מאמר מחקר

גילוי אסימטריות היררכיות בטרנספורמציית בינה מלאכותית: ניווט בין הצדדים הבהירים והאפלים ברמות הארגון

174 צפיות

⸱

DOI:

10.3791/70756

⸱

12 במאי 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

במאמר זה

סיכום

אנו מתארים מתודולוגיית סקר שניתן לשכפול שנועדה לבחון אסימטריות היררכיות בתפיסות טרנספורמציית בינה מלאכותית (AI) (AX). גם מנהלים וגם אנשי מקצוע ממלאים שאלון מאומת המתארח ב-Qualtrics; הצינור האנליטי פועל ב-SmartPLS 4.0, וכולל אימות מודלים חיצוניים, ניתוח נתיבים, בדיקות אי-שינוי MICOM וניתוח רב-קבוצתי מבוסס פרמוטציה (MGA).

תקציר

מבני ממשל שמיישרים את האסטרטגיה הביצועית עם יישום קו החזית תלויים בהבנה כיצד ההיררכיה הארגונית מעצבת תפיסות של גורמי הצלחה של טרנספורמציה (AI) (AI). אנו מציגים מתודולוגיה מבוססת סקר מאומתת וניתנת לשכפול, המחברת מידול משוואות מבניות חלקיות של ריבועים (PLS-SEM) עם ניתוח רב-קבוצות (MGA) לזיהוי וכימות אסימטריות היררכיות בתפיסות AX — מעבר לניתוח מצטבר כדי לחשוף פערים מבניים ששיטות חד-קבוצתיות משאירות מוסתרות. בהסתמך על 293 אנשי מקצוע המעורבים בפרויקטים של בינה מלאכותית, אנו מעריכים ארבעה ממדים דינמיים של יכולת — גמישות תפעולית, מוכנות נתונים, קרבה ללקוח ומשמעת תהליכים אסטרטגית — יחד עם גורמים מרכזיים מאפשרים: תמיכה טכנולוגית, סבילות סיכונים רגישה לבינה מלאכותית, הקשר סביבתי ומנהיגות יזומה. אינווריאנטיות קומפוזיציונית מאומת תחילה באמצעות בדיקות MICOM; רק לאחר אישור השוואה בין קבוצות, הניתוח עובר למבחני מובהקות MGA מבוססי פרמוטציה. שתי הקבוצות מציגות אסוציאציות חיוביות בין יכולות דינמיות לביצועי AX (מנהלים: β = 0.637, R2 = 0.406; עוסקים: β = 0.531, R2 = 0.282). MGA מבוסס פרמוטציה אינו מזהה הבדלים מובהקים סטטיסטית במקדמי מסלול מבניים בין שתי הקבוצות (כל p ≥ .178); לכן, התפקיד המתון המשוער של עמדת הארגון בקשרי מסלולים (H5) חסר תמיכה. ובכל זאת, MICOM שלב 3א מראה שמנהלים מדרגים את כל המבנים המרכזיים גבוה משמעותית מאשר עוסקים (8 מתוך 11 קונסטרוקטים, כולם p ≤.045)—עדות לכך שאסימטריה היררכית מופיעה כפער ברמות התפיסה, ולא ביחסים המבניים עצמם. כתבנית מתודולוגית ניתנת להעברה, הפרוטוקול מצייד חוקרים החוקרים פערי תפיסה בטרנספורמציה ארגונית בכלים המשפיעים ישירות על ממשל בינה מלאכותית, אסטרטגיית ניהול שינוי והתאמה חוצת רמות בסביבות עתירות טכנולוגיה.

מבוא

התקדמות מהירה בבינה מלאכותית פתחה נוף כפול לארגונים עסקיים — הזדמנויות יוצאות דופן ליצירת ערך מצד אחד, סיכונים ואתגרים משמעותיים מצדשני. בינה מלאכותית גנרטיבית וטכנולוגיות בינה מלאכותית קונבנציונליות מבטיחות פרודוקטיביות גבוהה יותר, חדשנות מהירה יותרומיצוב תחרותי חזק יותר, אך הן מעוררות בו זמנית חששות סביב הטיה, עקירת משרות, אי-שוויון ודילמות אתיות 4,5. הדואליות בין הצד החיובי לצד האפל דורשת בחינה מדוקדקת של האופן שבו ארגונים מתמודדים עם הזדמנויות וסיכונים כשהם רודפים אחרי שינוי.

גוף עבודה הולך וגדל מתעד את ההגעה הטרנספורמטיבית של הבינה המלאכותית—אופטימיזציה עם אינטראקציה עם לקוחות, שיפורי יעילות תפעולית, וקבלת החלטות חדה יותר 6,7. עם זאת, ההתקדמות הזו נושאת משקל נגד משמעותי. אפליה והטיה הטבועות במערכות בינה מלאכותית עלולות להטמיע אי-שוויון קיים8, אוטומציה מאיימת על יציבות תעסוקתית9, והאטימות של אלגוריתמים רבים מעלה שאלות אחריות10. הפער ההולך וגדל בין חברות המופעלות בינה מלאכותית לבין עמיתותיהן הפחות מתקדמים טכנולוגית מעמיק את הפער הכלכלי11, בעוד שקיפות וחסרי אמון מסבכים את יחסי בעלי העניין12.

למרות שספרות הטרנספורמציה הדיגיטלית רחבה13, טרנספורמציה מונעת בינה מלאכותית ראויה לטיפול נפרד כתופעה מובחנת 14,15. בלאק ואחרים.16 זיהו מפעילים קריטיים לשינוי מודל עסקי מבוסס בינה מלאכותית דרך עדשת יכולות דינמיות, אך המסגרת שלהם אינה מתייחסת לאופן שבו גורמים אלה נתפסים ומופעלים בצורה שונה בין היררכיות ארגוניות. הפער הזה בעל משקל לאור העדויות ההולכות וגדלות לאי-התאמה בין אסטרטגיית המנהלים ליישום המנהלים17.

מחקרים רב-רמתיים החלו להראות שאימוץ בינה מלאכותית מהדהד באופן לא אחיד בין שכבות ארגוניות, עם שונות בולטת באופן שבו מנהלים ואנשי מקצוע תופסים וחיים את טרנספורמציית הבינה המלאכותית18. שיפורי פרודוקטיביות, קבלת החלטות חדות יותר ויצירת ערך חדש הם יתרונות מוכרים של בינה מלאכותית, אך ארגונים רבים עדיין מתקשים לקדם יוזמות בינה מלאכותית מעבר לשלב הפיילוט — במיוחד כאשר תפיסת ופעולה מפרידות בין רמות היררכיות נפרדות.

במחקר זה, טרנספורמציית בינה מלאכותית (AX) מציינת את התהליך השיטתי והארגוני של שילוב טכנולוגיות בינה מלאכותית בתהליכי הליבה התפעולית, האסטרטגיה ותהליכי יצירת הערך. כפי שמוצג כאן, AX משתרע על שלושה ממדים מקושרים: (1) ניסוח אסטרטגיית בינה מלאכותית ארגונית—תכנון מכוון של השקעות, סדרי עדיפויות וממשל בבינה מלאכותית ברמת הארגון; (2) פריסה תפעולית של מערכות בינה מלאכותית—אימוץ טכני, אינטגרציה והרחבה של פתרונות בינה מלאכותית בתוך תהליכי עבודה קיימים; ו-(3) ניהול שינוי ארגוני — ההתאמות האנושיות, התרבותיות והמבניות הנדרשות למימוש פוטנציאל יצירת הערך של הבינה המלאכותית בקנה מידה רחב. מחקר זה מתמקד בפער זה על ידי שאלה: (1) האם הגורמים שזוהו על ידי בלאק ואחרים16 מחזיקים בתוקף אמפירי בהקשרים ארגוניים, ו-(2) כיצד מנהלים ואנשי מקצוע שונים בתפיסותיהם לגבי מערכות יחסים אלו — במיוחד בכל הנוגע לצדדים הבהירים והאפלים של טרנספורמציית הבינה המלאכותית. על ידי הכנסת היררכיה ארגונית כמתווכת מבנית, אנו בוחנים האם קיימות אסימטריות שיטתיות באופן שבו רמות שונות תופסות את ההבטחות והסכנות של הבינה המלאכותית. הממצאים מצביעים על כך שגם גורמים מאפשרים וגם מכשולים בטרנספורמציה של בינה מלאכותית עשויים להיתפס באופן שונה ברמות היררכיות, מה שנושא השלכות על יישור ואסטרטגיות ממשל.

המחקר מכיר יותר ויותר באופי הכפול של AX. גרוואל ואחרים 19 מנתחים את "האור והחושך" של הבינה המלאכותית, בעוד שבלאנש ואחרים חוקרים צדדים בהירים ואפלים בשירותים. בלאנש ואח' עוקבים אחרי ההשפעות המנוגדות של ניהול האלגוריתמים, וברארי ואח' מספקים ראיות מטה-אנליטיות לצד האפל של הבינה המלאכותית בשיווק. יחד, מחקרים אלה מבהירים כי טרנספורמציה בבינה מלאכותית אינה ניתנת לתפיסה דרך עדשה אופטימית בלבד; ארגונים חייבים לנהל הזדמנויות ולהפחית סיכונים בו זמנית.

בהתבסס על בלאק ואחרים, נבדקו ארבע יכולות דינמיות מרכזיות לניווט הדואליות הזו: (1) היכולת לרוץ ולשינוי, המאפשרת ניצול וחקירה בו-זמנית21; (2) מוכנות לנתונים/מערכות מידע מבוססת בינה מלאכותית, המספקת תשתית לפריסת AI תוך התמודדות עם אתגרי איכות ואינטגרציהשל הנתונים 22; (3) מודעות לשוק/לקוח, שמאזנת בין הזדמנויות התאמה אישית לדאגות פרטיות23; ו-(4) משמעת תהליכים אסטרטגיים, השומרת על ממשל מבלי לוותר על זריזות24. במסגרת זו, ההקשר הסביבתי, מנהיגות פרואקטיבית ומאפשרים (סבילות סיכונית רגישה לבינה מלאכותית ותרבות חדשנות רגישה לטכנולוגיה) משמשים כקודמים שמעצבים יחד את ארבעת ממדי היכולת הללו. היכולות, בתורן, מניעות יחד את ביצועי הטרנספורמציה של הבינה המלאכותית. שרשרת סיבתית זו—מהקדמים דרך יכולות ועד תוצאות ביצועים—מהווה את הלוגיקה התיאורטית המרכזית של המודל, כאשר תפקיד הארגון (מנהל מול פרקטיקאי) נכנס כעדשה מתוונת דרכה בוחנים אסימטריות תפיסתיות.

תיאוריית היכולות הדינמיות מתארת כיצד חברות שומרות על יתרון תחרותי בסביבות תנודתיות על ידי חישה, תפיסה ושינוי25. ביישום על בינה מלאכותית, יכולות אלו מאפשרות לארגונים לנצל הזדמנויות טכנולוגיות תוך שמירה על הסיכונים הנלווים תחת שליטה.

היכולת לנהל ולשנות משקפת את הגמישות של הארגון באיזון בין פעילות מתמשכת לחדשנות. אג'יליטי מאפשרת אימוץ מהיר של בינה מלאכותית26, אך גם מעלה את הסיכון לפריסה מוקדמת וחוסר בבדיקות מספקות. נגויין ואח' מראים כי בינה מלאכותית משבשת מודלים מסורתיים של שינוי ליניארי, ודורשת מערכות איטרטיביות ומבוססות משוב. ללא ניהול זהיר, ההסתגלות המתמדת שנוצרת עלולה לערער את יציבות הארגון28.

מוכנות נתונים/מערכות מידע מבוססת בינה מלאכותית פועלת כתשתית יסוד, אך מוכנות אמיתית כוללת הן יכולות טכניות והן אתגרים ארגוניים. מערכות נתונים חזקות יכולות לשחרר יצירת ערך בינה מלאכותית22, אך ארכיטקטורות מפוצלות ואיכות נתונים ירודה עלולים להגביל את היעילות29. Ghosh30 מציג מוכנות מסגרות כמערכת תלויה זו בזו הדורשת התאמה מתמשכת—מדגישה הן את הפוטנציאל המאפשר שלה והן את מורכבות היישום שלה.

מודעות לשוק/לקוח מציידת ארגונים לחוש את צרכי הלקוח וליצור חוויות מותאמות אישית23. במקביל, זה מעורר חששות בפרטיות וסיכון להתאמה אישית מופרזת. מציאת האיזון הנכון בין יצירת תובנות להגנה על פרטיות מהווה מתח מרכזי בטרנספורמציית הבינה המלאכותית31.

משמעת תהליכים אסטרטגית מספקת מבני ממשל ליוזמות בינה מלאכותית, ומקדמת יישור ואחריות16. עם זאת, משמעת מופרזת עלולה לדכא חדשנות ולהאט את ההסתגלות. האתגר הוא לשמור על מספיק מבנה מבלי להקים מחסומים בירוקרטיים32.

H1: יכולות קשורות באופן חיובי לביצועים.

בלאק ואחרים, 16, מבדילים מנהיגות פרואקטיבית מ"תמיכה בהנהלה בכירה" פסיבית, ומדגישים מנהיגים שמעצבים באופן פעיל אג'נדות אסטרטגיות, סובלים אי-ודאות ומנטרים יישום בינה מלאכותית33. עם זאת, יעילות המנהיגות ב-AX תלויה בגישור על הפער בין מנהלים לאנשי מקצוע. מנהלים מגבשים את חזון הבינה המלאכותית ומשתלבים בממשל אתי34,35, בעוד שאנשי מקצוע מספקים משוב חווייתי חיוני דרך אינטראקציה יומית עם כלים, ומעלה דרישות מעשיות שמנהלים עלולים לפספס36. פער היררכי זה מתבטא לעיתים קרובות בהתלהבות אסטרטגית בצמרת, המתקדמת ללא תשומת לב מספקת לאתגרים באינטגרציית זרימת העבודה ולמגבלות השימושיות בשטח. לכן, מנהיגות פרואקטיבית דורשת מעורבות דו-כיוונית — מנהלים קובעים כיוון אסטרטגי תוך שילוב תובנות של אנשי מקצוע כדי שיכולות הבינה המלאכותית יתאימו למציאות התפעולית. תלות הדדית זו מובילה ל:

H2. מנהיגות פרואקטיבית מזוהה באופן חיובי עם יכולות.

הקשר סביבתי מכסה את הכוחות החיצוניים שמעצבים את הנוף האסטרטגי של הארגון. הדינמיות התעשייתית — שהוגדרה על ידי בלאק ואחרים כמהירות ועוצמת השינוי והתחרות — מאופיינת בתחכום טכנולוגי, הפרעות בלתי פוסקות וזרימה מתמדת של מתחרים חדשים, שכולם דורשים זריזות ארגונית. דינמיות גבוהה מגבירה את הדחיפות באימוץ טכנולוגיות טרנספורמטיביות כמו בינה מלאכותית, מה שהופך את מהירות האימוץלגורם מבדיל קריטי. סינג ואח' מראים כיצד הדינמיות מאפשרת להיווצר יכולות מבוססות משאבים הניתנות לקונפיגורציה מחדש, ומצביעים על האופן שבו יכולות דינמיות משתלבות במבנים ארגוניים כדי לתמוך או להגביל חדשנות וגמישות. ממצאים אחרונים מדגישים את האופי המורכב והכפול של הדינמיות הסביבתית39, שמדווחים כי היא ממתנת באופן חיובי ושלילי את השפעות הדיגיטציה על חדשנות במודל העסקי בייצור הסיני, בעוד שבינסר ואחרים.40 מזהים השפעה מתונה משמעותית על יכולות האימוץ הדיגיטלי ועל ביצועי בתי החולים באינדונזיה. התגובה הסביבתית, אם כן, חורגת מהסתגלות חיצונית בלבד; היא דורשת יישור בין מערכות ארגוניות, תרבות ומנהיגות. בהתאם לכך, אנו משערים:

H3. הקשר סביבתי קשור באופן חיובי ליכולות.

שני גורמים קריטיים משפיעים על האופן שבו ארגונים מתמודדים עם הטבע הכפול של הבינה המלאכותית: סבילות לסיכונים של בינה מלאכותית ותרבות חדשנות רגישה לטכנולוגיה. סבילות הסיכון של הבינה המלאכותית משקפת את הנכונות לקבל אי-ודאות בניסויים בבינה מלאכותית. בעוד שסובלנות כזו מניעה חדשנות, היא גם חושפת ארגונים לכישלונות פוטנציאליים. ג'או ואח' מראים שתרבות ניהול השגיאות משפרת חדשנות בשירות, אם כי היתרונות דועכים ללא מערכות ניהול מתאימות. בארט ואחרים. 43 מדגישים את הצורך בפרקטיקות ניהול סיכונים המאזנות בין ניסויים לאמצעי הגנה. תרבות החדשנות הרגישה לטכנולוגיה מעודדת אימוץ וניסויים של בינה מלאכותית תוך הכרה במגבלות טכנולוגיות. תרבויות כאלה מקדמות למידה מתמשכת ושיתוף פעולה בין-תחומי44 , אך הן גם עלולות ללחוץ על ארגונים לאמץ מוקדם מדי או להעריך סיכונים לא מספקים. מציאת האיזון הנכון בין עידוד חדשנות להבטחת יישום אחראי נותרת אתגר ארגוני מרכזי45.

H4: מאפשרים מזוהים באופן חיובי עם יכולות.

היררכיה ארגונית משפיעה רבות על האופן שבו נתפסים ההזדמנויות והסיכונים של הבינה המלאכותית. מנהלים נוטים להתמקד ביתרונות אסטרטגיים — יתרון תחרותי, מיצוב שוק ויצירת ערך לטווח ארוך35, תוך התבוננות בבינה מלאכותית דרך עדשה אופטימית בעיקר המדגישה את הפוטנציאל הטרנספורמטיבי שלה. עם זאת, נקודת מבט זו יכולה להמעיט בערך אתגרי היישום והמורכבויות התפעוליות. המתרגלים פוגשים את הטבע הכפול של הבינה המלאכותית באופן ישיר יותר. בעוד שהם מזהים שיפורי יעילות, הם גם מתמודדים מדי יום עם בעיות איכות נתונים, מכשולי אינטגרציהוהפרעות בזרימת העבודה, מה שמשאיר אותם מודעים יותר למגבלות, הסיכונים וההשלכות הבלתי צפויות של הבינה המלאכותית. מחקר על תפיסות העובדים מאשר כי אנשי מקצוע מנווטים באינטראקציה מורכבת של חרדת אוטומציה ושיפור ביעילות, שנוצר על ידי חשיפה מעשיתלשינויים בזרימת העבודה המונעת על ידי בינה מלאכותית. מחקר קוגניטיבי מאיר את ההבדלים הללו. מנהלים מסתמכים יותר על עיבוד אינטואיטיבי ואסטרטגי המתאים להתמודדות עם עמימות, בעוד שאנשי מקצוע משתמשים בהיגיון אנליטי לפתרון בעיות תפעולי49,50. סגנונות קוגניטיביים אלו משפיעים על קריאת כל קבוצה את הצדדים הבהירים והאפלים של הבינה המלאכותית. גם תפיסות תרבותיות שונות. מנהלים נוטים לראות בתרבות הארגונית את התרבות הארגונית כחדשנית ומלוכדת34, בעוד שאנשי מקצוע מדווחים על מכשולים מבניים והשפעה מוגבלת51. תפיסות מנוגדות כאלה מזינות אי-התאמה באסטרטגיות אימוץ בינה מלאכותית, במסגרות אתיות ובניהול סיכונים52. מנהלים ביניים ממלאים תפקיד גשר קריטי בין חזון אסטרטגי למציאות התפעולית. היעילות שבה הם מאזנים בין אופטימיות לפרגמטיזם עשויה להיות קשורה לתוצאות השינוי53. כאשר הגישור הזה מתערער, הניתקים עלולים להתרחב, ולפגוע בגמישות הארגון.

H5: תפקיד בארגון (מנהלים לעומת אנשי מקצוע) קשור להבדלים שיטתיים ברמת התפיסה שבה מוערכים מבנים הקשורים ל-AX, כאשר מצופה מהמנהלים לדווח על הערכות גבוהות יותר של יכולות, מאפשרים ותוצאות ביצועים—המשקפות את הדגש המוגבר על "הצד החיובי" של טרנספורמציית הבינה המלאכותית—בהשוואה לאנשי מקצוע, שהם קרובים יותר לסיכונים תפעוליים ולאתגרי יישום. חשוב לציין ש-H5 עוסק בהבדלים תפיסתיים (כלומר, הבדלים באופן שבו ההיררכיה הארגונית מעצבת את רמת ציוני הקונסטרוקט), ולא בהבדלים במנגנונים סיבתיים בסיסיים. עיצוב הסקר החתך של מחקר זה תומך בהסקה על דפוסי תפיסה ויחסים אסוציאטיביים; טענות סיבתיות לגבי מיתון מבני דורשות עיצובים אורכיים או ניסיוניים ואינן מובחנות כאן.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

כל ההליכים עמדו בסטנדרטים האתיים למחקר משתתף אנושי באוניברסיטת aSSIST, אוניברסיטת סווון, אוניברסיטת סונגקיונוואקן ואוניברסיטת דונג-א. מכיוון שכל תגובה הייתה אנונימית בנקודת האיסוף ולא נאספו נתונים אישיים מזהים בכל שלב, ועדת הביקורת המוסדית של אוניברסיטת aSSIST העניקה למחקר פטור מסקירה מלאה. מוסדות שותפים לכתיבה הסתמכו על אישור מוסד מוביל זה במקום לרדוף אחרי סקירות IRB עצמאיות; אוניברסיטת aSSIST אישרה הן את עיצוב המחקר והן את פרוטוקול איסוף הנתונים. בתוך פלטפורמת Qualtrics, כל משתתף נתקל בהצהרת הסכמה דיגיטלית מודעת לפני שהשאלון הפך לנגיש. ההצהרה הזו פירטה את מטרת המחקר האקדמית, אישרה את הטיפול בנתונים אנונימיים, ציינה שהנתונים ישרתו רק למטרות מחקר, וסימנה היעדר סיכונים צפויים; כל מי שלא הסכים באופן פעיל הוצא אוטומטית מהסקר.

מודל מחקר
במודל המחקר שלנו (איור 1), היכולות משמשות כמתווכים בין שלושה גורמים קודמים—מנהיגות פרואקטיבית, הקשר סביבתי ומאפשרים—לבין ביצועים, בעוד שמעמד הארגון נכנס כמשתנה מתון. היכולות כוללות ארבעה ממדים: יכולת להריץ ולשנות (RC), מוכנות נתונים/מערכות מידע מבוססת בינה מלאכותית (DR), מודעות לשוק/לקוח (MC), ומשמעת תהליכים אסטרטגית (SP). המאפשרים כוללים תרבות חדשנות רגישה לטכנולוגיה (TS) וסבילות לסיכון בינה מלאכותית (AS).

figure-protocol-1
איור 1: מודל מחקר. מודל מחקר קונספטואלי המתאר את הקשרים ההיפותיים בין מנהיגות פרואקטיבית, הקשר סביבתי ומאפשרים (קודמים); ארבעה ממדים דינמיים של יכולת (יכולת לפעול ולשינוי, מוכנות לנתונים/מערכות מידע מבוססת בינה מלאכותית, מודעות לשוק/לקוח, משמעת תהליכים אסטרטגית); וביצועי טרנספורמציה בבינה מלאכותית, כאשר תפקיד ארגוני (מנהל מול עוסק) נכנס כמשתנה מתון. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

נתוני מחקר
איסוף הנתונים התבסס על סקר מקוון שנערך דרך Prolific (https://www.prolific.co) לגיוס משתתפים ו-Qualtrics (https://www.qualtrics.com) לאירוח וניהול סקרים, שנמשך יומיים רצופים (24–25 בנובמבר 2024). הזכאות הייתה מוגבלת לאנשים המועסקים כיום ומעורבים באופן פעיל בפרויקטים הקשורים לבינה מלאכותית בארגוניהם. מסנני הסינון המוקדמים של Prolific אישרו קריטריון זה, ושאלה של סקר Qualtrics אישרה זאת: "איזה מהדברים הבאים מתאר בצורה הטובה ביותר את מצבך הנוכחי?" —רק משיבים שבחרו "אני מועסק כרגע ומעורב בעבודה הקשורה לבינה מלאכותית" הורשו להמשיך. המשתתפים נדרשו גם לאשר שהם לפחות בני 20 דרך טופס ההסכמה הדיגיטלית בתחילת הסקר; מי שלא הסכים הוצא אוטומטית. פריט בדיקת קשב מוטמע ("האם AI הוא קיצור ל-Artichoke Information?"; תשובה נכונה: לא) סימן משיבים לא קשובים; הסקר הסתיים אוטומטית בעקבות תגובה שגויה. המדגם הסופי כלל 293 אנשי מקצוע (נשים 50.51%, גברים 49.49%). המשיבים חולקו לשתי קבוצות על בסיס תשובתם לפריט סקר ייעודי: "מה תפקידך בפרויקטים של הבינה המלאכותית של החברה שלך?" עם חמש אפשרויות: מנהל בכיר/בכיר, ניהול ביניים, צוות טכני/מהנדס, חוקר/מדען ויועץ. אלו שבחרו בניהול בכיר/בכיר שובצו לקבוצת המנהלים; אלו שבחרו צוות טכני/מהנדס, חוקר/מדען או יועץ שובצו לקבוצת העוסקים במקצוענים. משיבים מהניהול הבינוני (n = 81) הצטרפו לקבוצת המנהלים, בטענה שתפקידי ניהול ביניים כוללים פיקוח ישיר על צוותי תפעול והשתתפות בתכנון אסטרטגי, מה שממקם קרוב יותר לתפקוד הביצועי מאשר לפרקטיקה בקו החזית. הקבוצה הסופית הניבה 112 מנהלים ו-181 אנשי מקצוע. טבלה 1 מסכמת את פרופיל הדמוגרפיה.

טבלה 1: מאפיינים דמוגרפיים. פרופיל דמוגרפי של 293 המשיבים לסקר, כולל מגדר, גיל, תעשייה ותפקיד ארגוני, מחולק לפי שתי הקבוצות ההיררכיות המשמשות לניתוח רב-קבוצות (מנהלים, n = 112; עוסקים, n = 181). אנא לחצו כאן להורדת הטבלה הזו.

אמצעים
כל פריטי הסקר נמדדו באמצעות סולם ליקרט בן שבע נקודות, שנע בין "לא מסכים בתוקף (1)" ועד "מסכים בחוזקה (7)". כדי לאמת בהירות מושגית והתאמה לאוכלוסיית המקצוענים היעד, בוצע מבחן מקדים של 30 משיבים עם משתתפי Prolific שדיווחו על מעורבות פעילה בפרויקטים הקשורים לבינה מלאכותית בארגוניהם. תשובות לפני המבחן הובילו לתיקונים קלים בניסוח עבור שני פריטים שהמשתתפים מצאו דו-משמעיים, ללא שינויים מבניים בסולם. ההשערות נבדקו באמצעות מידול משוואות מבניות של ריבועים חלקיים (PLS-SEM) שהוערך ב-SmartPLS 4.0. שלושה מאפיינים של המחקר הנוכחי הנחו את הבחירה הזו. ראשית, גם Capabilities וגם Enablers מופעלים כמבנים מעצבים מסדר שני — תצורה שעבורה הערכה מבוססת שונות מתאימה ישירות יותר מאשר SEM מבוסס קו-וריאנטיות. שנית, אסימטריות תפיסתיות בטרנספורמציית בינה מלאכותית מייצגות תחום מחקר מתפתח שבו קונבנציות מדידה בוגרות עדיין מתפתחות; בתנאים אלה, דגש חיזוי מתאים יותר מאשר אופטימיזציה של מדדי התאמה מאשרים. שלישית, תת-הקבוצות של המנהלים והמעשיים שונות באופן מהותי בגודל (מנהלים n = 112; העוסקים n = 181), ואמידה מבוססת שונות אינה כפופה לדרישות מינימלית של גודל תא שמגבילים גישות מבוססות קו-וריאנטיות. עבודות אמפיריות קודמות על טרנספורמציה דיגיטלית אימצו גישה אנליטית זו.

ב-SmartPLS 4.0, אלגוריתם ה-PLS הוגדר עם משקל מסלולים, מקסימום של 300 איטרציות וקריטריון עצירה של 10⁻7. Bootstrapping השתמש ב-5,000 תת-דגימות עם מרווחי ביטחון מתוקנים ומואצים (BCa), ללא שינויים בסימנים, ואתחול מלא. בגישה הדו-שלבית, הושגו ציוני משתנים סמויים בשלב 1 על ידי הרצת אלגוריתם PLS על מודל מדידה מסדר ראשון (Calculate → PLS Algorithm); ציונים אלו יוצאו לאחר מכן (תוצאות → ציוני משתנים סמויים) ושימשו כמדדי גלוי למבנים מסדר שני בשלב 2. MGA מבוסס פרמוטציה בוצע באמצעות Calculate → Multi-Group Analysis → Permutation, עם 1,000 פרמוטציות ורמת מובהקות דו-זנבית של 0.05. בדיקות MICOM בוצעו באמצעות Calculate → Permutation → MICOM, גם כן עם 1,000 פרמוטציות. סגמנטציה של FIMIX-PLS בוצעה באמצעות Calculate → FIMIX-PLS עם 10 חזרות וזרע קבוע לשחזוריות 46,54,55,56,57,58,59. בהקשר של מחקר זה, PLS-SEM שירת תפקיד כפול: הערכת קשרי מסלול ברמת הקונסטרוקט על פני המדגם המלא ותמיכה בהשוואות בין קבוצות באמצעות MGA. תוצאות ברמת המסלול גם הצביעו על דפוסים המחייבים בדיקה תיאורטית נוספת60.

יכולות ומאפשרות מופעלות כל אחת כמבנים מדרגה שנייה מעצבים במחקר זה. היכולות מאגדות ארבעה ממדים מסדר ראשון: יכולת תצורה מחדש, מוכנות נתונים ומערכת-בינה מלאכותית, קרבה לשוק וללקוח, ומשמעת תהליכים אסטרטגית. המפעילים משלבים שני ממדים ראשונים: עמידות סיכונית רגישה לבינה מלאכותית ותרבות חדשנות רגישה לטכנולוגיה. הערכת המבנים הפורמטיביים מסדר שני התבצעה לפי הגישה הדו-שלבית שהומלצה למודלים מסדר גבוה ב-PLS-SEM61. גישה זו שונה מהגישה של אינדיקטור חוזר: במקום לשכפל את כל המדדים מסדר ראשון ברמת הסדר השני בשלב הערכה אחד, ההליך הדו-שלבי מייצר תחילה ציונים של משתנים סמויים לכל מבנה מסדר ראשון מתוך קבוצת האינדיקטורים המתאימה לו (שלב 1), ואז משתמש בציונים אלו כקלטים גלויים למבנה המתאים מסדר שני בשלב 2. הערכה סדרתית זו מונעת אינפלציה של אינדיקטור חוצה-קונסטרוקט שיכולה להיווצר כאשר כל הפריטים מופיעים בו-זמנית בתוך מודל חד-שלבי מסדר גבוה 62,63,64. ההליך הדו-שלבי נמנע בכך מהנפצת פרמטרים והערכות מוטות שיכולות להיגרם מגישת האינדיקטור החוזרת בהערכה חד-שלבית64. לבחינת H5, יושם ניתוח רב-קבוצתי מבוסס פרמוטציה (PLS-MGA)65,66 כדי לבחון האם הקשרים המבניים, כלומר הקשרים בין יכולות וביצועים (H1), מנהיגות ויכולות פרואקטיביות (H2), הקשר ויכולות סביבתיות (H3) ומאפשרים ויכולות (H4), שונים בין קבוצות המסווגות לפי עמדה ארגונית (H5) (איור 2)). פונקציית PLS-MGA המוטמעת בתוך SmartPLS שימשה לניתוח זה. תוכן השאלון מוצג בטבלה 2.

טבלה 2: שאלון. מכשיר מדידה מלא המפרט את כל הפריטים הרפלקטיביים עבור אחד עשר המבנים מסדר ראשון, מקורות המקורות שלהם, וסולם התגובה של ליקרט בעל שבע נקודות המשמש לכל פריט. אנא לחצו כאן להורדת הטבלה הזו.

שני פריטי בדיקת תשומת לב הוכנסו לסקר הסופי, והם שימשו כמסננים כדי לסנן משתתפים שלא ענו נכון (למשל, "איזו מהשאלות האלה מתארת בצורה הטובה ביותר את מצבך הנוכחי?") ואם המשתתף ענה על אחת מהשאלות הללו בצורה שגויה, הסקר הסתיים מיד.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

כהערכה ראשונית של הטיית שיטה נפוצה (CMB), נערך מבחן הגורם היחיד של הרמן, כאשר הגורם הראשון ללא סיבוב היווה 30.21% מהשונות (מתחת לסף 50%). בעוד שתוצאה זו מספקת ראיות ראשוניות לכך ש-CMB אינו שולט בנתונים, מוכר כי למבחן הרמן יש רגישות וספציפיות מוגבלות ככלי אבחון. כאמצעי הגנה פרוצדורליים נוספים, הסקר השתמש בסדר פריטים אקראי, כולל פריטים מקודדים הפוכים, והבטיח אנונימיות של המשיבים כדי להפחית הטיית רצון חברתית. כאינדיקטור מבני נוסף, ערכי VIF קוליניאריות מלאה לכל מבני המודל החיצוניים היו מתחת ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

הממצאים מגלים כי היררכיה ארגונית קשורה להבדלים שיטתיים ברמת ההבנה שבה מנהלים ואנשי מקצוע תופסים את מבני הטרנספורמציה של בינה מלאכותית, ולא במבנה הקשרים ביניהם. שלוש גישות MGA עצמאיות—MGA מבוסס פרמוטציה (1,000 פרמוטציות), Bootstrap MGA (5,000 תת-דגימות)74, ובדיקות פרמטריות וולש-סאטרת'ווייט66—לא מצאו בעקביות הבדלים מובהקים סטטיסטית במקדמי מסלול מבניים (H5 לא נתמך; כל ה-p הדו-זנבי > 0.05 בכל השיטות), ואישרו שקילות מבנית בין קבוצות. סגמנטציה של...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

המחברים מצהירים שאין ניגוד עניינים. במהלך הכנת כתב היד, המחברים השתמשו בבינה מלאכותית גנרטיבית במידה מוגבלת — במיוחד לניסוח מחדש של טיוטות של קטעים מתודולוגיים נבחרים ולסימון בעיות דקדוקיות בתיאורים טכניים. כל קטע שנוצר על ידי בינה מלאכותית נבדק לאחר מכן מול נתוני המקור ונכתב מחדש באופן משמעותי על ידי המחברים. המחברים נושאים באחריות מלאה לדיוק, שלמות ומקוריות של כל חלק בכתב היד. כל המחברים תרמו באופן שווה למאמר.

תודות

עבודה זו נתמכת במימון מחקר מאוניברסיטת aSSIST.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Prolific (פלטפורמת גיוס משתתפים מקוונת)פרוליפ אקדמיק בע"מhttps://www.prolific.com/פלטפורמה מקוונת המשמשת לגיוס משתתפי סקר. המשתתפים נבדקו על פי קריטריוני זכאות (למשל, תעסוקה נוכחית בארגון עם ניסיון באימוץ בינה מלאכותית) וקיבלו פיצוי בהתאם להנחיות השכר ההוגן של Prolific. 
Qualtrics (פלטפורמת סקרים מקוונת)Qualtrics, LLChttps://www.qualtrics.com/פלטפורמת סקרים מבוססת רשת המשמשת לעיצוב שאלונים, הפצה ואיסוף נתוני תגובה. כל פריטי המדידה נוהלו באמצעות Qualtrics באמצעות סולם ליקרט בן 7 נקודות (1 = לא מסכים בחוזקה, 7 = מסכים בחוזקה). 
SmartPLS 4.0 (תוכנת PLS-SEM)SmartPLS GmbHhttps://smartpls.com/שימש לכל ניתוחי מידול משוואות מבנים חלקי מינימום ריבועים (PLS-SEM), כולל הערכת מודל חיצוני (אמינות מורכבת, AVE, HTMT), ניתוח מסלול מודל פנימי (bootstrapping, 5,000 דגימות), בדיקות אי-שינוי קומפוזיוני תלת-שלבי MICOM (פרמוטציה, 1,000 ציורים), ומבחני הבדלים בין קבוצות PLS-MGA.

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Partial Least Squares
הסרטון יגיע בקרוב

מאמרים קשורים