Onderzoeksartikel

Hiërarchische asymmetrieën blootleggen in transformatie van kunstmatige intelligentie: het navigeren tussen de lichte en donkere kanten op organisatieniveaus

175 weergaven

⸱

DOI:

10.3791/70756

⸱

12 mei 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 dit artikel

Samenvatting

We beschrijven een reproduceerbare enquêtemethodologie die is ontworpen om hiërarchische asymmetrieën in de percepties van kunstmatige intelligentie (AI) transformatie (AX) te onderzoeken. Zowel leidinggevenden als praktijkmensen vullen een gevalideerde vragenlijst in die op Qualtrics wordt gehost; de analytische pijplijn draait in SmartPLS 4.0 en omvat validatie van het buitenste model, padanalyse, MICOM-invariantietesten en permutatie-gebaseerde multi-groepanalyse (MGA).

Samenvatting

Governancestructuren die de uitvoerende strategie afstemmen op de implementatie van de frontlinie, zijn afhankelijk van het begrijpen van hoe de hiërarchie van de organisatie de perceptie van succesfactoren voor kunstmatige intelligentie (AI) transformatie (AX) vormgeeft. We presenteren een gevalideerde, reproduceerbare, op enquêtes gebaseerde methodologie die gedeeltelijke kleinste-kwadraten structurele vergelijkingsmodellering (PLS-SEM) koppelt aan multi-groep analyse (MGA) om hiërarchische asymmetrieën in AX-waarnemingen te detecteren en te kwantificeren—en gaan verder dan aggregate analyse om structurele scheidingen bloot te leggen die single-group methoden verborgen laten. Met gebruik van 293 professionals die betrokken zijn bij AI-projecten, beoordelen we vier dynamische capaciteitsdimensies—operationele wendbaarheid, datagereedheid, klantnabijheid en strategische procesdiscipline—samen met belangrijke ondersteunende factoren: technologische ondersteuning, AI-gevoelige risicotolerantie, milieucontext en proactief leiderschap. Compositionele invariantie wordt eerst geverifieerd door MICOM-testen; pas na bevestiging van vergelijkbaarheid tussen groepen gaat de analyse over op permutatie-gebaseerde MGA-significantietesten. Beide groepen vertonen positieve associaties tussen dynamische capaciteiten en AX-prestaties (executives: β = 0,637, R2 = 0,406; beoefenaars: β = 0,531, R2 = 0,282). Permutatie-gebaseerde MGA detecteert geen statistisch significante verschillen in structurele padcoëfficiënten tussen de twee groepen (alle p ≥ .178); de veronderstelde modererende rol van de organisatorische positie op padrelaties (H5) mist daarom ondersteuning. Toch laat MICOM Step 3a zien dat leidinggevenden alle belangrijke constructen significant hoger beoordelen dan praktijkmensen (8 van de 11 constructen, allemaal p ≤ .045)—bewijs dat hiërarchische asymmetrie naar voren komt als een kloof in perceptuele niveaus, niet in de structurele relaties zelf. Als overdraagbare methodologische sjabloon rust het protocol onderzoekers die perceptieverschillen in organisatietransformatie bestuderen uit met tools die direct betrekking hebben op AI-governance, verandermanagementstrategie en cross-level alignment in technologie-intensieve omgevingen.

Inleiding

Snelle vooruitgang in kunstmatige intelligentie heeft een dubbel landschap geopend voor bedrijfsorganisaties—buitengewone kansen op het gebied van waardecreatie aan de ene kant, aanzienlijke risico's en uitdagingen aan de anderekant 1,2. Generatieve AI en conventionele AI-technologieën bieden de belofte van hogere productiviteit, snellere innovatie en sterkereconcurrentiepositie, maar roepen tegelijkertijd zorgen op over vooringenomenheid, baanverplaatsing, ongelijkheid en ethische dilemma's 4,5. Deze dualiteit van de lichte kant en de donkere kant vraagt om zorgvuldige controle over hoe organisaties door zowel kansen als risico navigeren terwijl ze transformatie nastreven.

Een groeiend aantal werken documenteert het transformerende bereik van AI—optimalisatie van klantinteractie, operationele efficiëntiewinst en scherpere besluitvorming 6,7. Die vooruitgang heeft echter aanzienlijke tegengewichten. Discriminatie en vooringenomenheid in AI-systemen kunnen bestaande ongelijkheden versterken8, automatisering bedreigt baanstabiliteit9, en de ondoorzichtigheid van veel algoritmen roept verantwoordingsvragenop 10. De groeiende kloof tussen AI-gedreven bedrijven en hun minder technologisch geavanceerde concurrenten vergroot de economische ongelijkheid11, terwijl transparantie en vertrouwenstekorten de relaties tussen belanghebbenden bemoeilijken12.

Hoewel de literatuur over digitale transformatie uitgebreid is13, verdient AI-gedreven transformatie aparte behandeling als een apart fenomeen14,15. Black et al.16 identificeerden cruciale enablers voor AI-gestuurde transformatie van het bedrijfsmodel vanuit een dynamische capaciteitsbril, maar hun kader behandelt niet hoe deze factoren verschillend worden waargenomen en uitgevoerd binnen organisatorische hiërarchieën. Die kloof weegt zwaar gezien het toenemende bewijs van misovereenstemming tussen executive strategie en implementatie door praktijkmensen17.

Meerlaags onderzoek toont aan dat AI-adoptie ongelijk is over organisatielagen heen, met duidelijke variatie in hoe leidinggevenden en praktijkmensen AI-transformatie waarnemenen meemaken. Productiviteitswinst, scherpere besluitvorming en nieuwe waardecreatie zijn algemeen erkende voordelen van AI, maar veel organisaties hebben nog steeds moeite om AI-initiatieven voorbij de pilotfase te brengen—vooral waar perceptuele en operationele niveaus verschillende hiërarchische niveaus scheiden.

In deze studie duidt AI-transformatie (AX) op het systematische, organisatiebrede proces van het verweven van AI-technologieën in kernoperaties, strategie en waardecreatieprocessen. Zoals hier operationaliseerd, omvat AX drie onderling verbonden dimensies: (1) de formulering van enterprise AI-strategie—de bewuste planning van AI-investeringen, prioritering en governance op organisatieniveau; (2) operationele inzet van AI-systemen—de technische adoptie, integratie en opschaling van AI-oplossingen binnen bestaande workflows; en (3) organisatorisch verandermanagement—de menselijke, culturele en structurele aanpassingen die nodig zijn om het waardecreatiepotentieel van AI op grote schaal te realiseren. Deze studie richt zich op deze kloof door te vragen: (1) of de factoren die door Black et al.16 zijn geïdentificeerd empirisch valide zijn binnen organisatorische contexten, en (2) hoe leidinggevenden en praktijkmensen uiteenlopen in hun percepties van deze relaties—vooral met betrekking tot de lichte en donkere kanten van AI-transformatie. Door organisatorische hiërarchie als structureel moderator te introduceren, onderzoeken we of er systematische asymmetrieën bestaan in hoe verschillende niveaus de beloften en gevaren van AI waarnemen. De bevindingen geven aan dat zowel ondersteunende factoren als obstakels in AI-transformatie verschillend kunnen worden waargenomen op hiërarchische niveaus, wat gevolgen heeft voor afstemming en governancestrategieën.

De wetenschap erkent steeds meer het dubbele karakter van AX. Grewal et al.19 ontleden AI's "licht en duisternis", terwijl Belanche et al.20 de lichte en donkere kanten in diensten onderzoeken. Belanche et al.20 traceren de contrasterende effecten van algoritmisch management, en Barari et al.1 leveren meta-analytisch bewijs van de donkere kant van AI in marketing. Gezamenlijk maken deze studies duidelijk dat AI-transformatie niet door een puur optimistische bril kan worden begrepen; Organisaties moeten kansen beheren en tegelijkertijd risico's beperken.

Voortbouwend op Black et al.16 werden vier dynamische vaardigheden onderzocht die centraal staan bij het navigeren van deze dualiteit: (1) Vermogen om te rennen en te veranderen, wat gelijktijdige exploitatie en verkenning mogelijk maakt21; (2) AI-georiënteerde data/IS-paraatheid, die infrastructuur biedt voor AI-implementatie terwijl datakwaliteits- en integratieproblemen worden opgelost22; (3) Markt-/klantbewustzijn, dat personalisatiemogelijkheden in balans brengt met privacyzorgen23; en (4) Strategische procesdiscipline, die governance waarborgt zonder wendbaarheid op te offeren24. In dit kader functioneren milieucontext, proactief leiderschap en enablers (AI-gevoelige risicotolerantie en technologiegevoelige innovatiecultuur) als voorgangers die gezamenlijk deze vier capaciteitsdimensies vormgeven. De capaciteiten stimuleren op hun beurt samen de prestaties van AI-transformatie. Deze causale keten—van antecedenten via capaciteiten tot prestatie-uitkomsten—vormt de kerntheoretische logica van het model, waarbij de organisatorische positie (uitvoerend versus praktijkbeoefenaar) binnenkomt als een modererende lens waardoor perceptuele asymmetrieën worden onderzocht.

De dynamische capaciteitentheorie verklaart hoe bedrijven concurrentievoordeel behouden in volatiele omgevingen door het detecteren, grijpen en transformerenvan 25. Toegepast op AI stellen deze mogelijkheden organisaties in staat technologische kansen te benutten terwijl de bijbehorende risico's onder controle blijven.

Het vermogen om te runnen en te veranderen vangt de wendbaarheid van een organisatie in het balanceren van lopende operaties met innovatie. Agility faciliteert snelle AI-adoptie26, maar verhoogt ook het risico op voortijdige implementatie en onvoldoende testen. Nguyen et al.27 tonen aan dat AI traditionele lineaire verandermodellen verstoort en in plaats daarvan iteratieve, feedbackgedreven systemen vereist. Zonder zorgvuldig beheer kan de resulterende constante aanpassingde organisatie destabiliseren.

AI-georiënteerde data/IS-gereedheid fungeert als fundamentele infrastructuur, maar echte gereedheid omvat zowel technische capaciteiten als organisatorische uitdagingen. Robuuste datasystemen kunnen AI-waardecreatie ontgrendelen22, maar gefragmenteerde architecturen en slechte datakwaliteit kunnen effectiviteit29 beperken. Ghosh30 frames gereedheid als een onderling afhankelijk afhankelijk systeem dat continue aanpassing vereist—waarmee zowel het potentieel als de implementatiecomplexiteit worden benadrukt.

Markt- en klantbewustzijn stelt organisaties in staat om klantbehoeften te voelen en gepersonaliseerde ervaringen te creëren23. Tegelijkertijd roept het privacyzorgen op en het risico op overpersonalisatie. Het vinden van de juiste balans tussen inzichtgeneratie en privacybescherming vormt een kernspanning in AI-transformatie31.

Strategische procesdiscipline biedt governancestructuren voor AI-initiatieven en bevordert afstemming en verantwoording16. Overmatige discipline kan innovatie echter verstikken en de aanpassing vertragen. De uitdaging is om voldoende structuur te behouden zonder bureaucratische barrières op te werpen32.

H1: Capaciteiten zijn positief geassocieerd met prestaties.

Black et al.16 onderscheiden proactief leiderschap van passieve "topmanagementondersteuning" en leggen de nadruk op leiders die actief strategische agenda's vormgeven, onzekerheid tolereren en AI-implementatie monitoren33. Toch hangt de effectiviteit van leiderschap in AX af van het overbruggen van de kloof tussen executive en practitioner. Executives kristalliseren de AI-visie en verweven ethisch bestuur34,35, terwijl praktijkmensen essentiële ervaringsfeedback geven via dagelijkse interactie met tools, waarbij echte eisen aan het licht komen die executives mogelijk missen36. Deze hiërarchische kloof uit zich vaak als strategisch enthousiasme aan de top, zonder voldoende aandacht voor workflowintegratieproblemen en gebruiksvriendelijkheidsbeperkingen op de grond. Proactief leiderschap vraagt daarom om bidirectionele betrokkenheid—bestuurders die de strategische richting bepalen terwijl ze actief inzichten van praktijkmensen verwerken zodat AI-capaciteiten aansluiten bij operationele realiteiten. Deze onderlinge afhankelijkheid leidt tot:

H2. Proactief leiderschap wordt positief geassocieerd met capaciteiten.

Milieucontext omvat de externe krachten die het strategische landschap van een organisatie vormgeven. De dynamiek van de industrie—gedefinieerd door Black et al.16 als de snelheid en intensiteit van verandering en concurrentie—wordt gekenmerkt door technologische verfijning, onophoudelijke ontwrichting en een gestage toestroom van nieuwe concurrenten, die allemaal organisatorische wendbaarheid vereisen. Hoge dynamiek versterkt de urgentie van het adopteren van transformerende technologieën zoals AI, waardoor de snelheid van adoptie een cruciaal onderscheidend kenmerkis. Singh et al.38 tonen aan hoe dynamisme het mogelijk maakt om herconfigureerbare resource-gebaseerde capaciteiten te vormen, en wijzen op hoe dynamische capaciteiten zich inbedden in organisatiestructuren, hetzij om innovatie en aanpassingsvermogen te ondersteunen of te beperken. Recente bevindingen onderstrepen het complexe, dubbelzijdige karakter39 van milieudynamiek en melden dat het zowel positief als negatief de digitaliseringseffecten op innovatie van het bedrijfsmodel in de Chinese productie matigt, terwijl Binsar et al.40 een significant matigend effect op digitale adoptiecapaciteiten en ziekenhuisprestaties in Indonesië identificeren. Omgevingsresponsiviteit gaat dus verder dan louter externe aanpassing; Het vereist afstemming tussen organisatiesystemen, cultuur en leiderschap. Daarom stellen we de hypothese op:

H3. Omgevingscontext wordt positief geassocieerd met capaciteiten.

Twee cruciale enablers zijn van invloed op hoe organisaties omgaan met de dubbele aard van AI: AI-risicotolerantie en technologiegevoelige innovatiecultuur. AI-risicotolerantie omvat de bereidheid om onzekerheid te accepteren bij AI-experimenten. Hoewel zo'n tolerantie innovatie stimuleert, stelt het organisaties ook bloot aan mogelijke mislukkingen41. Zhao et al.42 tonen aan dat de cultuur van foutbeheer de innovatie van diensten bevordert, hoewel de voordelen vervagen zonder goede beheersystemen. Barrett et al.43 benadrukken de noodzaak van risicobeheerpraktijken waarbij experimenteren wordt afgewogen met waarborgen. Tech-sensitive Innovation Culture stimuleert AI-adoptie en experimenten, terwijl technologische beperkingen worden erkend. Dergelijke culturen bevorderen continu leren en crossfunctionele samenwerking44 , maar kunnen organisaties ook onder druk zetten tot voortijdige adoptie of onvoldoende risicobeoordeling. Het vinden van de juiste balans tussen het stimuleren van innovatie en het waarborgen van verantwoorde implementatie blijft een belangrijke organisatorische uitdaging45.

H4: Enablers worden positief geassocieerd met capaciteiten.

De hiërarchie van de organisatie oefent een sterke invloed uit op hoe de kansen en risico's van AI worden waargenomen. Leidinggevenden richten zich meestal op strategische voordelen—concurrentievoordeel, marktpositionering en langetermijnwaardecreatie35, waarbij AI door een grotendeels optimistische bril wordt gezien die het transformerende potentieel benadrukt. Dat perspectief kan echter de implementatie-uitdagingen en operationele complexiteit bagatelliseren. Beoefenaars komen directer in aanraking met de dubbele aard van AI. Hoewel ze efficiëntiewinsten erkennen, worstelen ze dagelijks met problemen met datakwaliteit, integratieobstakels en workflowverstoringen46, waardoor ze beter afgestemd zijn op de beperkingen, risico's en onbedoelde gevolgenvan AI 47. Onderzoek naar de perceptie van werknemers bevestigt dat praktijkmensen navigeren in een complex samenspel van automatiseringsangst en efficiëntiewinst, gevormd door praktische blootstelling aan AI-gedreven workflowveranderingen48. Cognitief onderzoek belicht deze verschillen. Managers vertrouwen meer op intuïtieve, strategische verwerking die geschikt is om ambiguïteit te hanteren, terwijl praktijkmensen analytisch redeneren gebruiken voor operationeel probleemoplossendvermogen 49,50. Deze cognitieve stijlen beïnvloeden de interpretatie van de positieve en donkere kanten van AI door elke groep. Culturele percepties verschillen ook. Leidinggevenden zijn geneigd de organisatiecultuur te zien als innovatiebevorderend en samenhangend34, terwijl praktijkmensen structurele onvolkomenheden en beperkte invloed rapporteren51. Dergelijke contrasterende perspectieven voeden misafstemmingen in AI-adoptiestrategieën, ethische kaders en risicomanagement52. Middenmanagers vervullen een cruciale brug tussen strategische visie en operationele realiteit. Hoe effectief ze optimisme en pragmatisme in balans brengen, kan verband houden met transformatie-uitkomsten53. Wanneer die bemiddeling stokt, kunnen de ontkoppelingen groter worden, wat de organisatorische aanpassingsvermogen ondermijnt.

H5: Positie in Organisatie (Executives vs. Practitioners) wordt geassocieerd met systematische verschillen in het perceptuele niveau waarop AX-gerelateerde constructen worden geëvalueerd, waarbij van executives wordt verwacht hogere beoordelingen van capaciteiten, enablers en prestatieresultaten te rapporteren—wat hun grotere nadruk op de "positieve kant" van AI-transformatie weerspiegelt—vergeleken met praktijkmensen, die dichter bij operationele risico's en implementatieuitdagingen staan. Het is belangrijk op te merken dat H5 betrekking heeft op perceptuele verschillen (d.w.z. verschillen in hoe organisatorische hiërarchie het niveau van constructscores bepaalt), niet verschillen in onderliggende causale mechanismen. Het dwarsdoorsnede-surveyontwerp van deze studie ondersteunt afleidingen over perceptuele patronen en associatieve relaties; Causale claims over structurele moderatie vereisen longitudinale of experimentele ontwerpen en worden hier niet beweerd.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Alle procedures voldeden aan de ethische normen voor menselijk deelnemersonderzoek aan aSSIST University, de University of Suwon, Sungkyunwakn University en Dong-A University. Omdat elk antwoord op het moment van verzameling werd geanonimiseerd en er op geen enkel moment persoonlijk identificeerbare gegevens werden verzameld, verleende de Institutional Review Board van aSSIST University de studie een vrijstelling van volledige beoordeling. Co-auteursinstellingen vertrouwden op deze goedkeuring van de hoofdinstelling in plaats van onafhankelijke IRB-beoordelingen na te streven; aSSIST University had zowel het onderzoeksontwerp als het dataverzamelingsprotocol goedgekeurd. Binnen het Qualtrics-platform kreeg elke deelnemer een digitale informed-consent-verklaring voordat de vragenlijst toegankelijk werd. Die verklaring schetste het academische doel van de studie, bevestigde de omgang met anonieme gegevens, merkte op dat de gegevens alleen voor onderzoeksdoeleinden dienden, en wees op het ontbreken van voorzienbare risico's; Iedereen die niet actief toestemming gaf, werd automatisch uit de enquête gezet.

Onderzoeksmodel
In ons onderzoeksmodel (Figuur 1) dienen capaciteiten als bemiddelaars tussen drie antecedenten—proactief leiderschap, milieucontext en facilitatoren—en prestaties, terwijl de organisatorische positie als een modererende variabele wordt opgenomen. Capaciteiten omvatten vier dimensies: Vermogen om te Runnen & Veranderen (RC), AI-georiënteerde Data/IS Readiness (DR), Markt-/klantbewustzijn (MC) en Strategische Procesdiscipline (SP). Enablers omvatten Tech-Sensitive Innovation Culture (TS) en AI Risk Tolerance (AS).

figure-protocol-1
Figuur 1: Onderzoeksmodel. Conceptueel onderzoeksmodel dat de veronderstelde relaties tussen proactief leiderschap, milieucontext en enablers (antecedenten) weergeeft; vier dynamische capaciteitsdimensies (vermogen om te draaien en te veranderen, AI-georiënteerde data/IS-paraatheid, markt-/klantbewustzijn, strategische procesdiscipline); en prestaties van AI-transformatie, waarbij de organisatorische positie (Executive vs. Practitioner) als modererende variabele wordt opgenomen. Klik hier om een grotere versie van deze figuur te bekijken.

Onderzoeksgegevens
Dataverzameling was gebaseerd op een online enquête die werd afgenomen via Prolific (https://www.prolific.co) voor deelname en Qualtrics (https://www.qualtrics.com) voor het hosten en afnemen van enquêtes, die twee opeenvolgende dagen besloeg (24–25 november 2024). De geschiktheid was beperkt tot personen die momenteel in dienst waren en actief betrokken waren bij AI-gerelateerde projecten binnen hun organisaties. De pre-screeningfilters van Producerif handhaafden dit criterium, en een Qualtrics-screeningvraag bevestigde het: "Welke van de volgende beschrijft het beste uw huidige situatie?" —mochten alleen respondenten die "Ik ben momenteel in dienst en betrokken geweest bij AI-gerelateerd werk" doorgaan. Deelnemers moesten ook bevestigen dat ze minstens 20 jaar oud waren via het digitale toestemmingsformulier aan het begin van de enquête; degenen die geen toestemming gaven, werden automatisch uitgesloten. Een ingesloten aandachtscontrole-item ("Is AI een afkorting voor Artisjokinformatie?"; correct antwoord: Nee) markeerde onoplettende respondenten; De enquête werd automatisch beëindigd bij een onjuiste reactie. De uiteindelijke steekproef bestond uit 293 professionals (vrouwelijk 50,51%, man 49,49%). De respondenten werden ingedeeld in twee groepen op basis van hun antwoord op een speciale enquête: "Wat is uw rol in de AI-projecten van uw bedrijf?" met vijf opties: Directie/Senior Management, Middenmanagement, Technisch Staf/Ingenieur, Onderzoeker/Wetenschapper en Consultant. Degenen die het Directie/Senior Management selecteerden, werden in de Executives-groep geplaatst; degenen die Technisch Personeel/Ingenieur, Onderzoeker/Wetenschapper of Consultant selecteerden, werden in de Praktijkmensengroep geplaatst. Respondenten van het middenmanagement (n = 81) sloten zich aan bij de Executives-groep, met de redenering dat middenmanagementfuncties directe controle over operationele teams en deelname aan strategische planning omvatten, waardoor ze dichter bij de uitvoerende functie dan bij de praktijk in de frontlinie worden geplaatst. De uiteindelijke groepering leverde 112 leidinggevenden en 181 praktijkbeoefenaars op. Tabel 1 vat het demografische profiel samen.

Tabel 1: Demografische kenmerken. Demografisch profiel van de 293 respondenten, inclusief geslacht, leeftijd, sector en organisatierol, opgesplitst door de twee hiërarchische groepen die worden gebruikt voor multi-groepsanalyse (Executives, n = 112; Beoefenaars, n = 181). Klik hier om deze tabel te downloaden.

Maatregelen
Alle enquête-items werden gemeten met een Likert-schaal van zeven punten, variërend van "sterk oneens (1)" tot "sterk eens (7)." Om conceptuele duidelijkheid en geschiktheid voor de beoogde professionele populatie te verifiëren, werd een pretest met 30 respondenten uitgevoerd met Prolific-deelnemers die actieve betrokkenheid bij AI-gerelateerde projecten bij hun organisaties rapporteerden. Pretest-antwoorden leidden tot kleine formuleringswijzigingen voor twee items die deelnemers dubbelzinnig vonden, zonder structurele wijzigingen in de schaal. Hypothesen werden getest via Partial Least Squares Structural Equation Modeling (PLS-SEM) geschat in SmartPLS 4.0. Drie kenmerken van de huidige studie leidden deze keuze. Ten eerste worden zowel Capabilities als Enablers operationeel gemaakt als formatieve tweede-orde constructies—een configuratie waarvoor variantie-gebaseerde schatting directer geschikt is dan covariantie-gebaseerde SEM. Ten tweede vertegenwoordigen perceptuele asymmetrieën in AI-transformatie een opkomend onderzoeksgebied waar volwassen meetconventies zich nog ontwikkelen; Onder deze omstandigheden is een voorspellende nadruk geschikter dan optimalisatie van bevestigende fit-indices. Ten derde verschillen de uitvoerende en praktiserende subgroepen aanzienlijk in omvang (Bestuurders n = 112; Praktijkmensen n = 181), en variantiegebaseerde schatting is niet onderworpen aan de minimale celgrootte-eisen die covariantiegebaseerde benaderingen beperken. Eerder empirisch onderzoek naar digitale transformatie heeft deze analytische benadering overgenomen.

In SmartPLS 4.0 was het PLS-algoritme geconfigureerd met padweging, een maximum van 300 iteraties en een stopcriterium van 10⁻7. Bootstrapping gebruikte 5.000 substeekproeven met bias-gecorrigeerde en versnelde (BCa) betrouwbaarheidsintervallen, geen tekenveranderingen en volledige bootstrapping. Voor de tweefasenbenadering werden de scores van latente variabelen in fase 1 verkregen door het PLS-algoritme uit te voeren op het eerste-orde meetmodel (Bereken → PLS-algoritme); deze scores werden vervolgens geëxporteerd (Results → Latent Variable Scores) en gebruikt als manifestindicatoren voor de tweede-orde constructies in Fase 2. Permutatie-gebaseerde MGA werd uitgevoerd via Calculate → Multi-Group Analysis → Permutation, met 1.000 permutaties en een tweezijdig significantieniveau van 0,05. MICOM-tests werden uitgevoerd via Calculate → Permutation → MICOM, eveneens met 1.000 permutaties. FIMIX-PLS-segmentatie werd uitgevoerd via Calculate → FIMIX-PLS met 10 herhalingen en een vaste seed voor reproduceerbaarheid 46,54,55,56,57,58,59. In de context van deze studie diende PLS-SEM een dubbele functie: het evalueren van padrelaties op constructniveau over de volledige steekproef en het ondersteunen van intergroepsvergelijkingen via MGA. Resultaten op padniveau wezen ook op patronen die verdere theoretische analyse rechtvaardigen60.

Capabilities en Enablers worden elk operationeel gemaakt als vormende tweede-orde constructies in deze studie. Capabilities omvat vier eerste-orde dimensies: herconfiguratiecapaciteit, AI-georiënteerde data- en systeemgereedheid, markt- en klantnabijheid, en strategische procesdiscipline. Enablers combineert twee eerste-orde dimensies: AI-gevoelige risicotolerantie en technologiegevoelige innovatiecultuur. De schatting van de tweede-orde formatieve constructen volgde de tweefasenbenadering aanbevolen voor hogere-orde modellen in PLS-SEM61. Deze benadering verschilt van de herhaalde indicatorbenadering: in plaats van alle eerste-orde indicatoren op tweede-orde niveau in één schattingsstap te dupliceren, genereert de twee-traps procedure eerst latente variabelen scores voor elke eerste-orde constructie uit de respectievelijke indicatorset (Fase 1), en gebruikt deze scores vervolgens als manifeste input voor de overeenkomstige tweedegraads constructie in Fase 2. Deze sequentiële schatting voorkomt inflatie van cross-constructindicatoren die kan ontstaan wanneer alle items gelijktijdig verschijnen binnen een enkelvoudig hogere-orde model 62,63,64. De tweestapsprocedure voorkomt daarmee de parameterinflatie en vertekende schattingen die kunnen voortkomen uit de herhaalde indicatorbenadering in een enkeltrapsschatting64. Om H5 te onderzoeken werd permutatie-gebaseerde multi-groep analyse (PLS-MGA) toegepast 65,66 om te onderzoeken of de structurele relaties, namelijk de associaties tussen Capabilities and Performance (H1), Proactief Leiderschap en Capabilities (H2), Omgevingscontext en Capabilities (H3) en Enablers en Capabilities (H4), verschillen tussen groepen die zijn gecategoriseerd op organisatorische positie (H5) (Figuur 2). De PLS-MGA-functie die in SmartPLS is ingebed werd voor deze analyse gebruikt. De inhoud van de vragenlijst wordt weergegeven in Tabel 2.

Tabel 2: Vragenlijst. Volledig meetinstrument met alle reflecterende items voor de elf eerste-orde constructen, hun bronreferenties en de zevenpuntige Likert-responsschaal die voor elk item wordt gebruikt. Klik hier om deze tabel te downloaden.

Twee aandachtscontrole-items werden in de uiteindelijke enquête geplaatst, die als filters fungeerden om deelnemers die niet correct antwoordden (d.w.z. "Welke van deze vragen beschrijft uw huidige situatie het beste?") uit te sluiten, en als de deelnemer een van deze vragen verkeerd beantwoordde, werd de enquête onmiddellijk beëindigd.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Als een voorlopige beoordeling van common method bias (CMB) werd Harmans single-factor test uitgevoerd, waarbij de eerste niet-geroteerde factor 30,21% van de variantie (onder de 50%-drempel) uitmaakte. Hoewel dit resultaat aanvankelijk bewijs levert dat CMB de data niet domineert, wordt erkend dat Harmans test beperkte gevoeligheid en specificiteit heeft als diagnostisch instrument. Als aanvullende procedurele waarborgen gebruikte de enquête gerandomiseerde itemvolgorde, omkeerde items ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

De bevindingen tonen aan dat organisatorische hiërarchie samenhangt met systematische verschillen in het niveau waarop leidinggevenden en praktijkmensen AI-transformatieconstructies waarnemen, in plaats van in de structuur van de relaties tussen hen. Drie onafhankelijke MGA-benaderingen—permutatie-gebaseerde MGA (1.000 permutaties), Bootstrap MGA (5.000 submonsters)74, en Parametric- en Welch-Satterthwaite-tests66—vonden consequent geen sta...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs geven geen belangenconflicten aan. Tijdens de manuscriptvoorbereiding gebruikten de auteurs generatieve AI in beperkte mate—specifiek om concepten van geselecteerde methodologische passages te herschrijven en grammaticale fouten in technische beschrijvingen te markeren. Elke door AI gegenereerde passage werd vervolgens vergeleken met de brongegevens en grondig herschreven door de auteurs. De auteurs dragen volledige verantwoordelijkheid voor de nauwkeurigheid, integriteit en originaliteit van elk deel van het manuscript. Alle auteurs droegen gelijk bij aan het artikel.

Dankbetuigingen

Dit werk wordt ondersteund door onderzoeksfinanciering van aSSIST University.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Prolific (Online Participant Recruitment Platform)Prolific Academic Ltdhttps://www.prolific.com/Online platform gebruikt voor het werven van enquêtedeelnemers. Deelnemers werden gescreend op basis van deelnamecriteria (bijv. huidige werkzaamheden bij een organisatie met ervaring in AI-adoptie) en werden vergoed volgens de richtlijnen voor eerlijke beloning van Prolific. 
Qualtrics (Online Enquête Platform)Qualtrics, LLChttps://www.qualtrics.com/Web-gebaseerd enquêteplatform gebruikt voor het ontwerpen van vragenlijsten, distributie en het verzamelen van antwoordgegevens. Alle meetitems werden afgenomen via Qualtrics met behulp van een 7-punts Likert-schaal (1 = sterk oneens, 7 = sterk mee eens). 
SmartPLS 4.0 (PLS-SEM Software)SmartPLS GmbHhttps://smartpls.com/Gebaat voor alle Partial Least Squares Structural Equation Modeling (PLS-SEM) analyses, inclusief beoordeling van het buitenmodel (samengestelde betrouwbaarheid, AVE, HTMT), innerlijke modelpadanalyse (bootstrapping, 5.000 steekproeven), MICOM 3-staps compositorische invariantietesten (permutatie, 1.000 trekingen) en PLS-MGA tussen-groepverschiltesten. 

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Hi rarchische asymmetrieorganisatorische hi rarchiedynamische capaciteitenpartial least squaresmulti groepsanalyseperceptieklovenverandermanagementAI governancestructurele vergelijkingsmodellen
Video binnenkort beschikbaar

Gerelateerde artikelen