研究記事

人工知能変革における階層的非対称性の解明:組織レベルを超えた明るい面と暗面のナビゲート

174 閲覧数

⸱

DOI：

10.3791/70756

⸱

2026年5月12日

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

この記事について

サマリー

人工知能(AI)変換(AX)の認識における階層的非対称性を探るために設計された再現可能な調査手法を説明します。経営者と実務者の双方がQualtricsに掲載された検証済みアンケートに記入します。解析パイプラインはSmartPLS 4.0で動作し、外部モデル検証、経路解析、MICOM不変性検定、置換ベースの多グループ解析(MGA)をカバーしています。

要約

経営陣戦略と現場の実行を整合させるガバナンス構造は、組織の階層構造が人工知能(AI)変革(AX)成功要因の認識をどのように形成するかを理解することに依存しています。我々は、部分最小二乗構造方程式モデリング(PLS-SEM)と多グループ解析(MGA)を組み合わせた検証済みかつ再現可能な調査ベースの手法を提示し、AX知覚における階層的非対称性を検出・定量化します。これは集約分析を超えて、単一グループ手法で隠された構造的な分断を明らかにします。AIプロジェクトに関わる293人の専門家を活用し、運用の機敏さ、データ準備度、顧客接近性、戦略的プロセスの規律という4つの動的な能力次元と、技術支援、AIに敏感なリスク許容度、環境的文脈、積極的なリーダーシップという主要な支援要因を評価します。組成不変性はまずMICOMテストによって検証されます。グループ間の比較可能性が確認された後にのみ、分析は置換ベースのMGA有意性検定に移行します。両グループとも動的能力とAXパフォーマンスの間に正の関連を示しています(経営者:β = 0.637、R2 = 0.406、実務者:β = 0.531、R2 = 0.282)。置換ベースのMGAでは、両群間で構造経路係数に統計的に有意な差は検出されません(いずれもp ≥.178);したがって、組織の経路関係における位置の調整役割(H5)は支持に欠けています。しかしMICOM Step 3aでは、経営幹部が主要な構成概念すべてを実務者よりも有意に高く評価していることが示されています(11構成概念中8つ、すべてp ≤ 0.045)。これは階層的非対称性が構造的関係自体ではなく、知覚レベルのギャップとして現れる証拠です。移行可能な方法論的テンプレートとして、このプロトコルは組織変革における認識のギャップを研究する研究者に対し、AIガバナンス、チェンジマネジメント戦略、技術集約型環境におけるクロスレベルアライメントに直接関わるツールを提供します。

概要

人工知能の急速な進歩は、ビジネス組織にとって二重の領域を開きました。一方には卓越した価値創造の機会があり、他方には重大なリスクと課題があります1,2。生成AIや従来のAI技術は、生産性の向上、イノベーションの加速、競争の強化を約束しますが、同時に偏見、雇用の置き換え、不平等、倫理的ジレンマなどの懸念も招きます。この明るい面と暗い面の二面性は、組織が変革を追求する中で機会とリスクの両方をどのように乗り越えているかを慎重に見直すことを求めます。

AIの変革的な広がりを記録した研究が増えています。顧客との交流の最適化、業務効率の向上、そして鋭敏な意思決定などです。しかし、これらの進展には大きな対抗力があります。AIシステムに埋め込まれた差別や偏見は既存の不平等を根強く固め、自動化は雇用の安定性を脅かす。9、多くのアルゴリズムの不透明さは説明責任の問題を生じさせる。AI対応企業と技術的に劣る同業他社との格差拡大は経済格差を深め、透明性と信頼の欠如は関係者間の関係を複雑にしています。

デジタルトランスフォーメーションに関する文献は豊富ですが、AI駆動の変革は独立した現象として扱うべきです(14,15)。Blackら16は、動的能力の視点からAI駆動のビジネスモデル変革の重要な推進要因を特定しましたが、彼らのフレームワークは組織の階層間でそれらの要素がどのように認識され、どのように異なる形で実行されているかには触れていません。このギャップは、経営戦略と実務者の実施との間に不一致が増えている証拠を踏まえると重いです。

多層的な研究により、AIの導入は組織の階層間で不均一に影響し、経営者や実務者がAI変革をどのように認識し実践するかに大きなばらつきがあることが明らかになっています。生産性の向上、鋭い意思決定、新たな価値創出はAIの広く認められている利点ですが、多くの組織は依然としてAIの取り組みをパイロット段階を超えて推進するのに苦労しています。特に知覚と運用が階層的に分断されている場合はなおさらです。

本研究では、AIトランスフォーメーション(AX)とは、AI技術を組織全体の体系的かつ体系的なプロセスとして、コアオペレーション、戦略、価値創造プロセスに組み込む過程を指します。ここで運用化されているように、AXは3つの相互に関連する側面にまたがっています。(1) 企業向けAI戦略の策定—組織レベルでのAI投資、優先順位付け、ガバナンスの意図的な計画;(2) AIシステムの運用展開—既存のワークフロー内での技術的採用、統合、スケーリング;(3) 組織変革管理—AIの価値創造の可能性を大規模に実現するために必要な人間的、文化的、構造的な調整。本研究は、(1) Blackらが指摘した要因が組織の文脈において実証的妥当性を持つ かどうか、(2) 経営者と実務者がこれらの関係性、特にAI変革の明るい面と暗い面に関してどのように異なる認識を持っているかを問いかけることで、このギャップを埋めることを目的としています。組織の階層を構造的なモデレーターとして導入することで、異なるレベルがAIの約束や危険をどのように認識するかに体系的な非対称性が存在するかどうかを調べます。これらの発見は、AI変革における可能要因と障害の両方が階層レベルで異なる認識を可能にし、整合性やガバナンス戦略に示唆を与えることを示しています。

学術界はAXの二重性をますます認識しています。Grewalら19 はAIの「光と闇」を解剖し、Belancheら20 はサービスの明るい面と暗い面を探っています。Belancheらはアルゴリズム管理の対照的な効果を追跡し 、BarariらはマーケティングにおけるAIの暗い側面のメタ分析的証拠を提供しています。 これらの研究を総合すると、AI変革は純粋に楽観的な視点で捉えられないことが明らかになります。組織は同時に機会を管理し、リスクを軽減しなければなりません。

Blackら16を基に、この二重性を乗り越えるための4つの動的能力が検証されました。(1) ランニングと変化の能力(同時活用と探索を可能にする21);(2) AI指向のデータ/IS準備能力(AI導入のためのインフラを提供しつつ、データ品質および統合課題に対応する)22;(3) 市場/顧客意識:パーソナライズの機会とプライバシーの懸念をバランスよく調整する23;および(4) 機敏性を犠牲にすることなくガバナンスを守る戦略的プロセスの規律24.この枠組みでは、環境的文脈、積極的なリーダーシップ、そして推進要因(AIに敏感なリスク許容度と技術に敏感なイノベーション文化)が、これら4つの能力の側面を共同で形作る先行要因として機能します。これらの能力が総合的にAI変革のパフォーマンスを促進します。この因果連鎖—先行要因から能力、パフォーマンス成果に至る—がモデルの理論的論理を形成し、組織の立場(経営者対実務者)が知覚の非対称性を検証する調節レンズとして登場します。

動的能力理論は、企業が変動の激しい環境下で競争優位を維持する方法を、感知、捉え、変換することで説明します。AIに応用することで、これらの機能は組織が技術的な機会を活用しつつ、関連するリスクを抑制することを可能にします。

運営と変革の能力は、継続的な業務とイノベーションのバランスを取る組織の機敏さを表しています。アジリティは迅速なAI導入を促進しますが、同時に早期導入や不十分なテストのリスクも高めます。Nguyenら27 は、AIが従来の直線的な変化モデルを破壊し、反復的でフィードバック駆動型のシステムを求めていることを示しています。慎重な管理がなければ、その結果生じる絶え間ない適応は組織を不安定に陥れます。

AI指向のデータ/IS準備態勢は基盤となる基盤として機能しますが、真の準備態勢は技術的能力と組織的な課題の両方に及びます。堅牢なデータシステムはAIの価値創造を解き放つことができますが、断片的なアーキテクチャや低品質なデータが効果を制限し、29。ゴーシュ30 は、準備状態を相互依存的なシステムとして捉え、継続的な適応が必要であり、その実現可能性と実装の複雑さの両方を強調しています。

市場・顧客認識は、組織が顧客のニーズを察知し、パーソナライズされた体験を作り出す力を整えます。同時に、プライバシーの懸念や過度なパーソナライズのリスクも引き起こします。インサイト生成とプライバシー保護のバランスを取ることは、AI変革の核心的な緊張点です。

戦略的プロセスの規律はAI施策のガバナンス構造を提供し、整合性と説明責任を促進します。しかし、過度な規律はイノベーションを抑制し、適応を遅らせることがあります。課題は、官僚的な障壁を設けずに十分な構造を維持することです。

H1: 能力はパフォーマンスと正の関連があります。

Blackら16は、受動的な「トップマネジメント支援」と区別し、戦略的アジェンダを積極的に形成し、不確実性を許容し、AI導入を監視するリーダーを強調しました。しかし、AXにおけるリーダーシップの効果は、経営者と実務家の溝を埋めることにかかっています。経営者はAIビジョンを具体化し、倫理的ガバナンスを織り交ぜます34,35 一方で、実務者は日々のツール操作を通じて重要な体験的フィードバックを提供し、経営者が見逃しがちな現実世界の要件を浮き彫りにします。この階層的なギャップは、トップの戦略的な熱意として現れ、現場でのワークフロー統合の課題やユーザビリティの制約に十分な注意を払わずに進めていきます。したがって、積極的なリーダーシップは双方向の関与を求めます。経営者は戦略的方向性を設定しつつ、実務者の洞察を積極的に取り入れ、AIの能力が運用の現実に合致するようにします。この相互依存は次の結果をもたらします:

H2。積極的リーダーシップは能力と正の関係があります。

環境的文脈は、組織の戦略的風景を形作る外部の力を指します。業界のダイナミズムは、Blackら16 によって変化と競争の速度と激しさと定義され、技術的高度化、絶え間ない破壊、そして新たな競争相手の絶え間ない流入によって特徴づけられ、これらすべてが組織の機敏さを求めます。高いダイナミズムはAIのような変革的技術の採用の緊急性を増幅させ、導入速度が重要な差別化要因となります37。Singhらは、ダイナミズムが再構成可能なリソースベースの能力の形成を可能にすることを示し、 動的能力が組織構造に組み込まれ、イノベーションや適応性を支えたり制約したりする仕組みを示しています。最近の研究結果は、環境ダイナミズムの複雑で両刃の剣の文字39が、中国製造業におけるビジネスモデルイノベーションに対するデジタル化の影響を正の的かつ負の両面で緩和すると強調しており、Binsarら40 はインドネシアにおけるデジタル導入能力と病院のパフォーマンスに有意な緩和効果があることを示しています。したがって、環境応答性は単なる外部適応を超えたものである。組織システム、文化、リーダーシップ間の整合性が求められます。したがって、我々は次のように仮定します。

H3。環境的文脈は能力と正の関係にあります。

組織がAIの二面性をどのように扱うかに関わる重要な要因は二つあります。すなわち、AIのリスク許容度と技術に敏感なイノベーション文化です。AIリスク許容度とは、AI実験における不確実性を受け入れる意欲を指す。このような寛容さはイノベーションを促進する一方で、組織は潜在的な失敗にも直面します。Zhaoらは、 エラー管理文化がサービスのイノベーションを促進する一方で、適切な管理システムがなければその効果は薄れることを示しています。Barrettらは、実験とセーフガードのバランスを取るリスクガバナンスの必要性を強調しています 。テクノロジーに敏感なイノベーション文化は、技術的制約を認識しつつAIの導入と実験を促進します。このような文化は継続的な学習と部門横断的な協力を促進し ますが、同時に組織に対して早期導入や不十分なリスク評価を促す圧力もかけることがあります。イノベーションの促進と責任ある実施の確保との間で適切なバランスを取ることは、依然として組織の重要な課題です。

H4: エンゲーブラーは能力と正の関連があります。

組織の階層構造は、AIの機会やリスクの認識に強い影響を与えます。経営者は戦略的利益—競争優位、市場ポジショニング、長期的な価値創造—に注力しがちで、AIをその変革的可能性を強調する楽観的な視点で見ています。しかし、その視点は実装上の課題や運用上の複雑さを過小評価してしまうことがあります。実践者はAIの二重性により直接的に直面します。効率向上を認識しつつも、データ品質の問題、統合の課題、ワークフローの混乱に日々直面しており、AIの限界、リスク、予期せぬ結果により敏感になっています。従業員の認識に関する研究は、実務者がAI駆動のワークフロー変化に実際に触れることによって形作られた自動化への不安と効率向上の複雑な相互作用を乗り越えていることを確認しています。認知研究はこれらの違いを明らかにしています。マネージャーは曖昧さの処理に適した直感的で戦略的な処理により依存し、実務者は運用上の問題解決に分析的推論を用います49,50。これらの認知スタイルは、各グループのAIの明るい面と暗い面の読み方に影響を与えます。文化的な認識も異なります。経営者は組織文化をイノベーションを促進し、結束力のあるものと見なす傾向があります。一方、実務者は構造的な障害や限定的な影響力を報告しています51。こうした対照的な見方は、AI導入戦略、倫理的枠組み、リスク管理における不一致を助長しています52。中間管理職は戦略的ビジョンと運用現実の重要な架け橋の役割を担っています。楽観主義と実利主義のバランスがどれだけ効果的かは、変革の成果と関連している可能性があります。その調停が崩れると、断絶が広がり、組織の適応力が失われてしまいます。

H5: 組織内のポジション(経営者対実務者)は、AX関連の構造物を評価する知覚レベルに体系的な違いがあることに関連しており、経営者は運用リスクや導入課題により近い実務者に比べて、AI変革の「明るい面」をより重視する能力、推進要因、パフォーマンス成果の評価が高いと期待されています。H5は知覚の違い(すなわち組織の階層が構成概念スコアのレベルを形作る違い)に関するものであり、基盤となる因果メカニズムの違いには関係しないことに注意が必要です。本研究の横断調査設計は、知覚パターンや連想関係に関する推論を支持しています。構造の減速に関する因果的主張は縦断的または実験的設計を必要とし、ここでは主張しません。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

すべての手技は、aSSIST大学、水原大学、成均華大学、東亜大学における人間参加型研究の倫理基準に準拠していました。すべての回答が収集時に匿名化され、個人を特定できるデータがいかなる段階でも収集されなかったため、aSSIST大学の倫理審査委員会は本研究に完全な審査の免除を認めました。共著機関は独立したIRBレビューを追求するのではなく、このリード機関の承認に依拠していました。aSSIST大学は研究設計とデータ収集プロトコルの両方を承認していました。Qualtricsプラットフォーム内では、参加者全員がアンケートが利用可能になる前にデジタルのインフォームドコンセントステートメントに出会いました。その声明は、研究の学術目的を概説し、匿名データの取り扱いを確認し、データは研究目的のみに用いられること、そして予見可能なリスクの欠如を指摘しました。積極的な同意をしなかった者は自動的に調査から追い出されました。

研究モデル
私たちの研究モデル(図1)では、能力は三つの前行要因――積極的リーダーシップ、環境的文脈、促進要因―とパフォーマンスの間の仲介者として機能し、組織の立場は調整変数として登場します。能力は4つの側面を含みます:実行・変革能力(Ability to Run & Change)、AI指向データ/IS準備(DR)、市場/顧客認識(MC)、戦略的プロセス規律(SP)。推進要因は、テクノロジーに敏感なイノベーション文化(TS)とAIリスク許容度(AS)です。

figure-protocol-1
図1:研究モデル。積極的なリーダーシップ、環境的文脈、そして促進者(先行要因)との仮説的な関係を描いた概念的研究モデル;4つの動的能力的側面(実行・変更能力、AI指向のデータ/IS準備状況、市場/顧客認識、戦略的プロセスの規律);そしてAI変革のパフォーマンスについて、組織のポジション(経営者対実務者)が調整変数として考慮されます。 この図の拡大版はこちらをクリックしてご覧ください。

研究データ
データ収集は、参加者募集のためにProlific(https://www.prolific.co)とQualtrics(https://www.qualtrics.com)によるオンライン調査に基づいており、2024年11月24日から25日までの2日間連続で実施されました。応募資格は、現在組織内でAI関連プロジェクトに従事し積極的に関わっている個人に限定されていました。Prolificの事前スクリーニングフィルターはこの基準を強制し、Qualtricsのスクリーニング質問でそれが確認されました:「以下のうち、あなたの現在の状況を最もよく表すものはどれですか?」—「現在雇用されており、AI関連の仕事に従事している」と選択した回答者のみが継続を許可されました。参加者は調査開始時にデジタル同意書を通じて20歳以上であることを確認しなければなりませんでした。同意しなかった者は自動的に除外されました。埋め込みの注意チェック項目(「AIはArtichoke Informationの略ですか?」;正解:いいえ)は、不注意な回答者にフラグを立てました。誤答により調査は自動的に終了しました。最終サンプルは293人の専門職(女性50.51%、男性49.49%)で構成されていました。回答者は専用のアンケート項目「御社のAIプロジェクトにおけるあなたの役割は何ですか?」への回答に基づいて2つのグループに分けられ、5つの選択肢がありました:エグゼクティブ/シニアマネジメント、中間管理職、技術スタッフ/エンジニア、リサーチャー/サイエンティスト、コンサルタント。エグゼクティブ/シニアマネジメントを選んだ者はエグゼクティブグループに配属されました。技術スタッフ/エンジニア、研究者/科学者、またはコンサルタントを選んだ者は、実務者グループに配属されました。中間管理職の回答者(n = 81)は、中間管理職の役割が運用チームの直接監督や戦略的計画への参加を伴うため、現場の実務よりも経営幹部機能に近い位置に位置づけられるため、経営幹部グループに参加しました。最終的なグループでは、112名のエグゼクティブと181名の実務員が誕生しました。表1は 人口統計プロファイルをまとめたものです。

表1:人口統計的特徴。 293人の調査回答者の人口統計的プロファイル(性別、年齢、業界、組織の役割を含む)は、多グループ分析で使用される2つの階層グループ(経営者、n = 112人、実践者、n = 181人)。 この表をダウンロードするには、こちらをクリックしてください。

対策
すべての調査項目は、「強く反対(1)」から「強く同意(7)」までの7点リッカート尺度で測定されました。対象専門職集団に対する概念の明確さと適切性を検証するため、組織内でAI関連プロジェクトに積極的に関与していると報告したProlific参加者を対象に30名の事前テストを実施しました。事前テスト回答の結果、参加者が曖昧だと感じた2つの項目の文言がわずかに変更され、スケールの構造的な変更はありませんでした。仮説はSmartPLS 4.0で推定された部分最小二乗構造方程式モデリング(PLS-SEM)によって検証されました。本研究の3つの特徴がこの選択を導きました。まず、能力とイネーブラーの両方が形成的な二次構造として運用されており、分散ベースの推定が共分散に基づくSEMよりも直接的に適しています。第二に、AI変換における知覚の非対称性は、成熟した測定慣習がまだ発展途上の新興研究領域を表しています。これらの条件下では、確定的適合指数の最適化よりも予測重視の方が適切です。第三に、エグゼクティブとプラクティショナーのサブグループは規模が大きく異なります(エグゼクティブn = 112;また、分散ベースの推定は共分散ベースのアプローチを制約する最小セルサイズ要件の対象外です。デジタルトランスフォーメーションに関するこれまでの実証的研究では、この分析的アプローチが採用されてきました。

SmartPLS 4.0では、PLSアルゴリズムはパス重み付け、最大300回の反復、停止基準10⁻7で構成されました。ブートストラップは、バイアス補正加速(BCa)信頼区間、符号変更なし、完全なブートストラップを用いた5,000のサブサンプルを使用しました。2段階アプローチでは、ステージ1の潜在変数スコアは一次測定モデルに対してPLSアルゴリズムを実行し(PLSアルゴリズムを計算→)、これらのスコアはエクスポートされ(潜在変数スコアの結果→)、ステージ2の二次構造のマニフェスト指標として使用されました。置換ベースのMGAは、1,000の置換、両側の有意水準0.05→、複数グループ分析→Calculated Permutationで実行されました。MICOMのテストは、MICOM→Calculate → Permutationを通じて行われ、こちらも1,000種類の置換が行われました。FIMIX-PLSの分割は、10回の繰り返しと再現性のための固定シード46、54、55、56、57、58、59でCalculate →FIMIX-PLSによって実行されました。本研究の文脈において、PLS-SEMはサンプル全体の構成要素レベルの経路関係の評価と、MGAによるグループ間比較の支援という二重の機能を果たしました。経路レベルの結果は、さらなる理論的検証を必要とするパターンを示しました60。

能力と促進者はそれぞれ、本研究において形成的二次構造として運用化されます。能力は、再構成能力、AI指向のデータおよびシステム準備状況、市場および顧客の近接性、戦略的プロセスの規律という4つの次元次を集約しています。Enablersは、AIに敏感なリスク許容度と技術に敏感なイノベーション文化という二つの第一次的な側面を組み合わせています。2次形成構造の推定は、PLS-SEM61で高次モデルに推奨された2段階アプローチに従っていました。このアプローチは繰り返し指標アプローチとは異なります。2段階の手順では、1段階の推定ステップですべての一次指標を二次レベルで複製するのではなく、まず各1階構成要素の潜在的な変数スコアをその指標セットから生成し(ステージ1)、その後これらのスコアをステージ2の対応する二次構造へのマニフェスト入力として用います。この逐次推定により、すべての項目が単一段階の高次モデル62,63,64に同時に現れる場合に発生するクロスコンストラクト指標のインフレーションを防ぎます。この2段階の手順により、単一段階推定64における指標法の反復によるパラメータインフレやバイアス推定を回避できます。H5を検証するために、置換ベース多グループ分析(PLS-MGA)を65,66件適用し、構造的関係、すなわち能力とパフォーマンス(H1)、積極的リーダーシップと能力(H2)、環境文脈と能力(H3)、イネーブラーと能力(H4)が組織のポジション(H5)で分類されたグループ間で異なるかどうかを調べました(図2).この解析にはSmartPLSに組み込まれたPLS-MGA関数が使用されました。アンケートの内容は表2に示されています。

表2:アンケート。 11の一次構成文のすべての反射項目、その出典、そしてすべての項目に用いられる7点リッカート反応尺度を一覧にした完全な測定計測ツール。 この表をダウンロードするには、こちらをクリックしてください。

最終調査には2つの注意チェック項目が挿入され、これらは正しく答えない参加者(例:「現在の状況を最もよく表す質問はどれか?」)を除外するためのフィルターとして機能し、参加者がこれらの質問のいずれかに間違えれば即座にアンケートは終了しました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

共通手法バイアス(CMB)の予備評価として、ハーマンの単一因子検定が実施され、最初の非回転因子が分散の30.21%(50%未満)を説明しました。この結果はCMBがデータ上で支配的ではないという初期の証拠を提供しますが、ハーマンの検定は診断ツールとしての感度と特異性に限定的であることは認められています。追加の手続き上の安全策として、調査では無作為化の項目順序付け、逆符号化の項目を含め、回答者の匿名性が保証され、社会的望ましさバイアスを軽減しました。追加の構造的指標として、すべての外部モデル構成の完全な共線性VIF値は3.3未満であり、内側モデルVIFは1.00から3.17の範囲でした(環境コンテキスト→能力、いずれもKock, 2015の推奨閾値3.3未満)。これにより、共線性に基づくインフレや共通手法バイアスに対するさらなる構造的証拠が示されました。それでも、残留CMBの可能性を完全に排除することはできず、結果の解釈時に考慮すべきです。Gaskinら64に従い、一次構成概念が...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

この研究結果は、組織の階層構造は、経営者や実務者がAI変革構造を認識するレベルの体系的な違いに関連しており、関係構造の違いには関係ないことが明らかになりました。3つの独立したMGAアプローチ—置換ベースMGA(1,000回の置換)、Bootstrap MGA(5,000サブサンプル)74、パラメトリック検定およびウェルチ・サタースウェイト検定66—は、構造経路係数(H5は支持せず、すべての方法で両側p>.05)に統計的に有意な差は見られず、グループ間の構造的同等性が確認されました。FIMIX-PLSのセグメンテーションはさらに、エグゼクティブ/プラクティショナーグループが一次異質性の発生源を十分に捉えていることを確認しました(BIC = −2,091.0;CAIC = −2,064.0 k 2)75,76 で、低いエントロピー(EN = 0.364)は未観測の...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者たちは利益相反を一切認めていない。原稿準備の際、著者たちは限定的に生成AIを活用し、特に選ばれた方法論的な箇所の草稿を書き換えたり、技術的な記述における文法上の問題を指摘したりしました。各AI生成の文章はソースデータと照合され、著者によって大幅に書き直されました。著者は原稿のすべての部分の正確さ、完全性、独自性について全責任を負います。すべての著者が平等に記事に貢献しました。

謝辞

この研究はaSSIST大学の研究資金によって支援されています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
Prolific(オンライン参加者募集プラットフォーム)プロリフィック・アカデミック社https://www.prolific.com/オンラインプラットフォームは調査参加者の募集に使われていました。参加者は適格基準(例:AI導入経験のある組織での現職)に基づいてスクリーニングされ、Prolificの公正な報酬ガイドラインに基づいて報酬が支払われました。
Qualtrics(オンライン調査プラットフォーム)クアルトリクス合同会社https://www.qualtrics.com/アンケート設計、配布、回答データ収集に使用されるウェブベースの調査プラットフォーム。すべての測定項目は7点リッカート尺度(1=強く反対、7=強く同意)を用いてQualtricsで実施されました。 
SmartPLS 4.0(PLS-SEMソフトウェア)スマートPLS GmbHhttps://smartpls.com/外部モデル評価(複合信頼性、AVE、HTMT)、内モデル経路解析(ブートストラップ、5,000サンプル)、MICOMの3段階組成不変性検定(置換、1,000回のドロー)、およびPLS-MGAグループ間差検定を含むすべての部分最小二乗構造方程式モデリング(PLS-SEM)解析に使用されます。

参考文献

  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).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

AI
動画は近日公開

関連記事