연구 논문

인공지능 변혁에서 계층적 비대칭성 밝혀내기: 조직 수준 간 밝은 면과 어두운 면을 탐색하기

174 조회수

⸱

DOI:

10.3791/70756

⸱

2026년 5월 12일

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

이 논문에서

요약

우리는 인공지능(AI) 변환(AX) 인식의 계층적 비대칭성을 탐구하기 위해 고안된 복제 가능한 설문조사 방법론을 설명합니다. 경영진과 실무자 모두 Qualtrics에 호스팅되는 검증된 설문지를 작성합니다; 분석 파이프라인은 SmartPLS 4.0에서 실행되며, 외부 모델 검증, 경로 분석, MICOM 불변성 검사, 순열 기반 다중 그룹 분석(MGA)을 포함합니다.

초록

경영진 전략과 현장 실행을 일치시키는 거버넌스 구조는 조직 계층이 인공지능(AI) 전환(AX) 성공 요인에 대한 인식을 어떻게 형성하는지 이해하는 데 달려 있습니다. 우리는 부분 최소제곱 구조 방정식 모델링(PLS-SEM)과 다중 그룹 분석(MGA)을 결합한 검증되고 재현 가능한 설문 기반 방법론을 제시하여, 단일 그룹 방법이 숨겨둔 구조적 비대칭을 집계 분석을 넘어 드러내는 구조적 비대칭을 탐지하고 정량화합니다. AI 프로젝트에 참여하는 293명의 전문가를 바탕으로, 운영 민첩성, 데이터 준비성, 고객 근접성, 전략적 프로세스 규율이라는 네 가지 동적 역량 차원과 기술 지원, AI 민감성 위험 허용성, 환경 맥락, 선제적 리더십 등 핵심 지원 요소들을 평가합니다. 합성 불변성은 먼저 MICOM 테스트를 통해 검증됩니다; 그룹 간 비교 가능성을 확인한 후에야 분석은 순열 기반 MGA 유의성 검정으로 넘어갑니다. 두 그룹 모두 동적 역량과 AX 성과 사이에 긍정적인 상관관계를 보였다(경영진: β = 0.637, R2 = 0.406; 실무자: β = 0.531, R2 = 0.282). 순열 기반 MGA는 두 그룹 간 구조 경로 계수에서 통계적으로 유의미한 차이를 감지하지 못합니다(모두 p ≥ .178); 따라서 경로 관계에서 조직 입장이 조절하는 가설(H5)은 근거가 부족하다. 그럼에도 불구하고 MICOM Step 3a는 경영진들이 모든 주요 개념을 실무자들보다 훨씬 높게 평가한다는 것을 보여줍니다(11개 구성 개념 중 8개, 모두 p ≤ 0.045)—계층적 비대칭이 구조적 관계 자체가 아니라 지각 수준 간의 격차로 나타납니다. 이전 가능한 방법론 템플릿으로서, 이 프로토콜은 조직 변혁에서 인식 격차를 연구하는 연구자들이 AI 거버넌스, 변화 관리 전략, 기술 집약적 환경에서의 교차 수준 정렬과 직접 관련된 도구를 제공합니다.

서론

인공지능의 급속한 발전은 비즈니스 조직에 이중적인 환경을 열어주었습니다—한쪽에는 뛰어난 가치 창출 기회, 다른 한쪽에는 중대한 위험과 도전이 있습니다 1,2. 생성형 AI와 기존 AI 기술은 더 높은 생산성, 빠른 혁신, 강력한 경쟁 위치를 약속하지만, 동시에 편향, 일자리 대체, 불평등, 윤리적 딜레마에 대한 우려도 불러일으킵니다. 이러한 밝은 면과 어두운 면의 이중성은 조직이 변화를 추구하면서 기회와 위험을 어떻게 조종하는지 신중한 검토를 요구합니다.

점점 더 많은 연구들이 AI의 변혁적 범위를 문서화하고 있습니다—고객 상호작용 최적화, 운영 효율성 향상, 그리고 날카로운의사결정 6,7. 하지만 이러한 진전은 상당한 상쇄 효과를 내고 있다. AI 시스템에 내재된 차별과 편견은 기존의 불평등을 고착화시킬 수 있으며,자동화는 직업 안정성을 위협하며, 많은 알고리즘의 불투명성은 책임성 문제를 제기합니다. AI 기반 기업과 기술적으로 덜 발전한 동료 기업 간의 격차가 벌어지면서경제적 격차가 심화되며, 투명성과 신뢰 부족은 이해관계자 관계를 복잡하게만듭니다.

디지털 전환 문헌이 방대하지만(AI 기반 전환은 별도의 현상으로 다루어야 합니다)14,15. Black 등은 역동적 역량 관점을 통해 AI 기반 비즈니스 모델 전환의 핵심 동력들을 규명했으나, 그들의 프레임워크는 이러한 요소들이 조직 내 계층 구조 간에 어떻게 다르게 인식되고 실행되는지에 대해서는 다루지 않았습니다. 이 격차는 경영진 전략과 실무자 실행 간의 불일치가 증가하는 증거를 고려할 때 더욱 클 수 있습니다.

다층 연구를 통해 AI 도입이 조직 간 고르지 않게 공명되며, 경영진과 실무자가 AI 전환을 인식하고 실천하는 방식에 뚜렷한 차이가 있음을 보여주기 시작했습니다. 생산성 향상, 날카로운 의사결정, 새로운 가치 창출은 AI의 널리 인정받는 이점이지만, 많은 조직이 여전히 AI 이니셔티브를 시범 단계를 넘어서는 데 어려움을 겪고 있습니다. 특히 인식과 운영이 서로 다른 계층적 수준으로 나뉘는 경우에는 더욱 그렇습니다.

본 연구에서 AI 전환(AX)은 AI 기술을 핵심 운영, 전략, 가치 창출 프로세스에 체계적이고 조직 전체적으로 통합하는 과정을 의미합니다. 여기서 실시된 AX는 세 가지 상호 연관된 차원을 아우릅니다: (1) 기업 AI 전략 수립—조직 차원에서 AI 투자, 우선순위 설정 및 거버넌스의 의도적인 계획; (2) AI 시스템의 운영 배치—기존 워크플로우 내에서 AI 솔루션의 기술적 도입, 통합 및 확장; 그리고 (3) 조직 변화 관리—AI의 가치 창출 잠재력을 대규모로 실현하기 위해 필요한 인간적, 문화적, 구조적 조정. 본 연구는 다음과 같은 질문을 통해 이 격차를 해소합니다: (1) Black 등16 이 지적한 요인들이 조직 맥락 전반에 걸쳐 경험적 타당성을 가지는지, (2) 경영진과 실무자가 이러한 관계에 대해 특히 AI 전환의 밝은 면과 어두운 면에 대해 어떻게 다르게 인식하는지. 조직 계층을 구조적 조절자로 도입함으로써, 우리는 AI의 약속과 위험을 서로 다른 수준에서 인식하는 체계적 비대칭성이 있는지 조사합니다. 연구 결과는 AI 전환의 촉진 요인과 장애물이 계층적 수준에 따라 다르게 인식될 수 있음을 시사하며, 이는 정렬과 거버넌스 전략에 시사점을 제공합니다.

학계에서는 AX의 이중 특성을 점점 더 인식하고 있습니다. Grewal 등은 AI의 '빛과 어둠'을 분석하고 , Belanche 등은 서비스의 밝은 면과 어둠을 탐구 합니다. Belanche 등은 알고리즘 관리의 상반된 효과를 추적하며 , Barari 등은 마케팅에서 AI의 어두운 면에 대한 메타분석적 증거를 제시합니다. 이 연구들을 종합해 보면, AI 전환은 순전히 낙관적인 관점으로는 이해할 수 없다는 점을 분명히 합니다; 조직은 기회를 관리하고 동시에 위험을 완화해야 합니다.

Black 등16의 연구를 바탕으로, 이 이중성을 헤쳐 나가는 데 핵심적인 네 가지 동적 역량이 검토되었습니다: (1) 동시에 활용과 탐색을 가능하게 하는 달리고 변화하는 능력21; (2) AI 기반 데이터/IS 준비성, 데이터 품질 및 통합 문제를 처리하면서 AI 배포를 위한 인프라를 제공하는22; (3) 개인화 기회와 개인정보 보호 우려의 균형을 맞추는 시장/고객 인식23; 그리고 (4) 민첩성을 희생하지 않고 거버넌스를 보호하는 전략적 프로세스 규율24. 이 틀에서 환경적 맥락, 선제적 리더십, 그리고 촉진자(AI 민감성 위험 감수 및 기술 민감성 혁신 문화)는 이 네 가지 역량 차원을 공동으로 형성하는 선행 요소로 작용합니다. 이러한 역량들은 다시 AI 변혁 성과를 함께 이끕니다. 이 인과적 사슬—선행 요인에서 역량, 성과 결과에 이르기까지—이 모델의 핵심 이론 논리를 이루며, 조직적 위치(경영자 대 실무자)가 지각 비대칭성을 검토하는 조절 렌즈로 등장합니다.

동적 역량 이론은 기업이 변동성이 큰 환경에서 어떻게 경쟁 우위를 유지하는지를 감지, 포착, 변환을 통해설명합니다. AI에 적용할 경우, 이러한 역량은 조직이 기술적 기회를 활용하면서 관련 위험을 통제할 수 있게 합니다.

운영과 변화를 주는 능력은 지속적인 운영과 혁신을 균형 있게 조율하는 조직의 민첩성을 보여줍니다. 민첩성은AI 도입을 빠르게 촉진하지만, 조기 배포와 불충분한 테스트의 위험을 증가시킵니다. Nguyen 등은 AI가 전통적인 선형 변화 모델을 혁신하고 반복적이고 피드백 중심의 시스템을 요구한다고 보여 준다. 신중한 관리 없이는 끊임없는 적응으로인해 조직이 불안정해질 수 있습니다.

AI 지향 데이터/IS 준비성은 기초 인프라 역할을 하지만, 진정한 준비성은 기술적 역량과 조직적 도전 과제 모두에 걸쳐 있습니다. 견고한 데이터 시스템은 AI가치 창출을 가능하게 하지만, 분산된 아키텍처와 낮은 데이터 품질은 효과를 제한할 수 있습니다. Ghosh30 은 준비 상태를 상호 의존적인 시스템으로 규정하며, 지속적인 적응이 필요한 시스템으로, 그 가능성을 가능하게 하는 잠재력과 구현의 복잡성을 모두 부각시킵니다.

시장/고객 인식은 조직이 고객의 니즈를 감지하고 개인화된 경험을 만들 수 있도록 돕습니다. 동시에, 이는 개인정보 보호 문제와 과도한 개인화 위험을 유발합니다. 인사이트 생성과 개인정보 보호 사이의 적절한 균형을 맞추는 것은 AI 변혁의 핵심 긴장입니다.

전략적 프로세스 규율은 AI 이니셔티브를 위한 거버넌스 구조를 제공하며, 정렬과책임성을 촉진합니다. 하지만 지나친 규율은 혁신을 저해하고 적응을 늦출 수 있습니다. 과제는 관료적 장벽을 세우지 않으면서 충분한 구조를 유지하는것이다.

H1: 역량은 성과 긍정적으로 연관되어 있습니다.

Black 등16은 수동적인 '최고 경영진 지원'과 구분하며, 전략적 의제를 적극적으로 형성하고 불확실성을 수용하며AI 구현을 모니터링하는 리더를 강조했습니다. 하지만 AX의 리더십 효과는 경영진과 실무자 간의 격차를 해소하는 데 달려 있습니다. 경영진은 AI 비전을 구상하고 윤리적 거버넌스를 엮으며, 실무자들은 일상적인 도구 상호작용을 통해 필수적인 경험적 피드백을 제공하며, 경영진이 놓칠 수 있는 현실 세계의 요구사항을 드러냅니다. 이러한 계층적 격차는 종종 최고위층의 전략적 열정으로 나타나며, 현장의 워크플로우 통합 문제와 사용성 제약에 충분한 주의를 기울이지 않고 진행됩니다. 따라서 선제적 리더십은 양방향 참여를 요구합니다—경영진이 전략적 방향을 설정하는 동시에 실무자의 인사이트를 적극적으로 접목하여 AI 역량이 운영 현실에 부합하도록 하는 것입니다. 이 상호의존성은 다음과 같은 결과를 낳습니다:

H2. 능동적 리더십은 역량과 긍정적으로 연관되어 있습니다.

환경적 맥락은 조직의 전략적 지형을 형성하는 외부 요인을 포함합니다. 산업 역동성은 Black 등16 이 정의한 변화와 경쟁의 속도와 강도로, 기술적 정교함, 끊임없는 파괴, 그리고 조직의 민첩성을 요구하는 새로운 경쟁자의 꾸준한 유입으로 특징지어집니다. 높은 역동성은 AI와 같은 혁신적 기술 도입의 긴급성을 증폭시키며, 도입 속도가 중요한 차별화 요소가 됩니다. Singh 등(38 )은 역동성이 재구성 가능한 자원 기반 역량을 형성하는 방식을 보여주며, 동적 역량이 조직 구조에 내재되어 혁신과 적응력을 지원하거나 제한하는 방식을 지적합니다. 최근 연구 결과는 환경 역동성의 복잡하고 양날의 날의 표지(39)가 중국 제조업에서 비즈니스 모델 혁신에 대한 디지털화 효과를 긍정적·부정적으로 완화한다고 보고하며, Binsar 등은 인도네시아에서 디지털 도입 역량과 병원 성과에 유의미한 완화 효과를 지적 한다. 따라서 환경 반응성은 단순한 외부 적응을 넘어섭니다; 조직 시스템, 문화, 리더십 간의 정렬을 요구합니다. 따라서 우리는 다음과 같은 가설을 세웁니다:

H3. 환경적 맥락은 역량과 긍정적으로 연관되어 있습니다.

조직이 AI의 이중적 특성을 다루는 데 중요한 두 가지 요소가 있습니다: AI 위험 감수 능력과 기술 민감성 혁신 문화입니다. AI 위험 감용은 AI 실험에서 불확실성을 받아들이려는 의지를 포괄합니다. 이러한 관용은 혁신을 촉진하지만, 동시에 조직을 실패 가능성에 노출시킵니다. Zhao 등은 오류 관리 문화가 서비스 혁신을 촉진하지만, 적절한 관리 시스템 없이는 그 이점이 사라진다는 것을 보여줍니다 . Barrett 등은 실험과 안전장치 사이의 균형을 맞추는 위험 거버넌스 관행의 필요성을 강조합니다 . 기술 민감성 혁신 문화는 기술적 한계를 인식하면서도 AI 도입과 실험을 장려합니다. 이러한 문화는 지속적인 학습과 교차기능 협업을 촉진하지만, 동시에 조직이 조기 도입이나 부적절한 위험 평가를 하도록 압박할 수도 있습니다. 혁신 장려와 책임 있는 실행 보장 사이의 적절한 균형을 맞추는 것은 여전히 핵심조직 과제입니다.

H4: 조력자는 능력과 긍정적으로 연관되어 있습니다.

조직 내 위계질서는 AI의 기회와 위험이 인식되는 방식에 강한 영향을 미칩니다. 경영진은 전략적 이점—경쟁 우위, 시장 포지셔닝, 장기적가치 창출—에 집중하는 경향이 있으며, AI를 대체로 낙관적인 시각으로 바라보며 그 변혁적 잠재력을 강조합니다. 하지만 이러한 관점은 구현 문제와 운영의 복잡성을 과소평가할 수 있습니다. 실무자들은 AI의 이중적 본질을 더 직접적으로 접하게 됩니다. 효율성 향상을 인식하면서도, 매일 데이터 품질 문제, 통합 장애, 워크플로우 중단과 씨름하며 AI의 한계, 위험, 의도치 않은 결과에 더 민감하게 반응합니다47. 직원 인식에 관한 연구는 실무자들이 AI 기반 워크플로우 변화에 직접 노출되면서 자동화 불안과 효율성 향상의 복잡한 상호작용을 헤쳐 나가고 있음을 확인시켜 줍니다48. 인지 연구는 이러한 차이를 밝혀냅니다. 관리자는 모호함을 다루기에 적합한 직관적이고 전략적인 처리에 더 의존하는 반면, 실무자는 운영 문제 해결을 위해 분석적 추론을 사용합니다49,50. 이러한 인지 스타일은 각 그룹이 AI의 밝은 면과 어두운 면을 읽는 데 영향을 미칩니다. 문화적 인식도 다양합니다. 경영진은 조직 문화를 혁신을 촉진하고 응집력 있는 것으로 보는 경향이 있으며, 실무자들은 구조적 장애와 제한된 영향력을 보고합니다51. 이러한 상반된 관점은 AI 도입 전략, 윤리적 프레임워크, 위험 관리에서 불일치를 조장합니다52. 중간 관리자는 전략적 비전과 운영 현실 사이의 중요한 다리 역할을 합니다. 낙관주의와 실용주의의 균형을 얼마나 효과적으로 조화시키는지는 변화 성과 관련이 있을 수 있습니다53. 그 중재가 실패하면 단절이 커져 조직의 적응력이 약화될 수 있습니다.

H5: 조직 내 위치(경영진 vs. 실무자)는 AX 관련 개념을 평가하는 지각 수준에서 체계적인 차이와 관련이 있으며, 경영진은 AI 전환의 '밝은 면'에 더 중점을 둔 역량, 실행 요인, 성과 결과에 대한 평가를 더 높게 보고할 것으로 기대되며, 실무자는 운영 위험과 구현 도전에 더 가까이 있는 실무자들에 비해 AI 변혁의 '밝은 면'에 더 중점을 두고 있습니다. H5는 지각적 차이(즉, 조직 계층이 구성 점수 수준을 형성하는 방식의 차이)에 관한 것이지, 근본적인 인과 메커니즘의 차이는 아니라는 점을 주목하는 것이 중요하다. 이 연구의 단면 설문 설계는 지각 패턴과 연상 관계에 대한 추론을 지원한다; 구조 감속에 관한 인과적 주장은 종단 또는 실험적 설계가 필요하며 본서는 주장하지 않는다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

모든 절차는 aSSIST 대학, 수원대학교, 성균관대학교, 동아대학교의 인간 참여 연구 윤리 기준을 준수하였습니다. 모든 응답이 수집 시점에 익명화되었고 개인 식별 가능한 데이터가 어느 단계에서도 수집되지 않았기 때문에, aSSIST 대학교의 기관심사위원회는 이 연구에 대해 전면적인 심사에서 면제를 허가했습니다. 공동 저자 기관들은 독립적인 IRB 검토를 추진하기보다는 주도 기관의 승인에 의존했습니다; aSSIST 대학교는 연구 설계와 데이터 수집 프로토콜을 모두 승인했습니다. Qualtrics 플랫폼 내에서 각 참가자는 설문지가 접근 가능해지기 전에 디지털 사전 동의 진술서를 접했습니다. 그 성명은 연구의 학술적 목적을 명시하고, 익명 데이터 처리 방식을 확인했으며, 데이터가 연구 목적에만 사용될 것임을 언급하고, 예측 가능한 위험이 없음을 표시했다; 적극적으로 동의하지 않은 사람은 자동으로 설문조사에서 제외되었습니다.

연구 모델
우리 연구 모델(그림 1)에서 역량은 능동적 리더십, 환경 맥락, 그리고 촉진자라는 세 가지 선행 요인과 성과 사이의 중개자 역할을 하며, 조직 위치는 조절 변수로 작용합니다. 역량은 네 가지 차원을 포함합니다: 실행 및 변경 능력(RC), AI 지향 데이터/IS 준비성(DR), 시장/고객 인식(MC), 전략적 프로세스 규율(SP). 이네이블러는 기술 민감 혁신 문화(TS)와 AI 리스크 내성(AS)으로 구성됩니다.

figure-protocol-1
그림 1: 연구 모델. 능동적 리더십, 환경 맥락, 그리고 실행 요인(선행 요인) 간의 가설적 관계를 묘사하는 개념 연구 모델; 네 가지 동적 역량 차원(실행 및 변경 능력, AI 중심 데이터/IS 준비성, 시장/고객 인식, 전략적 프로세스 규율); 그리고 AI 변혁 성과, 조직 직위(임원 vs. 실무자)가 조정 변수로 등장하는 AI 전환 성과. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

연구 자료
데이터 수집은 Prolific(https://www.prolific.co)을 통해 참여자 모집을, Qualtrics(https://www.qualtrics.com)를 통해 2024년 11월 24일부터 25일까지 이틀 연속으로 진행된 온라인 설문조사를 기반으로 진행되었습니다. 자격 요건은 현재 조직 내에서 AI 관련 프로젝트에 적극적으로 참여하고 있는 개인으로 제한되었습니다. Prolific의 사전 심사 필터가 이 기준을 강제했으며, Qualtrics 심사 질문이 이를 확인시켜 주었습니다: "다음 중 현재 상황을 가장 잘 설명하는 것은 무엇입니까?" —"현재 근무 중이며 AI 관련 업무에 종사한 경험이 있다"는 응답자만이 계속 참여할 수 있었습니다. 참가자들은 설문 시작 시 디지털 동의서를 통해 최소 20세 이상임을 확인해야 했으며; 동의하지 않은 사람은 자동으로 제외되었다. 내장된 주의력 검사 문항("AI는 아티초크 정보의 약자인가?"; 정답: 아니오)는 주의력 부족 응답자를 표시했다; 잘못된 답변이 있으면 설문조사는 자동으로 종료되었습니다. 최종 표본은 293명의 전문가(여성 50.51%, 남성 49.49%)로 구성되었습니다. 응답자들은 전용 설문조사 문항인 "귀사의 AI 프로젝트에서 당신의 역할은 무엇인가요?"에 대한 답변을 바탕으로 두 그룹으로 나뉘었으며, 다섯 가지 선택지가 있었습니다: 임원/고위 경영진, 중간 관리자, 기술 직원/엔지니어, 연구원/과학자, 그리고 컨설턴트. 임원/고위 경영진을 선발한 이들은 임원 그룹에 배치되었고; 기술 직원/엔지니어, 연구원/과학자, 컨설턴트를 선발한 사람들은 실무자 그룹에 배치되었습니다. 중간 관리자 응답자(n = 81명)는 경영진 그룹에 합류했는데, 이는 중간 관리자 역할이 운영 팀을 직접 감독하고 전략 기획에 참여하는 역할을 포함하여, 현장 실무보다는 경영 기능에 더 가깝다는 이유였습니다. 최종 그룹에서는 112명의 임원과 181명의 실무자가 배출되었습니다. 표 1은 인구통계학적 프로필을 요약한 것입니다.

표 1: 인구통계학적 특성. 293명의 설문 응답자의 인구통계학적 프로필은 성별, 연령, 산업, 조직 역할을 포함하여 다중 그룹 분석에 사용되는 두 계층적 그룹(임원, n = 112명)으로 세분화되었습니다. 실무자들, n = 181). 이 표를 다운로드하려면 여기를 클릭해 주세요.

조치
모든 설문 문항은 "강력히 동의하지 않음(1)"에서 "강력히 동의하지 않음(7)"까지 7점짜리 리커트 척도로 측정되었습니다. 대상 전문 인구에 대한 개념적 명확성과 적합성을 검증하기 위해, 조직에서 AI 관련 프로젝트에 적극적으로 참여했다고 보고한 Prolific 참가자를 대상으로 30명의 응답자 사전 테스트를 실시했습니다. 사전 시험 응답은 참가자들이 모호하다고 느낀 두 문항에 대한 소규모 문구 수정으로 이어졌으며, 척도에는 구조적 변화가 없었습니다. 가설은 SmartPLS 4.0에서 추정한 부분 최소제곱 구조 방정식 모델링(PLS-SEM)을 통해 검증되었습니다. 본 연구의 세 가지 특징이 이 선택을 이끌었다. 첫째, Capabilities와 Enabler 모두 형성적 2차 구성물로 운영되며, 이는 분산 기반 추정이 공분산 기반 SEM보다 더 직접적으로 적합한 구성입니다. 둘째, AI 변환에서의 지각 비대칭은 아직 성숙한 측정 관습이 발전 중인 신흥 연구 분야를 대표합니다; 이러한 조건에서는 확증적 적합 지수의 최적화보다 예측적 강조가 더 적합합니다. 셋째, 임원과 실무자 하위 그룹은 규모가 크게 다르다(임원 n = 112명; 실무자 n = 181), 분산 기반 추정은 공분산 기반 접근법을 제한하는 최소 셀 크기 요구사항을 적용하지 않습니다. 디지털 전환에 관한 이전 실증 연구들은 이러한 분석 접근법을 채택해 왔습니다.

SmartPLS 4.0에서는 경로 가중치, 최대 300회 반복, 10⁻7 정지 기준으로 구성되었습니다. 부트스트래핑은 5,000개의 하위 표본을 사용하여 편향 보정 및 가속(BCa) 신뢰구간을 사용했고, 부호 변화가 없으며, 완전한 부트스트래핑을 사용했습니다. 2단계 접근법에서는 1단계 잠재변수 점수를 1차 측정 모델에 PLS 알고리즘을 실행하여 얻었으며(PLS → 계산 알고리즘), 이 점수들은 이후 내보내져 (잠재변수 점수→ 결과 포함) 2단계에서 2차 구성의 명시적 지표로 사용되었습니다. 순열 기반 MGA는 1,000개의 순열과 0.05의 양측 유의수준을 가진 Calculate → Multi-Group Analysis → Permutation을 통해 실행되었습니다. MICOM 테스트는 Calculate → Permutation → MICOM 1,000가지 순열로 수행되었습니다. FIMIX-PLS 분할은 10회 반복과 재현성을 위한 고정 시드(46,54,55,56,57,58,59)로 Calculate → FIMIX-PLS를 통해 수행되었습니다. 본 연구의 맥락에서 PLS-SEM은 전체 표본에 걸친 구성 요소 수준의 경로 관계를 평가하고 MGA를 통한 그룹 간 비교를 지원하는 이중 기능을 수행했습니다. 경로 수준 결과는 또한 추가적인 이론적 검토를 필요로 하는 패턴을 가리켰다60.

역량과 개조자는 각각 이 연구에서 형성적 2차 구성어로 운영화된다. 역량은 네 가지 1차 차원을 종합합니다: 재구성 능력, AI 중심의 데이터 및 시스템 준비성, 시장 및 고객 근접성, 전략적 프로세스 규율. Enablers는 두 가지 1차 차원을 결합합니다: AI 민감성 위험 감용성과 기술 민감성 혁신 문화. 2차 형성 구조물의 추정은 PLS-SEM61에서 고차 모델에 권장된 2단계 접근법을 따랐다. 이 접근법은 반복 지표 접근법과 구별됩니다: 2차 수준에서 모든 1차 지표를 단일 추정 단계에서 중복하는 대신, 2단계 절차는 먼저 각 1차 구성 요소에 대해 해당 지표 집합에서 잠재 변수 점수를 생성한 후(1단계), 2단계에서 해당 2차 구성 요소에 대한 명시적 입력으로 사용합니다. 이 순차적 추정은 단일 단계 고차 모델62, 63, 64 내에서 모든 항목이 동시에 나타날 때 발생할 수 있는 교차 구성 지표 인플레이션을 방지합니다. 따라서 2단계 절차는 단일 단계 추정에서 반복 지표 접근법에서 발생할 수 있는 매개변수 팽창과 편향된 추정치를 피할 수있습니다. H5를 검토하기 위해 순열 기반 다중 그룹 분석(PLS-MGA)을65,66 적용하여 구조적 관계, 즉 역량과 성과(H1), 능동적 리더십 및 역량(H2), 환경 맥락 및 역량(H3), 그리고 촉진자와 역량(H4) 간의 연관성이 조직 위치(H5)에 따라 분류된 그룹 간에 차이가 있는지 조사했습니다(그림 2)). SmartPLS에 내장된 PLS-MGA 기능이 이 분석에 사용되었습니다. 설문지 내용은 표 2에 제시되어 있습니다.

표 2: 설문지. 11가지 1차 구성에 대한 모든 반사 문항, 출처 참조, 그리고 모든 항목에 사용되는 7점 리커트 반응 척도를 나열한 완전한 측정 도구. 이 표를 다운로드하려면 여기를 클릭해 주세요.

최종 설문에 두 가지 주의력 검사 문항이 삽입되었고, 이는 정확히 답하지 않은 참가자(예: "현재 상황을 가장 잘 설명하는 질문은 무엇인가요?")를 걸러내는 필터 역할을 했습니다. 만약 참가자가 이 질문들 중 하나에 틀리게 답하면 즉시 설문이 종료되었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

공통 방법 편향(CMB)에 대한 예비 평가로서, 하먼의 단일 요인 검정이 수행되었으며, 첫 번째 회전되지 않은 요인이 분산의 30.21%를 차지했습니다(50% 임계치 이하). 이 결과는 CMB가 데이터를 지배하지 않는다는 초기 증거를 제공하지만, 하먼 검사가 진단 도구로서 민감도와 특이성에 제한적임은 인정됩니다. 추가적인 절차적 안전장치로서, 설문조사는 무작위 문항 순서를 도입하고, 역부호 문항을 포함하며, 사회적 선호도 편향을 줄이기 위해 응답자의 익명성을 보장했습니다. 추가적인 구조적 지표로, 모든 외부 모델 구성물의 전체 공선성 VIF 값은 3.3 미만이었고, 내부 모델 VIF는 1.00에서 3.17까지 범위 내였다(환경 맥락 → 역량, 모두 Kock, 2015가 권장한 3.3 임계값 이하)로, 공선성 기반 인플레이션과 공통 방법 편향에 대한 추가 구조적 증거를 제공했다. 그럼에도 불구하고, 잔류 CMB의 가능성을 완전히 배제할 수는 없으며, 결과 해석 시 고려해...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

연구 결과는 조직 위계 구조가 경영진과 실무자가 AI 변환 구조를 인식하는 수준에서 체계적인 차이와 연관되어 있음을 보여준다. 세 가지 독립적인 MGA 접근법—순열 기반 MGA(1,000 순열), 부트스트랩 MGA(5,000 하위 표본)74, 그리고 Parametric 및 Welch-Satterthwaite 검정66—은 구조적 경로 계수에서 통계적으로 유의미한 차이가 일관되게 나타나지 않았으며(H5는 지지되지 않음; 모든 양측 p는 모든 방법으로 0.05 >), 그룹 간 구조적 동등성을 확인했다. FIMIX-PLS 세분화는 경영진/실무자 그룹이 주요 이질성 출처를 적절히 포착한다는 점을 확인했습니다 (BIC = −2,091.0; CAIC = −2,064.0, k 2)75,76에서 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 이해 상충이 없음을 선언합니다. 원고 준비 과정에서 저자들은 제한된 방식으로 생성형 AI를 사용했는데, 특히 선택된 방법론 구절의 초안을 다시 쓰고 기술적 설명에서 문법적 문제를 표시하는 데 사용했습니다. 각 AI가 생성한 구절은 출처 데이터와 교차 검증되었고, 저자들은 이를 상당히 다시 작성했습니다. 저자는 원고의 모든 부분의 정확성, 진실성, 독창성에 대해 전적인 책임을 집니다. 모든 저자가 동등하게 기여했습니다.

감사의 글

이 연구는 aSSIST 대학교의 연구 자금 지원을 받고 있습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
Prolific (온라인 참여자 모집 플랫폼)프로리픽 아카데믹 주식회사https://www.prolific.com/설문 참여자 모집에 사용되는 온라인 플랫폼. 참가자들은 자격 기준(예: AI 도입 경험이 있는 조직에서 현재 근무 중임)을 기준으로 선별되었고, Prolific의 공정 임금 지침에 따라 보상을 받았습니다.nbsp;
Qualtrics (온라인 설문 플랫폼)퀄트릭스 LLChttps://www.qualtrics.com/설문지 설계, 배포 및 응답 데이터 수집에 사용되는 웹 기반 설문 플랫폼. 모든 측정 문항은 7점짜리 리커트 척도(1 = 강하게 반대, 7 = 매우 동의)를 사용하여 Qualtrics를 통해 시행되었습니다.
SmartPLS 4.0 (PLS-SEM 소프트웨어)스마트PLS GmbHhttps://smartpls.com/외부 모델 평가(복합 신뢰도, AVE, HTMT), 내부 모델 경로 분석(부트스트래핑, 5,000개 샘플), MICOM 3단계 조성 불변성 검정(순열, 1,000 추출), PLS-MGA 그룹 간 차이 검정 등 모든 최소제곱 구조 방정식 모델링(PLS-SEM) 분석에 사용됨.

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

AI
동영상 곧 제공

관련 논문