été exportés (Résultats → Scores à variables latentes) et utilisés comme indicateurs manifestes pour les constructions du second ordre à l’étape 2. La MGA basée sur la permutation a été réalisée via l’analyse multigroupe Calculate → → la permutation, avec 1 000 permutations et un niveau de signification à deux branches de 0,05. Les tests MICOM ont été réalisés via Calculate → Permutation → MICOM, également avec 1 000 permutations. La segmentation FIMIX-PLS a été réalisée via Calculate → FIMIX-PLS avec 10 répétitions et une graine fixe de reproductibilité 46,54,55,56,57,58,59. Dans le cadre de cette étude, PLS-SEM remplissait une double fonction : évaluer les relations de chemin au niveau des constructs à travers l’ensemble de l’échantillon et soutenir les comparaisons entre groupes via la MGA. Les résultats au niveau des parcours indiquaient également des schémas justifiant un examen théoriqueplus approfondi 60.

Les capacités et les facilitateurs sont chacun opérationnels comme des constructions formatives de second ordre dans cette étude. Les capacités agrègent quatre dimensions de premier ordre : capacité de reconfiguration, préparation des données et systèmes orientées IA, proximité entre le marché et le client, et discipline stratégique des processus. Enablers combine deux dimensions de premier ordre : la tolérance au risque sensible à l’IA et la culture d’innovation technologique. L’estimation des constructions formatives du second ordre a suivi l’approche en deux étapes recommandée pour les modèles d’ordre supérieur dansPLS-SEM 61. Cette approche se distingue de l’approche des indicateurs répétés : au lieu de dupliquer tous les indicateurs du premier ordre au niveau du second ordre en une seule étape d’estimation, la procédure en deux étapes génère d’abord des scores à variables latentes pour chaque construction du premier ordre à partir de son ensemble d’indicateurs respectif (Étape 1), puis utilise ces scores comme entrées manifestes pour la construction du second ordre correspondant en Étape 2. Cette estimation séquentielle empêche l’inflation des indicateurs croisés qui peut survenir lorsque tous les éléments apparaissent simultanément dans un modèle d’ordre supérieur à un seul étage62, 63, 64. La procédure en deux étapes évite ainsi l’inflation des paramètres et les estimations biaisées qui peuvent résulter de l’approche répétée de l’indicateur dans une estimation à une seule étape64. Pour examiner H5, l’analyse multi-groupes basée sur la permutation (PLS-MGA) a étéappliquée 65,66 afin d’examiner si les relations structurelles, à savoir les associations entre Capacités et Performance (H1), Leadership Proactif et Capacités (H2), Contexte et Capacités Environnementaux (H3), ainsi que Facilitateurs et Capacités (H4), diffèrent selon les groupes catégorisés selon la position organisationnelle (H5) (Figure 2). La fonction PLS-MGA intégrée dans SmartPLS a été utilisée pour cette analyse. Le contenu du questionnaire est présenté dans le tableau 2.

Tableau 2 : Questionnaire. Instrument de mesure complet listant tous les éléments réfléchissants pour les onze constructions du premier ordre, leurs références sources, et l’échelle de réponse de Likert à sept points utilisée pour chaque item. Veuillez cliquer ici pour télécharger ce tableau.

Deux éléments de contrôle d’attention ont été insérés dans le sondage final, et ils servaient de filtres pour filtrer les participants qui ne répondaient pas correctement (par exemple, « Laquelle de ces questions décrit le mieux votre situation actuelle ? ») et si le participant répondait incorrectement à l’une de ces questions, l’enquête se terminait immédiatement.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

En tant qu’évaluation préliminaire du biais de méthode commune (CMB), le test à facteur unique de Harman a été réalisé, le premier facteur non rotatif représentant 30,21 % de la variance (en dessous du seuil de 50 %). Bien que ce résultat fournisse une preuve initiale que le CMB ne domine pas les données, il est reconnu que le test de Harman présente une sensibilité et une spécificité limitées en tant qu’outil diagnostique. Comme garanties procédurales supplémentaires, l’enquête a utilis...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Les résultats révèlent que la hiérarchie organisationnelle est associée à des différences systématiques dans le niveau auquel les cadres et praticiens perçoivent les constructions de transformation de l’IA, plutôt que dans la structure des relations entre eux. Trois approches MGA indépendantes — MGA basée sur la permutation (1 000 permutations), Bootstrap MGA (5 000 sous-échantillons)74, et les tests Parametric et Welch-Satterthwaite66 — n’...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent ne pas exister de conflit d’intérêts. Lors de la préparation du manuscrit, les auteurs ont utilisé l’IA générative de manière limitée — notamment pour reformuler des brouillons de passages méthodologiques sélectionnés et pour signaler des problèmes grammaticaux dans les descriptions techniques. Chaque passage généré par l’IA a ensuite été recoupé avec les données sources et largement réécrit par les auteurs. Les auteurs portent l’entière responsabilité de l’exactitude, de l’intégrité et de l’originalité de chaque partie du manuscrit. Tous les auteurs ont contribué de manière égale à l’article.

Remerciements

Ce travail est soutenu par un financement de recherche de l’Université aSSIST.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Prolific (plateforme de recrutement de participants en ligne)Prolific Academic Ltdhttps://www.prolific.com/Plateforme en ligne utilisée pour recruter les participants à l’enquête. Les participants ont été sélectionnés selon les critères d’éligibilité (par exemple, l’emploi actuel dans une organisation ayant de l’expérience en adoption de l’IA) et rémunérés selon les directives de rémunération équitable de Prolific.
Qualtrics (plateforme d’enquête en ligne)Qualtrics, LLChttps://www.qualtrics.com/Plateforme d’enquête en ligne utilisée pour la conception, la distribution et la collecte de données de réponse de questionnaires. Tous les items de mesure ont été administrés via Qualtrics à l’aide d’une échelle de Likert à 7 points (1 = fortement en désaccord, 7 = fortement d’accord).  ;
SmartPLS 4.0 (Logiciel PLS-SEM)SmartPLS GmbHhttps://smartpls.com/Utilisé pour toutes les analyses de modélisation structurelle des moindres carrés partiels (PLS-SEM), y compris l’évaluation du modèle externe (fiabilité composite, AVE, HTMT), l’analyse du chemin du modèle intérieur (bootstrapping, 5 000 échantillons), les tests d’invariance compositionnelle MICOM en 3 étapes (permutation, 1 000 tirages), et les tests de différences entre groupes PLS-MGA.   ;

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Asym trie hi rarchiquehi rarchie organisationnellecapacit s dynamiquesmoindres carr s partielsanalyse multi groupescarts de perceptiongestion du changementgouvernance de l IAmod lisation d quations structurelles
Vidéo bientôt disponible

Articles connexes