Исследовательская статья

Выявление иерархических асимметрий в трансформации искусственного интеллекта: навигация между светлыми и тёмными сторонами на уровне организаций

175 просмотров

⸱

DOI:

10.3791/70756

⸱

12 мая 2026 г.

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

В этой статье

Краткое содержание

Мы описываем воспроизводимую методологию опросов, предназначенную для изучения иерархических асимметрий в восприятии трансформаций искусственного интеллекта (ИИ) (AX). И руководители, и практики заполняют валидированный опросник, размещённый на Qualtrics; аналитический конвейер работает в SmartPLS 4.0, охватывая проверку внешних моделей, анализ путей, тестирование инвариантности MICOM и многогрупповый анализ на основе перестановок (MGA).

Аннотация

Структуры управления, которые согласуют исполнительную стратегию с внедрением на передовой, зависят от понимания того, как организационная иерархия формирует восприятие факторов успеха трансформации искусственного интеллекта (ИИ). Мы представляем проверенную, воспроизводимую методологию на основе опросов, объединяющую моделирование структурных уравнений с частичными наименьшими квадратами (PLS-SEM) с многогрупповым анализом (MGA) для выявления и количественной оценки иерархических асимметрий в восприятии AX — выходя за рамки агрегированного анализа и выявляя структурные разделения, которые методы одной группы оставляют скрытыми. Опираясь на 293 специалистов, участвующих в проектах ИИ, мы оцениваем четыре динамических измерения возможностей — оперативную гибкость, готовность к данным, близость к клиенту и стратегическую дисциплину процессов — а также ключевые факторы: технологическую поддержку, чувствительность к риску, экологический контекст и проактивное лидерство. Составная инвариантность впервые проверяется с помощью тестирования MICOM; только после подтверждения сопоставимости между группами анализ переходит к тестам значимости MGA на основе перестановок. Обе группы демонстрируют положительные связи между динамическими возможностями и результатами AX (руководители: β = 0,637, R2 = 0,406; практики: β = 0,531, R2 = 0,282). MGA на основе перестановок не обнаруживает статистически значимых различий в структурных коэффициентах пути между двумя группами (все p ≥ .178); предполагаемая модерирующая роль организационной позиции в отношениях путей (H5) таким образом не имеет поддержки. Тем не менее, Шаг 3a MICOM показывает, что руководители оценивают все основные конструкции значительно выше, чем практики (8 из 11 конструкций, все p ≤ .045) — доказательство того, что иерархическая асимметрия проявляется как пробел в уровнях восприятия, а не в самих структурных отношениях. В качестве переносимого методологического шаблона протокол оснащает исследователей, изучающих пробелы восприятия в трансформации организаций, инструментами, непосредственно касающимися управления ИИ, стратегии управления изменениями и межуровневого согласования в технологически интенсивных условиях.

Введение

Быстрый прогресс в области искусственного интеллекта открыл для бизнес-организаций двойную среду — с одной стороны — исключительные возможности для создания ценности, с другой — значительные риски ивызовы 1,2. Генеративный ИИ и традиционные технологии ИИ обещают более высокую производительность, более быстрые инновации и более сильное конкурентное положение3, но одновременно вызывают опасения по поводу предвзятости, вытеснения рабочих мест, неравенства и этическихдилемм 4,5. Эта двойственность светлых и тёмных сторон требует тщательного анализа того, как организации управляют как возможностями, так и рисками в процессе трансформации.

Растущий объём работ документирует трансформирующий охват ИИ — оптимизацию взаимодействия с клиентами, повышение операционной эффективности и более чёткое принятиерешений 6,7. Однако эти достижения имеют серьёзные противовесы. Дискриминация и предвзятость, заложенные в системах ИИ, могут закреплять существующиенеравенства 8, автоматизация угрожает стабильноститруда 9, а непрозрачность многих алгоритмов вызывает вопросы подотчётности10. Растущий разрыв между компаниями с поддержкой ИИ и их менее технологически развитыми конкурентами усугубляет экономическоенеравенство 11, а дефицит прозрачности и доверия усложняют отношения между заинтересованнымисторонами 12.

Хотя литература по цифровой трансформацииобширна 13, трансформация, управляемая ИИ, заслуживает отдельного рассмотрения как отдельного явления14,15. Блэк и др.16 выявили критические факторы трансформации бизнес-моделей с поддержкой ИИ через призму динамических возможностей, однако их структура не учитывает, как эти факторы воспринимаются и реализуются по-разному в иерархиях организаций. Этот разрыв имеет вес, учитывая растущие доказательства несоответствия между исполнительной стратегией и реализациейпрактиками 17.

Многоуровневые исследования начали показывать, что внедрение ИИ неравномерно отражается на разных уровнях организаций, с заметной вариативностью в том, как руководители и практики воспринимают и реализуют трансформациюИИ 18. Рост производительности, более чёткое принятие решений и создание новой ценности — широко признанные преимущества ИИ, однако многие организации всё ещё испытывают трудности с проведением инициатив ИИ за пределы пилотного этапа — особенно там, где перцептивное и операционное разделение разделяют иерархические уровни.

В данном исследовании трансформация ИИ (AX) обозначает системный, общеорганизационный процесс интеграции технологий ИИ в основные процессы операций, стратегии и создания ценности. В данном виде AX охватывает три взаимосвязанных аспекта: (1) формулирование корпоративной стратегии ИИ — целенаправленное планирование инвестиций, приоритетов и управления в ИИ на уровне организации; (2) оперативное внедрение систем ИИ — техническое внедрение, интеграция и масштабирование решений на базе ИИ в существующих рабочих процессах; и (3) управление организационными изменениями — человеческие, культурные и структурные изменения, необходимые для реализации потенциала создания ценности ИИ в масштабах. В данном исследовании рассматривается этот разрыв, задавая вопрос: (1) обладают ли факторы, выявленные Блэком и др.16 , эмпирическую валидность в разных организационных контекстах, и (2) как руководители и практики расходятся в восприятии этих отношений — особенно в отношении светлых и тёмных сторон трансформации ИИ. Вводя организационную иерархию как структурный модератор, мы исследуем, существуют ли систематические асимметрии в том, как разные уровни воспринимают обещания и опасности ИИ. Результаты показывают, что как факторы, так и препятствия в трансформации ИИ могут восприниматься по-разному на иерархических уровнях, что имеет последствия для стратегий согласования и управления.

Научные исследования всё чаще признают двойственный характер AX. Grewal и др.19 анализируют «свет и тьму» ИИ, в то время как Belanche и др.20 исследуют светлые и тёмные стороны в сервисах. Belanche и др. 20 прослеживают контрастные эффекты алгоритмического управления, а Barari и др.1 приводят метааналитические доказательства тёмной стороны ИИ в маркетинге. В совокупности эти исследования ясно показывают, что трансформацию ИИ нельзя рассматривать исключительно оптимистично; Организации должны одновременно управлять возможностями и снижать риски.

Опираясь на Black et al.16, были рассмотрены четыре динамические способности, ключевые для навигации в этой двойственности: (1) Способность работать и менять, позволяющая одновременно использовать иисследовать 21; (2) ИИ-ориентированная готовность к данным/информационным информационным системам, которая обеспечивает инфраструктуру для внедрения ИИ при одновременном решении задач качества и интеграцииданных 22; (3) Осведомленность о рынке/клиенте, которая балансирует возможности персонализации с вопросамиконфиденциальности 23; и (4) дисциплина стратегических процессов, которая обеспечивает управление без жертвы гибкости24. В этой структуре экологический контекст, проактивное лидерство и пособники (чувствительная к ИИ толерантность к риску и технологически чувствительная культура инноваций) выступают предшественниками, которые совместно формируют эти четыре измерения возможностей. Эти возможности, в свою очередь, вместе определяют эффективность трансформации ИИ. Эта причинная цепочка — от предшественников через способности до результатов эффективности — составляет основную теоретическую логику модели, при этом организационная позиция (исполнительная против практики) входит в роли модерирующей призмы, через которую рассматриваются асимметрии восприятия.

Теория динамических возможностей объясняет, как компании сохраняют конкурентное преимущество в волатильных условиях путём восприятия, захвата итрансформации 25. Применённые к искусственному интеллекту, эти возможности позволяют организациям использовать технологические возможности, одновременно контролируя связанные с ними риски.

Способность работать и меняться отражает гибкость организации в балансе между текущей деятельностью и инновациями. Гибкость способствует быстрому внедрениюИИ, но также увеличивает риск преждевременного внедрения и недостаточного тестирования. Нгуен и др.27 показывают, что ИИ нарушает традиционные модели линейных изменений, требуя итеративных, обратных связей систем. Без тщательного управления постоянная адаптация может дестабилизироватьорганизацию 28.

Готовность к данным и информационно-информационным объектам на основе ИИ функционирует как базовая инфраструктура, но подлинная готовность охватывает как технические возможности, так и организационные задачи. Надёжные системы данных могут открыть создание ценностиИИ 22, но фрагментированные архитектуры и низкое качество данных могут ограничитьэффективность 29. Ghosh 30 рассматривает готовность как взаимозависимую систему, требующую постоянной адаптации — подчёркивая как её потенциал, так и сложность реализации.

Рыночная и клиентская осведомлённость помогает организациям понимать потребности клиентов и создавать персонализированные впечатления23. В то же время это вызывает опасения по поводу конфиденциальности и риск чрезмерной персонализации. Поиск правильного баланса между генерацией инсайтов и защитой конфиденциальности является ключевым элементом трансформацииИИ 31.

Дисциплина стратегических процессов обеспечивает структуры управления для инициатив в области ИИ, способствуя согласованности иподотчетности 16. Однако чрезмерная дисциплина может подавлять инновации и медленную адаптацию. Задача заключается в поддержании достаточного количества структуры без создания бюрократическихбарьеров 32.

H1: Возможности положительно связаны с производительностью.

Блэк и др.16 отличают проактивное лидерство от пассивной «поддержки высшего руководства», делая акцент на лидерах, которые активно формируют стратегические повестки, терпят неопределённость и контролируют внедрениеИИ 33. Однако эффективность лидерства в AX зависит от преодоления разрыва между руководителями и практиками. Руководители кристаллизуют видение ИИ и вплетают этическое управление34,35, тогда как практики предоставляют важную опытную обратную связь через ежедневное взаимодействие с инструментами, сталкиваясь с реальными требованиями, которые руководители могут незаметить. Этот иерархический разрыв часто проявляется в виде стратегического энтузиазма на вершине, не учитывая задачи интеграции рабочих процессов и ограничения удобства использования на местах. Поэтому проактивное лидерство требует двустороннего взаимодействия — руководители определяют стратегическое направление, активно внедряя инсайты практиков, чтобы возможности ИИ соответствовали операционным реалиям. Эта взаимозависимость приводит к:

H2. Проактивное лидерство положительно связано с возможностями.

Экологический контекст охватывает внешние силы, формирующие стратегический ландшафт организации. Динамика индустрии — определяемая Блэком и др. 16 как скорость и интенсивность изменений и конкуренции — характеризуется технологической сложностью, неустанными потрясениями и постоянным притоком новых конкурентов, что требует гибкости организации. Высокая динамика усиливает срочность внедрения трансформационных технологий, таких как ИИ, делая скорость внедрения ключевымотличительным фактором 37. Сингх и др.38 показывают, как динамизм позволяет формировать перенастраиваемые ресурсные способности, указывая на то, как динамические возможности внедряются в организационные структуры либо для поддержки, либо для ограничения инноваций и адаптивности. Недавние данные подчёркивают сложный, двусторонний характер экологическойдинамики 39, сообщая, что он как положительно, так и отрицательно смягчает влияние цифровизации на инновации бизнес-моделей в китайском производстве, в то время как Бинсар и др. отмечают значительное смягчающее влияние на возможности цифрового внедрения и работу больниц в Индонезии. Таким образом, чувствительность к окружающей среде выходит за рамки простой внешней адаптации; Это требует согласованности между организационными системами, культурой и лидерством. Соответственно, мы выдвигаем гипотезу:

H3. Контекст окружающей среды положительно связан с возможностями.

Два ключевых фактора касаются того, как организации справляются с двойной природой ИИ: толерантностью к рискам ИИ и технологически чувствительной культурой инноваций. Толерантность к риску ИИ отражает готовность принимать неопределённость в экспериментах с ИИ. Хотя такая терпимость стимулирует инновации, она также подвергает организации потенциальнымнеудачам 41. Чжао и др.42 показывают, что культура управления ошибками способствует инновациям в сервисе, хотя преимущества исчезают без надлежащих систем управления. Барретт и др.43 подчеркивают необходимость практик управления рисками, балансирующих между экспериментами и мерами предосторожности. Технологически чувствительная культура инноваций поощряет внедрение и эксперименты с ИИ, признавая при этом технологические ограничения. Такие культуры способствуют непрерывному обучению и межфункциональному сотрудничеству, но при этом могут оказывать давление на организации к преждевременному внедрению или недостаточной оценке рисков. Поиск правильного баланса между поощрением инноваций и обеспечением ответственного внедрения остаётся ключевой задачейорганизации. 45.

H4: Помощники положительно связаны с возможностями.

Организационная иерархия оказывает значительное влияние на восприятие возможностей и рисков ИИ. Руководители склонны сосредотачиваться на стратегических преимуществах — конкурентном преимуществе, позиционировании на рынке и долгосрочном создании ценности35, рассматривая ИИ с преимущественно оптимистичной точки зрения, подчёркнув его преобразующий потенциал. Однако такая точка зрения может недооценивать сложности внедрения и операционные сложности. Практики сталкиваются с двойственной природой ИИ более прямо. Хотя они признают повышение эффективности, они также ежедневно сталкиваются с проблемами качества данных, препятствиями интеграции и нарушениями в рабочихпроцессах 46, что делает их более чувствительными к ограничениям, рискам и непредвиденным последствиямИИ 47. Исследования восприятия сотрудников подтверждают, что специалисты справляются со сложным взаимодействием тревоги перед автоматизацией и повышения эффективности, формируемого на основе практического опыта изменений в рабочих процессах, основанныхна ИИ 48. Когнитивные исследования проливают свет на эти различия. Менеджеры больше полагаются на интуитивную, стратегическую обработку, подходящую для работы с неоднозначностью, тогда как практики применяют аналитическое мышление для оперативного решения проблем49,50. Эти когнитивные стили влияют на восприятие каждой группой светлых и тёмных сторон ИИ. Культурные представления также расходятся. Руководители склонны рассматривать организационную культуру как способствующую инновациям исплочённую 34, тогда как практики сообщают о структурных препятствиях и ограниченномвлиянии 51. Такие противоположные взгляды способствуют несоответствию в стратегиях внедрения ИИ, этических рамках и управлениирисками 52. Средние менеджеры играют ключевую связь между стратегическим видением и операционной реальностью. Насколько эффективно они балансируют оптимизм с прагматизмом, может быть связано с результатамитрансформации 53. Когда эта медиация сдаётся, разрывы могут усилиться, что снижает адаптивность организации.

H5: Позиция в организации (руководители против практиков) связана с систематическими различиями в восприятии уровня восприятия, на котором оцениваются конструкции, связанные с AX, при этом руководители должны сообщать более высокие оценки возможностей, способствующих факторов и результатов эффективности — что отражает их больший акцент на «светлой стороне» трансформации ИИ — по сравнению с практиками, которые ближе всего к операционным рискам и вызовам внедрения. Важно отметить, что H5 касается перцептивных различий (то есть различий в формировании уровня конструктных оценок организационной иерархией), а не различий в базовых причинных механизмах. Дизайн поперечного опроса в данном исследовании поддерживает выводы о перцептивных закономерностях и ассоциативных взаимосвязях; Причинные утверждения о структурной модерации требуют продольных или экспериментальных проектов и здесь не утверждаются.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Все процедуры соответствовали этическим стандартам исследований с участием человека в Университете aSSIST, Университете Сувон, Университете Сунгкюнвакн и Университете Донг-А. Поскольку каждый ответ был анонимизирован в момент сбора данных, и на каком-либо этапе не собирались лично идентифицируемые данные, Институциональный обзорный совет Университета aSSIST предоставил исследованию освобождение от полного рассмотрения. Соавторские учреждения полагались на одобрение ведущих учреждений, а не на независимые обзоры IRB; Университет aSSIST одобрил как дизайн исследования, так и протокол сбора данных. В рамках платформы Qualtrics каждый участник сталкивался с цифровым заявлением о информированном согласии до того, как анкета стала доступна. В этом заявлении была изложена академическая цель исследования, подтверждена обработка анонимных данных, отмечено, что данные будут служить только исследовательским целям, и отмечено отсутствие предвидимых рисков; Любой, кто не давал активного согласия, автоматически исключался из опроса.

Исследовательская модель
В нашей исследовательской модели (рисунок 1) способности выступают посредниками между тремя предшественниками — проактивным лидерством, окружающим контекстом и способствующими факторами — и эффективностью, в то время как организационная позиция выступает в роли модерирующей переменной. Возможности охватывают четыре измерения: способность работать и менять (RC), готовность к данным/информационным технологиям (DR), осведомленность рынка/клиента (MC) и стратегическая дисциплина процессов (SP). К сторонам относятся культура технологически чувствительных инноваций (TS) и устойчивость к рискам ИИ (AS).

figure-protocol-1
Рисунок 1: Исследовательская модель. Концептуальная исследовательская модель, изображающая гипотетические связи между проактивным лидерством, экологическим контекстом и сторонниками (предшественниками); четыре динамических измерения возможностей (способность к работе и изменениям, готовность данных и информационно-информационных систем, осведомлённость рынка/клиента, дисциплина стратегических процессов); и производительность трансформации ИИ, при этом организационная позиция (Executive vs. Practitioner) становится модерирующей переменной. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Исследовательские данные
Сбор данных основывался на онлайн-опросе, проводимом Prolific (https://www.prolific.co) для привлечения участников и Qualtrics (https://www.qualtrics.com) для проведения и проведения опросов, который длился два дня подряд (24–25 ноября 2024 года). Право на участие ограничивалось лицами, которые в настоящее время работают и активно участвуют в проектах, связанных с ИИ, в своих организациях. Фильтры предварительного отбора Prolific подтвердили этот критерий, и вопрос Qualtrics подтвердил это: «Какой из следующих лучше всего описывает вашу текущую ситуацию?» —только респонденты, выбравшие «Я сейчас работаю и занимаюсь работой, связанной с ИИ», могли продолжить обучение. Участники также должны были подтвердить, что им не менее 20 лет, используя цифровую форму согласия в начале опроса; те, кто не дал согласия, автоматически исключались. Встроенный пункт проверки внимания («Является ли ИИ сокращением от Artichoke Information?»; правильный ответ: нет) помечал невнимательных респондентов; Опрос завершался автоматически при неправильном ответе. Окончательная выборка включала 293 профессионала (женщины 50,51%, мужчины 49,49%). Респондентов делили на две группы на основе ответа на специальный вопрос опроса: «Какова ваша роль в проектах ИИ вашей компании?» с пятью вариантами: исполнительное/высшее руководство, средний менеджмент, технический персонал/инженер, исследователь/учёный и консультант. Те, кто выбирал руководителей/высшего руководства, были включены в группу руководителей; те, кто выбирал технический персонал/инженера, исследователя/учёного или консультанта, были включены в группу практиков. Респонденты среднего менеджмента (n = 81) присоединились к группе руководителей, исходя из того, что должности среднего менеджмента включают прямой контроль операционных команд и участие в стратегическом планировании, что делает их ближе к исполнительной функции, чем к практике на передовой. В итоге вошли 112 руководителей и 181 практик. Таблица 1 резюмирует демографический профиль.

Таблица 1: Демографические характеристики. Демографический профиль 293 респондентов опроса, включая пол, возраст, отрасль и организационную роль, разбитый по двум иерархическим группам, используемым для многогруппового анализа (руководители, n = 112; Практики, n = 181). Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Меры
Все вопросы опроса измерялись по семибалльной шкале Ликерта от «сильно не согласен (1)» до «полностью согласен (7)». Для проверки концептуальной ясности и уместности для целевой профессиональной группы был проведён предварительный тест из 30 респондентов с участием Prolific, которые сообщили об активном участии в проектах, связанных с ИИ, в своих организациях. Ответы на предварительные тесты привели к незначительным изменениям в формулировках двух пунктов, которые участники сочли неоднозначными, без структурных изменений в шкале. Гипотезы были проверены с помощью моделирования структурных уравнений с частичными наименьшими квадратами (PLS-SEM), оценённого в SmartPLS 4.0. Три особенности настоящего исследования направили этот выбор. Во-первых, и Capabilities, и Enablers операционализируются как формирующие конструкции второго порядка — конфигурация, для которой оценка на основе дисперсии более напрямую подходит, чем SEM на основе ковариации. Во-вторых, перцептивные асимметрии в трансформации ИИ представляют собой новую область исследований, где ещё развиваются зрелые конвенции измерения; В таких условиях более уместно использовать прогностический акцент, чем оптимизация подтверждающих индексов соответствия. В-третьих, подгруппы Исполнительного и Практикующего существенно различаются по размеру (Руководители n = 112; Практики n = 181), а оценка на основе дисперсии не подчиняется минимальным требованиям к размеру ячеек, которые ограничивают подходы, основанные на ковариации. Предыдущие эмпирические исследования по цифровой трансформации использовали этот аналитический подход.

В SmartPLS 4.0 алгоритм PLS был настроен с весом по путям, максимум 300 итераций и критерием стопа 10⁻7. В бутстрэппинге использовалось 5 000 подвыборок с корректированными и ускоренными (BCa) доверительными интервалами, без изменений знаков и полным бутстрэппингом. Для двухэтапного подхода баллы по латентным переменным первого этапа получались с помощью алгоритма PLS на модели измерения первого порядка (Calculate → PLS Algorithm); эти показатели затем экспортировались (Результаты → латентные переменные баллы) и использовались как явные индикаторы для конструкций второго порядка на этапе 2. MGA на основе перестановок проводилась с помощью Calculate → Multi-Group Analysis → Permutation с 1000 перестановками и двусторонним уровнем значимости 0,05. Тестирование MICOM проводилось через Calculate → Permutation → MICOM, также с 1000 перестановками. Сегментация FIMIX-PLS проводилась с помощью Calculate → FIMIX-PLS с 10 повторениями и фиксированным посевом длявоспроизводимости 46,54,55,56,57,58,59. В рамках данного исследования PLS-SEM выполнял двойную функцию: оценивал связь путей на уровне конструкции по всей выборке и поддерживал сравнения между группами с помощью MGA. Результаты на уровне направления также указывали на закономерности, требующие дальнейшеготеоретического изучения 60.

Возможности и Enablers в данном исследовании реализуются как формирующие конструкции второго порядка. Возможности объединяют четыре основных измерения: возможности реконфигурации, готовность данных и систем, ориентированные на ИИ, приближение рынка и клиента, а также стратегическая дисциплина процессов. Enablers объединяет два основных измерения: чувствительность к риску с ИИ и технологически чувствительную инновационную культуру. Оценка формативных конструкций второго порядка следовала двухэтапному подходу, рекомендованному для моделей высшего порядка вPLS-SEM 61. Этот подход отличается от подхода повторяющихся индикаторов: вместо дублирования всех индикаторов первого порядка на уровне второго порядка за один шаг оценки, двухэтапная процедура сначала генерирует баллы латентных переменных для каждого конструкции первого порядка из его соответствующего набора индикаторов (этап 1), затем использует эти показатели как явные входные данные для соответствующей конструкции второго порядка на этапе 2. Такая последовательная оценка предотвращает перекрёстную конструкцию индикаторной индуляции, которая может возникнуть, когда все элементы появляются одновременно в одноступенчатой модели высшегопорядка 62,63,64. Таким образом, двухэтапная процедура позволяет избежать нарастания параметров и смещённых оценок, которые могут возникнуть при повторяющемся подходе индикатора в одноступенчатойоценке 64. Для изучения H5 был применён многогрупповый анализ на основе перестановок (PLS-MGA) 65,66, чтобы выяснить, различаются ли структурные связи, а именно связи между способностями и эффективностью (H1), проактивным лидерством и возможностями (H2), экологическим контекстом и возможностями (H3), а также способствующими способностями и возможностями (H4), между группами, классифицированными по позиции организации (H5) (Рисунок 2). Для анализа использовалась функция PLS-MGA, встроенная в SmartPLS. Содержание анкеты представлено в Таблице 2.

Таблица 2: Анкета. Полный измерительный прибор, перечисляющий все отражающие элементы для одиннадцати конструкций первого порядка, их источники и семибалльную шкалу отклика Лайкерта, используемую для каждого элемента. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

В итоговый опрос были вставлены два пункта проверки внимания, которые служили фильтрами, отсеивающими участников, отвечающих неправильным образом (например, «Какой из этих вопросов лучше всего описывает вашу текущую ситуацию?»), и если участник отвечал неверно, опрос немедленно заканчивается.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

В качестве предварительной оценки распространённого смещения методов (CMB) был проведён однофакторный тест Хармана, при котором первый невращаемый фактор составил 30,21% дисперсии (ниже порога 50%). Хотя этот результат даёт первые доказательства того, что CMB не доминирует в данных, признается, что тест Хармана обладает ограниченной чувствительностью и специфичностью как диагностический инструмент. В качестве дополнительной процедурной предосторожности опрос использовал рандомизированный...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Результаты показывают, что организационная иерархия связана с систематическими различиями в уровне, на котором руководители и практики воспринимают конструкции трансформации ИИ, а не в структуре отношений между ними. Три независимых подхода MGA — MGA на основе перестановок (1 000 перестановок), Bootstrap MGA (5 000 подвыборок)74 и параметрические и тесты Уэлча-Саттертуэйта66 — стабильно не обнаружили статистически значимых различий в коэффи...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы не заявляют о конфликтах интересов. Во время подготовки рукописи авторы использовали генеративный ИИ в ограниченной степени — в частности, для переформулирования черновиков выбранных методологических отрывков и выявления грамматических проблем в технических описаниях. Каждый отрывок, сгенерированный ИИ, затем сверялся с исходными данными и существенно переписывался авторами. Авторы несут полную ответственность за точность, целостность и оригинальность каждой части рукописи. Все авторы внесли одинаковый вклад в статью.

Благодарности

Эта работа поддерживается финансированием исследований Университетом aSSIST.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Prolific (онлайн-платформа для набора участников)Prolific Academic Ltdhttps://www.prolific.com/Онлайн-платформа, используемая для привлечения участников опроса. Участников отбирали по критериям права (например, текущая работа в организации с опытом внедрения ИИ) и получали оплату в соответствии с рекомендациями Prolific по справедливой оплате труда.
Qualtrics (онлайн-платформа для опросов)Qualtrics, LLChttps://www.qualtrics.com/Веб-платформа опросов, используемая для разработки, распространения и сбора данных о ответах. Все измерения проводились с помощью Qualtrics по 7-балльной шкале Лайкерта (1 = категорически не согласен, 7 = полностью согласен). 
SmartPLS 4.0 (программное обеспечение PLS-SEM)SmartPLS GmbHhttps://smartpls.com/Используется для всех анализов Структурного моделирования уравнений с частичными наименьшими квадратами (PLS-SEM), включая оценку внешней модели (композитная надёжность, AVE, HTMT), анализ внутреннего пути модели (bootstrapping, 5 000 образцов), трёхступенчатое тестирование составной инвариантности MICOM (перестановка, 1 000 прорисовок) и PLS-MGA между групповыми различиями.  

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Видео скоро будет доступно

Похожие статьи