DOI: https://doi.org/10.63125/nnv83884
تاريخ النشر: 2026-01-01
المؤلف: MD Hasibur Rahman Murad
الموضوع الرئيسي: أثر الذكاء الاصطناعي والبيانات الضخمة على الأعمال والمجتمع
نظرة عامة
تستكشف هذه الدراسة النشر المجزأ للذكاء الاصطناعي (AI) والتحليلات وأتمتة سير العمل في المنظمات، مما يعيق قدرتها على تحقيق أتمتة منسقة لعمليات الأعمال في الاقتصاديات الرقمية. كانت أهداف البحث تقييم كيفية تعزيز أنظمة دعم القرار المدفوعة بالذكاء الاصطناعي لأتمتة عمليات الأعمال الذكية والنتائج التشغيلية. باستخدام تصميم كمي مقطعي، تم جمع البيانات من 312 مستجيبًا في بيئات ممكّنة رقميًا. تضمنت المتغيرات الرئيسية قدرة دعم القرار المدفوعة بالذكاء الاصطناعي، والتحليلات المدعومة بالذكاء الاصطناعي، وذكاء الأتمتة، واستعداد الأتمتة المؤسسية، وأتمتة عمليات الأعمال الذكية، مع قياس النتائج من حيث كفاءة عمليات الأعمال وجودة القرار واستجابة المنظمة والإنتاجية. كشفت التحليلات عن تصورات إيجابية قوية لهذه المفاهيم، مع ارتباطات كبيرة ونموذج انحدار يفسر 64% من التباين في أتمتة عمليات الأعمال الذكية.
تشير النتائج إلى أن أنظمة دعم القرار المدفوعة بالذكاء الاصطناعي تعزز بشكل كبير أتمتة عمليات الأعمال الذكية، حيث تم تحديد قدرة دعم القرار المدفوعة بالذكاء الاصطناعي كمؤشر مركزي لتحسين النتائج. تسلط الدراسة الضوء على أن المنظمات التي تستخدم الذكاء الاصطناعي بشكل فعال لتوليد الرؤى واتخاذ القرارات تحقق ذكاءً محسّنًا في سير العمل وتنفيذ العمليات. علاوة على ذلك، فإن الدور الوسيط لاستعداد الأتمتة المؤسسية يبرز أن فوائد قدرات الذكاء الاصطناعي تعتمد على استعداد المنظمة في جودة البيانات، ودمج الأنظمة، والدعم الإداري. تسهم هذه الدراسة في نظرية القدرات الديناميكية من خلال إظهار أن وظائف دعم القرار المدفوعة بالذكاء الاصطناعي تعمل ضمن نظام مؤسسي تكيفي، مما يمكّن المنظمات من الاستفادة من المعلومات لتحسين اتخاذ القرار وتحويل العمليات. بشكل عام، تؤكد الدراسة أن مواءمة الذكاء التحليلي، ومنطق الأتمتة، واستعداد المنظمة أمر حاسم للمؤسسات الحديثة لتعزيز جودة وسرعة وفعالية أتمتة عمليات الأعمال في البيئات المدمجة رقميًا.
مقدمة
تناقش مقدمة ورقة البحث تقاطع الذكاء الاصطناعي (AI) وأنظمة دعم القرار (DSS) ضمن البيئات المؤسسية، مع التأكيد على أدوارها في تعزيز اتخاذ القرارات الإدارية من خلال الرؤى المستندة إلى البيانات. يتميز الذكاء الاصطناعي بأنه مجموعة من التقنيات الحسابية التي تسهل التعلم والتنبؤ والتحسين، بينما تم تصميم أنظمة دعم القرار لمساعدة الحكم الإداري باستخدام البيانات والنماذج التحليلية. تسلط الورقة الضوء على التطور من أنظمة دعم القرار التقليدية، التي كانت تركز على المعلومات المنظمة لمشاكل إدارية محدودة، إلى أنظمة دعم القرار المدفوعة بالذكاء الاصطناعي المعاصرة التي تدمج التحليلات المتقدمة والأتمتة، مما يحول كيفية عمل المنظمات في الاقتصاديات الرقمية. يتم التأكيد على هذا التحول من خلال الحاجة إلى تحويل كميات هائلة من البيانات إلى رؤى قابلة للتنفيذ، مما ينسق عمليات اتخاذ القرار مع الأهداف الاستراتيجية.
توضح خلفية الدراسة التحول من التنسيق اليدوي إلى اتخاذ القرار المستند إلى البيانات في المؤسسات الحديثة، المدفوعة بالتوليد السريع للبيانات التشغيلية. تُعتبر أنظمة دعم القرار المدفوعة بالذكاء الاصطناعي أدوات أساسية لتعزيز جودة القرار وكفاءة العمليات، مما يمكّن المنظمات من الاستجابة بسرعة لمتطلبات السوق وإدارة الشبكات المعقدة. تشير الإحصائيات الوصفية المقدمة إلى تصور إيجابي لدعم القرار المدفوع بالذكاء الاصطناعي والأتمتة الذكية بين المستجيبين، مع درجات متوسطة مرتفعة عبر مختلف المفاهيم، بما في ذلك جودة القرار وكفاءة عمليات الأعمال. تشير هذه النتائج إلى أن المنظمات لا تتبنى الأدوات الرقمية فحسب، بل تطور أيضًا القدرات اللازمة للاستفادة من هذه التقنيات بشكل فعال، مما يعزز أدائها العام في بيئة كثيفة البيانات.
الطرق
تستخدم الدراسة تصميم بحث كمي مقطعي قائم على دراسة الحالة للتحقيق في العلاقة بين أنظمة دعم القرار المدفوعة بالذكاء الاصطناعي (AI) وأتمتة عمليات الأعمال الذكية ضمن الاقتصاديات الرقمية. يسمح هذا النهج بقياس قوة واتجاه وأهمية العلاقات بين المتغيرات المحددة باستخدام بيانات عددية تم جمعها من المستجيبين في نقطة زمنية واحدة. يركز سياق دراسة الحالة على المؤسسات التي تستخدم أنظمة مدعومة بالذكاء الاصطناعي وسير العمل الرقمية، مستهدفةً مجموعة تشمل المديرين، ومحللي الأعمال، وموظفي تكنولوجيا المعلومات المألوفين بهذه التقنيات.
تم جمع البيانات من خلال استبيان منظم، باستخدام مقياس ليكرت من خمس نقاط لتقييم المواقف والتصورات المتعلقة بقدرات دعم القرار المدفوعة بالذكاء الاصطناعي ونتائج الأتمتة. خضع الأداة للاختبار التجريبي من حيث الوضوح والملاءمة، مما يضمن صحة الشكل والمحتوى. تم تقييم الموثوقية باستخدام ألفا كرونباخ، وتم إجراء تحليل البيانات باستخدام SPSS لمختلف الاختبارات الإحصائية، بينما ساعدت Microsoft Excel في تنظيم البيانات الأولية. يوفر هذا الإطار المنهجي أساسًا قويًا لفحص فرضيات وأهداف الدراسة المتعلقة بتأثير الذكاء الاصطناعي على العمليات المؤسسية.
النتائج
تكشف نتائج هذه الدراسة عن علاقة إيجابية كبيرة بين أنظمة دعم القرار المدفوعة بالذكاء الاصطناعي (AI) وأتمتة عمليات الأعمال الذكية ضمن الاقتصاديات الرقمية. من خلال تحليل بيانات من 312 استبيانًا صالحًا باستخدام الإحصائيات الوصفية، وتحليل الارتباط، ونمذجة الانحدار، تشير الدراسة إلى أن المستجيبين يرون أن أنظمة دعم القرار المدفوعة بالذكاء الاصطناعي ضرورية لتعزيز جودة القرار التنظيمي وكفاءة العمليات والاستجابة والإنتاجية. كانت الدرجة المتوسطة العامة لقدرة دعم القرار المدفوعة بالذكاء الاصطناعي 4.08 (SD = 0.61)، مما يشير إلى اعتماد قوي على الذكاء الاصطناعي في تفسير البيانات ومساعدة اتخاذ القرار.
بالإضافة إلى ذلك، حققت التحليلات المدعومة بالذكاء الاصطناعي درجة متوسطة قدرها 4.02 (SD = 0.65)، مما يبرز التقييم الإيجابي للتحليلات المتقدمة في تعزيز اتخاذ القرار المستند إلى الأدلة. سجل مفهوم ذكاء الأتمتة درجة متوسطة قدرها 3.96 (SD = 0.68)، مما يشير إلى توافق على أن سير العمل المؤسسي أصبح أكثر تكيفًا واستنادًا إلى البيانات بسبب الأتمتة الذكية. كان المتغير الوسيط، استعداد الأتمتة المؤسسية، لديه درجة متوسطة قدرها 3.89 (SD = 0.70)، مما يعكس اتفاقًا معتدلاً إلى قوي حول الشروط اللازمة لأتمتة فعالة مدفوعة بالذكاء الاصطناعي. أخيرًا، سجل البناء التابع لأتمتة عمليات الأعمال الذكية درجة متوسطة قدرها 4.11 (SD = 0.58)، مما يدل على تقييم مرتفع لنتائج الأتمتة بين المؤسسات المشاركة.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم لأنظمة دعم القرار المدفوعة بالذكاء الاصطناعي (DSS) في تعزيز أتمتة عمليات الأعمال ضمن الاقتصاديات الرقمية. يبرز أن قدرات تحليلات البيانات الكبيرة تؤثر بشكل كبير على أداء المنظمات من خلال الابتكار الاستغلالي والاستكشافي، مع وجود ثقافة قائمة على البيانات تتوسط العلاقة بين إدارة التحليلات والنتائج التشغيلية والمالية. تعتمد فعالية نماذج الذكاء الاصطناعي في توليد رؤى قابلة للتنفيذ على توافقها مع عمليات اتخاذ القرار ومواءمتها مع الأولويات الإدارية، خاصة في البيئات الرقمية المعقدة حيث يجب على المؤسسات التنسيق عبر وظائف مختلفة وشركاء خارجيين.
تحدد الورقة فجوة في الأدبيات المتعلقة بالدراسة المتكاملة لأنظمة دعم القرار المدفوعة بالذكاء الاصطناعي وأتمتة عمليات الأعمال، مشيرة إلى أن الأبحاث الحالية غالبًا ما تعالج هذه المجالات بشكل منفصل بدلاً من كونها مكونات مترابطة لإطار تنظيمي متماسك. تهدف الدراسة إلى استكشاف كيفية تسهيل أنظمة دعم القرار المدفوعة بالذكاء الاصطناعي للأتمتة الذكية من خلال تحسين كفاءة العمليات وجودة القرار واستجابة المنظمة. تفترض أن استعداد المؤسسات—الذي يشمل جودة البيانات، ودمج الأنظمة، والدعم الإداري—يلعب دورًا حاسمًا في تشكيل فعالية هذه الأنظمة. من خلال معالجة هذه القضايا، تسعى البحث إلى تقديم إطار منظم يوضح العلاقات بين قدرات الذكاء الاصطناعي ودعم القرار وأداء الأتمتة، مما يسهم في فهم أعمق لكيفية استفادة المنظمات من الذكاء الاصطناعي لتعزيز الفعالية التشغيلية في البيئات الغنية بالبيانات.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات حاسمة قد تؤثر على تفسير نتائجها. أولاً، يقتصر التصميم الكمي المقاطع على العلاقات التي لوحظت في نقطة زمنية واحدة، مما يفشل في التقاط التطور الديناميكي لأنظمة دعم القرار المدفوعة بالذكاء الاصطناعي داخل المنظمات. قد تتجاهل هذه القيود الزمنية التعقيدات المتعلقة بعمليات اعتماد وتأسيس مثل هذه الأنظمة. ثانيًا، يعتمد الاعتماد على البيانات المبلغ عنها ذاتيًا عبر مقياس ليكرت من خمس نقاط على تحيزات محتملة، بما في ذلك الرغبة الاجتماعية والتضخم الإدراكي، مما قد يشوه النتائج بناءً على تفسيرات المستجيبين الفرديين بدلاً من الحقائق التنظيمية الموضوعية.
بالإضافة إلى ذلك، يقتصر وحدة التحليل على المستجيب الفردي بدلاً من المؤسسة ككل، مما يحد من النتائج إلى تصورات ذاتية بدلاً من بيانات تشغيلية شاملة. يوفر نهج دراسة الحالة، على الرغم من تقديم عمق سياقي، قيودًا على القابلية للتعميم عبر صناعات واقتصاديات رقمية متنوعة، والتي تختلف بشكل كبير في البنية التحتية والظروف التنظيمية. علاوة على ذلك، بينما تتضمن الدراسة استعداد المؤسسة كمتغير وسطي، فإنها تبسط واقعًا معقدًا من خلال عدم معالجة عوامل مؤثرة أخرى مثل الثقافة التنظيمية واهتمامات الأمن السيبراني. أخيرًا، قد يغفل التركيز على العلاقات الخطية من خلال التحليل القائم على SPSS التفاعلات غير الخطية المعقدة داخل الأنظمة المؤسسية. على الرغم من هذه القيود، تقدم الدراسة مساهمة تجريبية قوية لفهم دعم القرار المدفوع بالذكاء الاصطناعي وأتمتة عمليات الأعمال الذكية، بينما تشير إلى الحاجة إلى مزيد من البحث باستخدام منهجيات متنوعة.
DOI: https://doi.org/10.63125/nnv83884
Publication Date: 2026-01-01
Author(s): MD Hasibur Rahman Murad
Primary Topic: Impact of AI and Big Data on Business and Society
Overview
This study explores the fragmented deployment of artificial intelligence (AI), analytics, and workflow automation in organizations, which hampers their ability to achieve coordinated business process automation in digital economies. The research aimed to assess how AI-driven enterprise decision support systems enhance intelligent business process automation and operational outcomes. Utilizing a quantitative, cross-sectional, case-based design, data were collected from 312 respondents in digitally enabled environments. Key variables included AI-driven decision support capability, AI-enabled analytics, automation intelligence, enterprise automation readiness, and intelligent business process automation, with outcomes measured in terms of business process efficiency, decision quality, organizational responsiveness, and productivity. Analysis revealed strong positive perceptions of these constructs, with significant correlations and a regression model explaining 64% of the variance in intelligent business process automation.
The findings indicate that AI-driven decision support systems significantly bolster intelligent business process automation, with AI-driven decision support capability identified as a central predictor of improved outcomes. The study highlights that organizations with effective AI utilization for insight generation and decision-making achieve enhanced workflow intelligence and process execution. Furthermore, the moderating role of enterprise automation readiness underscores that the benefits of AI capabilities are contingent upon organizational preparedness in data quality, system integration, and managerial support. The research contributes to Dynamic Capabilities Theory by demonstrating that AI-driven decision support functions within an adaptive enterprise system, enabling organizations to leverage information for better decision-making and process transformation. Overall, the study establishes that aligning analytical intelligence, automation logic, and organizational readiness is crucial for modern enterprises to enhance the quality, speed, and effectiveness of business process automation in digitally integrated environments.
Introduction
The introduction of the research paper discusses the intersection of artificial intelligence (AI) and decision support systems (DSS) within enterprise environments, emphasizing their roles in enhancing managerial decision-making through data-driven insights. AI is characterized as a suite of computational techniques that facilitate learning, prediction, and optimization, while DSS are designed to assist managerial judgment using data and analytical models. The paper highlights the evolution from traditional DSS, which focused on structured information for bounded managerial problems, to contemporary AI-driven DSS that integrate advanced analytics and automation, thereby transforming how organizations operate in digital economies. This transformation is underscored by the need for firms to convert vast amounts of data into actionable insights, aligning decision-making processes with strategic objectives.
The background of the study elaborates on the shift from manual coordination to data-driven decision-making in modern enterprises, driven by the rapid generation of operational data. AI-driven DSS are positioned as essential tools for enhancing decision quality and operational efficiency, enabling organizations to respond swiftly to market demands and manage complex networks. The descriptive statistics presented indicate a positive perception of AI-driven decision support and intelligent automation among respondents, with high mean scores across various constructs, including decision quality and business process efficiency. These findings suggest that organizations are not only adopting digital tools but are also developing the necessary capabilities to leverage these technologies effectively, thereby enhancing their overall performance in a data-intensive environment.
Methods
The study employs a quantitative, cross-sectional, case-study-based research design to investigate the relationship between artificial intelligence (AI)-driven enterprise decision support systems and intelligent business process automation within digital economies. This approach allows for the measurement of the strength, direction, and significance of relationships among defined variables using numerical data collected from respondents at a single point in time. The case study context focuses on enterprises that utilize AI-enabled systems and digital workflows, targeting a population that includes managers, business analysts, and IT personnel familiar with these technologies.
Data collection was conducted through a structured questionnaire, utilizing a five-point Likert scale to assess attitudes and perceptions regarding AI-driven decision support capabilities and automation outcomes. The instrument underwent pilot testing for clarity and relevance, ensuring face and content validity. Reliability was evaluated using Cronbach’s Alpha, and data analysis was performed using SPSS for various statistical tests, while Microsoft Excel facilitated preliminary data organization. This methodological framework provides a robust basis for examining the study’s hypotheses and objectives related to AI’s impact on enterprise processes.
Results
The findings of this study reveal a significant positive relationship between artificial intelligence (AI)-driven enterprise decision support systems and intelligent business process automation within digital economies. Analyzing data from 312 valid questionnaires using descriptive statistics, correlation analysis, and regression modeling, the study indicates that respondents perceive AI-driven decision support systems as crucial for enhancing organizational decision quality, process efficiency, responsiveness, and productivity. The overall mean score for AI-driven decision support capability was 4.08 (SD = 0.61), suggesting a strong reliance on AI for data interpretation and decision-making assistance.
Additionally, AI-enabled analytics achieved a mean score of 4.02 (SD = 0.65), highlighting the positive evaluation of advanced analytics in promoting evidence-based decision-making. The construct of automation intelligence scored a mean of 3.96 (SD = 0.68), indicating a consensus that enterprise workflows have become more adaptive and data-informed due to intelligent automation. The moderating variable, enterprise automation readiness, had a mean score of 3.89 (SD = 0.70), reflecting a moderate to strong agreement on the necessary conditions for effective AI-driven automation. Lastly, the dependent construct of intelligent business process automation recorded a mean of 4.11 (SD = 0.58), demonstrating a high assessment of automation outcomes among the participating enterprises.
Discussion
The discussion section of the research paper emphasizes the critical role of AI-driven enterprise decision support systems (DSS) in enhancing business process automation within digital economies. It highlights that big data analytics capabilities significantly influence organizational performance through both exploitative and explorative innovation, with a data-driven culture mediating the relationship between analytics management and operational and financial outcomes. The effectiveness of AI models in generating actionable insights is contingent upon their compatibility with decision-making processes and alignment with managerial priorities, particularly in complex digital environments where enterprises must coordinate across various functions and external partners.
The paper identifies a gap in the literature regarding the integrated study of AI-driven DSS and business process automation, noting that existing research often treats these areas in isolation rather than as interconnected components of a cohesive organizational framework. The study aims to explore how AI-driven DSS can facilitate intelligent automation by improving process efficiency, decision quality, and organizational responsiveness. It posits that the readiness of enterprises—encompassing data quality, system integration, and managerial support—plays a crucial role in shaping the effectiveness of these systems. By addressing these issues, the research seeks to provide a structured framework that elucidates the relationships among AI capabilities, decision support, and automation performance, ultimately contributing to a deeper understanding of how organizations can leverage AI to enhance operational effectiveness in data-rich environments.
Limitations
The limitations of this study highlight several critical areas that may affect the interpretation of its findings. Firstly, the quantitative, cross-sectional design restricts the analysis to relationships observed at a single point in time, thereby failing to capture the dynamic evolution of AI-driven decision support systems within organizations. This temporal limitation may overlook the complexities involved in the adoption and institutionalization processes of such systems. Secondly, reliance on self-reported data via a five-point Likert scale introduces potential biases, including social desirability and perceptual inflation, which could skew the results based on individual respondent interpretations rather than objective organizational realities.
Additionally, the unit of analysis being the individual respondent rather than the enterprise as a whole limits the findings to subjective perceptions rather than comprehensive operational data. The case-study approach, while providing contextual depth, restricts generalizability across diverse industries and digital economies, which vary significantly in infrastructure and regulatory conditions. Furthermore, while the study incorporates enterprise readiness as a moderating variable, it simplifies a complex reality by not addressing other influential factors such as organizational culture and cybersecurity concerns. Lastly, the focus on linear relationships through SPSS-based analysis may overlook intricate nonlinear interactions within enterprise systems. Despite these limitations, the study offers a robust empirical contribution to the understanding of AI-driven enterprise decision support and intelligent business process automation, while indicating the need for further research employing diverse methodologies.