Araştırma makalesi

Yapay Zeka Dönüşümünde Hiyerarşik Asimetrileri Ortaya Çıkarmak: Organizasyon Seviyelerinde Parlak ve Karanlık Tarafları Gezmek

174 görüntüleme

⸱

DOI:

10.3791/70756

⸱

12 Mayıs 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

Bu makalede

Özet

Yapay zeka (AI) dönüşüm (AX) algılarında hiyerarşik asimetrileri incelemek için tasarlanmış tekrarlanabilir bir anket metodolojisini tanımlıyoruz. Hem yöneticiler hem de uygulayıcılar Qualtrics'te düzenlenen doğrulanmış bir anketi doldurur; analitik ürün hattı SmartPLS 4.0 ile çalışır ve dış model doğrulama, yol analizi, MICOM invariant testi ve permütasyon tabanlı çoklu grup analizini (MGA) kapsar.

Özet

Yönetici stratejisini ön saf uygulama ile uyumlu hale getiren yönetişim yapıları, organizasyonel hiyerarşinin yapay zeka (AI) dönüşümü (AX) başarı faktörlerine dair algıları nasıl şekillendirdiğini anlamaya dayanır. AX algılarında hiyerarşik asimetrileri tespit edip nicelendirmek için kısmi en küçük kare yapısal denklem modellemesini (PLS-SEM) çoklu grup analiziyle (MGA) birleştiren, doğrulanmış, tekrarlanabilir anket tabanlı bir metodoloji sunuyoruz—toplu analizin ötesine geçerek tek grup yöntemlerinin gizli bıraktığı yapısal ayrımları ortaya çıkarır. Yapay zeka projelerinde yer alan 293 profesyonelden yararlanarak, operasyonel çeviklik, veri hazırlığı, müşteri yakınlığı ve stratejik süreç disipliniyle birlikte dört dinamik yeteneklilik boyutunu ve temel etkinleştirici faktörleri değerlendiriyoruz: teknolojik destek, yapay zekaya duyarlı risk toleransı, çevresel bağlam ve proaktif liderlik. Bileşimsel değişmezlik ilk olarak MICOM testleriyle doğrulanır; ancak gruplar arası karşılaştırılabilirlik doğrulandıktan sonra analiz, permütasyon tabanlı MGA anlamlılık testlerine geçer. Her iki grup da dinamik yetenekler ile AX performansı arasında olumlu ilişkiler gösterir (yöneticiler: β = 0.637, R2 = 0.406; uygulayıcılar: β = 0.531, R2 = 0.282). Permütasyon tabanlı MGA, iki grup arasındaki yapısal yol katsayılarında istatistiksel olarak anlamlı fark oluşturmaz (hepsi p ≥ .178); bu nedenle, yol ilişkilerindeki örgütsel konumun (H5) moderatif rolü desteklenmemektedir. Yine de MICOM Step 3a, yöneticilerin tüm ana yapıları uygulayıcılardan belirgin şekilde daha yüksek derecelendirme yaptığını gösteriyor (11 yapının 8'i, hepsi p ≤ .045)—hiyerarşik asimetrinin yapısal ilişkilerde değil, algı seviyelerinde bir boşluk olarak ortaya çıktığının kanıtı. Aktarılabilir bir metodolojik şablon olarak, protokol, organizasyonel dönüşümdeki algı boşluklarını inceleyen araştırmacılara doğrudan yapay zeka yönetişimi, değişim yönetimi stratejisi ve teknoloji yoğun ortamlarda katmanlar arası uyum üzerine araçlar sunuyor.

Giriş

Yapay zekadaki hızlı gelişmeler, iş organizasyonları için ikili bir alan açtı—bir tarafta olağanüstü değer yaratma fırsatları, diğer tarafta ise önemli riskler vezorluklar 1,2. Üretken yapay zeka ve geleneksel yapay zeka teknolojileri, daha yüksek verimlilik, daha hızlı inovasyon ve daha güçlü rekabetçi konumlandırma vaadisunarken, aynı zamanda önyargı, işten kaybetme, eşitsizlik ve etik ikilemler gibi endişeleri de gündemegetiriyorlar 4,5. Bu parlak taraf/karanlık ikilik, organizasyonların dönüşüm peşinde hem fırsat hem de risk arasında nasıl yönlendirdiklerinin dikkatli bir şekilde incelenmesini gerektirir.

Artan bir çalışma koleksiyonu, yapay zekanın dönüştürücü erişimini belgelemektedir—müşteri etkileşimi optimizasyonu, operasyonel verimlilik artışları ve daha keskin kararalma 6,7. Ancak bu ilerlemeler önemli dengeler taşır. Yapay zeka sistemlerine gömülü ayrımcılık ve önyargı mevcut eşitsizlikleri köksüzebilir 8, otomasyon iş istikrarını tehditeder 9 ve birçok algoritmanın opaklığı hesap verebilirlik sorularını gündeme getirir10. Yapay zeka destekli firmalar ile daha az teknolojik olarak gelişmiş rakipleri arasındaki artan uçurum, ekonomik eşitsizliğiderinleştirirken, şeffaflık ve güven açıkları paydaş ilişkilerinikarmaşıklaştırıyor 12.

Dijital dönüşüm literatürü genişolmasına rağmen 13, yapay zeka odaklı dönüşüm ayrı bir olgu olarak ayrı ele almayıhak eder 14,15. Black ve ark.16, yapay zeka destekli iş modeli dönüşümü için dinamik bir yetenek merceğiyle kritik kolaylaştırıcıları belirlemiş, ancak çerçeveleri bu faktörlerin organizasyonel hiyerarşiler arasında nasıl farklı algılandığını ve uygulandığını ele almıyor. Bu fark, yürütme stratejisi ile uygulayıcı uygulaması arasındaki artan uyumsuzluk kanıtları göz önünealındığında ağırlık taşır.

Çok katmanlı araştırmalar, yapay zeka benimsemesinin organizasyon katmanları arasında eşit olmayan şekilde yankılandığını ve yöneticilerin ve uygulayıcıların yapay zeka dönüşümünü algılayıp yaşamasında belirgin farklılıklarolduğunu göstermeye başladı 18. Verimlilik artışları, daha keskin karar alma ve yeni değer yaratımı yapay zekanın yaygın olarak kabul edilen faydalarıdır, ancak birçok kuruluş hâlâ yapay zeka girişimlerini pilot aşamadan ileri taşımakta zorlanıyor—özellikle algısal ve operasyonel ayrım hiyerarşik seviyelerde.

Bu çalışmada YZ dönüşümü (AX), yapay zeka teknolojilerinin temel operasyonlar, strateji ve değer yaratma süreçlerine örgü sürecini sistematik, organizasyon çapında bir şekilde ifade eder. Burada uygulandığı şekliyle, AX üç birbiriyle bağlantılı boyutu kapsar: (1) kurumsal yapay zeka stratejisinin formülasyonu—YZ yatırımı, önceliklendirme ve organizasyon düzeyinde yönetişimin kasıtlı planlanması; (2) yapay zeka sistemlerinin operasyonel dağıtımı—yapay zeka çözümlerinin mevcut iş akışları içinde teknik benimsenmesi, entegrasyonu ve ölçeklendirilmesi; ve (3) örgütsel değişim yönetimi—YZ'nin ölçekli değer yaratma potansiyelini gerçekleştirmek için gereken insani, kültürel ve yapısal düzenlemeler. Bu çalışma, bu boşluğu şu sorularla hedefliyor: (1) Black ve ark.16 tarafından tanımlanan faktörlerin organizasyonel bağlamlar arasında ampirik geçerliliğe sahip olup olmadığı ve (2) yöneticiler ve uygulayıcıların bu ilişkilere dair algılarında—özellikle yapay zeka dönüşümünün parlak ve karanlık yönleri açısından—nasıl farklılaştığını. Örgütsel hiyerarşiyi yapısal bir moderatör olarak tanıtarak, farklı seviyelerin yapay zekanın vaatlerini ve tehlikelerini nasıl algılamasında sistematik asimetrilerin var olup olmadığını inceliyoruz. Bulgular, hem kolaylaştırıcı faktörlerin hem de yapay zeka dönüşümündeki engellerin hiyerarşik seviyelerde farklı algılanabileceğini ve bunun uyum ve yönetişim stratejileri üzerinde etkiler yaratabileceğini gösteriyor.

Akademik çalışmalar giderek AX'nin çift yönlü karakterini kabul ediyor. Grewal ve ark.19 yapay zekanın "ışık ve karanlığını" parçalarken, Belanche ve ark.20 hizmetlerde parlak ve karanlık yönleri inceler. Belanche ve ark.20 iz algoritmik yönetimin zıt etkilerini ve Barari ve ark.1 , pazarlamadaki yapay zekanın karanlık tarafına dair meta-analitik kanıtlar sunar. Bu çalışmalar bir arada ele alındığında, yapay zeka dönüşümünün tamamen iyimser bir bakış açısıyla değerlendirilemeyeceğini açıkça ortaya koyuyor; Kuruluşlar aynı anda fırsatları yönetmeli ve riskleri azaltmalıdır.

Black ve ark.16 üzerine inşa edilerek, bu ikiliği yönetmede merkezi olan dört dinamik yetenek incelendi: (1) Koşma ve değişim yeteneği, bu da eşzamanlı sömürü ve keşifyapmayı mümkün kılan 21; (2) Yapay zeka odaklı veri/IS hazırlığı, bu da veri kalitesi ve entegrasyon zorluklarını ele alırken yapay zeka dağıtımı için altyapı sağlar22; (3) Kişiselleştirme fırsatlarını gizlilik endişeleriyle dengeleyen pazar/müşterifarkındalığı 23; ve (4) Yönetişimi koruyan stratejik süreç disiplini, çeviklikten ödünvermeden 24. Bu çerçevede, çevresel bağlam, proaktif liderlik ve kolaylaştırıcılar (yapay zekaya duyarlı risk toleransı ve teknolojiye duyarlı inovasyon kültürü), bu dört yetenek boyutunu birlikte şekillendiren öncüller olarak işlev görür. Bu yetenekler ise YZ dönüşüm performansını topluca yönlendiriyor. Bu nedensel zincir—öncüllerden yeteneklere ve performans sonuçlarına kadar—modelin temel teorik mantığını oluşturur; organizasyonel pozisyon (yönetici vs. uygulayıcı) algısal asimetrilerin incelendiği bir moderatör mercek olarak yer alır.

Dinamik yetenekler teorisi, firmaların değişken ortamlarda rekabet avantajını nasıl sürdürdüğünü algılayarak, ele geçirerek vedönüştürerek açıklar. Yapay zekaya uygulanan bu yetenekler, organizasyonların teknolojik fırsatlardan yararlanmasını sağlarken ilgili riskleri kontrol altında tutar.

Çalışmak ve değişim yeteneği, bir organizasyonun devam eden operasyonları yenilikle dengeleme çevikliğini yakalar. Çeviklik, hızlı yapay zekabenimsemesini sağlar 26, ancak erken kullanıma ve yetersiz test riskine de neden olur. Nguyen ve ark.27, yapay zekanın geleneksel doğrusal değişim modellerini bozduğunu ve bunun yerine yinelemeli, geri bildirim odaklı sistemler talep ettiğini göstermektedir. Dikkatli yönetim olmadan, ortaya çıkan sürekli uyum organizasyonuistikrarsızlaştırabilir.

Yapay zeka odaklı veri/IS hazırlık temel altyapı olarak işlev görür, ancak gerçek hazırlık hem teknik yetenekleri hem de organizasyonel zorlukları kapsar. Sağlam veri sistemleri yapay zeka değeryaratma 22'yi açabilir, ancak parçalanmış mimariler ve düşük veri kalitesi etkinliğisınırlayabilir 29. Ghosh30 , hazırlık sürecini sürekli uyum gerektiren birbirine bağlı bir sistem olarak çerçeveler—hem etkinleştirme potansiyelini hem de uygulama karmaşıklığını vurgular.

Pazar/müşteri farkındalığı, kuruluşların müşteri ihtiyaçlarını algılamasını ve kişiselleştirilmiş deneyimler oluşturmasınısağlar 23. Aynı zamanda, gizlilik endişelerini ve aşırı kişiselleştirme riskini tetikler. İçgörü üretimi ile gizlilik koruması arasında doğru dengeyi sağlamak, AIdönüşümü 31'de temel bir gerilim olarak durmaktadır.

Stratejik süreç disiplini, yapay zeka girişimleri için yönetişim yapıları sağlar, uyum ve hesap verebilirliği destekler16. Ancak aşırı disiplin, yeniliği ve uyumu yavaşlatabilir. Zorluk, bürokratik engeller inşa etmeden yeterli yapıyıkorumaktır 32.

H1: Yetenekler performansla olumlu ilişkilendirilir.

Black ve ark.16, proaktif liderliği pasif "üst yönetim desteği"nden ayırarak, stratejik gündemleri aktif olarak şekillendiren, belirsizliğe tahammül eden ve yapay zeka uygulamasını izleyenliderleri vurguladı33. Ancak AX'de liderlik etkinliği, yürütme-uygulayıcı uçurumunu aşmaya dayanıyor. Yöneticiler, yapay zeka vizyonunu kristalleştirir ve etik yönetişimi dahil eder34,35; uygulayıcılar ise günlük araç etkileşimi yoluyla temel deneyimsel geri bildirim sağlar ve yöneticilerin gözden kaçırabileceği gerçek dünya gereksinimleriniortaya çıkarır. Bu hiyerarşik boşluk genellikle en üst düzeyde stratejik bir coşku olarak ortaya çıkar; iş akışı entegrasyon zorluklarına ve sahadaki kullanılabilirlik kısıtlamalarına yeterince dikkat edilmeden ilerler. Bu nedenle, proaktif liderlik çift yönlü katılımı gerektirir—yöneticiler stratejik yön belirlerken, uygulayıcı içgörülerini aktif olarak dahil ederek yapay zeka yeteneklerinin operasyonel gerçeklerle uyumlu olmasını sağlar. Bu karşılıklı bağımlılık şulara yol açar:

H2. Proaktif Liderlik, Yeteneklerle olumlu ilişkilendirilir.

Çevresel bağlam, bir organizasyonun stratejik manzarasını şekillendiren dış güçleri kapsar. Endüstri dinamizmi—Black ve ark.16 tarafından değişim ve rekabetin hızı ve yoğunluğu olarak tanımlanır—teknolojik sofistike, amansız yıkım ve sürekli yeni rakiplerin akışıyla karakterize edilir; bunların hepsi organizasyonel çeviklik gerektirir. Yüksek dinamizm, yapay zeka gibi dönüştürücü teknolojilerin benimsenmesinin aciliyetini artırır ve benimseme hızını kritik bir ayırt edici yapar37. Singh ve ark.38 , dinamizmin yeniden yapılandırılabilir kaynak tabanlı yeteneklerin oluşmasını nasıl mümkün kıldığını gösterir; dinamik yeteneklerin organizasyon yapılarına yenilik ve uyum sağlama desteği veya sınırlaması için nasıl entegre olduğunu gösterir. Son bulgular, çevresel dinamizmin karmaşık, iki ucu keskinkarakteri 39'u vurguluyor; Çin üretiminde iş modeli inovasyonu üzerindeki dijitalleşme etkilerini hem olumlu hem de olumsuz olarak yumuşattığını bildirirken, Binsar ve ark.40 Endonezya'da dijital benimseme yetenekleri ve hastane performansı üzerinde önemli bir ılımlaştırıcı etki belirliyor. Çevresel tepki verme yeteneği sadece dış uyumun ötesine geçer; Organizasyon sistemleri, kültür ve liderlik arasında uyum gerektirir. Buna göre, şu varsayımları varıyoruz:

H3. Çevresel bağlam, yeteneklerle olumlu ilişkilendirilir.

Kuruluşların yapay zekanın çift doğasını nasıl ele aldığını iki kritik kolaylaştırıcı unsur etkiliyor: yapay zeka risk toleransı ve teknolojiye duyarlı inovasyon kültürü. Yapay zeka risk toleransı, yapay zeka deneylerinde belirsizliği kabul etme istekliliğini yansıtır. Bu hoşgörü yeniliği beslerken, aynı zamanda organizasyonları potansiyel başarısızlıklara da maruzbırakır 41. Zhao ve ark.42 , hata yönetimi kültürünün hizmet inovasyonunu artırdığını, ancak uygun yönetim sistemleri olmadan faydalarının azaldığını göstermektedir. Barrett ve ark.43 , deneylerle koruma önlemlerini dengeleyen risk yönetişimi uygulamalarının gerekliliğini vurgular. Teknolojiye Duyarlı İnovasyon Kültürü, teknolojik sınırlamaları kabul ederken yapay zekanın benimsenmesini ve denemesini teşvik eder. Bu tür kültürler sürekli öğrenmeyi ve fonksiyonlar arası iş birliğini teşvikeder, ancak aynı zamanda organizasyonları erken benimsemeye veya yetersiz risk değerlendirmesine zorlayabilirler. Yeniliği teşvik etmek ile sorumlu uygulamayı sağlamak arasında doğru denge kurmak, temel organizasyonsorunlarından biri olmaya devam ediyor 45.

H4: Etkinleştiriciler yeteneklerle olumlu ilişkilendirilir.

Organizasyonel hiyerarşi, yapay zekanın fırsat ve risklerinin nasıl algılandığı üzerinde güçlü bir etkiye sahiptir. Yöneticiler, stratejik faydalara odaklanma eğilimindedir—rekabet avantajı, pazar konumu ve uzun vadeli değeryaratma 35, yapay zekaya büyük ölçüde iyimser bir bakış açısıyla bakarak dönüştürücü potansiyelini vurgular. Ancak bu bakış açısı, uygulama zorluklarını ve operasyonel karmaşıklıkları küçümseyebiliyor. Uygulayıcılar yapay zekanın çift doğasıyla daha doğrudan karşılaşır. Verimlilik artışlarını fark etmelerine rağmen, her gün veri kalitesi sorunları, entegrasyon engelleri ve iş akışındaki bozulmalarla da mücadeleediyorlar 46, böylece yapay zekanın sınırlamalarına, risklerine ve istenmeyen sonuçlarına daha duyarlı halegeliyorlar. Çalışan algıları üzerine yapılan araştırmalar, uygulayıcıların otomasyon kaygısı ve verimlilik kazanımlarının karmaşık bir etkileşiminde yol aldığını doğruluyor; bu etkileşim, yapay zeka kaynaklı iş akışı değişikliklerine uygulamalı olarak maruz kalmasıylaşekilleniyor 48. Bilişsel araştırmalar bu farklılıkları aydınlatıyor. Yöneticiler, belirsizlikleri yönetmek için daha çok sezgisel ve stratejik işlemeye dayanırken, uygulayıcılar operasyonel problem çözme için analitik akıl yürütme kullanır49,50. Bu bilişsel tarzlar, her grubun yapay zekanın parlak ve karanlık yanlarını okumasını etkiler. Kültürel algılar da farklılık gösteriyor. Yöneticiler örgütsel kültürü yeniliği destekleyen ve uyumlu olarak görmeyeeğilimlidir 34, uygulayıcılar ise yapısal engeller ve sınırlı etkiraporu vermektedir 51. Bu tür zıt bakış açıları, yapay zeka benimseme stratejilerinde, etik çerçevelerde ve risk yönetiminde uyumsuzlukları besler. Orta düzey yöneticiler, stratejik vizyon ile operasyonel gerçeklik arasında kritik bir köprü rolünü üstlenir. İyimserlik ile pragmatizmi ne kadar etkili bir şekilde dengeledikleri, dönüşüm sonuçlarıylailişkilendirilebilir 53. Bu arabuluculuk zayıfladığında, kopukluklar daha da genişleyebilir ve organizasyonun uyum yeteneğini tüketebilir.

H5: Organizasyondaki pozisyon (Yöneticiler ve Uygulayıcılar), AX ile ilgili yapıların değerlendirildiği algısal düzeyde sistematik farklılıklarla ilişkilidir; yöneticilerin, yetenekler, kolaylaştırıcılar ve performans sonuçları konusunda daha yüksek değerlendirmeler bildirmeleri beklenir—bu da yapay zeka dönüşümünün "parlak yüzüne" daha fazla vurgu yaptıklarını yansıtır—uygulayıcılara kıyasla operasyonel risklere ve uygulama zorluklarına daha yakın olanlara göre. H5'in algısal farklılıklarla (yani, organizasyonel hiyerarşinin yapı puanlarının seviyesini nasıl şekillendirdiğine dair farklılıklar) ilgili olduğunu, altta yatan nedensel mekanizmalardaki farklılıklarla değil, belirtmek önemlidir. Bu çalışmanın kesitsel anket tasarımı, algısal kalıplar ve ilişkisel ilişkiler hakkında çıkarımları destekler; Yapısal moderasyonla ilgili nedensel iddialar uzunlamasına veya deneysel tasarımlar gerektirir ve burada ileri sürülmez.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Tüm prosedürler, aSSIST Üniversitesi, Suwon Üniversitesi, Sungkyunwakn Üniversitesi ve Dong-A Üniversitesi'ndeki insan-katılımcı araştırma etik standartlarına uydu. Her yanıt toplanma anında anonimleştirildiği ve herhangi bir aşamada kişisel olarak tanımlanabilir veri toplanmadığı için, aSSIST Üniversitesi Kurumsal İnceleme Kurulu çalışmaya tam incelemeden muaf tutulma hakkı verdi. Ortak yazar kurumlar, bağımsız IRB incelemeleri yapmak yerine bu öncü kurum onayına güvendi; aSSIST Üniversitesi hem çalışma tasarımını hem de veri toplama protokolünü onaylamıştı. Qualtrics platformunda, her katılımcı anket erişilebilir olmadan önce dijital bilgilendirilmiş onay beyanıyla karşılaştı. Bu açıklama, çalışmanın akademik amacını belirledi, anonim verilerin işlenilmesini doğruladı, verilerin yalnızca araştırma amaçlarına hizmet edeceğini belirtti ve öngörülebilir risklerin yokluğunu işaretledi; Aktif olarak onay vermeyen herkes otomatik olarak anketten çıkarılıyordu.

Araştırma modeli
Araştırma modelimizde (Şekil 1), yetenekler üç öncül unsur—proaktif liderlik, çevresel bağlam ve kolaylaştırıcılar—ve performans arasında arabulucu olarak hizmet verirken, organizasyon konumu moderatör bir değişken olarak yer alır. Yetenekler dört boyutu kapsar: Çalışma ve Değişim Yeteneği (RC), Yapay Zeka Odaklı Veri/İS Hazırlığı (DR), Pazar/Müşteri Farkındalığı (MC) ve Stratejik Süreç Disiplini (SP). Kolaylaştırıcılar arasında Teknolojiye Duyarlı İnovasyon Kültürü (TS) ve Yapay Zeka Risk Toleransı (AS) yer alır.

figure-protocol-1
Şekil 1: Araştırma modeli. Proaktif liderlik, çevresel bağlam ve kolaylaştırıcılar (öncüller) arasındaki varsayımsal ilişkileri tasvir eden kavramsal araştırma modeli; dört dinamik yetenek boyutu (çalışma ve değişim yeteneği, yapay zeka odaklı veri/IS hazırlığı, pazar/müşteri farkındalığı, stratejik süreç disiplini); ve örgütsel pozisyonun (Yönetici vs. Uygulayıcı) moderatör değişken olarak dahil olduğu yapay zeka dönüşüm performansı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Araştırma verileri
Veri toplama, katılımcı kazanımı için Prolific (https://www.prolific.co) ve anket düzenlemesi ve yönetimi için Qualtrics (https://www.qualtrics.com) aracılığıyla gerçekleştirilen çevrimiçi ankete dayanarak yapıldı ve iki gün ardışık olarak (24–25 Kasım 2024) sürdü. Uygunluk, şu anda çalışan ve organizasyonlarında yapay zeka ile ilgili projelerde aktif olarak yer alan bireylerle sınırlıydı. Prolific'in ön eleme filtreleri bu kriterleri sağladı ve Qualtrics tarama sorusu bunu doğruladı: "Aşağıdakilerden hangisi mevcut durumunuzu en iyi tanımlıyor?" —yalnızca "Şu anda çalışıyorum ve yapay zeka ile ilgili işlerde yer aldım" seçeneğini seçenler devam edebildi. Katılımcılar ayrıca anketin başında dijital onay formu aracılığıyla en az 20 yaşında olduklarını doğrulamak zorundaydı; rıza göstermeyenler otomatik olarak dışlanıyordu. Gömülü bir dikkat kontrolü maddesi ("AI Enginar Bilgisinin kısaltması mı?"; doğru cevap: Hayır) dikkatsiz yanıtlayıcıları işaretledi; Anket, yanlış yanıt alındığında otomatik olarak sona erdi. Son örneklem 293 profesyoneli (kadın %%40,51, erkek) %49,49'dan oluşuyordu. Katılımcılar, özel bir anket sorusuna verdikleri yanıtlara göre iki gruba ayrıldı: "Şirketinizin yapay zeka projelerinde rolünüz nedir?" ve beş seçenek vardı: Yönetici/Üst Yönetim, Orta Yönetim, Teknik Personel/Mühendis, Araştırmacı/Bilim İnsanı ve Danışman. Yönetici/Üst Yönetim seçenler, Yöneticiler grubuna yerleştirildi; Teknik Personel/Mühendis, Araştırmacı/Bilim İnsanı veya Danışman seçilenler Uygulayıcılar grubuna yerleştirildi. Orta Yönetim katılımcıları (n = 81), orta yönetim rollerinin operasyonel ekiplerin doğrudan denetimini ve stratejik planlamaya katılımı içerdiği gerekçesiyle Yöneticiler grubuna katıldı; bu da onları ön saf pratiğinden çok yürütme işlevine daha yakın konumlandırdı. Son gruplamada 112 Yönetici ve 181 Uygulayıcı oluştu. Tablo 1 , demografik profili özetlemektedir.

Tablo 1: Demografik özellikler. Ankete katılan 293 katılımcının demografik profili; cinsiyet, yaş, sektör ve organizasyon rolleri dahil olmak üzere, çoklu grup analizi için kullanılan iki hiyerarşik grup (Yöneticiler, n = 112; Uygulayıcılar, n = 181). Bu tabloyu indirmek için lütfen buraya tıklayın.

Önlemler
Tüm anket maddeleri, "kesinlikle katılmıyorum (1)"den "kesinlikle katılıyorum (7)"ye kadar değişen yedi noktalık bir Likert ölçeği kullanılarak ölçüldü. Hedef profesyonel nüfus için kavramsal netlik ve uygunluğu doğrulamak amacıyla, organizasyonlarında yapay zeka ile ilgili projelere aktif katılım bildiren Prolific katılımcıları kullanılarak 30 katılımcılık ön test yapıldı. Ön test yanıtları, katılımcıların belirsiz bulduğu iki madde için küçük kelime değişikliklerine yol açtı ve ölçekte yapısal değişiklik olmadı. Hipotezler, SmartPLS 4.0'da tahmin edilen Kısmi En Küçük Kare Yapısal Denklem Modelleme (PLS-SEM) ile test edilmiştir. Bu çalışmanın üç özelliği bu seçimi yönlendirdi. Birincisi, hem Yetenekler hem de Etkinleştiriciler, biçimlendirici ikinci dereceden yapılar olarak operasyonel hale getirilmiştir—bu konfigürasyon, varyans tabanlı tahminin kovaryans tabanlı SEM'den daha doğrudan uygun olduğu bir yapıtır. İkincisi, yapay zeka dönüşümündeki algısal asimetriler, olgun ölçüm konvansiyonlarının hâlâ gelişmekte olduğu ortaya çıkan bir araştırma alanını temsil eder; Bu koşullar altında, öngörücü vurgu, onaylayıcı uyum indekslerinin optimizasyonundan daha uygundur. Üçüncüsü, Yürütme ve Uygulayıcı alt grupları büyüklük açısından önemli ölçüde farklılık gösterir (Yöneticiler n = 112; Uygulayıcılar n = 181), ve varyans temelli tahmin, kovaryans tabanlı yaklaşımları kısıtlayan minimum hücre boyutu gereksinimlerine tabi değildir. Dijital dönüşüm üzerine önceki ampirik çalışmalar bu analitik yaklaşımı benimsemiştir.

SmartPLS 4.0'da PLS algoritması yol ağırlıklandırması, maksimum 300 iterasyon ve 10⁻7 stop kriteri ile yapılandırıldı. Bootstrapping, önyargılı ve hızlandırılmış (BCa) güven aralıkları, işaret değişikliği olmaması ve tam önyükleme ile 5.000 alt örnek kullandı. İki aşamalı yaklaşımda, PLS algoritmasının birinci dereceden ölçüm modelinde (PLS Algoritmasını Hesapla) çalıştırarak Aşama 1 gizli değişken puanları elde edildi (PLS → Algoritması); bu puanlar daha sonra dışa aktarıldı (Sonuçlar → Gizli Değişken Puanları) ve Aşama 2'deki ikinci dereceden yapılar için manifest göstergesi olarak kullanıldı. Permütasyon tabanlı MGA, 1.000 permütasyon ve 0.05 iki kuyruklu anlamlılık seviyesi ile Hesaplama → Çok Grup Analizi → Permütasyon ile gerçekleştirildi. MICOM testi, 1.000 permütasyon ile MICOM → Calculate → Permutation ile gerçekleştirildi. FIMIX-PLS segmentasyonu, 10 tekrar ve sabit bir tohum ile Calculate → FIMIX-PLS ile gerçekleştirildi; tekrarlanabilirlik için sabit bir tohum 46,54,55,56,57,58,59. Bu çalışma bağlamında, PLS-SEM çift işlev gördü: tüm örneklem boyunca yapı düzeyinde yol ilişkilerini değerlendirmek ve MGA aracılığıyla gruplar arası karşılaştırmaları desteklemek. Yol düzeyindeki sonuçlar ayrıca daha fazla teorik incelemeyi gerektiren desenlereişaret etti 60.

Yetenekler ve Etkinleştiriciler, bu çalışmada biçimlendirici ikinci dereceden yapılar olarak operasyonel hale getirilmiştir. Yetenekler, dört birinci dereceden boyutu bir araya getirir: yeniden yapılandırma yeteneği, yapay zeka odaklı veri ve sistem hazırlığı, pazar ve müşteri yakınlığı ile stratejik süreç disiplini. Enablers, iki birinci derece boyutu birleştirir: yapay zekaya duyarlı risk toleransı ve teknolojiye duyarlı inovasyon kültürü. İkinci dereceden biçimlendirici yapıların tahmini, PLS-SEM61'de daha yüksek dereceli modeller için önerilen iki aşamalı yaklaşımı takip etti. Bu yaklaşım, tekrarlanan gösterge yaklaşımından farklıdır: İkinci dereceden seviyedeki tüm birinci dereceden göstergeleri tek bir tahmin adımında çoğaltmak yerine, iki aşamalı prosedür önce ilgili gösterge setinden (Aşama 1) her birinci dereceden yapı için gizli değişken puanları üretir, ardından bu puanları Aşama 2'deki karşılık gelen ikinci dereceden yapıya manifest girdiler olarak kullanır. Bu ardışık tahmin, tüm öğelerin tek aşamalı üst düzey model62,63,64 içinde aynı anda ortaya çıktığında ortaya çıkabilecek çapraz yapı göstergesi enflasyonunu önler. İki aşamalı prosedür, böylece tek aşamalı tahminde tekrarlanan gösterge yaklaşımından kaynaklanabilecek parametre enflasyonunu ve önyargılıtahminleri önler. H5'i incelemek için, permütasyon tabanlı çok gruplu analiz (PLS-MGA)65,66 uygulandı ve bu yöntem, Yetenekler ve Performans (H1), Proaktif Liderlik ve Yetenekler (H2), Çevresel Bağlam ve Yetenekler (H3) ve Kolaylaştırıcılar ve Yetenekler (H4) arasındaki ilişkilerin, organizasyonel pozisyona (H5) göre kategorize edilen gruplar arasında yapısal ilişkilerin farklılaşıp değişmediğini inceledi (Şekil 2). Bu analiz için SmartPLS içinde gömülü PLS-MGA fonksiyonu kullanılmıştır. Anketin içeriği Tablo 2'de sunulmaktadır.

Tablo 2: Anket. On bir birinci dereceden yapı için tüm yansıtıcı öğeleri, kaynak referanslarını ve her eşya için kullanılan yedi noktalı Likert yanıt ölçeğini listeleyen tam ölçüm aracı. Bu tabloyu indirmek için lütfen buraya tıklayın.

Son ankete iki dikkat kontrolü maddesi eklendi ve bunlar, katılımcıların doğru şekilde yanıt vermemesini (örneğin, "Bu sorulardan hangisi mevcut durumunuzu en iyi tanımlıyor?") filtre olarak işlev gördü ve katılımcı bu sorulardan birini yanlış yanıtladıysa anket hemen sona erdi.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Ortak yöntem yanlılığının (CMB) ön değerlendirmesi olarak, Harman'ın tek faktörlü testi yapıldı ve ilk dönmemiş faktör %30,21 varyansı (%50 eşiğinin altında) oluşturdu. Bu sonuç, CMB'nin verileri baskın tutmadığına dair ilk kanıtlar sunarken, Harman testinin tanı aracı olarak sınırlı hassasiyet ve özgüllüğe sahip olduğu kabul edilmektedir. Ek prosedürel koruma olarak, anket rastgele eşya sıralaması kullandı, tersine kodlanmış öğeler içerdi ve sosyal arzu eğilimini azaltmak için yanıtçı a...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bulgular, örgütsel hiyerarşinin, yöneticiler ve uygulayıcıların yapay zeka dönüşüm yapılarını algılama düzeyinde sistematik farklılıklarla ilişkilendirildiğini, aralarındaki ilişkilerin yapısında değil. Üç bağımsız MGA yaklaşımı—permütasyon tabanlı MGA (1.000 permütasyon), Bootstrap MGA (5.000 alt örnek)74 ve Parametrik ile Welch-Satterthwaitetestleri 66—yapısal yol katsayılarında istatistiksel olarak anlamlı bir fark bulmadı (H5 desteklenm...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar çıkar çatışması belirtmemektedir. El yazması hazırlığı sırasında, yazarlar üretken yapay zekayı sınırlı bir şekilde kullandılar—özellikle seçilmiş metodolojik pasajların taslaklarını yeniden ifade etmek ve teknik açıklamalarda dilbilgisi sorunlarını işaretlemek için. Her yapay zeka tarafından oluşturulan pasaj kaynak verilerle karşılaştırıldı ve yazarlar tarafından önemli ölçüde yeniden yazıldı. Yazarlar, el yazmasının her parçasının doğruluğu, bütünlüğü ve özgünlüğünden tam sorumludur. Tüm yazarlar makaleye eşit katkı sağladı.

Teşekkürler

Bu çalışma, aSSIST Üniversitesi'nden alınan araştırma fonlarıyla desteklenmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Prolific (Çevrimiçi Katılımcı Alım Platformu)Prolific Academic Ltdhttps://www.prolific.com/Anket katılımcılarını işe almak için kullanılan çevrimiçi platform. Katılımcılar, uygunluk kriterlerine göre (örneğin, yapay zeka benimseme deneyimi olan bir kuruluşta mevcut istihdam) değerlendirildi ve Prolific'in adil ücret yönergelerine göre ücretlendirildi. 
Qualtrics (Çevrimiçi Anket Platformu)Qualtrics, LLChttps://www.qualtrics.com/Anket tasarımı, dağıtımı ve yanıt veri toplama için kullanılan web tabanlı anket platformu. Tüm ölçüm maddeleri, Qualtrics aracılığıyla 7 puanlık Likert ölçeği kullanılarak uygulandı (1 = kesinlikle katılmıyorum, 7 = kesinlikle katılıyorum).  
SmartPLS 4.0 (PLS-SEM Yazılımı)SmartPLS GmbHhttps://smartpls.com/Tüm Kısmi En Küçük Kare Yapısal Denklem Modelleme (PLS-SEM) analizleri için kullanılır; bunlar arasında dış model değerlendirmesi (bileşik güvenilirlik, AVE, HTMT), iç model yolu analizi (bootstrapping, 5.000 örnek), MICOM 3 aşamalı bileşimsel invaryans testi (permütasyon, 1.000 çekiliş) ve PLS-MGA gruplar arası fark testleri dahildir.  

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Hiyerar ik AsimetriOrganizasyonel Hiyerar iDinamik YeteneklerK smi En K k Kareleroklu Grup AnaliziAlg Bo luklarDe i im Y netimiYZ Y neti imiYap sal E itlik Modellemesi
Video yakında

İlgili makaleler