Articolo di ricerca

Scoprire le asimmetrie gerarchiche nella trasformazione dell'intelligenza artificiale: navigare tra i lati positivi e oscuri a tutti i livelli organizzativi

DOI:

10.3791/70756

⸱

12 maggio 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 questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Descriviamo una metodologia di sondaggio replicabile progettata per sondare le asimmetrie gerarchiche nelle percezioni di trasformazione dell'intelligenza artificiale (IA) (AX). Sia dirigenti che professionisti compilano un questionario validato ospitato su Qualtrics; la pipeline analitica funziona in SmartPLS 4.0, coprendo la validazione del modello esterno, l'analisi dei percorsi, i test di invarianza MICOM e l'analisi multi-gruppo basata su permutazioni (MGA).

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Le strutture di governance che allineano la strategia esecutiva all'implementazione in prima linea dipendono dalla comprensione di come la gerarchia organizzativa plasmi la percezione dei fattori di successo della trasformazione dell'intelligenza artificiale (IA) (AX). Presentiamo una metodologia basata su sondaggi validata e replicabile che accoppia la modellazione strutturale delle equazioni parziali a minimi quadrati (PLS-SEM) con l'analisi multigruppo (MGA) per rilevare e quantificare asimmetrie gerarchiche nelle percezioni AX—andando oltre l'analisi aggregata per mettere in luce divisioni strutturali che i metodi a gruppo singolo lasciano nascoste. Con 293 professionisti coinvolti in progetti di IA, valutiamo quattro dimensioni dinamiche delle capacità—agilità operativa, prontezza dei dati, prossimità al cliente e disciplina dei processi strategici—insieme ai fattori chiave che abilitano: supporto tecnologico, tolleranza al rischio sensibile all'IA, contesto ambientale e leadership proattiva. L'invarianza composizionale viene prima verificata tramite test MICOM; solo dopo aver confermato la comparabilità tra gruppi l'analisi passa ai test di significanza MGA basati su permutazioni. Entrambi i gruppi mostrano associazioni positive tra capacità dinamiche e performance AX (dirigenti: β = 0,637, R2 = 0,406; operatori: β = 0,531,R 2 = 0,282). La MGA basata sulla permutazione non rileva differenze statisticamente significative nei coefficienti di percorso strutturale tra i due gruppi (tutti p ≥ 0,178); il ruolo moderatore ipotetico della posizione organizzativa sulle relazioni di percorso (H5) manca quindi di supporto. Tuttavia, MICOM Step 3a mostra che i dirigenti valutano tutti i principali costrutti significativamente più alti rispetto ai professionisti (8 su 11 costrutti, tutti p ≤ 0,045)—prova che l'asimmetria gerarchica emerge come una lacuna nei livelli percettivi, non nelle relazioni strutturali stesse. Come modello metodologico trasferibile, il protocollo fornisce ai ricercatori che studiano le lacune di percezione nella trasformazione organizzativa strumenti direttamente legati alla governance dell'IA, alla strategia di gestione del cambiamento e all'allineamento trasversale in contesti ad alta intensità tecnologica.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

I rapidi progressi nell'intelligenza artificiale hanno aperto un doppio panorama per le organizzazioni aziendali: opportunità straordinarie di creazione di valore da un lato, rischi e sfide significativi dall'altro. L'IA generativa e le tecnologie di IA convenzionali promettono una maggiore produttività, innovazione più rapida e un posizionamento competitivo piùforte 3, ma contemporaneamente suscitano preoccupazioni riguardo a pregiudizi, sostituzione del lavoro, disuguaglianza e dilemmietici 4,5. Questa dualità lato positivo/lato oscuro richiede un'attenta analisi di come le organizzazioni gestiscano sia opportunità che rischi mentre percorrono la trasformazione.

Un corpo di lavoro in crescita documenta la portata trasformativa dell'IA—ottimizzazione dell'interazione con il cliente, guadagni di efficienza operativa e decisioni più acute 6,7. Questi progressi, tuttavia, portano contrapposizioni sostanziali. La discriminazione e i pregiudizi incorporati nei sistemi di IA possono radicare disuguaglianze esistenti8, l'automazione minaccia la stabilità del postodi lavoro 9, e l'opacità di molti algoritmi solleva domandesulla responsabilità 10. Il divario crescente tra le aziende abilitate dall'IA e i loro colleghi meno avanzati tecnologicamente approfondisce la disparitàeconomica 11, mentre i deficit di trasparenza e fiducia complicano le relazioni con gli stakeholder12.

Sebbene la letteratura sulla trasformazione digitale sia ampia13, la trasformazione guidata dall'IA merita un trattamento separato come fenomenodistinto 14,15. Black et al.16 hanno identificato abilitatori critici per la trasformazione dei modelli di business abilitati dall'IA attraverso una lente dinamica delle capacità, ma il loro framework non affronta come tali fattori vengano percepiti e attuati in modo diverso tra le gerarchie organizzative. Questo divario ha un peso dato l'aumento delle evidenze di disallineamento tra la strategia esecutiva e l'implementazione da parte dei professionisti17.

La ricerca multilivello ha iniziato a dimostrare che l'adozione dell'IA risuona in modo disomogeneo tra i livelli organizzativi, con una marcata variazione nel modo in cui dirigenti e professionisti percepiscono e vivono la trasformazionedell'IA 18. I guadagni di produttività, decisioni più acute e la creazione di nuovo valore sono benefici ampiamente riconosciuti dell'IA, eppure molte organizzazioni faticano ancora a spingere le iniziative di IA oltre la fase pilota—soprattutto quando percettivo e operativo dividono livelli gerarchici separati.

In questo studio, la trasformazione dell'IA (AX) indica il processo sistematico e organizzativo di integrare le tecnologie IA nei processi operativi fondamentali, strategici e di creazione di valore. Come operato qui, AX copre tre dimensioni interconnesse: (1) formulazione della strategia di IA aziendale—la pianificazione deliberata degli investimenti, della prioritizzazione e della governance dell'IA a livello organizzativo; (2) l'implementazione operativa dei sistemi di IA—l'adozione tecnica, l'integrazione e la scalabilità delle soluzioni IA all'interno dei flussi di lavoro esistenti; e (3) gestione del cambiamento organizzativo—gli aggiustamenti umani, culturali e strutturali necessari per realizzare su larga scala il potenziale di creazione di valore dell'IA. Questo studio colpisce questa lacuna chiedendo: (1) se i fattori identificati da Black et al.16 abbiano validità empirica in contesti organizzativi e (2) come dirigenti e professionisti divergen nelle loro percezioni di queste relazioni—soprattutto per quanto riguarda i lati positivi e oscuri della trasformazione dell'IA. Introducendo la gerarchia organizzativa come moderatore strutturale, esaminiamo se esistano asimmetrie sistematiche nel modo in cui i diversi livelli percepiscono le promesse e i pericoli dell'IA. I risultati indicano che sia i fattori abilitanti che gli ostacoli nella trasformazione dell'IA possono essere percepiti in modo diverso a seconda dei livelli gerarchici, con implicazioni per l'allineamento e le strategie di governance.

La ricerca scientifica riconosce sempre più il doppio carattere di AX. Grewal et al.19 analizzano la "luce e l'oscurità" dell'IA, mentre Belanche et al.20 sondano i lati luminosi e oscuri nei servizi. Belanche et al.20 tracciano gli effetti contrastanti della gestione algoritmica, e Barari et al.1 forniscono prove meta-analitiche del lato oscuro dell'IA nel marketing. Presi insieme, questi studi chiariscono che la trasformazione dell'IA non può essere compresa con una lente puramente ottimistica; Le organizzazioni devono gestire le opportunità e mitigare i rischi allo stesso tempo.

Sulla base di Black et al.16, sono state esaminate quattro capacità dinamiche centrali per navigare questa dualità: (1) Capacità di operare e cambiare, che consente sfruttamento e esplorazionesimultanea 21; (2) prontezza dati/sistemi di integrazione orientata all'IA, che fornisce infrastruttura per il deployment dell'IA gestendo al contempo la qualità dei dati e le sfide di integrazione22; (3) Consapevolezza di mercato/cliente, che bilancia le opportunità di personalizzazione con le preoccupazioni sulla privacy23; e (4) Disciplina dei processi strategici, che salvaguarda la governance senza sacrificarel'agilità 24. In questo contesto, il contesto ambientale, la leadership proattiva e i facilitatori (tolleranza al rischio sensibile all'IA e cultura dell'innovazione tecnologica) funzionano come antecedenti che insieme modellano queste quattro dimensioni di capacità. Le capacità, a loro volta, guidano collettivamente le prestazioni nella trasformazione dell'IA. Questa catena causale — dagli antecedenti alle capacità fino agli esiti di performance — costituisce la logica teorica centrale del modello, con la posizione organizzativa (esecutivo vs. praticante) che entra come lente moderatrice attraverso la quale vengono esaminate le asimmetrie percettive.

La teoria delle capacità dinamiche spiega come le aziende mantengano il vantaggio competitivo in ambienti volatili rilevando, sequestrando etrasformando 25. Applicate all'IA, queste capacità permettono alle organizzazioni di cogliere opportunità tecnologiche mantenendo sotto controllo i rischi associati.

La capacità di gestire e cambiare cattura l'agilità di un'organizzazione nell'equilibrare le operazioni in corso con l'innovazione. L'agilità facilita l'adozione rapida dell'IA, ma aumenta anche il rischio di un dispiegamento prematuro e di test insufficienti. Nguyen et al.27 dimostrano che l'IA rivoluziona i modelli tradizionali di cambiamento lineare, richiedendo invece sistemi iterativi e basati sul feedback. Senza una gestione attenta, l'adattamento costante che ne deriva può destabilizzare l'organizzazione28.

La prontezza dati/IS orientata all'IA funziona come infrastruttura fondamentale, ma la vera prontezza copre sia le capacità tecniche che le sfide organizzative. Sistemi dati robusti possono sbloccare la creazione di valore dall'IA22, ma architetture frammentate e scarsa qualità dei dati possono limitarel'efficacia 29. Ghosh30 frame la prontezza come sistema interdipendente che richiede adattamento continuo—mettendo in evidenza sia il suo potenziale abilitante sia la complessità dell'implementazione.

La consapevolezza del mercato/dei clienti consente alle organizzazioni di percepire le esigenze dei clienti e creare esperienzepersonalizzate 23. Allo stesso tempo, questo suscita preoccupazioni sulla privacy e il rischio di una personalizzazione eccessiva. Trovare il giusto equilibrio tra generazione di insight e protezione della privacy rappresenta una delle tensioni centrali nella trasformazione dell'IA31.

La disciplina dei processi strategici fornisce strutture di governance per le iniziative di IA, promuovendo allineamento e responsabilità16. Tuttavia, un'eccessiva disciplina può soffocare l'innovazione e rallentare l'adattamento. La sfida è mantenere una struttura sufficiente senza erigere barriereburocratiche 32.

H1: Le capacità sono positivamente associate alle prestazioni.

Black et al.16 distinguono la leadership proattiva dal passivo "supporto di alto management", enfatizzando leader che modellano attivamente le agende strategiche, tollerano l'incertezza e monitorano l'implementazione dell'IA33. Tuttavia, l'efficacia della leadership in AX dipende dal colmare il divario tra esecutivi e operatori. I dirigenti cristallizzano la visione dell'IA e integrano una governanceetica 34,35, mentre i professionisti forniscono feedback esperienziali essenziali attraverso l'interazione quotidiana con gli strumenti, emergendo requisiti reali che i dirigenti potrebbero nonrispettare 36. Questo divario gerarchico spesso si manifesta come entusiasmo strategico ai vertici, procedendo senza adeguata attenzione alle sfide di integrazione dei flussi di lavoro e ai vincoli di usabilità sul campo. La leadership proattiva, quindi, richiede un coinvolgimento bidirezionale—i dirigenti definiscono la direzione strategica integrando attivamente le intuizioni dei professionisti affinché le capacità dell'IA si adattino alle realtà operative. Questa interdipendenza porta a:

H2. La leadership proattiva è positivamente associata alle capacità.

Il contesto ambientale comprende le forze esterne che modellano il panorama strategico di un'organizzazione. Il dinamismo industriale — definito da Black et al.16 come la velocità e l'intensità del cambiamento e della competizione — è caratterizzato da sofisticazione tecnologica, incessante disruppizione e un costante afflusso di nuovi concorrenti, tutti elementi che richiedono agilità organizzativa. Un alto dinamismo amplifica l'urgenza di adottare tecnologie trasformative come l'IA, rendendo la velocità di adozione un fattore fondamentaledi differenziazione. Singh et al.38 mostrano come il dinamismo permetta la formazione di capacità riconfigurabili basate su risorse, indicando come le capacità dinamiche si integrino nelle strutture organizzative sia per supportare sia per limitare l'innovazione e l'adattabilità. Risultati recenti sottolineano il carattere complesso e a doppio taglio del dinamismoambientale 39, riportando che modera sia positivamente che negativamente gli effetti della digitalizzazione sull'innovazione dei modelli di business nella manifattura cinese, mentre Binsar et al.40 identificano un effetto moderatore significativo sulle capacità di adozione digitale e sulle prestazioni ospedaliere in Indonesia. La reattività ambientale, quindi, va oltre la semplice adattamento esterno; Richiede allineamento tra sistemi organizzativi, cultura e leadership. Di conseguenza, ipotizziamo:

H3. Il contesto ambientale è positivamente associato alle capacità.

Due fattori fondamentali riguardano il modo in cui le organizzazioni gestiscono la doppia natura dell'IA: la tolleranza al rischio dell'IA e la cultura dell'innovazione sensibile alla tecnologia. La tolleranza al rischio dell'IA riflette la disponibilità ad accettare l'incertezza nella sperimentazione con l'IA. Sebbene tale tolleranza alimenti l'innovazione, espone anche le organizzazioni a potenzialifallimenti 41. Zhao et al.42 dimostrano che la cultura della gestione degli errori favorisce l'innovazione nei servizi, anche se i benefici svaniscono senza sistemi di gestione adeguati. Barrett et al.43 sottolineano la necessità di pratiche di governance del rischio che bilancino la sperimentazione con le salvaguardie. La Cultura dell'Innovazione Tecnologica incoraggia l'adozione e la sperimentazione dell'IA, riconoscendo al contempo i limiti tecnologici. Tali culture promuovono l'apprendimento continuoe la collaborazione interfunzionale, ma possono anche spingere le organizzazioni verso un'adozione prematura o una valutazione del rischio inadeguata. Trovare il giusto equilibrio tra incoraggiare l'innovazione e garantire un'implementazione responsabile rimane una sfida organizzativachiave 45.

H4: Gli abilitatori sono positivamente associati alle capacità.

La gerarchia organizzativa esercita una forte influenza su come vengono percepite le opportunità e i rischi dell'IA. I dirigenti tendono a concentrarsi sui benefici strategici—vantaggio competitivo, posizionamento sul mercato e creazione di valorea lungo termine 35, vedendo l'IA attraverso una lente prevalentemente ottimista che ne mette in evidenza il potenziale trasformativo. Tuttavia, questa prospettiva può sottovalutare le sfide di implementazione e le complessità operative. I professionisti incontrano la doppia natura dell'IA in modo più diretto. Pur riconoscendo i miglioramenti di efficienza, affrontano quotidianamente problemi di qualità dei dati, ostacoli di integrazione e interruzioni del flussodi lavoro, rendendoli più attenti ai limiti, ai rischi e alle conseguenze indesideratedell'IA. La ricerca sulle percezioni dei dipendenti conferma che i professionisti navigano in una complessa interazione tra ansia da automazione e guadagni di efficienza, plasmata dall'esposizione pratica ai cambiamenti di workflow guidatidall'IA 48. La ricerca cognitiva illumina queste differenze. I manager si affidano maggiormente a un'elaborazione intuitiva e strategica, adatta a gestire l'ambiguità, mentre i professionisti impiegano il ragionamento analitico per la risoluzione operativadei problemi 49,50. Questi stili cognitivi influenzano la lettura che ogni gruppo fa dei lati più luminosi e oscuri dell'IA. Anche le percezioni culturali divergent. I dirigenti tendono a vedere la cultura organizzativa come coesa e favorevoleall'innovazione, mentre i professionisti riportano ostacoli strutturali e influenzalimitata 51. Prospettive così contrastanti alimentano disallineamenti nelle strategie di adozione dell'IA, nei quadri etici e nella gestione delrischio 52. I middle manager ricoprono un ruolo fondamentale di collegamento tra la visione strategica e la realtà operativa. L'efficacia in cui bilanciano ottimismo e pragmatismo potrebbe essere associato a risultati ditrasformazione 53. Quando questa mediazione vacilla, le disconnessioni possono ampliarsi, prosciugando l'adattabilità organizzativa.

H5: La posizione nell'organizzazione (Dirigenti vs. Operatori) è associata a differenze sistematiche nel livello percettivo a cui vengono valutati i costrutti correlati all'AX, con i dirigenti che ci si aspetta che riportino valutazioni più elevate di capacità, abilitatori e risultati di prestazione—riflettendo la maggiore enfasi sul "lato positivo" della trasformazione dell'IA—rispetto ai professionisti, che sono più vicini ai rischi operativi e alle sfide di implementazione. È importante notare che H5 riguarda le differenze percettive (cioè, differenze nel modo in cui la gerarchia organizzativa plasma il livello dei punteggi dei costrutti), non le differenze nei meccanismi causali sottostanti. Il disegno di indagine trasversale di questo studio supporta l'inferenza sui modelli percettivi e sulle relazioni associative; Le affermazioni causali riguardanti la moderazione strutturale richiedono disegni longitudinali o sperimentali e non sono affermate qui.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tutte le procedure hanno rispettato gli standard etici per la ricerca tra partecipanti umani presso l'Università aSSIST, l'Università di Suwon, l'Università Sungkyunwakn e l'Università Dong-A. Poiché ogni risposta era anonimizzata al momento della raccolta e non sono stati raccolti dati personali identificabili in nessuna fase, il Consiglio di Revisione Istituzionale dell'Università aSSIST ha concesso allo studio un'esenzione dalla revisione completa. Le istituzioni co-autori si sono basate su questa approvazione da parte delle istituzioni principali piuttosto che perseguire revisioni indipendenti dell'IRB; aSSIST University aveva approvato sia il disegno dello studio sia il protocollo di raccolta dati. All'interno della piattaforma Qualtrics, ogni partecipante ha incontrato una dichiarazione digitale di consenso informato prima che il questionario diventasse accessibile. Quella dichiarazione delineava lo scopo accademico dello studio, confermava la gestione dei dati anonimi, osservava che i dati avrebbero servito solo a scopi di ricerca e segnalava l'assenza di rischi prevedibili; Chiunque non avesse acconsentito attivamente veniva automaticamente escluso dal sondaggio.

Modello di ricerca
Nel nostro modello di ricerca (Figura 1), le capacità fungono da mediatrici tra tre antecedenti—leadership proattiva, contesto ambientale e abilitatori—e performance, mentre la posizione organizzativa entra come variabile moderatrice. Le capacità comprendono quattro dimensioni: Capacità di Gestire e Cambiare (RC), Prontezza Data/IS orientata all'IA (DR), Consapevolezza del Mercato/Cliente (MC) e Disciplina dei Processi Strategici (SP). Gli abilitatori comprendono la Cultura dell'Innovazione Tecnologica (TS) e la Tolleranza al Rischio dell'IA (AS).

figure-protocol-1
Figura 1: Modello di ricerca. Modello di ricerca concettuale che rappresenta le relazioni ipotizzate tra leadership proattiva, contesto ambientale e facilitatori (antecedenti); quattro dimensioni dinamiche di capacità (capacità di gestire e modificare, prontezza dati/sistemi di investimento orientata all'IA, consapevolezza del mercato/cliente, disciplina dei processi strategici); e la performance della trasformazione dell'IA, con la posizione organizzativa (Executive vs. Practitioner) che entra come variabile moderatrice. Clicca qui per visualizzare una versione più grande di questa figura.

Dati di ricerca
La raccolta dei dati si è basata su un sondaggio online gestito da Prolific (https://www.prolific.co) per il reclutamento dei partecipanti e da Qualtrics (https://www.qualtrics.com) per l'hosting e l'amministrazione del sondaggio, che si è svolto per due giorni consecutivi (24–25 novembre 2024). L'idoneità era limitata a individui attualmente impiegati e attivamente coinvolti in progetti legati all'IA all'interno delle loro organizzazioni. I filtri di pre-selezione di Prolific hanno rafforzato questo criterio, e una domanda di screening di Qualtrics lo ha confermato: "Quale delle seguenti descrive meglio la tua situazione attuale?" —solo i rispondenti che hanno selezionato "Attualmente sono impiegato e sono stato coinvolto in lavori legati all'IA" sono stati autorizzati a continuare. I partecipanti dovevano anche confermare di avere almeno 20 anni tramite il modulo di consenso digitale all'inizio del sondaggio; coloro che non acconsentivano venivano automaticamente esclusi. Un elemento di controllo dell'attenzione incorporato ("L'AI è un'abbreviazione di Informazioni sul Carciofo?"; risposta corretta: No) segnalava i rispondenti disattenti; Il sondaggio terminava automaticamente in caso di risposta errata. Il campione finale era composto da 293 professionisti (donne 50,51%, maschi 49,49%). I rispondenti sono stati suddivisi in due gruppi in base alla loro risposta a un punto dedicato al sondaggio: "Qual è il tuo ruolo nei progetti di IA della tua azienda?" con cinque opzioni: Dirigenza/Senior, Middle Management, Staff Tecnico/Ingegnere, Ricercatore/Scienziato e Consulente. Coloro che selezionavano Dirigenti Esecutivi/Senior venivano inseriti nel gruppo Dirigenti; coloro che selezionavano il personale tecnico/ingegnere, il ricercatore/scienziato o il consulente venivano inseriti nel gruppo dei Praticanti. Gli intervistati di Middle Management (n = 81) si sono uniti al gruppo Executives, con la motivazione che i ruoli di middle management comportano una supervisione diretta dei team operativi e la partecipazione alla pianificazione strategica, collocandoli più vicino alla funzione esecutiva che alla pratica in prima linea. L'ultimo raggruppamento ha portato a 112 dirigenti e 181 operatori professionisti. La Tabella 1 riassume il profilo demografico.

Tabella 1: Caratteristiche demografiche. Profilo demografico dei 293 intervistati al sondaggio, inclusi genere, età, settore e ruolo organizzativo, suddiviso secondo i due gruppi gerarchici utilizzati per l'analisi multigruppo (Dirigenti, n = 112; Praticanti, n = 181). Clicca qui per scaricare questa tabella.

Misure
Tutti gli item del sondaggio sono stati misurati utilizzando una scala di Likert a sette punti, che va da "fortemente in disaccordo (1)" a "fortemente d'accordo (7)". Per verificare la chiarezza concettuale e l'adeguatezza per la popolazione professionale target, è stato condotto un pretest con 30 partecipanti Prolific che hanno riportato un coinvolgimento attivo in progetti legati all'IA nelle loro organizzazioni. Le risposte pretest hanno portato a lievi revisioni della formulazione per due elementi che i partecipanti hanno trovato ambigui, senza cambiamenti strutturali nella scala. Le ipotesi sono state testate tramite la Partial Least Square Structural Equation Modeling (PLS-SEM) stimata in SmartPLS 4.0. Tre caratteristiche del presente studio hanno guidato questa scelta. Innanzitutto, sia le Capacità che gli Abilitatori sono operativi come costrutti formativi di secondo ordine—una configurazione per la quale la stima basata sulla varianza è più direttamente adatta rispetto al SEM basato sulla covarianza. In secondo luogo, le asimmetrie percettive nella trasformazione dell'IA rappresentano un ambito di ricerca emergente in cui convenzioni di misurazione mature sono ancora in fase di sviluppo; In queste condizioni, un'enfasi predittiva è più appropriata rispetto all'ottimizzazione degli indici di adattamento confermatorio. In terzo luogo, i sottogruppi Esecutivi e Operatori differiscono sostanzialmente per dimensione (Dirigenti n = 112; Practitioner n = 181), e la stima basata sulla varianza non è soggetta ai requisiti minimi di dimensione cellulare che limitano gli approcci basati sulla covarianza. Lavori empirici precedenti sulla trasformazione digitale hanno adottato questo approccio analitico.

In SmartPLS 4.0, l'algoritmo PLS era configurato con un peso di cammino, un massimo di 300 iterazioni e un criterio di stop di 10⁻7. L'bootstrapping utilizzava 5.000 sottocampioni con intervalli di confidenza corretti al bias e accelerati (BCa), nessun cambiamento di segno e bootstrapping completo. Per l'approccio a due stadi, i punteggi delle variabili latenti di Fase 1 sono stati ottenuti eseguendo l'algoritmo PLS sul modello di misura del primo ordine (Calculate → PLS Algorithm); questi punteggi sono stati poi esportati (Risultati → Punteggi a Variabili Latenti) e utilizzati come indicatori manifesti per i costrutti di secondo ordine nella Fase 2. La MGA basata su permutazioni è stata eseguita tramite Calculate → Multi-Group Analysis → Permutation, con 1.000 permutazioni e un livello di significatività a due code di 0,05. I test MICOM sono stati condotti tramite Calculate → Permutation → MICOM, anch'essi con 1.000 permutazioni. La segmentazione FIMIX-PLS è stata eseguita tramite Calculate → FIMIX-PLS con 10 ripetizioni e un seed fisso per la riproducibilità 46,54,55,56,57,58,59. Nel contesto di questo studio, PLS-SEM svolgeva una doppia funzione: valutare le relazioni di percorso a livello di costrutto su tutto il campione e supportare confronti tra gruppi tramite MGA. I risultati a livello di percorso indicavano anche schemi che giustificano un ulteriore esameteorico 60.

Capacità e Abilitatori sono ciascuno operazionalizzato come costrutti formativi di secondo ordine in questo studio. Le capacità aggregano quattro dimensioni di primo ordine: capacità di riconfigurazione, prontezza dei dati e dei sistemi orientati all'IA, prossimità al mercato e al cliente, e disciplina dei processi strategici. Enablers combina due dimensioni di primo ordine: tolleranza al rischio sensibile all'IA e cultura dell'innovazione tecnologicamente sensibile. La stima dei costrutti formativi di secondo ordine ha seguito l'approccio a due fasi raccomandato per i modelli di ordine superiore inPLS-SEM 61. Questo approccio è distinto dall'approccio degli indicatori ripetuti: invece di duplicare tutti gli indicatori di primo ordine al livello di secondo ordine in un unico passo di stima, la procedura a due fasi genera innanzitutto punteggi a variabili latenti per ogni costrutto di primo ordine dal rispettivo insieme di indicatori (Fase 1), poi utilizza questi punteggi come input manifesti per il corrispondente costrutto di secondo ordine nella Fase 2. Questa stima sequenziale previene l'inflazione degli indicatori incrociati che può verificarsi quando tutti gli elementi appaiono simultaneamente all'interno di un modello di ordine superiore a stadiosingolo 62,63,64. La procedura a due fasi evita così l'inflazione dei parametri e le stime distorte che possono derivare dall'approccio ripetuto dell'indicatore in una stima a singolostadio 64. Per esaminare H5, è stata applicata l'analisi multigruppo basata su permutazioni (PLS-MGA) 65,66 per verificare se le relazioni strutturali, ovvero le associazioni tra Capacità e Prestazioni (H1), Leadership Proattiva e Capacità (H2), Contesto Ambientale e Capacità (H3) e Abilitatori e Capacità (H4), differiscano tra i gruppi categorizzati in base alla posizione organizzativa (H5) (Figura 2)). La funzione PLS-MGA incorporata in SmartPLS è stata utilizzata per questa analisi. Il contenuto del questionario è presentato nella Tabella 2.

Tabella 2: Questionario. Strumento di misura completo che elenca tutti gli elementi riflettenti per gli undici costrutti del primo ordine, i loro riferimenti di origine e la scala di risposta di Likert a sette punti utilizzata per ogni elemento. Clicca qui per scaricare questa tabella.

Due elementi di controllo dell'attenzione sono stati inseriti nel sondaggio finale, che fungevano da filtri per filtrare i partecipanti che non rispondevano correttamente (ad esempio, "Quale di queste domande descrive meglio la tua situazione attuale?") e, se il partecipante rispondeva male a una di queste domande, il sondaggio si interrompeva immediatamente.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Come valutazione preliminare del bias del metodo comune (CMB), è stato condotto il test a fattore singolo di Harman, con il primo fattore non rotazionato che ha rappresentato il 30,21% della varianza (sotto la soglia del 50%). Sebbene questo risultato fornisca prove iniziali che il CMB non domini i dati, si riconosce che il test di Harman ha una sensibilità e specificità limitate come strumento diagnostico. Come ulteriori salvaguardie procedurali, il sondaggio utilizzò l'ordine randomizz...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

I risultati rivelano che la gerarchia organizzativa è associata a differenze sistematiche nel livello in cui dirigenti e professionisti percepiscono i costrutti di trasformazione dell'IA, piuttosto che nella struttura delle relazioni tra di esse. Tre approcci MGA indipendenti—MGA basato su permutazioni (1.000 permutazioni), Bootstrap MGA (5.000 sottocampioni)74 e i test Parametric e Welch-Satterthwaite66—non hanno riscontrato differenze sta...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori dichiarano di non esserci conflitti di interesse. Durante la preparazione dei manoscritti, gli autori hanno utilizzato l'IA generativa in modo limitato—in particolare per riformulare bozze di passaggi metodologici selezionati e per segnalare problemi grammaticali nelle descrizioni tecniche. Ogni passaggio generato dall'IA è stato poi confrontato con i dati sorgente e sostanzialmente riscritto dagli autori. Gli autori si assumono piena responsabilità per l'accuratezza, integrità e originalità di ogni parte del manoscritto. Tutti gli autori hanno contribuito in egual misura all'articolo.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo lavoro è sostenuto da finanziamenti per la ricerca dell'aSSIST University.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Prolific (Piattaforma di Reclutamento Partecipanti Online)Prolific Academic Ltdhttps://www.prolific.com/Piattaforma online utilizzata per reclutare partecipanti al sondaggio. I partecipanti sono stati selezionati in base ai criteri di idoneità (ad esempio, impiego attuale in un'organizzazione con esperienza nell'adozione dell'IA) e compensati secondo le linee guida di retribuzione equa di Prolific. 
Qualtrics (Piattaforma di sondaggi online)Qualtrics, LLChttps://www.qualtrics.com/Piattaforma di sondaggi basata sul web utilizzata per la progettazione, distribuzione e raccolta dei dati di risposta dei questionari. Tutti gli item di misurazione sono stati somministrati tramite Qualtrics utilizzando una scala di Likert a 7 punti (1 = fortemente in disaccordo, 7 = fortemente d'accordo). 
SmartPLS 4.0 (Software PLS-SEM)SmartPLS GmbHhttps://smartpls.com/Utilizzato per tutte le analisi della Partial Least Square Structural Equation Modeling (PLS-SEM), inclusa la valutazione del modello esterno (affidabilità composita, AVE, HTMT), l'analisi del percorso del modello interno (bootstrapping, 5.000 campioni), il test di invarianza composizionale MICOM in 3 fasi (permutazione, 1.000 estrazioni) e i test di differenza tra gruppi PLS-MGA.  

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Asimmetria gerarchicaGerarchia organizzativaCapacit dinamicheMinimi quadrati parzialiAnalisi multi gruppoGap percettiviGestione del cambiamentoGovernance dell IAModellazione di equazioni strutturali
Video in arrivo

Articoli correlati