Artykuł badawczy

Odkrywanie hierarchicznych asymetrii w transformacji sztucznej inteligencji: poruszanie się po jasnych i ciemnych stronach na poziomach organizacyjnych

170 wyświetleń

⸱

DOI:

10.3791/70756

⸱

12 maja 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

W tym artykule

Podsumowanie

Opisujemy powtarzalną metodologię ankietową, zaprojektowaną do badania hierarchicznych asymetrii w percepcji transformacji sztucznej inteligencji (AI) (AX). Zarówno kierownictwo, jak i praktycy wypełniają zweryfikowany kwestionariusz dostępny na Qualtrics; potok analityczny działa w SmartPLS 4.0, obejmując walidację modeli zewnętrznych, analizę ścieżek, testy niezmienności MICOM oraz analizę wielogrupową opartą na permutacjach (MGA).

Streszczenie

Struktury ładu korporacyjnego, które dostosowują strategię wykonawczą do wdrażania na pierwszej linii, opierają się na zrozumieniu, jak hierarchia organizacyjna kształtuje postrzeganie czynników sukcesu transformacji sztucznej inteligencji (AI) (AX). Przedstawiamy zweryfikowaną, powtarzalną metodologię opartą na badaniach, łączącą modelowanie równań strukturalnych w systemie najmniejszych kwadratów (PLS-SEM) z analizą wielogrupową (MGA) w celu wykrywania i ilościowania hierarchicznych asymetrii w percepcji AX — wykraczając poza analizę agregatową, by ujawnić strukturalne podziały, które metody pojedynczych grup pozostawiają ukryte. Korzystając z 293 specjalistów zaangażowanych w projekty AI, oceniamy cztery dynamiczne wymiary kompetencji — zwinność operacyjną, gotowość do danych, bliskość klienta oraz dyscyplinę procesów strategicznych — wraz z kluczowymi czynnikami wspierającymi: wsparciem technologicznym, tolerancją ryzyka wrażliwą na AI, kontekstem środowiskowym oraz proaktywnym przywództwem. Niezmienniczość składu jest najpierw weryfikowana za pomocą testów MICOM; dopiero po potwierdzeniu porównywalności między grupami analiza przechodzi do testów istotności MGA opartych na permutacjach. Obie grupy wykazują pozytywne powiązania między zdolnościami dynamicznymi a wydajnością AX (kierownictwo: β = 0,637, R2 = 0,406; praktycy: β = 0,531, R2 = 0,282). MGA oparte na permutacjach nie wykrywa statystycznie istotnych różnic w współczynnikach ścieżki strukturalnej między tymi dwoma grupami (wszystkie p ≥ 0,178); hipoteza moderująca rolę pozycji organizacyjnej w relacjach ścieżek (H5) nie ma więc poparcia. Jednak krok 3a MICOM pokazuje, że kierownictwo ocenia wszystkie główne konstrukty znacząco wyżej niż praktycy (8 z 11 konstruktów, wszystkie p ≤ 0,045) — dowód na to, że hierarchiczna asymetria jawi się jako luka w poziomach percepcyjnych, a nie w samych relacjach strukturalnych. Jako przenośny szablon metodologiczny, protokół wyposaża badaczy badających luki percepcji transformacji organizacyjnej w narzędzia bezpośrednio związane z zarządzaniem AI, strategią zarządzania zmianą oraz międzypoziomowym dopasowaniem w środowiskach wymagających dużej technologii.

Wprowadzenie

Szybki postęp w dziedzinie sztucznej inteligencji otworzył dla organizacji biznesowych dwojaki krajobraz — z jednej strony niezwykłe możliwości tworzenia wartości, z drugiej 1,2. Generatywna AI i tradycyjne technologie AI obiecują wyższą produktywność, szybszą innowacyjność i silniejszą pozycję konkurencyjną3, a jednocześnie budzą obawy dotyczące stronniczości, utraty miejsc pracy, nierówności i dylematów etycznych 4,5. Ta dualizm jasnej i ciemnej strony wymaga uważnej analizy sposobu, w jaki organizacje radzą sobie zarówno z okazjami, jak i ryzykiem podczas transformacji.

Rosnąca liczba prac dokumentuje transformujący zasięg AI — optymalizację interakcji z klientem, wzrost efektywności operacyjnej oraz ostrzejsze podejmowanie decyzji 6,7. Te postępy jednak niosą ze sobą znaczące przeciwwagi. Dyskryminacja i uprzedzenia zakorzenione w systemach AI mogą utrwalić istniejące nierówności8, automatyzacja zagraża stabilności zatrudnienia9, a nieprzejrzystość wielu algorytmów rodzi pytania o odpowiedzialność10. Powiększająca się przepaść między firmami opartymi na AI a ich mniej zaawansowanymi technologicznie konkurentami pogłębia nierówności ekonomiczne11, podczas gdy przejrzystość i deficyty zaufania komplikują relacje z interesariuszami12.

Chociaż literatura dotycząca transformacji cyfrowej jestobszerna, transformacja napędzana przez AI zasługuje na odrębne traktowanie jako odrębne zjawisko14,15. Black i in.16 wskazali kluczowe czynniki umożliwiające transformację modelu biznesowego opartą na AI przez pryzmat dynamicznych możliwości, jednak ich ramy nie uwzględniają, jak te czynniki są postrzegane i realizowane różnie w hierarchiach organizacyjnych. Ta luka ma znaczenie, biorąc pod uwagę narastające dowody na niezgodność między strategią wykonawczą a wdrażaniem praktyków17.

Badania wielopoziomowe pokazują, że adopcja AI rezonuje nierównomiernie na wszystkich szczeblach organizacyjnych, z wyraźnymi różnicami w tym, jak menedżerowie i praktycy postrzegają i prowadzą transformację AI18. Wzrost produktywności, ostrzejsze podejmowanie decyzji i tworzenie nowej wartości to powszechnie uznawane korzyści z AI, jednak wiele organizacji wciąż ma trudności z pchnięciem inicjatyw AI poza etap pilotażowy — szczególnie tam, gdzie percepcja i operacja dzielą odrębne poziomy hierarchii.

W tym badaniu transformacja AI (AX) oznacza systematyczny, ogólnoorganizacyjny proces łączenia technologii AI w podstawowe procesy operacyjne, strategiczne i tworzenia wartości. Jak tu zorganizowano, AX obejmuje trzy powiązane ze sobą wymiary: (1) formułowanie strategii AI dla przedsiębiorstw — świadome planowanie inwestycji w AI, priorytetyzację i zarządzanie na poziomie organizacyjnym; (2) operacyjne wdrażanie systemów AI — techniczne wdrażanie, integracja i skalowanie rozwiązań AI w istniejących procesach pracy; oraz (3) zarządzanie zmianami organizacyjnymi — ludzkie, kulturowe i strukturalne dostosowania niezbędne do realizacji potencjału AI do tworzenia wartości na dużą skalę. Niniejsze badanie skupia się na tej luki, pytając: (1) czy czynniki zidentyfikowane przez Blacka i in.16 mają empiryczną wiarygodność w kontekście organizacyjnym oraz (2) jak kierownictwo i praktycy różnią się w postrzeganiu tych relacji — zwłaszcza w odniesieniu do jasnych i ciemnych stron transformacji AI. Wprowadzając hierarchię organizacyjną jako strukturalny moderator, badamy, czy istnieją systematyczne asymetrie w tym, jak różne poziomy postrzegają obietnice i zagrożenia AI. Wyniki wskazują, że zarówno czynniki wspierające, jak i przeszkody w transformacji AI mogą być postrzegane różnie na poziomach hierarchicznych, co niesie ze sobą konsekwencje dla strategii zgodności i zarządzania.

Badania naukowe coraz częściej dostrzegają podwójny charakter AX. Grewal i in.19 analizują "światło i ciemność" AI, podczas gdy Belanche i in.20 badają jasne i ciemne strony w usługach. Belanche i in.20 śledzą kontrastujące efekty zarządzania algorytmicznym, a Barari i in.1 dostarczają metaanalityczne dowody na ciemną stronę AI w marketingu. Razem te badania jasno pokazują, że transformacji AI nie można uchwycić wyłącznie optymistyczną perspektywą; Organizacje muszą jednocześnie zarządzać szansami i ograniczać ryzyka.

Bazując na Blacku i in.16, zbadano cztery dynamiczne zdolności kluczowe dla poruszania się po tej dualności: (1) Zdolność do biegania i zmiany, co umożliwia jednoczesne wykorzystywanie i eksplorację21; (2) gotowość do danych/IS zorientowanej na AI, która zapewnia infrastrukturę do wdrażania AI przy jednoczesnym radzeniu sobie z wyzwaniami dotyczącymi jakości i integracji danych22; (3) Świadomość rynku/klienta, która równoważy możliwości personalizacji z kwestiami prywatności23; oraz (4) Strategiczna dyscyplina procesowa, która chroni zarządzanie bez utraty zwinności24. W tym kontekście środowiskowym, proaktywnym przywództwem oraz czynnikami umożliwiającymi (tolerancję ryzyka wrażliwą na AI i kultura innowacji wrażliwą na technologię) pełnią rolę poprzedników, które wspólnie kształtują te cztery wymiary kompetencji. Te możliwości z kolei wspólnie napędzają wydajność transformacji AI. Ten łańcuch przyczynowy — od poprzedników, przez zdolności, aż po wyniki wydajnościowe — stanowi podstawową logikę teoretyczną modelu, gdzie pozycja organizacyjna (wykonawcza kontra praktyka) wchodzi jako soczewka moderująca, przez którą analizuje się asymetrie percepcyjne.

Teoria dynamicznych zdolności uwzględnia, jak firmy utrzymują przewagę konkurencyjną w niestabilnych środowiskach poprzez wykrywanie, przechwytywanie i transformację25. W odniesieniu do AI, te możliwości pozwalają organizacjom korzystać z możliwości technologicznych, jednocześnie kontrolując związane z nimi ryzyka.

Zdolność do prowadzenia i zmiany odzwierciedla zwinność organizacji w balansowaniu między bieżącymi operacjami a innowacjami. Agility umożliwia szybkie wdrożenie AI26, ale jednocześnie zwiększa ryzyko przedwczesnego wdrożenia i niewystarczających testów. Nguyen i in.27 wykazują, że AI zakłóca tradycyjne liniowe modele zmiany, wymagając zamiast tego iteracyjnych systemów opartych na sprzężeniu zwrotnym. Bez ostrożnego zarządzania wynikająca z tego stała adaptacja może zdestabilizować organizację28.

Gotowość na dane i IS zorientowana na AI pełni funkcję podstawowej infrastruktury, jednak prawdziwa gotowość obejmuje zarówno możliwości techniczne, jak i wyzwania organizacyjne. Solidne systemy danych mogą odblokować tworzenie wartości przez AI22, ale rozdrobnione architektury i niska jakość danych mogą ograniczyć efektywność29. Ghosh jest gotowy na30 klatek jako system współzależny wymagający ciągłej adaptacji — podkreślając zarówno jego potencjał umożliwiający, jak i złożoność implementacji.

Świadomość rynku i klienta wyposaża organizacje w wyczuwanie ich potrzeb i tworzenie spersonalizowanych doświadczeń23. Jednocześnie budzi to obawy o prywatność i ryzyko nadmiernej personalizacji. Znalezienie właściwej równowagi między generowaniem wglądu a ochroną prywatności stanowi kluczową część transformacji AI31.

Strategiczna dyscyplina procesów zapewnia struktury zarządzania inicjatywami AI, promując zgodność i odpowiedzialność16. Nadmierna dyscyplina może jednak tłumić innowacje i powolne przystosowywanie się. Wyzwaniem jest utrzymanie wystarczającej struktury bez budowania biurokratycznych barier32.

H1: Możliwości są pozytywnie powiązane z wydajnością.

Black i in.16 odróżnili proaktywne przywództwo od biernego "wsparcia najwyższego kierownictwa", podkreślając liderów, którzy aktywnie kształtują strategiczne agendy, tolerują niepewność i monitorują wdrażanie AI33. Jednak skuteczność przywództwa w AX zależy od przełamania przepaści między kadry zarządzającej a praktykami. Menedżerowie krystalizują wizję AI i wplatają etyczne zarządzanie34,35, podczas gdy praktycy dostarczają niezbędną informację zwrotną poprzez codzienną interakcję z narzędziami, ujawniając rzeczywiste wymagania, których menedżerowie mogą przeoczyć36. Ta hierarchiczna luka często objawia się jako strategiczny entuzjazm na szczycie, działający bez odpowiedniej uwagi na wyzwania integracji przepływu pracy i ograniczenia użyteczności na miejscu. Proaktywne przywództwo wymaga więc dwukierunkowego zaangażowania — czyli menedżerów wyznaczających strategiczny kierunek, jednocześnie aktywnie włączając praktyczne wnioski, tak aby możliwości AI odpowiadały realiom operacyjnym. Ta współzależność prowadzi do:

H2. Proaktywne przywództwo jest pozytywnie kojarzone z kompetencjami.

Kontekst środowiskowy obejmuje siły zewnętrzne kształtujące strategiczny krajobraz organizacji. Dynamika branży — zdefiniowana przez Blacka i in.16 jako szybkość i intensywność zmian oraz konkurencji — charakteryzuje się technologiczną zaawansowanością, nieustannymi zakłóceniami i stałym napływem nowych konkurentów, co wymaga zwinności organizacji. Wysoka dynamika podkreśla pilność wdrażania transformacyjnych technologii, takich jak AI, czyniąc szybkość adopcji kluczowym czynnikiem wyróżniającym37. Singh i in.38 pokazują, jak dynamizm umożliwia tworzenie rekonfigurowalnych zdolności opartych na zasobach, wskazując na sposób, w jaki dynamiczne zdolności są osadzane w strukturach organizacyjnych, zarówno wspierając, jak i ograniczając innowacje i elastyczność. Najnowsze ustalenia podkreślają złożoną, dwusieczną cechę dynamiki środowiskowej39, raport, że zarówno pozytywnie, jak i negatywnie łagodzi ona wpływ cyfryzacji na innowacje modeli biznesowych w chińskiej produkcji, podczas gdy Binsar i in.40 wskazują istotny wpływ łagodzący na możliwości adopcji cyfrowej i wyniki szpitali w Indonezji. Reakcja na środowisko wykracza więc poza zwykłą zewnętrzną adaptację; Wymaga to zgodności między systemami organizacyjnymi, kulturą i przywództwem. W związku z tym wysuwamy hipotezę:

H3. Kontekst środowiskowy jest pozytywnie kojarzony z możliwościami.

Dwa kluczowe czynniki dotyczą sposobu, w jaki organizacje radzą sobie z podwójną naturą AI: tolerancja ryzyka AI oraz kultura innowacji wrażliwa na technologię. Tolerancja ryzyka AI odzwierciedla gotowość do akceptacji niepewności w eksperymentach z AI. Choć taka tolerancja napędza innowacje, naraża organizacje na potencjalne porażki41. Zhao i in.42 pokazują, że kultura zarządzania błędami wspiera innowacje usługowe, choć korzyści te zanikają bez odpowiednich systemów zarządzania. Barrett i in.43 podkreślają potrzebę stosowania praktyk zarządzania ryzykiem, które równoważą eksperymenty z zabezpieczeniami. Kultura innowacji wrażliwych na technologię zachęca do wdrażania AI i eksperymentowania, jednocześnie uznając ograniczenia technologiczne. Takie kultury promują ciągłe uczenie sięi współpracę międzyfunkcyjną, ale mogą także wywierać presję na organizacje do przedwczesnego przyjęcia lub niewystarczającej oceny ryzyka. Znalezienie właściwej równowagi między zachęcaniem do innowacji a zapewnieniem odpowiedzialnej realizacji pozostaje kluczowym wyzwaniem organizacyjnym45.

H4: Osoby umożliwiające są pozytywnie kojarzone z możliwościami.

Hierarchia organizacyjna wywiera silny wpływ na to, jak postrzegane są szanse i ryzyka związane z AI. Menedżerowie skupiają się zazwyczaj na strategicznych korzyściach — przewadze konkurencyjnej, pozycjonowaniu na rynku i długoterminowym tworzeniu wartości35, patrząc na AI przez w dużej mierze optymistyczną perspektywę, która podkreśla jej transformacyjny potencjał. Ta perspektywa może jednak zminimalizować wyzwania wdrożenia i złożoność operacyjną. Praktycy spotykają się z podwójną naturą AI bardziej bezpośrednio. Choć dostrzegają wzrost efektywności, codziennie zmagają się z problemami z jakością danych, przeszkodami integracyjnymi i zakłóceniami w przepływie pracy46, co sprawia, że są bardziej wyczuleni na ograniczenia, ryzyka i niezamierzone konsekwencje AI47. Badania nad postrzeganiem pracowników potwierdzają, że praktycy poruszają się w złożonej interakcji między lękiem o automatyzację a wzrostem efektywności, kształtowaną przez praktyczne doświadczenie ze zmianami w przepływie pracy napędzanym przez AI48. Badania poznawcze ukazują te różnice. Menedżerowie bardziej polegają na intuicyjnym, strategicznym przetwarzaniu dostosowanym do radzenia sobie z niejasnościami, podczas gdy praktycy stosują rozumowanie analityczne do operacyjnego rozwiązywania problemów49,50. Te style poznawcze wpływają na interpretację jasnych i ciemnych stron AI przez każdą grupę. Różnią się także postrzegania kulturowe. Kierownictwo ma tendencję do postrzegania kultury organizacyjnej jako sprzyjającej innowacjom i spójnej (34), podczas gdy praktycy zgłaszają strukturalne przeszkody i ograniczony wpływ(51). Takie sprzeczne spojrzenia napędzają rozbieżności w strategiach adopcji AI, ramach etycznych i zarządzaniu ryzykiem52. Menedżerowie średniego szczebla pełnią kluczową rolę łączącą wizję strategiczną z rzeczywistością operacyjną. To, jak skutecznie równoważą optymizm z pragmatyzmem, może być powiązane z wynikami transformacji53. Gdy ta mediacja zawodzi, rozbieżności mogą się pogłębić, osłabiając zdolność organizacyjną do adaptacji.

H5: Pozycja w organizacji (Executives vs. Practitioners) wiąże się ze systemowymi różnicami na poziomie percepcji, na jakim oceniane są konstrukty związane z AX, przy czym od menedżerów oczekuje się, że raportują wyższe oceny zdolności, czynników umożliwiających i wyniki wydajności — odzwierciedlając ich większy nacisk na "jasną stronę" transformacji AI — w porównaniu z praktykami, którzy są bliżej ryzyka operacyjnego i wyzwań wdrożeniowych. Ważne jest, aby zauważyć, że H5 dotyczy różnic percepcyjnych (czyli różnic w tym, jak hierarchia organizacyjna kształtuje poziom wyników konstruktów), a nie różnic w podstawowych mechanizmach przyczynowych. Przekrojowe badanie tego badania wspiera wnioski dotyczące wzorców percepcyjnych i relacji asocjacyjnych; twierdzenia przyczynowe dotyczące umiarkowania strukturalnego wymagają projektów podłużnych lub eksperymentalnych i nie są tutaj przedstawiane.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Wszystkie procedury były zgodne ze standardami etycznymi badań z udziałem ludzi na Uniwersytecie aSSIST, Uniwersytecie Suwon, Uniwersytecie Sungkyunwakn oraz Uniwersytecie Dong-A. Ponieważ każda odpowiedź była anonimizowana w momencie zbierania i nie zebrano danych osobowo identyfikowalnych na żadnym etapie, Instytucjonalna Rada Przeglądowa na Uniwersytecie aSSIST przyznała badaniu zwolnienie z pełnej recenzji. Instytucje współautorskie polegały na tej zgodzie ze strony głównej instytucji, zamiast na niezależnych przeglądach IRB; aSSIST University zatwierdził zarówno projekt badania, jak i protokół zbierania danych. W ramach platformy Qualtrics każdy uczestnik zetknął się z cyfrowym oświadczeniem o świadomej zgodzie, zanim kwestionariusz stał się dostępny. Oświadczenie to przedstawiało akademicki cel badania, potwierdzało sposób przetwarzania anonimowych danych, zaznaczyło, że dane będą służyć wyłącznie celom badawczym oraz wskazało na brak przewidywalnych zagrożeń; Każdy, kto nie wyraził aktywnej zgody, był automatycznie usuwany z ankiety.

Model badawczy
W naszym modelu badawczym (Rysunek 1) zdolności pełnią rolę mediatorów pomiędzy trzema poprzednikami—proaktywnym przywództwem, kontekstem środowiskowym i czynnikami umożliwiającymi—a wydajnością, podczas gdy pozycja organizacyjna odgrywa rolę zmiennej moderującej. Możliwości obejmują cztery wymiary: zdolność do prowadzenia i zmiany (RC), przygotowanie danych na AI/IS (DR), świadomość rynku/klienta (MC) oraz strategiczną dyscyplinę procesów (SP). Do czynników wspierających należą Kultura Innowacji Wrażliwych na Technologię (TS) oraz Tolerancja Ryzyka AI (AS).

figure-protocol-1
Rysunek 1: Model badawczy. Model badawczy koncepcyjny przedstawiający hipotetyczne zależności między proaktywnym przywództwem, kontekstem środowiskowym oraz czynnikami umożliwiającymi (poprzednikami); cztery dynamiczne wymiary zdolności (zdolność do działania i zmiany, gotowość na dane i IS zorientowane na AI, świadomość rynku/klienta, strategiczna dyscyplina procesowa); oraz wydajność transformacji AI, gdzie pozycja organizacyjna (Executive vs. Practitioner) jest zmienną moderującą. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Dane badawcze
Zbieranie danych opierało się na internetowej ankiecie przeprowadzanej przez Prolific (https://www.prolific.co) do rekrutacji uczestników oraz Qualtrics (https://www.qualtrics.com) do prowadzenia i administracji ankiet, trwających dwa kolejne dni (24–25 listopada 2024). Uprawnienia były ograniczone do osób obecnie zatrudnionych i aktywnie zaangażowanych w projekty związane z AI w swoich organizacjach. Filtry wstępnej selekcji Prolicic egzekwowały to kryterium, a pytanie Qualtrics potwierdziło to: "Który z poniższych najlepiej opisuje Twoją obecną sytuację?" — tylko respondenci wybierający "Jestem obecnie zatrudniony i uczestniczyłem w pracy związanej ze SI" mogli kontynuować. Uczestnicy musieli również potwierdzić, że mają co najmniej 20 lat na początku ankiety za pomocą cyfrowego formularza zgody; ci, którzy nie wyrazili zgody, byli automatycznie wykluczani. Wbudowany element sprawdzający uwagę ("Czy AI to skrót od Artichoke Information?"; poprawna odpowiedź: Nie) oznaczał nieuważnych respondentów; ankieta została automatycznie zakończona po błędnej odpowiedzi. Ostateczna próba obejmowała 293 profesjonalistów (kobiety 50,51%, mężczyźni 49,49%). Respondenci zostali podzieleni na dwie grupy na podstawie odpowiedzi na dedykowane pytanie ankiety: "Jaka jest Państwa rola w projektach AI w firmie?" z pięcioma opcjami: Kierownictwo/Wyższe Kierownictwo, Średnie Zarządzanie, Personel Techniczny/Inżynier, Badacz/Naukowiec oraz Konsultant. Osoby wybierające Executive/Senior Management zostały umieszczone w grupie Executives; osoby wybierające Personel Techniczny/Inżyniera, Badacza/Naukowca lub Konsultanta zostały umieszczone w grupie praktyków. Respondenci z Middle Management (n = 81) dołączyli do grupy Executives, argumentując, że role kierownicze średniego szczebla obejmują bezpośredni nadzór nad zespołami operacyjnymi oraz udział w planowaniu strategicznym, co pozwala im zbliżyć się do funkcji wykonawczych niż do praktyki pierwszej linii. Ostateczna grupa obejmowała 112 Menedżerów i 181 Praktyków. Tabela 1 podsumowuje profil demograficzny.

Tabela 1: Cechy demograficzne. Profil demograficzny 293 respondentów badania, obejmujący płeć, wiek, branżę i rolę organizacyjną, rozbity według dwóch grup hierarchicznych wykorzystywanych do analizy wielogrupowej (Menedżerowie, n = 112; praktyków, n = 181). Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Środki
Wszystkie pozycje ankiety mierzono za pomocą siedmiopunktowej skali Likerta, od "zdecydowanie się nie zgadzam (1)" do "zdecydowanie się zgadzam (7)". Aby zweryfikować jasność i adekwatność koncepcji dla docelowej populacji zawodowej, przeprowadzono test wstępny z udziałem 30 respondentów, wykorzystując uczestników Prolific, którzy zgłaszali aktywne zaangażowanie w projekty związane z AI w swoich organizacjach. Odpowiedzi wstępne doprowadziły do drobnych zmian w sformułowaniu dwóch kwestii, które uczestnicy uznali za niejednoznaczne, bez zmian strukturalnych w skali. Hipotezy zostały przetestowane za pomocą modelowania strukturalnego Partial Least Squares (PLS-SEM), oszacowanego w SmartPLS 4.0. Trzy cechy niniejszego badania kierowały tym wyborem. Po pierwsze, zarówno Zdolności, jak i Enablery są operacjonalizowane jako formujące konstrukty drugiego rzędu — konfiguracja, dla której estymacja oparta na wariancji jest bardziej bezpośrednio odpowiednia niż SEM oparta na kowariancji. Po drugie, asymetrie percepcyjne w transformacji AI stanowią rozwijającą się dziedzinę badań, w której wciąż rozwijają się dojrzałe konwencje pomiarowe; W tych warunkach bardziej odpowiedni jest nacisk na predykcję niż optymalizacja wskaźników dopasowania potwierdzającego. Po trzecie, podgrupy Executive i Practitioner różnią się znacząco wielkością (Executives n = 112; Praktycy n = 181), a estymacja oparta na wariancji nie podlega minimalnym wymaganiom wielkości komórek, które ograniczają podejścia oparte na kowariancji. Wcześniejsze badania empiryczne nad transformacją cyfrową przyjęły takie podejście analityczne.

W SmartPLS 4.0 algorytm PLS był skonfigurowany z ważeniem ścieżek, maksymalną liczbą 300 iteracji oraz kryterium zatrzymania 10⁻7. Bootstrapowanie wykorzystywało 5 000 podpróbek z przedziałami ufności korygowanym i przyspieszonym (BCa), bez zmian znaków oraz pełnym bootstrappingiem. W podejściu dwuetapowym wyniki zmiennych ukrytych etapu 1 uzyskano przez uruchomienie algorytmu PLS na modelu pomiarowym pierwszego rzędu (algorytm Calculate → PLS); te wyniki były następnie eksportowane (Wyniki → Ukryte Zmienne Wartości) i wykorzystywane jako wskaźniki manifestowe dla konstrukcji drugiego rzędu w etapie 2. MGA oparta na permutacjach została wykonana za pomocą analizy Calculate → Multi-Group Analysis → Permutation, z 1000 permutacjami i dwustronnym poziomem istotności 0,05. Testy MICOM przeprowadzono za pomocą Calculate → Permutation → MICOM, również z udziałem 1000 permutacji. Segmentacja FIMIX-PLS została przeprowadzona za pomocą Calculate → FIMIX-PLS z 10 powtórzeniami i stałym zasiewem dla powtarzalności 46,54,55,56,57,58,59. W kontekście tego badania PLS-SEM pełnił podwójną funkcję: oceniał relacje ścieżek na poziomie konstrukcji w całej próbie oraz wspierał porównania między grupami poprzez MGA. Wyniki na poziomie ścieżek wskazywały również na wzorce wymagające dalszych badań teoretycznych60.

Możliwości i Enablery są w tym badaniu operatywnie traktowane jako formujące konstrukty drugiego rzędu. Możliwości agregują cztery wymiary pierwszego rzędu: zdolność rekonfiguracji, gotowość danych i systemów zorientowanych na AI, bliskość rynku i klienta oraz strategiczną dyscyplinę procesową. Enablers łączy dwa wymiary pierwszego rzędu: tolerancję ryzyka wrażliwą na AI oraz kulturę innowacji wrażliwą na technologię. Estymacja konstrukcji formacyjnych drugiego rzędu przebiegała według podejścia dwuetapowego zalecanego dla modeli wyższego rzędu w PLS-SEM61. To podejście różni się od podejścia powtarzanego wskaźnika: zamiast powielać wszystkie wskaźniki pierwszego rzędu na poziomie drugiego rzędu w jednym kroku estymacji, procedura dwuetapowa najpierw generuje oceny zmiennych ukrytych dla każdego konstruktu pierwszego rzędu z jego odpowiedniego zestawu wskaźników (Etap 1), a następnie wykorzystuje te wyniki jako jawne dane wejściowe do odpowiadającej drugiej konstrukcji w Etapie 2. To sekwencyjne oszacowanie zapobiega inflacji wskaźników konstrukcji krzyżowych, która może wystąpić, gdy wszystkie elementy pojawiają się jednocześnie w jednostopniowym modelu wyższego rzędu 62,63,64. Procedura dwuetapowa pozwala tym samym uniknąć inflacji parametrów i stronniczych szacunków, które mogą wynikać z powtarzającego się podejścia wskaźnikowego w jednoetapowej estymacji64. Aby zbadać H5, zastosowano analizę wielogrupową opartą na permutacjach (PLS-MGA)65,66, aby sprawdzić, czy relacje strukturalne, czyli powiązania między zdolnościami a wydajnością (H1), proaktywnym przywództwem i zdolnościami (H2), kontekstem środowiskowym i zdolnościami (H3) oraz zdolnościami i zdolnościami (H4), różnią się między grupami kategoryzowanymi według pozycji organizacyjnej (H5) (Rysunek 2). Do tej analizy użyto funkcji PLS-MGA wbudowanej w SmartPLS. Treść kwestionariusza przedstawiona jest w Tabeli 2.

Tabela 2: Kwestionariusz. Kompletny instrument pomiarowy zawierający listę wszystkich elementów refleksyjnych dla jedenastu konstruktów pierwszego rzędu, ich źródeł oraz siedmiopunktową skalę odpowiedzi Likerta używaną dla każdego elementu. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Do końcowej ankiety wstawiano dwa punkty sprawdzania uwagi, które działały jako filtry, które odfiltrowały uczestników od odpowiedzi niepoprawnych (np. "Które z tych pytań najlepiej opisuje Twoją aktualną sytuację?"), a jeśli uczestnik odpowiedział błędnie na jedno z tych pytań, ankieta była natychmiast zakończona.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Jako wstępną ocenę powszechnego błędu metodycznego (CMB) przeprowadzono test jednoczynnikowy Harmana, z pierwszym czynnikiem nierotowanym odpowiadającym za 30,21% wariancji (poniżej progu 50%). Chociaż ten wynik stanowi początkowe dowody, że CMB nie dominuje w danych, przyznaje się, że test Harmana ma ograniczoną czułość i swoistość jako narzędzie diagnostyczne. Jako dodatkowe zabezpieczenia proceduralne ankieta zastosowała losowe kolejności zadań, zawierała elementy kodowane odwrotnie oraz gwarantowała anonimowość respo...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Wyniki pokazują, że hierarchia organizacyjna wiąże się ze systemowymi różnicami w poziomie, na jakim menedżerowie i praktycy postrzegają konstrukty transformacji AI, a nie ze strukturą relacji między nimi. Trzy niezależne podejścia MGA — oparte na permutacjach MGA (1 000 permutacji), Bootstrap MGA (5 000 podpróbek)74 oraz testy parametryczne i Welch-Satterthwaite66 — konsekwentnie nie wykazały statystycznie istotnych różnic w współczynnikach ścieżek strukturalnych (H5 nie p...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy deklarują brak konfliktu interesów. Podczas przygotowywania manuskryptu autorzy stosowali generatywną sztuczną inteligencję w ograniczonym zakresie—konkretnie do przeformułowywania szkiców wybranych tekstów metodologicznych oraz do wskazywania problemów gramatycznych w opisach technicznych. Każdy fragment wygenerowany przez AI był następnie porównywany z danymi źródłowymi i znacząco przepisywany przez autorów. Autorzy ponoszą pełną odpowiedzialność za dokładność, integralność i oryginalność każdego fragmentu rękopisu. Wszyscy autorzy wnieśli równy wkład w artykuł.

Podziękowania

Prace te są wspierane przez fundusze badawcze z Uniwersytetu aSSIST.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Prolific (Internetowa platforma rekrutacji uczestników)Płodna Firma Akademicka Ltdhttps://www.prolific.com/Platforma internetowa służąca do rekrutacji uczestników ankiet. Uczestnicy byli weryfikowani na podstawie kryteriów kwalifikacyjnych (np. aktualne zatrudnienie w organizacji z doświadczeniem w wdrożeniu AI) i wynagradzani zgodnie z wytycznymi Prolific dotyczącymi uczciwego wynagrodzenia.
Qualtrics (Platforma ankietowa online)Qualtrics, LLChttps://www.qualtrics.com/Internetowa platforma ankietowa wykorzystywana do projektowania, dystrybucji i zbierania danych dotyczących odpowiedzi na ankiety. Wszystkie elementy pomiarowe były przeprowadzane za pomocą Qualtrics przy użyciu 7-punktowej skali Likerta (1 = zdecydowanie się nie zgadzam, 7 = zdecydowanie się zgadzam).  
SmartPLS 4.0 (PLS-SEM oprogramowanie)SmartPLS GmbHhttps://smartpls.com/Stosowany do wszystkich analiz modelowania strukturalnego (PLS-SEM), w tym oceny zewnętrznego modelu (niezawodność złożona, AVE, HTMT), analizy ścieżek modelu wewnętrznego (bootstrapping, 5 000 próbek), trzystopniowych testów niezmienniczości składowej MICOM (permutacja, 1 000 pociągów) oraz testów różnic PLS-MGA między grupami.

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

asymetria hierarchicznahierarchia organizacyjnazdolno ci dynamicznemetoda najmniejszych kwadrat w cz ciowychanaliza wielogrupowaluki w percepcjizarz dzanie zmianad AImodelowanie r wna strukturalnych
Film wkrótce dostępny

Powiązane artykuły