Artigo de investigação

Descobrindo Assimetrias Hierárquicas na Transformação da Inteligência Artificial: Navegando pelos Lados Positivos e Sombrios em Níveis Organizacionais

174 vistas

⸱

DOI:

10.3791/70756

⸱

12 de maio de 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

Neste artigo

Resumo

Descrevemos uma metodologia de pesquisa replicável projetada para investigar assimetrias hierárquicas nas percepções de transformação por inteligência artificial (IA) (AX). Tanto executivos quanto profissionais preenchem um questionário validado hospedado no Qualtrics; o pipeline analítico roda no SmartPLS 4.0, abrangendo validação de modelos externos, análise de caminhos, testes de invariância MICOM e análise multigrupo baseada em permutação (MGA).

Resumo

Estruturas de governança que alinham a estratégia executiva com a implementação de linha de frente dependem de entender como a hierarquia organizacional molda as percepções dos fatores de sucesso da transformação da inteligência artificial (IA) (AX). Apresentamos uma metodologia validada e replicável baseada em levantamentos, que acopla modelagem estrutural de equações parciais de mínimos quadrados parciais (PLS-SEM) com análise multigrupo (MGA) para detectar e quantificar assimetrias hierárquicas nas percepções do AX — indo além da análise agregada para expor divisões estruturais que métodos de grupo único deixam ocultas. Com 293 profissionais envolvidos em projetos de IA, avaliamos quatro dimensões dinâmicas de capacidade — agilidade operacional, prontidão de dados, proximidade ao cliente e disciplina estratégica de processos — juntamente com fatores-chave que facilitam: suporte tecnológico, tolerância a riscos sensíveis à IA, contexto ambiental e liderança proativa. A invariância composicional é verificada primeiro por meio de testes MICOM; somente após confirmar a comparabilidade entre grupos a análise passa para testes de significância MGA baseados em permutação. Ambos os grupos apresentam associações positivas entre capacidades dinâmicas e desempenho do AX (executivos: β = 0,637, R2 = 0,406; profissionais: β = 0,531, R2 = 0,282). A MGA baseada em permutação não detecta diferenças estatisticamente significativas nos coeficientes estruturais do caminho entre os dois grupos (todos p ≥ 0,178); o papel moderador hipotético da posição organizacional nas relações de caminho (H5), portanto, carece de apoio. No entanto, o MICOM Step 3a mostra que executivos avaliam todos os principais constructos significativamente mais altos do que os profissionais (8 de 11 constructos, todos p ≤ 0,045) — evidências de que a assimetria hierárquica surge como uma lacuna nos níveis perceptivos, e não nas relações estruturais em si. Como um modelo metodológico transferível, o protocolo equipa pesquisadores que estudam lacunas de percepção na transformação organizacional com ferramentas diretamente relacionadas à governança da IA, estratégia de gestão de mudanças e alinhamento entre níveis em ambientes intensivos em tecnologia.

Introdução

Avanços rápidos em inteligência artificial abriram um cenário duplo para as organizações empresariais—oportunidades extraordinárias de criação de valor de um lado, riscos e desafios significativos do outro. A IA generativa e as tecnologias convencionais de IA prometem maior produtividade, inovação mais rápida e posicionamento competitivomais forte 3, mas ao mesmo tempo geram preocupações sobre viés, deslocamento de empregos, desigualdade e dilemaséticos 4,5. Essa dualidade lado positivo/lado sombrio exige uma análise cuidadosa de como as organizações conduzem tanto a oportunidade quanto o risco ao buscarem transformação.

Um corpo crescente de trabalhos documenta o alcance transformador da IA — otimização da interação com o cliente, ganhos de eficiência operacional e decisões maisprecisas 6,7. Esses avanços, no entanto, carregam contrapesos substanciais. Discriminação e viés embutidos em sistemas de IA podem consolidar desigualdadesexistentes 8, automação ameaça a estabilidade do emprego9, e a opacidade de muitos algoritmos levanta questõesde responsabilidade 10. A crescente diferença entre empresas habilitadas por IA e seus pares menos tecnologicamente avançados aprofunda a disparidade econômica11, enquanto déficits de transparência e confiança complicam as relações com as partesinteressadas 12.

Embora a literatura sobre transformação digital sejaextensa 13, a transformação impulsionada por IA merece tratamento separado como um fenômenodistinto 14,15. Black et al.16 identificaram facilitadores críticos para a transformação de modelos de negócios habilitados por IA por meio de uma lente dinâmica de capacidades, mas seu arcabouço não aborda como esses fatores são percebidos e implementados de forma diferente entre hierarquias organizacionais. Essa diferença tem peso, dado o aumento das evidências de desalinhamento entre a estratégia executiva e a implementação por profissionais17.

Pesquisas multinível começaram a mostrar que a adoção da IA reverbera de forma desigual entre os níveis organizacionais, com variações pronunciadas na forma como executivos e profissionais percebem e vivem a transformação da IA18. Ganhos de produtividade, decisões mais precisas e criação de novo valor são benefícios amplamente reconhecidos da IA, mas muitas organizações ainda têm dificuldade em levar iniciativas de IA além da fase piloto — especialmente quando percepção e operação dividem níveis hierárquicos separados.

Neste estudo, transformação da IA (AX) denota o processo sistemático e organizacional de entrelaçar tecnologias de IA em operações centrais, estratégia e processos de criação de valor. Como operacionalizado aqui, o AX abrange três dimensões inter-relacionadas: (1) formulação de estratégias de IA corporativa — o planejamento deliberado do investimento, priorização e governança em IA no nível organizacional; (2) implantação operacional de sistemas de IA — adoção técnica, integração e escalonamento de soluções de IA dentro dos fluxos de trabalho existentes; e (3) gestão de mudanças organizacionais — os ajustes humanos, culturais e estruturais necessários para realizar o potencial de criação de valor da IA em larga escala. Este estudo aborda essa lacuna perguntando: (1) se os fatores identificados por Black et al.16 mantêm validade empírica em contextos organizacionais, e (2) como executivos e profissionais divergem em suas percepções sobre essas relações — especialmente no que diz respeito aos lados positivos e sombrios da transformação da IA. Ao introduzir a hierarquia organizacional como moderador estrutural, examinamos se existem assimetrias sistemáticas em como diferentes níveis percebem as promessas e perigos da IA. Os resultados indicam que tanto fatores facilitadores quanto obstáculos na transformação da IA podem ser percebidos de forma diferente em diferentes níveis hierárquicos, trazendo implicações para o alinhamento e estratégias de governança.

A pesquisa acadêmica reconhece cada vez mais o caráter duplo do AX. Grewal et al.19 dissecam a "luz e a escuridão" da IA, enquanto Belanche et al.20 investigam os lados brilhante e sombrio nos serviços. Belanche et al.20 traçam os efeitos contrastantes da gestão algorítmica, e Barari et al.1 fornecem evidências meta-analíticas do lado sombrio da IA no marketing. Em conjunto, esses estudos deixam claro que a transformação da IA não pode ser compreendida por uma lente puramente otimista; As organizações devem gerenciar oportunidades e mitigar riscos ao mesmo tempo.

Com base em Black et al.16, quatro capacidades dinâmicas centrais para navegar essa dualidade foram examinadas: (1) Capacidade de correr e mudar, que permite exploração e exploraçãosimultâneas 21; (2) prontidão de dados/sistemas de informação orientados a IA, que fornece infraestrutura para implantação de IA enquanto lida com a qualidade dos dados e desafios de integração22; (3) Conscientização de mercado/clientes, que equilibra oportunidades de personalização com preocupações de privacidade23; e (4) Disciplina do processo estratégico, que protege a governança sem sacrificar a agilidade24. Nesse contexto, o contexto ambiental, a liderança proativa e os facilitadores (tolerância ao risco sensível à IA e cultura de inovação sensível à tecnologia) funcionam como antecedentes que moldam conjuntamente essas quatro dimensões de capacidade. Essas capacidades, por sua vez, impulsionam coletivamente o desempenho da transformação da IA. Essa cadeia causal — dos antecedentes passando pelas capacidades e até os resultados de desempenho — forma a lógica teórica central do modelo, com a posição organizacional (executivo vs. profissional) entrando como uma lente moderadora através da qual as assimetrias perceptivas são examinadas.

A teoria das capacidades dinâmicas explica como as empresas mantêm vantagem competitiva em ambientes voláteis ao detectar, apreender etransformar 25. Aplicadas à IA, essas capacidades permitem que as organizações explorem oportunidades tecnológicas enquanto mantêm os riscos associados sob controle.

A capacidade de operar e mudar captura a agilidade de uma organização em equilibrar operações contínuas com inovação. A agilidade facilita a rápida adoção da IA, mas também aumenta o risco de implantação prematura e testes insuficientes. Nguyen et al.27 demonstram que a IA desestabiliza modelos tradicionais de mudança linear, exigindo sistemas iterativos e orientados por feedback. Sem uma gestão cuidadosa, a adaptação constante resultante pode desestabilizar a organização28.

A prontidão para dados/SI orientada por IA funciona como infraestrutura fundamental, mas a verdadeira prontidão abrange tanto capacidades técnicas quanto desafios organizacionais. Sistemas de dados robustos podem desbloquear a criação de valor da IA22, mas arquiteturas fragmentadas e baixa qualidade dos dados podem limitar a eficácia29. Ghosh30 apresenta a prontidão como um sistema interdependente que exige adaptação contínua — destacando tanto seu potencial habilitador quanto sua complexidade de implementação.

A consciência de mercado/cliente capacita as organizações a perceber as necessidades dos clientes e criar experiênciaspersonalizadas 23. Ao mesmo tempo, isso gera preocupações com a privacidade e o risco de superpersonalização. Encontrar o equilíbrio certo entre geração de insights e proteção de privacidade é uma tensão central na transformaçãoda IA 31.

A disciplina de processos estratégicos fornece estruturas de governança para iniciativas de IA, promovendo alinhamento e responsabilidade16. No entanto, disciplina excessiva pode sufocar a inovação e retardar a adaptação. O desafio é manter estrutura suficiente sem erguer barreiras burocráticas32.

H1: As capacidades estão positivamente associadas ao desempenho.

Black et al.16 diferenciam a liderança proativa do "suporte de alta gestão" passivo, enfatizando líderes que moldam ativamente agendas estratégicas, toleram a incerteza e monitoram a implementação da IA33. No entanto, a eficácia da liderança no AX depende de superar a divisão entre executivos e profissionais. Executivos cristalizam a visão da IA e integram a governançaética 34,35, enquanto os profissionais fornecem feedback experiencial essencial por meio da interação diária com ferramentas, revelando requisitos do mundo real que os executivos podem não alcançar36. Essa lacuna hierárquica frequentemente aparece como entusiasmo estratégico no topo, avançando sem atenção adequada aos desafios de integração de fluxos de trabalho e às limitações de usabilidade no terreno. Liderança proativa, portanto, exige engajamento bidirecional — executivos definindo a direção estratégica enquanto incorporam ativamente insights dos profissionais para que as capacidades de IA se alinhem às realidades operacionais. Essa interdependência leva a:

H2. Liderança Proativa está positivamente associada às Capacidades.

O contexto ambiental abrange as forças externas que moldam o cenário estratégico de uma organização. O dinamismo da indústria — definido por Black et al.16 como a velocidade e intensidade da mudança e da competição — é marcado por sofisticação tecnológica, disrupção implacável e um fluxo constante de novos concorrentes, todos exigem agilidade organizacional. Alto dinamismo amplifica a urgência de adotar tecnologias transformadoras como a IA, tornando a velocidade de adoção um diferenciadorcrítico 37. Singh et al.38 mostram como o dinamismo permite a formação de capacidades reconfiguráveis baseadas em recursos, apontando para a forma como capacidades dinâmicas se incorporam nas estruturas organizacionais para apoiar ou restringir a inovação e a adaptabilidade. Descobertas recentes destacam o complexo e duplo caráter do dinamismo ambiental39, relatando que ele modera tanto positiva quanto negativamente os efeitos da digitalização na inovação de modelos de negócios na manufatura chinesa, enquanto Binsar et al.40 identificam um efeito moderador significativo nas capacidades de adoção digital e no desempenho hospitalar na Indonésia. A resposta ambiental, então, vai além da mera adaptação externa; exige alinhamento entre sistemas organizacionais, cultura e liderança. Assim, hipotetizamos:

H3. O contexto ambiental está positivamente associado às capacidades.

Dois fatores críticos influenciam a forma como as organizações lidam com a dupla natureza da IA: tolerância ao risco da IA e cultura de inovação sensível à tecnologia. A tolerância ao risco da IA captura a disposição de aceitar a incerteza nos experimentos em IA. Embora essa tolerância impulsione a inovação, ela também expõe as organizações a possíveisfalhas 41. Zhao et al.42 mostram que a cultura de gestão de erros potencializa a inovação em serviços, embora os benefícios desapareçam sem sistemas de gestão adequados. Barrett et al.43 enfatizam a necessidade de práticas de governança de risco que equilibrem experimentação com salvaguardas. A Cultura de Inovação Sensível à Tecnologia incentiva a adoção e experimentação da IA, reconhecendo as limitações tecnológicas. Essas culturas promovem aprendizado contínuo e colaboração interfuncional, mas também podem pressionar as organizações a adotar prematuramente ou a uma avaliação de risco inadequada. Encontrar o equilíbrio certo entre incentivar a inovação e garantir uma implementação responsável continua sendo um desafio organizacionalchave 45.

H4: Facilitadores estão positivamente associados a capacidades.

A hierarquia organizacional exerce forte influência sobre como as oportunidades e riscos da IA são percebidos. Executivos tendem a se concentrar em benefícios estratégicos — vantagem competitiva, posicionamento de mercado e criação de valorde longo prazo 35, vendo a IA por uma lente amplamente otimista que destaca seu potencial transformador. Esse ponto de vista, no entanto, pode minimizar os desafios de implementação e as complexidades operacionais. Os praticantes enfrentam a natureza dual da IA de forma mais direta. Embora reconheçam ganhos de eficiência, eles também enfrentam diariamente problemas de qualidade de dados, obstáculos de integração e interrupções no fluxo de trabalho, deixando-os mais atentos às limitações, riscos e consequências não intencionaisda IA. Pesquisas sobre percepções dos funcionários confirmam que os profissionais navegam por uma complexa interação entre ansiedade automática e ganhos de eficiência, moldada pela exposição prática às mudanças de fluxo de trabalho impulsionadas porIA. Pesquisas cognitivas iluminam essas diferenças. Gerentes dependem mais de processamento intuitivo e estratégico adequado para lidar com ambiguidades, enquanto os profissionais empregam raciocínio analítico para resolver problemasoperacionais 49,50. Esses estilos cognitivos afetam a leitura de cada grupo sobre os lados positivos e sombrios da IA. Percepções culturais também divergem. Executivos tendem a ver a cultura organizacional como coesa e que facilita ainovação 34, enquanto profissionais relatam impedimentos estruturais e influência limitada51. Essas perspectivas contrastantes alimentam desalinhamentos nas estratégias de adoção da IA, nos quadros éticos e na gestãode riscos 52. Os gestores intermediários ocupam um papel crítico de ligação entre a visão estratégica e a realidade operacional. O quão eficazmente equilibram otimismo com pragmatismo pode estar associado aos resultados detransformação 53. Quando essa mediação falha, as desconexões podem se ampliar, minando a adaptabilidade organizacional.

H5: A posição na organização (Executivos vs. Profissionais) está associada a diferenças sistemáticas no nível perceptual no qual os construtos relacionados ao AX são avaliados, com a expectativa de executivos a relatar avaliações mais elevadas de capacidades, facilitadores e resultados de desempenho — refletindo sua maior ênfase no "lado positivo" da transformação da IA — em relação aos profissionais, que estão mais próximos de riscos operacionais e desafios de implementação. É importante notar que o H5 trata de diferenças perceptuais (ou seja, diferenças em como a hierarquia organizacional molda o nível das pontuações de construto), não de diferenças nos mecanismos causais subjacentes. O desenho transversal deste estudo apoia a inferência sobre padrões perceptivos e relações associativas; Alegações causais sobre moderação estrutural requerem desenhos longitudinais ou experimentais e não são apresentadas aqui.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Todos os procedimentos cumpriram os padrões éticos para pesquisa com participantes humanos na Universidade aSSIST, Universidade de Suwon, Universidade Sungkyunwakn e Universidade Dong-A. Como todas as respostas foram anonimizadas no momento da coleta e nenhum dado pessoalmente identificável foi coletado em nenhuma etapa, o Conselho de Revisão Institucional da aSSIST University concedeu ao estudo uma isenção da revisão completa. As instituições coautoras confiaram nessa aprovação das instituições líderes em vez de buscar revisões independentes do IRB; A Universidade aSSIST autorizou tanto o desenho do estudo quanto o protocolo de coleta de dados. Dentro da plataforma Qualtrics, cada participante encontrou uma declaração digital de consentimento informado antes que o questionário ficasse acessível. Essa declaração detalhava o propósito acadêmico do estudo, confirmava o tratamento de dados anônimos, observava que os dados serviriam apenas para fins de pesquisa e sinalizava a ausência de riscos previsíveis; qualquer um que não consentisse ativamente era automaticamente excluído da pesquisa.

Modelo de pesquisa
Em nosso modelo de pesquisa (Figura 1), as capacidades atuam como mediadoras entre três antecedentes — liderança proativa, contexto ambiental e facilitadores — e desempenho, enquanto a posição organizacional entra como variável moderadora. As capacidades abrangem quatro dimensões: Capacidade de Executar e Mudar (RC), Prontidão para Dados/SI (DR) orientada a IA, Consciência de Mercado/Cliente (MC) e Disciplina de Processos Estratégicos (SP). Os facilitadores compreendem a Cultura de Inovação Sensível à Tecnologia (TS) e a Tolerância ao Risco de IA (AS).

figure-protocol-1
Figura 1: Modelo de pesquisa. Modelo conceitual de pesquisa que retrata as relações hipotetizadas entre liderança proativa, contexto ambiental e facilitadores (antecedentes); quatro dimensões dinâmicas de capacidade (capacidade de operar e mudar, prontidão de dados/sistemas de informação orientados para IA, consciência de mercado/cliente, disciplina de processos estratégicos); e desempenho em transformação da IA, com a posição organizacional (Executivo vs. Profissional) entrando como variável moderadora. Por favor, clique aqui para ver uma versão ampliada desta figura.

Dados de pesquisa
A coleta de dados dependeu de uma pesquisa online administrada pela Prolific (https://www.prolific.co) para recrutamento de participantes e pela Qualtrics (https://www.qualtrics.com) para hospedagem e administração da pesquisa, que durou dois dias consecutivos (24 a 25 de novembro de 2024). A elegibilidade era limitada a indivíduos atualmente empregados e ativamente envolvidos em projetos relacionados a IA dentro de suas organizações. Os filtros de pré-triagem da Prolific reforçaram esse critério, e uma pergunta da Qualtrics confirmou: "Qual dos seguintes descreve melhor sua situação atual?" — apenas os respondentes que selecionaram "Atualmente estou empregado e já estive envolvido em trabalhos relacionados à IA" puderam continuar. Os participantes também precisaram confirmar que tinham pelo menos 20 anos de idade por meio do formulário digital de consentimento no início da pesquisa; aqueles que não consentiam eram automaticamente excluídos. Um item de verificação de atenção embutido ("A IA é uma abreviação de Informação sobre Alcachofra?"; resposta correta: Não) sinalizava os respondentes desatentos; a pesquisa terminava automaticamente após uma resposta incorreta. A amostra final foi composta por 293 profissionais (mulheres 50,51%, homens 49,49%). Os entrevistados foram divididos em dois grupos com base na resposta a um item dedicado à pesquisa: "Qual é o seu papel nos projetos de IA da sua empresa?", com cinco opções: Executivo/Alta Gestão, Gestão Intermediária, Equipe Técnica/Engenheiro, Pesquisador/Cientista e Consultor. Os que selecionavam Executivos/Alta Gestão eram colocados no grupo de Executivos; aqueles que selecionavam Equipe Técnica/Engenheiro, Pesquisador/Cientista ou Consultor eram colocados no grupo de Praticantes. Entrevistados da Gestão Intermediária (n = 81) ingressaram no grupo de Executivos, argumentando que os cargos de gestão intermediária envolvem supervisão direta das equipes operacionais e participação no planejamento estratégico, posicionando-os mais próximos da função executiva do que da prática de linha de frente. O agrupamento final resultou em 112 Executivos e 181 Praticantes. A Tabela 1 resume o perfil demográfico.

Tabela 1: Características demográficas. Perfil demográfico dos 293 entrevistados, incluindo gênero, idade, indústria e papel organizacional, desagregado pelos dois grupos hierárquicos usados para análise multigrupo (Executivos, n = 112; Praticantes, n = 181). Por favor, clique aqui para baixar esta Tabela.

Medidas
Todos os itens da pesquisa foram medidos usando uma escala de Likert de sete pontos, variando de "discordar fortemente (1)" a "concordar fortemente (7)". Para verificar a clareza conceitual e a adequação para a população profissional-alvo, foi realizado um pré-teste com 30 participantes Prolíficos que relataram engajamento ativo em projetos relacionados à IA em suas organizações. As respostas pré-testes levaram a pequenas revisões na redação de dois itens que os participantes consideraram ambíguos, sem alterações estruturais na escala. As hipóteses foram testadas por meio da Modelagem de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM) estimada no SmartPLS 4.0. Três características do presente estudo orientaram essa escolha. Primeiro, tanto Capacidades quanto Facilitadores são operacionalizados como construtos formativos de segunda ordem — uma configuração para a qual a estimativa baseada em variância é mais diretamente adequada do que o SEM baseado em covariância. Segundo, assimetrias perceptuais na transformação da IA representam um domínio de pesquisa emergente onde convenções maduras de medição ainda estão em desenvolvimento; Nessas condições, uma ênfase preditiva é mais adequada do que a otimização dos índices de ajuste confirmatório. Terceiro, os subgrupos Executivo e Profissional diferem substancialmente em tamanho (Executivos n = 112; Praticantes n = 181), e a estimação baseada em variância não está sujeita aos requisitos mínimos de tamanho celular que restringem abordagens baseadas em covariância. Trabalhos empíricos anteriores sobre transformação digital adotaram essa abordagem analítica.

No SmartPLS 4.0, o algoritmo PLS era configurado com ponderação de caminho, um máximo de 300 iterações e um critério de parada de 10⁻7. O bootstrapping usou 5.000 subamostras com intervalos de confiança corrigidos por viés e acelerados (BCa), sem mudanças de sinal e bootstrapping completo. Para a abordagem de dois estágios, as pontuações da variável latente do Estágio 1 foram obtidas executando o algoritmo PLS no modelo de medição de primeira ordem (Calcular → Algoritmo PLS); essas pontuações foram então exportadas (Resultados → Escores de Variáveis Latentes) e usadas como indicadores manifestos para os construtos de segunda ordem na Etapa 2. A MGA baseada em permutação foi executada via Calculate → Multi-Group Analysis → Permutação, com 1.000 permutações e um nível de significância bilateral de 0,05. Os testes do MICOM foram realizados pelo Calculate → Permutation → MICOM, também com 1.000 permutações. A segmentação FIMIX-PLS foi realizada via Calculate → FIMIX-PLS com 10 repetições e uma semente fixa para reprodutibilidade 46,54,55,56,57,58,59. No contexto deste estudo, o PLS-SEM desempenhou uma função dupla: avaliar relações de caminho em nível de construto em toda a amostra e apoiar comparações entre grupos por meio da MGA. Os resultados em nível de trajetória também indicaram padrões que justificam um exame teórico adicional60.

Capacidades e Facilitadores são operacionalizados como construtos formativos de segunda ordem neste estudo. Capacidades agregam quatro dimensões de primeira ordem: capacidade de reconfiguração, prontidão de dados e sistemas orientados para IA, proximidade ao mercado e ao cliente, e disciplina estratégica de processos. Enablers combina duas dimensões de primeira ordem: tolerância ao risco sensível à IA e cultura de inovação sensível à tecnologia. A estimação dos construtos formativos de segunda ordem seguiu a abordagem de dois estágios recomendada para modelos de ordem superior noPLS-SEM 61. Essa abordagem é distinta da abordagem de indicadores repetidos: em vez de duplicar todos os indicadores de primeira ordem no nível de segunda ordem em um único passo de estimação, o procedimento de duas etapas gera primeiro pontuações latentes de variáveis para cada construto de primeira ordem a partir de seu respectivo conjunto de indicadores (Estágio 1), e então usa essas pontuações como entradas manifestas para o construto de segunda ordem correspondente na Etapa 2. Essa estimativa sequencial previne a inflação cruzada de indicadores que pode surgir quando todos os itens aparecem simultaneamente dentro de um modelo de ordem superior de estágioúnico 62, 63, 64. O procedimento em duas etapas, assim, evita a inflação de parâmetros e as estimativas enviesadas que podem resultar da abordagem repetida do indicador em uma estimativade estágio único 64. Para examinar o H5, a análise multigrupo baseada em permutações (PLS-MGA) foiaplicada 65,66 para examinar se as relações estruturais, ou seja, as associações entre Capacidades e Desempenho (H1), Liderança e Capacidades Proativas (H2), Contexto Ambiental e Capacidades (H3) e Facilitadores e Capacidades (H4), diferem entre os grupos categorizados por posição organizacional (H5) (Figura 2)). A função PLS-MGA embutida no SmartPLS foi usada para essa análise. O conteúdo do questionário é apresentado na Tabela 2.

Tabela 2: Questionário. Instrumento completo de medição listando todos os itens reflexivos para os onze construtos de primeira ordem, suas referências de origem e a escala de resposta de Likert de sete pontos usada para cada item. Por favor, clique aqui para baixar esta Tabela.

Dois itens de verificação de atenção foram inseridos na pesquisa final, e atuavam como filtros para filtrar participantes que não respondiam corretamente (ou seja, "Qual dessas perguntas descreve melhor sua situação atual?") e, se o participante respondesse errado a uma dessas perguntas, a pesquisa era encerrada imediatamente.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Como uma avaliação preliminar do viés comum de método (CMB), foi realizado o teste de fator único de Harman, com o primeiro fator não rotacionado respondendo por 30,21% da variância (abaixo do limiar de 50%). Embora esse resultado forneça evidências iniciais de que o CMB não domina os dados, reconhece-se que o teste de Harman possui sensibilidade e especificidade limitadas como ferramenta diagnóstica. Como salvaguardas processuais adicionais, a pesquisa utilizou ordenação aleatória de it...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Os achados revelam que a hierarquia organizacional está associada a diferenças sistemáticas no nível em que executivos e profissionais percebem os construtos de transformação da IA, em vez da estrutura dos relacionamentos entre eles. Três abordagens independentes de MGA — MGA baseada em permutação (1.000 permutações), Bootstrap MGA (5.000 subamos)74, e testes Parametric e Welch-Satterthwaite66 — não encontraram consistentemente diferenças e...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores não declaram conflitos de interesse. Durante a preparação do manuscrito, os autores usaram IA generativa de forma limitada — especificamente para reformular rascunhos de passagens metodológicas selecionadas e para sinalizar questões gramaticais em descrições técnicas. Cada trecho gerado por IA foi então cruzado com os dados de origem e substancialmente reescrito pelos autores. Os autores têm total responsabilidade pela precisão, integridade e originalidade de cada parte do manuscrito. Todos os autores contribuíram igualmente para o artigo.

Agradecimentos

Esse trabalho é apoiado por financiamento de pesquisa da Universidade aSSIST.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Prolific (Plataforma Online de Recrutamento de Participantes)Prolific Academic Ltdhttps://www.prolific.com/Plataforma online usada para recrutar participantes da pesquisa. Os participantes foram avaliados com base em critérios de elegibilidade (por exemplo, emprego atual em uma organização com experiência em adoção de IA) e compensados de acordo com as diretrizes de salário justo da Prolific.
Qualtrics (Plataforma de Pesquisa Online)Qualtrics, LLChttps://www.qualtrics.com/Plataforma de pesquisa baseada na web usada para o desenho, distribuição e coleta de dados de respostas de questionários. Todos os itens de medição foram administrados via Qualtrics usando uma escala de Likert de 7 pontos (1 = fortemente discordar, 7 = fortemente concordar). 
SmartPLS 4.0 (Software PLS-SEM)SmartPLS GmbHhttps://smartpls.com/Utilizado para todas as análises de Modelagem de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM), incluindo avaliação de modelos externos (confiabilidade composta, AVE, HTMT), análise de caminhos internos do modelo (bootstrapping, 5.000 amostras), testes de invariância composicional MICOM em 3 etapas (permutação, 1.000 extrações) e testes de diferença entre grupos PLS-MGA.  

Referências

  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Assimetria Hier rquicaHierarquia OrganizacionalCapacidades Din micasM nimos Quadrados ParciaisAn lise de M ltiplos GruposLacunas de Percep oGest o de Mudan asGovernan a de IAModelagem de Equa es Estruturais
Vídeo em breve

Artigos relacionados