الذكاء الاصطناعي التوليدي
دراسة دلفي
الإدارة
الابتكار

أدت التطورات في التقنيات الرقمية إلى تحول في الأنشطة البشرية والتجارية، مما شكل أساس الثورة الصناعية الرابعة (شواب، 2017). مدفوعة بنمو القدرة الحاسوبية والبيانات الضخمة، يقوم مهندسو وعلماء الكمبيوتر بتصميم وتطوير أنظمة وخوارزميات الذكاء الاصطناعي (AI) التي يتم اعتمادها بشكل متزايد من قبل الأفراد والمنظمات. اليوم، يُعتبر الذكاء الاصطناعي بلا شك النموذج التكنولوجي الأكثر هيمنة، وهو بالتأكيد “ظاهرة اقتصادية وتنظيمية شاملة” (فون كروغ، 2018: ص. 404)، حيث تعتبر الفرص والتحديات المرتبطة به مهمة بشكل حاسم للباحثين في الإدارة (بامبرجر، 2018).

حاليًا، تولي المجتمعات التكنولوجية والتجارية اهتمامًا متزايدًا للذكاء الاصطناعي التوليدي (GenAI): شكل من أشكال الذكاء الاصطناعي الذي يمكن أن يقود الابتكار من خلال اكتشاف وتطوير منتجات جديدة. على مدار السنوات الثلاث الماضية، استثمرت شركات رأس المال الاستثماري أكثر من 1.7 مليار دولار أمريكي في حلول GenAI، مع حصول اكتشاف الأدوية المدعوم بـ GenAI وترميز البرمجيات على أكبر قدر من التمويل (وايلز، 2023). صرح نائب رئيس البحث للابتكار التكنولوجي في غارتنر،

براين بيرك، بأن “… بحلول عام 2025، نتوقع أن يتم اكتشاف أكثر من – ارتفاعًا من الصفر اليوم – من الأدوية والمواد الجديدة بشكل منهجي باستخدام تقنيات الذكاء الاصطناعي التوليدي” (وايلز، 2023).

في قطاع الإعلام، تقوم عدد متزايد من الشركات (بما في ذلك فوربس، نيويورك تايمز، وواشنطن بوست) بنشر GenAI لإنتاج مقالات كاملة من الصفر تغطي مواضيع متنوعة، بما في ذلك السياسة، الشؤون الخارجية، الأسواق المالية، الترفيه، الأحداث الرياضية، والجرائم (دور، 2015؛ لونغوني وآخرون، 2022؛ ماركوني، 2020). في قطاع البث التلفزيوني، استخدم المذيع التلفزيوني الكوري الجنوبي MBN GenAI لإنشاء صورة مزيفة عميقة للمذيع كيم جو-ها (فولي، 2022) لتغطية الأخبار العاجلة. في صناعة السينما، يقدر الخبراء أنه بحلول عام 2030، سنشهد فيلمًا ضخمًا تم إنشاؤه أساسًا من الذكاء الاصطناعي الذي يترجم النص إلى فيديو (وايلز، 2023). في صناعة الكيمياء، يمكن لـ GenAI تصميم كيانات كيميائية جديدة بشكل مستقل تحتفظ بالأنشطة الحيوية للقوالب المعطاة (ميرك وآخرون، 2018). في صناعات الأدوية والرعاية الصحية، يساعد GenAI في أتمتة عدة أجزاء من عملية اكتشاف الأدوية، مثل التخليق، تصميم الجزيئات، وتخطيط التخليق (غريزوني وآخرون، 2021). في الواقع، يمكن لنماذج التعلم العميق أن تتعلم بشكل ضمني الميزات الجزيئية المرغوبة، دون الحاجة إلى تصميم صريح قائم على القواعد

القيود. بشكل عام، يمكن لـ GenAI تصميم وتطوير جزيئات جديدة دون أي تدخل بشري (باستثناء الطلب). يمكن أن يتجاوز ذلك العمليات التقليدية للابتكار الصيدلاني (دي ماسييس وآخرون، 2018) ويقلل من الوقت (والتكاليف) بين الاكتشاف والدخول إلى السوق – حتى ثلثين وفقًا لبعض التقديرات. كما أن التسويق سيستفيد من هذه التطورات (تشاتيرجي وآخرون، 2021): قدر الخبراء أنه بحلول عام 2025، سيكون ثلث رسائل الإعلانات من الشركات الكبرى مولدة بشكل اصطناعي، ارتفاعًا من أقل من في عام 2022.

مع انتشارها الواسع عبر الصناعات والوظائف التنظيمية، يمكن أن يؤدي الذكاء الاصطناعي ليس فقط إلى تحفيز الابتكار، ولكن “لديه القدرة على تغيير عملية الابتكار نفسها، مع عواقب قد تكون عميقة بنفس القدر” (كوكبورن وآخرون، 2018: ص. 115). يمكن رؤية الأهمية المتزايدة للذكاء الاصطناعي للابتكار في تيار بحثي ناشئ لدراسات إدارة الابتكار (مثل، فيرغنتي وآخرون، 2020)، بالإضافة إلى مراجعات الأدبيات المنهجية الأخيرة لهذا التيار البحثي المتزايد (مثل، مارياني وآخرون، 2023). بينما أدت هذه الأعمال الأكاديمية إلى تعريفات وأنماط متعددة للذكاء الاصطناعي في مجال الإدارة (مثل، دافنبورت ورونانكي، 2018؛ هوانغ ورست، 2018، 2021)، لا نزال لا ندرك الحجم الكامل للفرص التي يمثلها GenAI لأبحاث إدارة الابتكار. ونتيجة لذلك، نفتقر إلى فهم شامل للمواضيع البحثية الرئيسية التي يعتقد أبرز علماء الإدارة أنها قد توجه تطورات البحث المستقبلية في أبحاث إدارة الابتكار المتعلقة بـ GenAI.

لسد تلك الفجوات المعرفية، تجمع هذه الدراسة بين مراجعة الأدبيات الأكاديمية ونتائج دراسة دلفي – التي أجريت على أبرز علماء (إدارة) الابتكار الذين هم على دراية بـ GenAI. كان الهدف هو تحديد ووصف المواضيع البحثية التي يعتقد أبرز علماء الإدارة أنها ستوجه وتشكل أبحاث إدارة الابتكار المستقبلية المتعلقة بـ GenAI. من خلال القيام بذلك، ستسمح الورقة للباحثين في إدارة الابتكار المهتمين بـ GenAI بتحقيق مزيد من الوضوح المفهومي، ومن ثم بناء جسم معرفي أكثر اتساقًا وترابطًا حول دراسات الابتكار (الإدارة) المتعلقة بـ GenAI. وبالتالي، تهدف هذه الدراسة إلى الإجابة على سؤال البحث التالي:

RQ: ما هي المواضيع الأكثر صلة التي ستوجه وتشكل أبحاث إدارة الابتكار المستقبلية المتعلقة بـ GenAI؟

للإجابة على هذا السؤال، قمنا بدمج وتوليف الأدبيات الأكاديمية مع نتائج استطلاع دلفي لعلماء إدارة الابتكار البارزين الذين هم على دراية بـ GenAI. من خلال القيام بذلك، نتجاوز أحدث مراجعات الأدبيات المنهجية حول الموضوع (أي، هيفنر وآخرون، 2021؛ مارياني وآخرون، 2023) لتوليد معرفة جديدة بناءً على الأفكار النقدية لهيئة من الخبراء. ظهرت عشرة مواضيع بحثية رئيسية يمكن أن توجه تطورات البحث المستقبلية عند تقاطع GenAI وإدارة الابتكار.

يختلف علماء الإدارة حول من بدأ أولاً في البحث عن الذكاء الاصطناعي، لكنهم يتفقون عمومًا على أن الذكاء الاصطناعي بدأ حياته في المجال الأدبي – أي، الكتاب الخيالي ‘رانروند’، الذي نُشر في عام 1942 من قبل المؤلف الأمريكي إسحاق أسيموف. بعد خمسة عشر عامًا، استضاف العلماء جون مكارثي ومارفن مينسكي مشروع البحث الصيفي في دارتموث حول الذكاء الاصطناعي في كلية دارتموث، الولايات المتحدة الأمريكية (كابلان وهاينلين، 2019). من تلك النقطة وحتى عام 2010، حصل الذكاء الاصطناعي على اهتمام نادر نسبيًا من علماء الإدارة.

ومع ذلك، في العقد الماضي، زاد الاهتمام الأكاديمي بالذكاء الاصطناعي بشكل كبير (إيمرت-ستريب وآخرون، 2020). الآن، يعترف علماء الإدارة بأن الذكاء الاصطناعي يمكن أن يولد نتائج تجارية ذات صلة (دافنبورت ورونانكي، 2018؛ هوانغ ورست، 2018؛ رايش وكراكوسكي، 2021؛ فون كروغ، 2018) وبالتالي قاموا بتطوير تصوراتهم الخاصة للذكاء الاصطناعي للأعمال. على سبيل المثال، قام دافنبورت ورونانكي (2018) بتصور وتمييز ثلاثة أنواع من الذكاء الاصطناعي:
(1) أتمتة العمليات؛ (2) الرؤى المعرفية؛ و(3) التفاعل المعرفي. أتمتة العمليات – التي تُعرف أحيانًا بأتمتة العمليات الروبوتية (RPA) – هي أرخص وأسهل نوع من الذكاء الاصطناعي للتنفيذ؛ وبالتالي، فإنها عادةً ما تولد عائدًا مرتفعًا (وسريعًا) على الاستثمار. النوع الثاني، الرؤى المعرفية، يستخدم الخوارزميات وتعلم الآلة لاكتشاف الأنماط في كميات هائلة من البيانات وتفسير معانيها. أخيرًا، يستخدم التفاعل المعرفي روبوتات الدردشة المعتمدة على معالجة اللغة الطبيعية، والوكلاء الذكيين، وتعلم الآلة من أجل ربط الأشخاص داخل المنظمات وعبرها (مثل الموظفين والعملاء). قام هوانغ وراست (2021) بتصور وتمييز ثلاثة أنواع من الذكاء الاصطناعي: (1) الميكانيكي؛ (2) المفكر؛ و(3) العاطفي، والتي تتعامل على التوالي مع المهام الروتينية، القائمة على القواعد، والعاطفية (هوانغ وراست، 2021). يأتي الذكاء الاصطناعي الميكانيكي في شكل روبوتات، بينما يتخذ الذكاء الاصطناعي المفكر شكل وكلاء محادثة (مارياني وآخرون، 2022). بالاعتماد على عمل نيلسون (1971)، عرّف رايش وكراكوسكي (2021) الذكاء الاصطناعي بأنه مفهوم “يشير إلى الآلات التي تؤدي وظائف معرفية عادةً ما ترتبط بالعقول البشرية، مثل التعلم، والتفاعل، وحل المشكلات” (ص. 192). مستندين إلى نيلسون (2010)، الذي عرّف الذكاء الاصطناعي بأنه “النشاط المخصص لجعل الآلات ذكية” (ص. 13)، لاحظ كوكبورن وآخرون (2018) أن الذكاء الاصطناعي يغطي ثلاثة مجالات: الروبوتات، والأنظمة الرمزية، وأنظمة التعلم. فقط الأخيرة تمثل تقنية ذات غرض عام حقيقي يمكن أن تكون “طريقة للابتكار”. في الواقع، يسمح التعلم العميق للذكاء الاصطناعي بـ “توقع” الأحداث الفيزيائية والمنطقية بدقة ووضوح أعلى مقارنةً بالطرق الإحصائية التقليدية، مما قد يكون مفيدًا للبحث العلمي والسلوكي والتقني. اقترح باحثون آخرون (مثل، برينجولفسون وماكافي، 2014؛ دوجرتي وويلسون، 2018؛ دافنبورت ورونانكي، 2018) أن البشر والآلات يجب أن يتعاونوا، بدلاً من التنافس، من أجل مشاركة نقاط قوتهم التكميلية وتحقيق التعلم المتبادل (لا روش، 2017؛ رايش وكراكوسكي، 2021). بشكل عام، بينما يصر العديد من الباحثين على أنه لا يوجد تعريف مقبول عالميًا للذكاء الاصطناعي (ستراينب وآخرون، 2020)، بسبب عدم تعريف “الذكاء” بشكل رسمي (ورمزي) ، فإن مجال الإدارة لديه العديد من التعريفات العملية للذكاء الاصطناعي (انظر هوانغ وراست، 2021؛ نيلسون، 2010).

بين دراسات إدارة الابتكار، ومع ذلك، فإن التاريخ المفهومي للذكاء الاصطناعي يعتبر حديثًا نسبيًا ويحتوي على تعريفات أقل. على سبيل المثال، استنادًا إلى عمل نيلسون (1971)، عرّف رايش وكراكوسكي (2021) الذكاء الاصطناعي بأنه مفهوم “يشير إلى الآلات التي تؤدي وظائف معرفية عادة ما ترتبط بالعقول البشرية، مثل التعلم والتفاعل وحل المشكلات” (ص. 192). وبالمثل، استند فيرجانتي وآخرون (2020) إلى رؤى مستمدة من شركات التكنولوجيا ليؤكدوا أن الذكاء الاصطناعي هو أداء الكمبيوتر لمهام بسيطة كانت تقليديًا تؤدى من قبل البشر. اقترح فيرجانتي وآخرون (2020) أنه مع تزايد استخدام الخوارزميات لحل المشكلات الإبداعية، يصبح التصميم البشري فعلًا من أفعال فهم المعنى، حيث يقرر البشر أي المشكلات يجب أو يمكن معالجتها. على سبيل المثال، استخدمت نتفليكس البيانات وخوارزميات الذكاء الاصطناعي للتنبؤ بالمحتوى الذي يجب أن تنتجه للمستخدمين قبل فهم الإمكانات السوقية لمسلسل House of Cards في عام 2013. كما استخدمت خوارزميات الذكاء الاصطناعي لتطوير المسلسل بعد ذلك. بينما كانت العملية موجهة بواسطة الذكاء الاصطناعي، استخدم مدراء الشركة فهمهم لمعرفة أي مشكلة من مشاكل العملاء يجب معالجتها.

استنادًا إلى نيلسون (2010)، تكهن كوكبورن وآخرون (2018) بأن أنظمة التعلم تشكل تكنولوجيا جديدة ذات غرض عام تمثل أيضًا “اختراع طريقة للاختراع” (كوكبورن وآخرون، 2018: ص. 116). وقد أسفر تحليلهم عن نتيجتين رئيسيتين: أولاً، من منظور الابتكار، من الضروري التمييز بين التقدم في مجالات الروبوتات مقابل التعلم العميق كطريقة اختراع ذات غرض عام. ثانيًا، هناك بعض القضايا الحرجة التي تحتاج إلى حل من أجل استغلال إمكانيات أنظمة التعلم العميق في إدارة الابتكار والسياسة، بما في ذلك: 1) تقييم العلم الجديد الناشئ؛ و 2) الحواجز الجديدة للدخول التي تثيرها طرق التنبؤ عبر طيف واسع من الصناعات. كما لاحظ دويفيدي وآخرون (2021) في تقييمهم متعدد التخصصات للذكاء الاصطناعي،
“الخيط المشترك بين هذه التعريفات هو القدرة المتزايدة للآلات على أداء أدوار ومهام محددة يتم تنفيذها حاليًا بواسطة البشر داخل مكان العمل والمجتمع بشكل عام” (دويفيدي وآخرون، 2022: ص. 2).

لقد استعرضت عملان حديثان بشكل منهجي الذكاء الاصطناعي في أبحاث إدارة الابتكار (Haefner et al.، 2021؛ Mariani et al.، 2023). في مراجعتهم السردية للأدبيات، التي استندت إلى النظرية السلوكية للشركة، لم يقم Haefner et al. (2021) بتعريف الذكاء الاصطناعي بشكل محدد. بدلاً من ذلك، جادل المؤلفون بأن المنظمات تعتمد بشكل متزايد على كمية متزايدة من المعلومات والمعرفة التي “تُخزن إلكترونيًا وبدون تدخل بشري” (ibidem: ص. 2). مع تحول المنظمات بشكل متزايد إلى الرقمية، قد لا يتمكن مدراء الابتكار من الوصول إلى هذه المعلومات ومعالجتها بشكل فعال. وبناءً عليه، قد يمتلك مدراء الابتكار اليوم معلومات أقل لأغراض الابتكار – سواء من حيث الجودة أو الكمية – مما كان لديهم قبل الثورة الرقمية. لذلك، تكهن المؤلفون بأن مدراء الابتكار سيحتاجون إلى العمل جنبًا إلى جنب “مع الذكاء الاصطناعي وخوارزميات التعلم الآلي في تحديد واختيار الفرص بالإضافة إلى التحقيق فيما يمكن أن يكون الميزة التنافسية التالية للمنظمة” (Haefner et al.، 2021: ص. 3). في مراجعتهم المنهجية الخاصة للأدبيات حول الذكاء الاصطناعي والابتكار، استنادًا إلى إطار عمل المحركات-الظواهر-النتائج، استعان Mariani et al. (2023) بتعريف Huang وRust (2022) للذكاء الاصطناعي على أنه “استخدام الآلات الحاسوبية لمحاكاة القدرات الكامنة في البشر، مثل القيام بالمهام البدنية أو الميكانيكية، والتفكير، والشعور” (ص. 31). اقترح Mariani وزملاؤه أن هناك ثلاثة أنواع من المحركات وراء اعتماد الذكاء الاصطناعي من أجل الابتكار (أي الاقتصادية، والتكنولوجية، والاجتماعية)؛ وبناءً عليه، هناك ثلاثة أنواع من النتائج (أي النتائج الاقتصادية، والنتائج التنافسية والتنظيمية، ونتائج الابتكار). في قسم القيود الخاص بهم، اقترح Mariani et al. (2023) أن الأدبيات الإدارية قد تحتاج إلى الاندماج مع أدبيات علم البيانات من أجل تمكين “ظهور أبحاث إدارة الابتكار في مجال الذكاء الاصطناعي التوليدي” (ص. 20). حاليًا، تعتبر مقالتهم واحدة من الدراسات القليلة في إدارة الابتكار التي تذكر الذكاء الاصطناعي التوليدي بشكل صريح، على الرغم من عدم وجود تعريف صريح أو وصف مفهومي.

باختصار، تم تعريف الذكاء الاصطناعي وتصوره في عدة دراسات إدارة الابتكار (مثل، كوكبورن وآخرون، 2018؛ مارياني وآخرون، 2023؛ رايش وكراكوسكي، 2021؛ فيرغنتي وآخرون، 2020)، لكن الذكاء الاصطناعي التوليدي لم يتم تحليله بشكل صريح بعد في أبحاث إدارة الابتكار. الاستثناء الوحيد هو إشارة عابرة من مارياني وآخرون (2023) في مراجعتهم المنهجية للأدبيات.

الذكاء الاصطناعي التوليدي (GenAI) هو مصطلح واسع يشمل أنظمة الذكاء الاصطناعي “التي يمكنها توليد نصوص وصور ومحتويات أخرى عالية الجودة بناءً على البيانات التي تم تدريبها عليها” (مارتينو، 2023). بشكل أوسع، يركز GenAI على توليد مجموعة واسعة من المخرجات، مثل النصوص، والرموز، والصور، والعناصر الصيدلانية والبيولوجية (مثل الجزيئات)، ومقاطع الفيديو، والموسيقى، والأفعال الروبوتية. وبالتالي، فإن أنظمة GenAI تختلف عن “أنظمة الذكاء الاصطناعي التي تؤدي وظائف أخرى، مثل تصنيف البيانات (مثل تعيين تسميات للصور)، وتجميع البيانات (مثل تحديد شرائح العملاء ذات سلوكيات الشراء المماثلة)، أو اختيار الأفعال (مثل توجيه مركبة ذاتية القيادة)” (تونر، 2023).

يمتلك GenAI تاريخًا طويلًا في مجال الذكاء الاصطناعي (كاو وآخرون، 2023)، يعود إلى الخمسينيات، عندما كان العلماء يطورون نماذج المزيج الغاوسي ونماذج ماركوف المخفية. كانت تلك النماذج تستخدم لتوليد تسلسلات من البيانات في شكل سلاسل زمنية أو خطب. اعتمدت مجالات مثل معالجة اللغة الطبيعية (NLP) ورؤية الكمبيوتر (CV) على التعلم الآلي (ML) لتطوير خوارزميات لتوليد اللغة والصورة. ومع ذلك، كانت ظهور وتقدم التعلم العميق (بيترسون وآخرون، 2022) هو ما أدى إلى تحسين الأداء للنماذج التوليدية. بينما كانت هذه النماذج – مثل الشبكات التنافسية التوليدية (غودفيلو وآخرون، 2014)، والمشفرات التلقائية المتغيرة (وو وآخرون، 2021)، ونماذج التوليد الانتشاري (كرويتور وآخرون، 2023) –
كانت تتطور مع مرور الوقت، ظهر تقاطع في بنية المحولات. تم تقديمها من قبل فاسواني وآخرون (2017) مع تطبيقات في معالجة اللغة الطبيعية، أصبحت بنية المحولات العمود الفقري السائد للنماذج التوليدية. على سبيل المثال، في مجال معالجة اللغة الطبيعية، تستخدم تمثيلات المشفرات ثنائية الاتجاه من المحولات (BERT) والمحولات المدربة مسبقًا التوليدية (GPTs) (مثل GPT-1 إلى GPT-4) بنية المحولات. تستخدم المحولات البصرية والمحولات السوين في مجال رؤية الكمبيوتر، كما تفعل تطبيقات تحويل النص إلى صورة مثل DALL-E. من المثير للاهتمام أن بنية المحولات تسمح بدمج نماذج مختلفة وبالتالي تمكين المهام متعددة الوسائط (أي، توليد أنواع مختلفة من المحتوى مثل الصور والموسيقى في وقت واحد).

استكشف عدد متزايد من علماء علوم الكمبيوتر جوانب مختلفة من GenAI (مثل، بنجيو وآخرون، 2000؛ براون وآخرون، 2020؛ دينغ ولين، 2022؛ ديفلين وآخرون، 2018؛ غريفز وجايتلي، 2014؛ غودفيلو وآخرون، 2014، 2020؛ ميكولوف وآخرون، 2010؛ ماكدونالد، 1954؛ رادفورد وآخرون، 2018؛ شانك وأبيلسون، 1975؛ فاسواني وآخرون، 2017؛ ويزنباوم، 1966)، ولكن هناك عدد قليل فقط من المقالات الحديثة حول GenAI في أدبيات إدارة الابتكار (مثل، برجر وآخرون، 2023؛ بوشيري وآخرون، 2023). على سبيل المثال، أوضح برجر وآخرون (2023) أهمية الذكاء الاصطناعي لأساليب البحث من خلال تقديم إرشادات لاستخدام الذكاء الاصطناعي (وهو ChatGPT) لتطوير مراجعة أدبية. استكشف بوشيري وآخرون (2023) كيف يمكن أن تستخدم فرق الابتكار نماذج اللغة المعتمدة على المحولات في تطوير المنتجات الجديدة.

اتباعًا لقيادة جونسون وآخرون (2021)، وسكينر وآخرون (2015) وسويمينن وآخرون (2023)، قمنا (1) بإجراء مراجعة أدبية لتحديد المقالات الأكثر صلة واستشهادًا عند تقاطع GenAI والإدارة و(2) أجرينا مقابلات أولية مع، ودراسة دلفي حول، عدد من المؤلفين المحددين. تم تطويرها داخل مؤسسة راند في الستينيات، تعتبر منهجية دلفي نهجًا معروفًا جدًا لإشراك مجموعة من الخبراء حول موضوع معين (دالكاي وهيلمر، 1963).

تماشيًا مع عمل جونسون وآخرون (2021) وسويمينن وآخرون (2019)، قمنا بإجراء مراجعة أدبية لتحديد خبراء/مشاركي دراسة دلفي والعناصر الخاصة بالاستبيان ذي الصلة. تماشيًا مع المراجعات الأدبية التي أجريت في دراسات دلفي الأخرى (مثل، جونسون وآخرون، 2021؛ سويمينن وآخرون، 2019)، استرجعنا مقالات علمية مفهرسة في قاعدتي البيانات الأكاديمية المرجعية: كلاريفيت ويب أوف ساينس وإلسفير سكوبس. تقوم تلك القواعد بفهرسة الأبحاث الأكاديمية عبر عدة تخصصات (تمثل أكثر من 34,000 و40,000 مجلة أكاديمية على التوالي). نظرًا لاتباع معايير اختيار صارمة وموثوقة، فإن هذه القواعد الأكاديمية لديها أفضل تغطية للأبحاث الأكاديمية في العلوم الاجتماعية (فييرا وغوميز، 2009). قمنا بإجراء بحث متقدم في كلا القاعدتين في 27 يونيو 2023، باستخدام نفس مجموعة المصطلحات والكلمات الرئيسية عبر كل من WOS وScopus. في كلا الحالتين، اتبعنا هذه الخطوات: أولاً، قمنا بتكييف بروتوكول البحث والكلمات الرئيسية المستخدمة في مراجعة أدبية منهجية حديثة (مارياني وآخرون، 2023) تناولت الذكاء الاصطناعي والابتكار. تضمنت قائمة الكلمات الرئيسية المستخدمة لتغطية GenAI: “الذكاء الاصطناعي التوليدي” أو “الذكاء الاصطناعي التوليدي” أو “GPT” أو “GPT-1” أو “GPT-2” أو “GPT-3” أو “GPT-4” أو “ChatGPT” أو “ClickUp” أو “GrammarlyGO” أو “Jasper” أو “Copy.ai أو “Wordtune” أو “Writesonic” أو “Rytr” أو “AlphaCode” أو “GitHub Copilot” أو “aiXcoder” أو “TabNine” أو “Figstack” أو “Cody” أو “SpellBox” أو “AskCodi” أو “BlackBox” أو “Midjourney” أو “DALL-E 2” أو “NightCafe” أو “BlueWillow” أو “Bria” أو “Stockimg” أو “Fliki” أو “Lumen5” أو “Synthesia” أو “DeepBrainAI” أو “Runway” أو “Pictory” أو “Bard” أو “Cohere Generate” أو “Claude” أو “StyleGAN” أو “Bardeen” أو Rephrase.ai أو “Descript” أو “Type Studio” أو “GLIDE” أو “Imagen” أو “تمثيلات المشفرات ثنائية الاتجاه من المحولات” أو “BERT” أو “RoBERTa
أو “ERNIE” أو “Bart” أو “T5” أو “Megatron” أو “Murf.ai أو Designs.ai” أو “Soundraw” أو “ChatFlash” أو “ChatSonic” أو “Scribe” أو “VEED” أو “Speechify” والعديد من الأسماء الخاصة الأخرى لـ GenAI. بينما قد لا تكون مجموعة الأسماء الخاصة بـ GenAI شاملة بالضرورة، إلا أنها واسعة بما يكفي لتغطية أنظمة GenAI الأكثر شيوعًا التي ذكرتها شركات الاستشارات التقنية الرائدة مثل غارتنر. علاوة على ذلك، عندما ظهرت الأسماء الخاصة بأشكال مختلفة، استخدمنا أكثر الأشكال انتشارًا (مثل حالة “DALL-E 2″، التي تُكتب أحيانًا كـ “DALL-E2”). كانت الكلمات الرئيسية المستخدمة لتغطية إدارة الابتكار هي “innovat*” و”manag*”.

تماشيًا مع الأساليب المعتمدة لمراجعات الأدبيات (سنايدر، 2019)، ومراجعات الأدبيات المنهجية الأخرى (مارياني وآخرون، 2023)، بحثنا في قواعد بيانات WOS وScopus عن تركيبات من الكلمات الرئيسية المذكورة أعلاه في جميع الحقول القابلة للبحث، بما في ذلك العنوان، والملخص، أو الكلمات الرئيسية. قمنا بتضييق بحثنا من خلال اعتبار المقالات والأوراق الاستعراضية فقط (غور وكومار، 2018) باللغة الإنجليزية التي تغطي مجالات “الأعمال” و”الإدارة” لـ WOS و”الأعمال، الإدارة والمحاسبة” لـ Scopus. أسفر ذلك عن 255 وثيقة لـ WOS و709 وثائق لـ Scopus (الاختلاف ناتج عن تصنيفات الموضوعات في قاعدة بيانات Scopus التي تكون أوسع من WOS: على سبيل المثال، لا يتم التقاط مجلات إدارة الضيافة والسياحة باستخدام تصنيف “الأعمال” أو “الإدارة” في WOS). ثانيًا، قمنا بدمج مجموعات بيانات WOS وScopus وإزالة جميع التكرارات (أي، المقالات التي كانت موجودة في كلا القاعدتين تم تضمينها مرة واحدة فقط في قاعدة بياناتنا النهائية)، مما أسفر عن إجمالي 712 وثيقة. قرأ ثلاثة أعضاء من فريق البحث بعناية ملخص كل مقال لتحديد صلته. اتفق الثلاثة على أن 98 مقالًا تناولت بشكل صريح GenAI في الإدارة، بينما ذكرت البقية كلمة “innovat*” بطريقة كانت مرتبطة بشكل فضفاض بـ GenAI.

لقد رأينا أن طريقة دلفي مناسبة لدراستنا لأنها تستطيع دمج التأملات والأفكار النقدية من مجموعة من الخبراء، بينما تكشف أيضًا عن فرص البحث المستقبلية والتحديات في مجال الاهتمام. على عكس الاستطلاع الشائع، الذي يحاول تحديد ما هو موجود بالفعل، فإن طريقة دلفي تحاول معالجة “ما يمكن أن يكون” عندما يكون الظاهرة ناشئة و/أو جديدة (ميلر، 2006). لهذا الغرض، اتبعنا إرشادات سكينر وزملائه (2015) المكونة من ثلاث خطوات لدراسات دلفي: 1) مرحلة استكشافية؛ 2) مرحلة تقطير؛ و 3) مرحلة استخدام. في المرحلة الأولى، أجرينا مقابلات مفتوحة مع 6 من العلماء البارزين: 4 علماء إدارة نشروا مقالات عند تقاطع الابتكار والذكاء الاصطناعي التوليدي في مجلات أكاديمية مصنفة كـ 3، 4، أو من قبل الجمعية المعتمدة لمدارس الأعمال (CABS)، واثنين من علماء الكمبيوتر الرائدين الذين قاموا بتأليف مقالات تستكشف كيف يمكن أن تدعم GenAI أنشطة وعمليات الابتكار. تم طرح أسئلة عامة على العلماء مثل: “هل تعتقد أن ظهور وتوطيد GenAI سيحول المفاهيم والأطر والبنى الراسخة في أبحاث إدارة الابتكار؟ إذا كان الأمر كذلك، لماذا وكيف؟ إذا لم يكن كذلك، لماذا وكيف؟ ما هي الموضوعات الأكثر صلة التي ستوجه وتشكل أبحاث إدارة الابتكار المستقبلية المتعلقة بـ GenAI؟” قامت فريق البحث باختبار فعالية الأسئلة على مساعد بحث يتحدث الإنجليزية ولديه معرفة بالذكاء الاصطناعي؛ ساعدت التعليقات في ضمان أن تكون الصياغة بسيطة وواضحة بما فيه الكفاية. بعد ذلك، حددنا خبراء من خلال معيارين: الأول هو تقنية المجموعة الاسمية (NGT) لديلبيك وآخرين (1975)، وهي شكل من أشكال استقصاء الخبراء التي تتضمن إنشاء ورقة عمل لترشيح موارد المعرفة (KRNW). تم إبلاغ KRNW من خلال مراجعة الأدبيات، التي اخترنا من خلالها خبراء نشروا بالفعل حول موضوع GenAI في مجلات أكاديمية عالية الجودة (مصنفة 3 أو أكثر من قبل الجمعية المعتمدة لمدارس الأعمال) في مجال الإدارة. الثاني هو معرفة الخبراء في مجال الاهتمام، بما يتماشى مع كايل وآخرين (2002). بهذه الطريقة، حددنا ما مجموعه 107 خبراء محتملين.

في مرحلة التقطير، قمنا بدمج مراجعة الأدبيات والمقابلات المفتوحة لتطوير الحجج (أي العناصر) لاستبيان دلفي. حدد باحث واحد واثنان من مساعدي البحث الذين يدرسون الذكاء الاصطناعي التوليدي حجج/بيانات دلفي وملأوا جدول بيانات Excel بها. على الرغم من تحديد 37 حجة، اختار الفريق 25 حجة فقط لتبسيط عمل أعضاء لجنة دلفي. قام عضوان من فريق المشروع بتقييم الحجج بشكل مستقل بالنسبة لأهداف الدراسة. تم تضمين أعلى 25 حجة في استبيان دلفي. عمل هذان العضوان من المشروع مع أحد العلماء الرائدين الذين تمت مقابلتهم (من مرحلة الاستكشاف) لضمان أن تكون الصياغة غير غامضة، وأن تكون التعليمات سهلة المتابعة، وأن يكون مستوى التفاصيل مناسبًا (غوردون، 1994؛ هالويل وغامباتيسي، 2010). بدأ الاستبيان بقسم قصير يحمل عنوان “تعريفات أولية” يتضمن تعريفين: 1) يُعرف الذكاء الاصطناعي التوليدي (GenAI) بأنه أنظمة الذكاء الاصطناعي “التي يمكنها توليد نصوص وصور ومحتويات أخرى عالية الجودة بناءً على البيانات التي تم تدريبها عليها” (مارتينو، 2023 – أبحاث IBM)؛ 2) تُعرف أنظمة GenAI متعددة الوسائط بأنها أنظمة GenAI التي تولد مخرجات من أكثر من نوع واحد من مدخلات البيانات، بما في ذلك النصوص، الصوت، الصوتيات، الفيديو، الصور، إلخ (كاو وآخرون، 2023). في تصميم المواد، تناولنا عدة أشكال محتملة من التحيز: (أ) التحيز غير الواعي الجماعي (دوركهايم، 1982)، من خلال الطلب صراحة من الأعضاء تقديم مبررات؛ (ب) تأثير التباين وتأثير الأولوية (بيارناسون وجونسون، 2005) من خلال عشوائية ترتيب الأسئلة، و(ج) تحيز الهيمنة (سكنر وآخرون، 2015)، من خلال ضمان سرية الخبراء. أرسلنا الاستبيان إلى 107 عضوًا عبر البريد الإلكتروني وجمعنا نتائجهم عبر الإنترنت. وفقًا للتوصيات الحالية (جونستون وآخرون، 2021؛ سكينر وآخرون، 2015؛ سوومينن وآخرون، 2019)، تقدمت الدراسة في جولتين. في الجولة الأولى، تم تقديم الحجج المتعلقة بالذكاء الاصطناعي التوليدي وإدارة الابتكار للمستجيبين في دلفي. قام الخبراء بتقييم أهمية الحجج باستخدام مقاييس ليكرت من 5 نقاط، بالإضافة إلى تبرير موقفهم بتعليقات مفتوحة. في الجولة الأولى، كان الخبراء أيضًا أحرارًا في الإجابة على أسئلة مفتوحة حول الفرص والتحديات التي من المحتمل أن يجلبها الذكاء الاصطناعي التوليدي لأبحاث إدارة الابتكار.

في الجولة الثانية، ووفقًا لسوومينن وآخرين (2019)، قدمنا للمشاركين نفس الحجج/العناصر مرة أخرى، ولكن مع ملخصات لنتائج الجولة الأولى. تضمنت الملخصات قيمًا وصفية لاستجابات مقياس ليكرت لكل سؤال، بالإضافة إلى سرد متماسك تم تجميعه من تعليقات الخبراء، قدمه فريق المشروع. خلال الجولة الثانية، طُلب من المشاركين إعادة تقييم متغيرات مقياس ليكرت، بالإضافة إلى التعليق على السرد المقدم. تشمل نتائج دراسة دلفي استجابات مقياس ليكرت، بالإضافة إلى أقسام منفصلة تمثل الموضوعات التي استخلصناها من دمج سرد الخبراء. نريد أن نؤكد أن سرد الحجج يعكس آراء المشاركين، وليس آراء الباحثين.

تم إرسال دعوة عبر البريد الإلكتروني إلى الخبراء المدعوين للجولة الأولى للمشاركة في عملية دلفي. تم منح كل خبير فترة استجابة مدتها أسبوعان، بالإضافة إلى رسالتين تذكير. شارك ما مجموعه 19 خبيرًا في الجولة الأولى من عملية دلفي. تمت دعوة جميع الـ 19 مرة أخرى للمشاركة في الجولة الثانية وعاد 11 منهم في النهاية. هذا العدد مقبول أكثر من اللازم بناءً على الدراسات المنهجية الرائدة (مثل، سكينر وآخرون، 2015) ودراسات الإدارة (مثل، جونسون وآخرون، 2021) التي استخدمت طريقة دلفي. على سبيل المثال، حصل جونسون وآخرون (2021) على 5 ردود فقط في جولتهم الثانية، لكنهم جادلوا بأن “دراسات دلفي تختلف جوهريًا عن، ويجب عدم الخلط بينها وبين، تقنيات العينة الإحصائية والاستدلال التقليدية” (107).

في المرحلة الثالثة والأخيرة، مرحلة الاستخدام، قمنا بتقديم نتائج طريقة دلفي للمستجيبين في الجولة الثانية. شكلت السرديات من الجولة الأولى أساس التحليل، بينما ساعدت التعليقات من الجولة الثانية في تحسين تلك السرديات. بالإضافة إلى اشتقاق السرديات النوعية، قمنا بحساب النسبة المئوية المتوسطة للآراء الأكثرية (APMO)، والتي تُستخدم عادةً كمقياس للتوافق في دراسات دلفي (كابور، 1987). يمكن تعريف التوافق – سواء كاتفاق أو اختلاف مع حجة دلفي – على النحو التالي:

حيث “Agr” هو الاتفاق الأغلب (بما في ذلك “موافق بشدة” و”موافق إلى حد ما”)، و”Disagr” هو الاختلاف الأغلب (بما في ذلك “غير موافق بشدة” و”غير موافق إلى حد ما”)، وNumOp هو العدد الإجمالي للآراء/الردود. يتم استخدام مؤشر APMO بشكل متكرر للإشارة إلى متى يمكن إسقاط حجة/عنصر من جولات متتالية من دلفي أو متى وصلت دراسة دلفي إلى نقطة التشبع. في الدراسة الحالية، نبلغ عن درجة APMO لكلتا الجولتين، بينما يتم توضيح وصف العملية لدراسة دلفي في الشكل 1. وفقًا لجونسون وآخرين (2021)، استخدمنا مرحلة الاستخدام لصياغة النتائج (القسم 4) وتطوير قسم المناقشة (القسم 5).

من خلال مراجعة الأدبيات، حددنا 98 وثيقة تناولت بشكل صريح الذكاء الاصطناعي التوليدي في الإدارة. من بين هذه المقالات، تناولت معظمها قضايا محددة مثل دعم الذكاء الاصطناعي التوليدي لأبحاث الإدارة (مثل، برجر وآخرون، 2023) أو تمكين الأنشطة في صناعات الضيافة والسياحة (غورصوي وآخرون، 2023). على سبيل المثال، ناقش برجر وآخرون (2023) كيف يمكن أن يعزز الذكاء الاصطناعي طرق البحث من خلال توليد إرشادات لنشر ChatGPT لدعم تطوير مراجعات الأدبيات المنهجية (SLRs) وعملية البحث العلمي بشكل عام. وقد جادلوا بأن استخدام ChatGPT يمكن أن يجعل عمل الباحثين أسرع دون التضحية بالموثوقية وقابلية التكرار، لكنهم لم يناقشوا العناصر الحاسمة لإدارة الابتكار. في الوقت نفسه، أكد غورصوي وسونغ (2023) كيف يمكن أن ي disrupt ChatGPT العمليات في صناعة الضيافة والسياحة، أي من خلال تغيير كيفية بحث العملاء عن المعلومات واتخاذ القرارات، فضلاً عن كيفية إنتاج الشركات وخلق وتقديم خدمات وتجارب مخصصة. ومع ذلك، ذكر غورصوي وسونغ (2023) الابتكار فقط كعامل خاص بالسياح يمكن أن يؤثر على قبول السياح لـ ChatGPT. في قطعة رأي متعددة المؤلفين حررها دويفيدي وآخرون (2023)، تركز معظم المساهمات متعددة التخصصات على تخصصات أخرى غير الابتكار. الاستثناء الوحيد كان القسم الذي كتبه مارياني، الذي اقترح أنه “لا يزال هناك طريق طويل قبل أن تتمكن منصات الذكاء الاصطناعي مثل ChatGPT من القيادة بشكل مستقل نحو ابتكار منتج أو عملية أو نموذج عمل ذي مغزى. … مع تطور منصات الذكاء الاصطناعي والتكنولوجيا الأساسية، سيتعين على الأبحاث المستقبلية التحقيق فيما إذا كان وإلى أي مدى سيكون الدور الذي تلعبه الذكاء الاصطناعي التوليدي ذا صلة متزايدة في تحفيز نتائج الابتكار” (دويفيدي وآخرون، 2023: ص. 6).

عند الفحص الدقيق، لاحظنا أن اثنين فقط من بين 98 مقالة اعتمدت بشكل صريح على منظور إدارة الابتكار فيما يتعلق بالذكاء الاصطناعي التوليدي: وهما، بوشيري وزملاؤه (2023) وبلجرام ولارمان (2023). استكشف بوشيري وزملاؤه (2023) كيف يمكن نشر نماذج اللغة المعتمدة على المحولات لتعزيز فرق الابتكار البشرية المشاركة في عملية تطوير المنتجات الجديدة. وقد قدموا إطار عمل مزدوج الماس AI-معزز لشرح كيف يمكن أن تساعد هذه النماذج في مهام تطوير المنتجات الجديدة، بما في ذلك توليد الأفكار، وتلخيص النصوص، وتحليل المشاعر. كما طوروا أجندة بحثية لدراسة استغلال نماذج اللغة في تطوير المنتجات الجديدة ودورها في فرق الابتكار الهجينة. بالمقابل، ركز بلجرام ولارمان (2023) على نماذج اللغة الكبيرة، مستخدمين أمثلة من العالم الحقيقي لتوضيح كيف يمكن أن تعزز المراحل المبكرة من الابتكار، بما في ذلك الاستكشاف، وتوليد الأفكار، والنمذجة الرقمية. وفي النهاية، لاحظ المؤلفون أن الذكاء الاصطناعي التوليدي يمكن أن يغير بشكل جذري عملية النمذجة، مما يؤدي إلى تقليص وقت الإنتاج والتكاليف.

لتلخيص ذلك، تشير الدراسات الحالية إلى أن الذكاء الاصطناعي التوليدي يمكن أن يخلق فرصًا لدعم تطوير المنتجات الجديدة، وبشكل عام، قرارات وأنشطة الابتكار. ومع ذلك، هناك نقص في الدراسات الإدارية حول كيفية إمكانية أن يُثري الذكاء الاصطناعي التوليدي أبحاث إدارة الابتكار.
لهذا السبب، استخدمنا دراسات مراجعة الأدبيات والمقابلات لتطوير 25 عنصرًا من عناصر دلفي (انظر الجدول A. 1 في الملحق).

يمكن رؤية الحجج الـ 25 في دلفي في الجدول 1، الذي يعرض النتائج الإجمالية للجولة 2. كانت APMO للجولة 1 (التفاصيل في الجدول A.2 في الملحق) و للجولة الثانية (انظر الجدول 1). توضح الأقسام الفرعية أدناه ردود الخبراء بشكل سردي. النص مستند إلى الملخص الذي كتبه الباحثون، والذي يستند إلى التعليقات المفتوحة من خبراء دلفي خلال جولات دلفي، وحيثما كان ذلك مناسبًا، أيضًا بعض التعليقات الفردية.

جادل جميع الخبراء بأن الذكاء الاصطناعي التوليدي من المحتمل أن يكون محركًا رئيسيًا للابتكار. اعتقد الغالبية منهم أن الذكاء الاصطناعي سيسهل الابتكار دون تغيير الأنواع الأساسية (مثل: المنتج/العملية، الجذري/التدريجي، المعماري/المكون، إلخ). على سبيل المثال، قال أحد الخبراء: “أعتقد أن الذكاء الاصطناعي التوليدي سيسهل بشكل كبير عملية الابتكار ويساعد في النتائج التي تكون تدريجية (على سبيل المثال، تطوير أفكار تستند إلى ملاحظات العملاء حول المنتجات الحالية) وكذلك الجذرية (على سبيل المثال، إيجاد روابط محتملة بين أفكار مختلفة في مجالات/حقول مختلفة). ومع ذلك، ستظل الأنواع العامة من الابتكار كما هي.” علق خبير آخر قائلاً: “يستمر الذكاء الاصطناعي التوليدي في تطوير التكنولوجيا الذي شهدناه على مدار السنوات القليلة الماضية. لذلك، أعتقد أن أنواع الابتكار التي نعرفها لن تتغير كثيرًا، إن حدث ذلك على الإطلاق.” اتفق خبير آخر على أن اعتماد الذكاء الاصطناعي التوليدي لن يغير تصنيفات الابتكار، لكنه سيؤثر بعمق على الابتكار للمنتجات وخاصة نماذج الأعمال. ومن المثير للاهتمام، أن أحد العلماء أعرب عن رأي مختلف ومثير: “ربما ليس في المدى القصير، ولكن على المدى الطويل، سيتحدى الذكاء الاصطناعي التوليدي المفاهيم التقليدية للابتكار الفني وقد يظهر المحتوى الفني الذي تم إنشاؤه بواسطة الذكاء الاصطناعي (مثل الموسيقى) كحقل إبداعي جديد تمامًا.” اتفق معظم العلماء على أن الذكاء الاصطناعي التوليدي يمكن أن يمكّن من دمج وتوليف أنواع مختلفة من الابتكار – مثل الابتكار في المنتجات والعمليات والتسويق – مما يمهد الطريق لظهور نماذج أعمال جديدة تمامًا.

أشار الغالبية العظمى من الخبراء إلى أن منحنى S الخاص بالذكاء الاصطناعي التوليدي (تُستخدم منحنيات S غالبًا في إدارة الابتكار لوصف انتشار التكنولوجيا؛ حيث تعبر بشكل أساسي عن العدد التراكمي لمتبني التكنولوجيا عبر الزمن) يُظهر مرحلة اعتماد غير عادية وسريعة بعد الإطلاق. جادل اثنان من العلماء بأن أنظمة الذكاء الاصطناعي التوليدي المحادثة مثل ChatGPT من المحتمل أن تصبح التكنولوجيا الأكثر اعتمادًا من قبل المستهلكين (ومن المحتمل أيضًا من قبل الشركات) بعد الهاتف الذكي والإنترنت. تذكر أحد الخبراء مقالًا إخباريًا من رويترز حول كيفية أن ChatGPT أصبح “أسرع تطبيق استهلاكي نموًا في التاريخ” بعد أن وصل إلى 100 مليون مستخدم نشط شهريًا بعد شهرين فقط من الإطلاق (هو، 2023). ذكر مشارك آخر في الندوة أن المعلقين في عالم الأعمال اقترحوا أن ChatGPT هو بالفعل التكنولوجيا الأسرع نموًا في التاريخ (بوف، 2023). بينما يتفق العديد من العلماء على أن شكل منحنى S للتكنولوجيا ليس ثابتًا، وبالتالي يحد من الفائدة التوجيهية لنموذج منحنى S، أكد الخبيران المذكوران أعلاه بشكل مستقل أن الذكاء الاصطناعي التوليدي يقدم العديد من المزايا غير المسبوقة عبر العديد من الصناعات ويمكن أن يتناسب بسلاسة مع قدرات العملاء والشركات الحالية. ومع ذلك، شعر جميع المشاركين في الندوة أنه على الرغم من انتشاره السريع واعتماده، فإن الذكاء الاصطناعي التوليدي لا يزال في المراحل المبكرة من دورة حياته التكنولوجية. على وجه الخصوص، ذكر أحدهم أنه “لا أعتقد أن تصميمًا مهيمنًا قد ظهر بعد. أعتقد أننا لا نزال في عصر التخمر – حيث يتم تجربة نماذج/تكنولوجيات مختلفة (في مجالات مختلفة). لسنا متأكدين بعد من كيفية استخدام تقنيات الذكاء الاصطناعي التوليدي في المجالات المختلفة. أعتقد أن تصميمًا سائدًا سيظهر بمجرد تحديد حالات الاستخدام القيمة والتحقق منها، مما يؤدي بدوره إلى تأثيرات شبكية بين المتبنين.

جادل معظم الخبراء بأن الإبداع العلمي والفني سيتم تعزيزه وتمكينه من خلال الذكاء الاصطناعي التوليدي، وقد يتم تصوره بشكل مختلف لاستيعاب هذه التكنولوجيا. شعر العديد منهم أن المفاهيم التقليدية للإبداع البشري الفردي والتنظيمي ستستبدل بالعصف الذهني بين البشر وأنظمة الذكاء الاصطناعي التوليدي. اقترح الخبراء أن هذا سيكون أكثر صلة بالإبداع الفني حيث لا تعيق القوانين الفيزيائية (التي تقيد العلوم الصعبة) توليد الأفكار أو تنفيذها. وذكر أحدهم أنه “ليس من المستغرب أن العديد من برامج التصميم والموسيقى الإبداعية تدمج بشكل متزايد الذكاء الاصطناعي التوليدي.”

أفاد معظم الخبراء أن تقدم الذكاء الاصطناعي العام سيجعل الحماية الحالية للملكية الفكرية غير صالحة. وقد جادل أحدهم بأن “من المحتمل أنه بعد عقدين من الزمن، ستقوم الحكومات في بعض البلدان – تلك الأكثر ميلاً لتشجيع
“ستبدأ الابتكارات التكنولوجية مثل تلك الموجودة هنا في الولايات المتحدة في تطوير قوانين تعدل بشكل كبير حقوق الطبع والنشر.” وقد اقترح نفس الخبراء أن الذكاء الاصطناعي العام سيؤدي إلى مفاهيم جديدة للملكية الفكرية (الحماية) في إدارة الابتكار. وقد اتفق العديد منهم على أن الحكومات بحاجة إلى أطر محدثة تسمح لأنظمة الذكاء الاصطناعي العام بالعمل بكامل طاقتها؛ حتى أن أحد الخبراء الأكثر راديكالية جادل بأن قانون حقوق الطبع والنشر الحالي “يجب أن يختفي” لتحقيق هذا الهدف. ومع ذلك، اقترح أقلية كبيرة من الخبراء أن الملكية الفكرية هنا لتبقى وبشكل كبير في شكلها الحالي (أي كبراءات اختراع، وعلامات تجارية وحقوق طبع ونشر). وقد ذكر هذه المجموعة الأخيرة من الخبراء أن مقدمي خدمات الذكاء الاصطناعي العام يجب أن يتعاونوا بدلاً من ذلك بشكل مستمر مع مكاتب براءات الاختراع وهيئات تنفيذ قانون حقوق الطبع والنشر.

اختلف معظم الخبراء حول أن وجود الذكاء الاصطناعي التوليدي سيجعل الفارق بين الاستراتيجيات المتعمدة مقابل الاستراتيجيات الناشئة في تطوير المنتجات الجديدة أكثر وضوحًا. جادل العديد منهم بأن
غالبًا ما تكون الاستراتيجيات الناشئة مسألة حظ للموظفين والمديرين، على الرغم من أنه من الممكن أن تنتج الذكاء الاصطناعي العام حلولًا غير متوقعة من خلال عناصر مدمجة من “العشوائية الإيجابية”. يمكن أن تساعد هذه “العشوائية” الإيجابية في تعزيز قدرة البشر على تطوير أفكار غير تقليدية خلال عملية تطوير المنتجات الجديدة. علاوة على ذلك، جادل معظم الخبراء بأن الذكاء الاصطناعي العام سيغير كيفية تصور علماء الإدارة لفرق تطوير المنتجات الجديدة. في الواقع، ستحتاج الديناميات داخل فرق تطوير المنتجات الجديدة إلى التغيير لاستيعاب الزيادة في إدماج الآلات. كنتيجة لهذين النقطتين الأوليين (العشوائية الإيجابية التي تضخها أنظمة الذكاء الاصطناعي العام وفرق الابتكار الأكثر تنوعًا)، توقع معظم الخبراء أن علماء إدارة الابتكار سيعدلون الطريقة التي يتصورون بها ويصوغون بها عملية تطوير المنتجات الجديدة. في الواقع، ستؤثر التعاونات بين البشر وأنظمة الذكاء الاصطناعي العام على الهيكل والمدة والكفاءة في سير العمل. بالإضافة إلى ذلك، شعر معظم الخبراء أن الذكاء الاصطناعي العام سيمكن من تقنيات التجريب والتحقق في الوقت الحقيقي، مما يمكّن مديري الابتكار من تحويل أفكارهم بسرعة إلى منتجات/عمليات/نماذج أعمال. وبالمثل، سيحسن الذكاء الاصطناعي العام اختبار المنتجات الجديدة من خلال السماح بالتقاط ومعالجة تفضيلات واحتياجات المستهلكين في الوقت الحقيقي. على سبيل المثال، ذكر أحد الخبراء النمذجة الرقمية كوسيلة لاختبار المنتجات الجديدة بسرعة وبتكلفة منخفضة.

جادلت الغالبية العظمى من الخبراء بأن أنظمة الذكاء الاصطناعي التوليدي متعددة الوسائط (أي أنظمة الذكاء الاصطناعي التوليدي التي تنتج مخرجات من أكثر من نوع واحد من مدخلات البيانات، بما في ذلك النصوص، الصوت، الصوتيات، الفيديو، والصور) من المحتمل أن تلعب دورًا أكبر في ميزة الشركات التنافسية وأداء الابتكار مقارنةً بأنظمة الذكاء الاصطناعي التوليدي أحادية الوسائط. ذكر العديد من المشاركين في الندوة أن أنظمة الذكاء الاصطناعي التوليدي متعددة الوسائط يمكن أن تعزز تجربة المستخدمين، وبالتالي رضاهم، من خلال جعل المحتوى أكثر ثراءً وتفاعلية وشخصية عالية. كما أشار أحد الخبراء إلى أن المحتوى المخصص يمكن أن يكون ذا صلة خاصة في التسويق الرقمي وحملات الاتصال، التي يمكن أن تستفيد من تاريخ التصفح، والاستفسارات النصية، والتفضيلات البصرية، والبيانات الرقمية (بخصوص حجم المحتوى والأسعار). ثالثًا، أكد الخبراء أن الذكاء الاصطناعي التوليدي متعدد الوسائط يمكن أن ينتج محتوى (جديد) ذي صلة سياقية. أخيرًا، تسمح تعدد وسائط البيانات لأنظمة الذكاء الاصطناعي التوليدي بامتصاص البيانات من مصادر متباينة، مما يخلق العديد من (المصادر المحتملة التي لا حصر لها) للابتكار. بشكل عام، فإن أنظمة الذكاء الاصطناعي التوليدي متعددة الوسائط لها تداعيات أوسع على تجربة المستخدم ورضاه مقارنةً بنظيراتها أحادية الوسائط.

أشار معظم أعضاء اللجنة إلى أن إدخال وتوطيد أنظمة الذكاء الاصطناعي العام من المحتمل أن يخلق شبكة كثيفة من الفاعلين والمساهمين – ليس جميعهم بشر – الذين سيتفاعلون بشكل متزايد في سعيهم لتحقيق نتائج مبتكرة. وهذا يعني أن الابتكار المدعوم بالذكاء الاصطناعي العام سيحدث من خلال وكالة موزعة، مما سيتطلب أيضًا تفاعلات بين البشر والذكاء الاصطناعي العام ستعدل أنشطة وعمليات الابتكار. لهذه الأسباب، اعتقد معظم الخبراء أن الذكاء الاصطناعي العام سيزيد من أهمية أبحاث نظم المنصات (الرقمية).

جادل معظم الخبراء بأن الإطار الحالي لتنظيم الكيانات التي تسعى إلى الابتكار المدعوم بالذكاء الاصطناعي يجب تحديثه، إن لم يكن تعديله بشكل جذري. وهذا يعني الحاجة إلى سياسات وقوانين وتنظيمات جديدة. وبالمثل، قد تحتاج السلطات المعنية بمكافحة الاحتكار إلى مراجعة أدواتها لضمان عدم تشويه المنافسة في السوق من قبل بعض الشركات التي تستخدم (أو تسيء استخدام) أنظمة الذكاء الاصطناعي لبناء مراكز قوية.

أغلب أعضاء اللجنة اتفقوا على أن التطبيق غير الأخلاقي للذكاء الاصطناعي التوليدي يمكن أن يسبب تحيزًا في الابتكار. وذكر العديد منهم التزييف العميق كـ
الابتكار مع عدة عواقب ضارة، بما في ذلك الأضرار السمعة للأفراد والمنظمات، وفقدان الوظائف، وتشوهات في المنافسة السوقية، وانتشار المعلومات المضللة. ومع ذلك، تفتقر معظم الدول حاليًا إلى إطار تنظيمي يمكن أن يوفر الحماية ضد المحتوى الناتج عن إساءة استخدام الذكاء الاصطناعي التوليدي. ثانياً، أشار الخبراء إلى أن أنظمة الذكاء الاصطناعي التوليدي تولد بشكل متزايد معلومات مضللة (مثل المنشورات أو المراجعات المزيفة) التي يمكن أن تحيد – إن لم تعطل – اتخاذ القرارات من قبل المستهلكين والمديرين. يمكن أن يؤدي ذلك في النهاية إلى قرارات غير مثلى وخسائر كبيرة. أخيرًا، اتفق الخبراء على أن نماذج الذكاء الاصطناعي التوليدي يمكن أن تكون متحيزة ضد بعض الأفراد أو المجموعات، بناءً على ليس فقط بيانات تدريب النموذج، ولكن أيضًا غياب الضوابط الأخلاقية على خوارزميات الذكاء الاصطناعي التوليدي. وهذا يعني أن بعض مجموعات أصحاب المصلحة قد تستفيد بشكل غير متناسب من الابتكار المدعوم بالذكاء الاصطناعي التوليدي مقارنة بالآخرين. باختصار، تحتاج أنظمة الذكاء الاصطناعي التوليدي إلى الامتثال للمعايير الأخلاقية لضمان أن تكون نتائج الابتكار أخلاقية وعادلة في حد ذاتها.

ذكر معظم المشاركين في دلفي أن الذكاء الاصطناعي العام سيعيد تعريف مفاهيم المعرفة والخبرة بشكل جذري. على سبيل المثال، قد يلعب المهندسون الذين يتمتعون بمهارات في توجيه الذكاء الاصطناعي دورًا حاسمًا في نشر أنظمة الذكاء الاصطناعي العام، مما قد يؤدي إلى إنشاء وظائف جديدة، بل وحتى وحدات تنظيمية جديدة. على سبيل المثال، قد تكتسب مختبرات البحث والتطوير السيطرة على تصميم العمل. بناءً على هذا المنطق، ذكر بعض المشاركين في الندوة أن إعادة تعريف الخبرة والمعرفة ستتطلب على الأرجح تعديل توزيع السلطة داخل المنظمات وعبرها. في هذا السياق، ذكر العديد أن الحدود التنظيمية ستحتاج إلى أن تكون أكثر نفاذية، حيث إن معظم المبتكرين داخل المنظمة لن يحتاجوا إلى معرفة تقنية عميقة بالموضوع. ذكر العديد من الخبراء أنه داخل المنظمة أو خارجها، سيساعد المدربون العاملين في مجال الابتكار والمديرين في التفاعل مع أنظمة الذكاء الاصطناعي العام. أخيرًا، ذكر العديد من الخبراء أن الذكاء الاصطناعي العام قد يؤثر على التنسيق، حيث قد يتعين تقسيم عدد كبير من المهام إلى مهام فرعية أصغر يمكن الاستعانة بمصادر خارجية لها.

جمعت هذه الدراسة بين مراجعة الأدبيات الأكاديمية ونتائج دراسة دلفي التي أجريت مع علماء بارزين في إدارة (الابتكار) الذين هم على دراية بـ GenAI، لتحديد ووصف أهم موضوعات البحث المستقبلية لهذا المجال بشكل نقدي. حددنا 10 موضوعات بحث رئيسية تم وصفها في القسم 4.2. في الجزء المتبقي من هذا القسم، نناقش الموضوعات بشكل نقدي فيما يتعلق بأبحاث إدارة الابتكار الحالية لإبلاغ التطور النظري في دراسات إدارة الابتكار.

وفقًا لخبراء إدارة الابتكار الذين أجرينا معهم مقابلات، لن يقوم الذكاء الاصطناعي التوليدي بتعديل التصنيفات الحالية للابتكار (مثل: المنتج/العملية، الجذري/التدريجي، المدمر للكفاءات/المعزز للكفاءات، المعماري/المكون، الابتكار المفتوح/المغلق، إلخ) على المدى القصير. تشير الأدبيات المتعلقة بإدارة الابتكار إلى أن هناك أربعة أشكال قابلة للقياس من الابتكار: الابتكار في المنتج، الابتكار في العملية، الابتكار التنظيمي، وابتكار التسويق (جولت، 2018). يتم عادةً التقاط الشكلين الأولين (المنتج والعملية) من خلال استبيانات الابتكار القياسية. حتى الآن، تم ربط الذكاء الاصطناعي التوليدي بشكل رئيسي بابتكار المنتج: أي المحتوى الجديد الذي يمكنه توليده للمستخدمين النهائيين (المستهلكين والمديرين). ومع ذلك، من خلال دمج هذا النوع من الابتكار (جولت، 2018) مع نتائج دراستنا دلفي، يمكننا تخيل أن الذكاء الاصطناعي التوليدي يمكّن أشكالًا متعددة من الابتكار (انظر الجدول 2):

فيما يتعلق بتصنيف الابتكار الجذري مقابل الابتكار التدريجي، أشار ديوار وداتون (1986) إلى أن “الابتكارات الجذرية هي تغييرات أساسية تمثل تغييرات ثورية في التكنولوجيا. إنهم

تمثل انحرافات واضحة عن الممارسات الحالية (Duchesneau et al.، 1979؛ Ettlie، 1983). في المقابل، تعتبر الابتكارات التدريجية تحسينات طفيفة أو تعديلات بسيطة في التكنولوجيا الحالية (Munson وPelz 1979). الفرق الرئيسي الذي تعكسه التسميات الجذرية والتدريجية هو درجة المحتوى الجديد من العمليات التكنولوجية المتضمنة في الابتكار، وبالتالي، درجة المعرفة الجديدة المدمجة في الابتكار” (ص. 1422-1423). اتفق معظم المشاركين في دلفي على أن GenAI سيدعم كل من الابتكار التدريجي والجذري (انظر الجدول 3):

كان هناك توافق بين خبرائنا الذين تم مقابلتهم على أن الذكاء الاصطناعي التوليدي لا يزال في “عصر التخمر”. هنا، ندمج ملاحظاتهم مع المعلومات المتاحة.

نظرية إدارة الابتكار. في الأدبيات، تصور أوتر باك وأبرناثي (1975) – وأثبتوا تجريبيًا – إطارًا رئيسيًا لتطور التكنولوجيا حيث تمر التكنولوجيا بمراحل مختلفة. في المرحلة الأولى، المسماة المرحلة السائلة، هناك قدر كبير من عدم اليقين بشأن كل من التكنولوجيا وسوقها. قد تناسب المنتجات والخدمات المستندة إلى التكنولوجيا احتياجات أسواق معينة، لكنها مع ذلك تكون مكلفة أو بدائية أو غير موثوقة. في هذه المرحلة، تجرب الشركات أشكالًا مختلفة أو ميزات للمنتجات لتقييم استجابة السوق. في النهاية، يبدأ المنتجون والعملاء في الوصول إلى بعض الإجماع حول الخصائص المرغوبة للمنتج ويظهر تصميم مهيمن. أطلق أوتر باك وأبرناثي (1975) على هذه المرحلة اسم المرحلة المحددة لأن الابتكارات – سواء في المنتجات أو المواد أو عمليات التصنيع – كلها محددة للتصميم المهيمن. يحدد التصميم المهيمن بنية مستقرة للتكنولوجيا ويمكّن الشركات من تركيز جهودها على الابتكارات العملية (التي تجعل التصميم أكثر فعالية وكفاءة) أو الابتكارات التدريجية (لتحسين المكونات داخل بنية معينة). على سبيل المثال، في معظم الاجتماعات والفعاليات الدولية التي تشمل قادة سياسيين من دول مختلفة، لا يزال يتم استخدام مترجمين بشريين محترفين. من ناحية أخرى، يتم استخدام خدمات مدعومة بالذكاء الاصطناعي مثل Interprefy بشكل متزايد من قبل الشركات (حتى الشركات الرائدة في تطوير التكنولوجيا مثل Alphabet/Google وFacebook وIntel) في جميع أنحاء العالم.

استنادًا إلى النموذج المقترح من قبل أتر باك وأبرناثي (1975)، درس أندرسون وتوشمان (1990) تاريخ عدة صناعات أمريكية (الأسمنت، الزجاج، والحواسيب) ووجدا أن كل انقطاع تكنولوجي أدى إلى فترة من الاضطراب وعدم اليقين، والتي أطلقا عليها اسم عصر التخمر. يمكن أن تقدم التكنولوجيا الجديدة قدرات رائدة، ولكن قد يكون هناك القليل من الاتفاق حول ما يجب أن تكون عليه الأنظمة الفرعية الرئيسية للتكنولوجيا أو كيفية تكوينها. مع استبدال التكنولوجيا الجديدة سابقتها، تشارك الشركات في منافسة تصميم حيث تجرب أشكالًا تكنولوجية مختلفة. وجد أندرسون وتوشمان (1990) أن التصميم السائد لا يأخذ أبدًا شكل الانقطاع الأصلي، ولا شكل الحافة الرائدة للتكنولوجيا. بدلاً من ذلك، يميل التصميم السائد إلى تجميع مجموعة من الميزات التي تلبي بشكل أفضل متطلبات غالبية السوق. من المحتمل أن تؤدي التطورات في الذكاء الاصطناعي التوليدي إلى تحول من العمالة الفنية عالية المهارة إلى إنتاج بحث كثيف رأس المال مع استثمارات ثابتة في الذكاء الاصطناعي التوليدي (كوكن وبقية، 2018). حاليًا، لا توجد أسواق منظمة لأدوات بحث الذكاء الاصطناعي التوليدي والمعايير لهذه الأدوات في مرحلة ناشئة (فيراس-هيرنانديز وآخرون، 2023؛ مورلي وآخرون، 2020؛ ناغندران وآخرون، 2020). في الأشهر القليلة الماضية، شهدنا شركات التكنولوجيا تحاول تشكيل سوق جديدة لأدوات الذكاء الاصطناعي التوليدي (البحث): انظر المبادرات والمشاريع التي أطلقتها OpenAI ومايكروسوفت (مثل ChatGPT)، أو من قبل جوجل/ألفابت (مثل Apprentice Bard).

لاحظ تقريبًا جميع الخبراء أن الذكاء الاصطناعي التوليدي في عصره من الاضطراب، حيث لم يظهر تصميم سائد بعد. وهذا يعني أن اللاعبين الرئيسيين سيستمرون في المنافسة لبعض الوقت. كما اتفق الخبراء على أن التصميم السائد لن يكون بالضرورة هو النظام الأكثر أداءً في الذكاء الاصطناعي التوليدي، بل الأكثر اعتمادًا. أضاف ثلاثة خبراء أنه من المحتمل أن يكون هناك عدد من التصاميم السائدة بقدر ما توجد من تطبيقات/مجالات عمل. ذكر معظم الخبراء عدة شركات كمرشحين محتملين لتحقيق تصميم سائد: OpenAI، Microsoft، Google/Alphabet، Facebook، Salesforce، وAmazon (انظر الشكل 2). حتى أن شخصًا ما ذكر Baidu وTencent. وأحدهم جادل بأن كل واحدة من الشركات المذكورة يمكن أن تطور تصميمًا سائدًا لمنصتها الخاصة، مشابهًا لما حققته Intel لمعالجات الكمبيوتر (مع علامة “Intel Inside”).

أشار معظم الخبراء إلى أن الموردين الرئيسيين للأجهزة مثل إنفيديا وآي بي إم وآي إم دي وإنتل سيحتفظون بسلطة تفاوضية ذات صلة. وذهب اثنان من الخبراء إلى أبعد من ذلك ليقترحا أن التصميم المهيمن سيكون بسيطًا للغاية بالنسبة للمستخدمين لتطبيقه. قال أحدهم إن البنية المهيمنة من المحتمل أن تستند إلى نماذج المحولات (فاسواني وآخرون، 2017)، والتي تكون فعالة جدًا في توليد اللغة الطبيعية (مثل شات جي بي تي، جي بي تي-4). وهذا يمثل ابتكارًا معماريًا يمكن

تمكين مطوري GenAI من الوصول إلى أكبر عدد ممكن من شركات المستخدمين.
لم يظهر المستخدمون بعد اهتمامًا بـ GenAI بالطريقة التي أظهرتها بها الشركات، ولكن الاستثمارات من الشركات التقنية الكبرى قد توسع السوق لأنظمة الذكاء الاصطناعي في السنوات الخمس المقبلة. ومع ذلك، فإن الهدف من توسيع السوق هو أيضًا ضمان أن الكمية المتزايدة من البيانات المتاحة يمكن أن تكون مناسبة لغرض التعلم العميق المدمج في أنظمة GenAI. سيتطلب ذلك أيضًا تطوير خوارزميات يمكنها فصل “الإشارة” عن “الضوضاء” (أي، تمييز البيانات الموثوقة عن غير الموثوقة)، بالإضافة إلى المعلومات الصحيحة من المعلومات المضللة. قد يتوجه المستخدمون إلى التكنولوجيا إذا حولت السلطة للابتكار بعيدًا عن الفنيين ذوي المهارات العالية إلى الأفراد الأقل مهارة.

عبر الخبراء في دراستنا دلفي عن أن الإبداع العلمي والفني سيتم تعزيزه وتمكينه من خلال GenAI – وربما يتم تصوره بشكل مختلف مقارنة بالإبداع غير المدعوم بـ GenAI. تضيف رؤاهم إلى نقاش طويل ومتعدد التخصصات بدأ في الستينيات – عبر علم النفس (مثل ماكينون، 1965؛ ميدنيك، 1962)، وعلم وظائف الأعضاء (مثل ليفي، 1961؛ رودس، 1961) وعلم الاجتماع (مثل غيتزلز وجاكسون، 1961؛ ستراوس، 1968) – حول لماذا وكيف يكون بعض الأفراد أكثر إبداعًا من الآخرين.

لقد تصور بحث إدارة الابتكار تقليديًا الإبداع الفردي على أنه يعتمد على القدرات الفكرية (مثل، الذكاء، الذاكرة، القدرة على النظر إلى المشاكل بطرق غير تقليدية، القدرة على التعرف على الأفكار القيمة والتعبير عنها للآخرين)، والشخصية (مثل، الانفتاح على التجربة)، والمعرفة (مثل، كمية المعرفة الخاصة بالمجال)، والدافع (مثل، المتعة البسيطة مقابل المكافآت الخارجية) والبيئة (مثل، ما إذا كان السياق مرنًا أو صارمًا بشأن المساحة المخصصة للأفراد لاستكشاف أفكارهم بشكل مستقل) (أمابيلي، 2018؛ شيلينغ، 2018). من المثير للاهتمام، أن قدرة فكرية مهمة للإبداع هي قدرة الأفراد على القيام بنشاط ذهني بصري يسمى التفكير في العمليات الأولية (سولر، 1980). تتضمن هذه العملية عمومًا دمج الأفكار التي لا ترتبط عادة، مما يؤدي إلى ما يسمى “الارتباطات البعيدة” أو “التفكير المتباين”. بينما لا يزال أفضل البشر يتفوقون على الذكاء الاصطناعي في مهام التفكير المتباين (كويفيستو وغراسيني، 2023)، فإن معظم البشر لا يفعلون ذلك. علاوة على ذلك، نظرًا لأن GenAI مزود بسعة ذاكرة أفضل وقدرات حسابية، فمن المحتمل أن يكون: 1) أكثر فعالية من البشر في تطوير شبكة أكبر من الارتباطات المحتملة؛ 2) أسرع من البشر في البحث عن مسارات أطول عبر شبكة الارتباطات المحتملة. بناءً على ذلك، قد تبحث الأبحاث المستقبلية في ما إذا كان من المحتمل أن يعزز GenAI أو يسرع التفكير المتباين للأفراد المبدعين المشاركين في المجالات العلمية أو
الفنية.
مؤخراً، جادل بعض العلماء بأن الذكاء الاصطناعي نفسه يمكن أن يكون مبدعًا بمعنى أنه قادر على إنتاج “أفكار جديدة للغاية، ولكن مناسبة، أو حلول للمشاكل، أو مخرجات أخرى” (أمابيلي، 2020: ص. 351). لذلك، قد تستكشف أبحاث إدارة الابتكار المستقبلية ما إذا كان GenAI مبدعًا بنفسه وإلى أي مدى يختلف إبداع GenAI عن الإبداع البشري من حيث محدداته. على سبيل المثال، قد يبحث العلماء في: الذاكرة البشرية مقابل ذاكرة GenAI؛ القدرة البشرية مقابل قدرة GenAI على النظر إلى المشاكل بطرق غير تقليدية؛ القدرة البشرية مقابل قدرة GenAI على تحليل أي الأفكار تستحق المتابعة؛ القدرة البشرية مقابل قدرة GenAI على التعبير عن تلك الأفكار للآخرين؛ ومعرفة المجال البشرية مقابل معرفة المجال لـ GenAI. قد تأخذ الأفكار الجديدة شكل أسئلة مثيرة للاهتمام بدلاً من مجرد حلول. قد يوسع GenAI مجموعة الاستفسارات المناسبة ويغير كيفية تشكيل المجتمعات العلمية والتقنية لأسئلة بحثها.

من الواضح أن GenAI لديه ميزة على البشر من حيث أنه يمكنه استيعاب مجموعات تدريب أكبر تسهل عقلانية أكثر إبداعًا (فورست وفوشو، 2011) التي تكون أقل ارتباطًا، لاقتباس مصطلح من هيربرت سايمون (سايمون، 1984، 1991). وهذا يعني أن العلماء في إدارة الابتكار سيكون لديهم الفرصة لتوسيع تيار البحث حول العقلانية الإبداعية (فورست وفوشو، 2011) من خلال تضمين GenAI في عملهم.

بالطبع، الإبداع ليس حصريًا حول الأفراد الذين يولدون الأفكار؛ بل يتعلق أيضًا بالجمهور (الجماهير) التي تتلقى وتقيّم تلك الأفكار (انظر ميهالي تشيكسينتميهالي (1975) ونظريته حول التدفق). بعبارة أخرى، قد يعتمد نجاح الأفكار والمنتجات الجديدة المدعومة بـ GenAI على استقبال جماهير متنوعة، بما في ذلك المستهلكين، وحراس المجال والخبراء. يثير هذا عدة أسئلة: أولاً، هل ستجذب الابتكارات المدعومة بـ GenAI جماهير متعددة؟ إذا أراد الأفراد المبدعون (مثل، المخترعين، والفنانين) التأكد من أن أفكارهم تلقى قبولًا جيدًا، فإنهم يحتاجون إلى جذب كل من حراس المجال الرئيسيين (هيرش، 1972) والمستهلكين. في الواقع، يحتاج المبدعون إلى معرفة كل من الجماهير المستهدفة لتحديد ما إذا كان لديهم المعرفة والمهارات لتمييز بين العمل الجيد والسيء في المجالات التوليدية (مثل، الموسيقى التوليدية، الكيمياء التوليدية، إلخ). لهذا الغرض، سيحتاج العلماء إلى تطبيق منظور اجتماعي على الإبداع.

ثانيًا، ما هي القواعد التقديرية التي سيستخدمها المستهلكون لتفسير الأفكار الجديدة؟ بموجب “قاعدة الجهد” (كروجر وآخرون، 2004)، يفترض المستهلكون أن العمل الجيد (الفني) يتطلب وقتًا وجهدًا، وبالتالي يحكمون على الجودة بناءً على جهد الفرد أو الفريق المبدع. بموجب “قاعدة الموهبة” (تشو وشوارز، 2008)، على النقيض من ذلك، قد يتكهن المستهلكون بأن المنتجين الموهوبين أسرع (ويحتاجون إلى استثمار جهد أقل) من المنتجين غير الموهوبين في إنتاج منتج بجودة مماثلة. وهذا له تداعيات على البحث: بعد كل شيء،

الابتكارات المدعومة بـ GenAI (نصوص جديدة، موسيقى، فيديو، إلخ) لا تستغرق الكثير من الوقت لتكون مُنشأة. إذا اعتمد المستهلكون “قاعدة الجهد” (كروجر وآخرون، 2004)، فقد يستنتجون أن المنتجات المدعومة بـ GenAI ذات جودة منخفضة؛ ولكن إذا اعتمدوا “قاعدة الموهبة”، فقد يتفاجأون بكفاءة الخوارزميات الأساسية. يجب أن تقيم الأبحاث المستقبلية متى ولماذا يطبق المستهلكون هذه القواعد على GenAI.

ثالثًا، كيف ستشكل الإبداع التنظيمي مزيجًا من الإبداع البشري وإبداع الذكاء الاصطناعي؟ يعتمد الإبداع التنظيمي ليس فقط على الأفراد داخل المنظمة، ولكن أيضًا على العوامل الاجتماعية والسياقية (مثل، الهيكل التنظيمي، والحوافز، والروتين) التي تشكل كيفية تفاعل هؤلاء الأفراد مع بعضهم البعض (وودمان وآخرون، 1993). من المحتمل أن يؤدي اعتماد المنظمات لأنظمة GenAI إلى تعديل كيفية تفاعل موظفيها مع بعضهم البعض في الأنشطة والعمليات الإبداعية، مع تحميل بعض أعمالهم الإبداعية على تلك الأنظمة. يجب على العلماء المستقبليين استكشاف هذه الديناميات، موسعين الأبحاث الحالية (مثل، وودمان وآخرون، 1993) حول الإبداع التنظيمي لتحديد كيف ستؤثر تلك الأنظمة على الهياكل التنظيمية، والحوافز، والروتين.

رابعًا، هل تُعتبر الفكرة الجديدة أصيلة بغض النظر عن منشئها (إنسان مقابل نظام GenAI)؟ كما تشير الأدبيات، فإن الأصالة مفهوم معقد جدًا (ليمان وآخرون، 2019) مع ثلاثة إشارات واسعة: 1) الاتساق؛ 2) الامتثال؛ 3) الاتصال. إذا تم تصور الأصالة على أنها “الاتساق” بين التعبيرات الخارجية للكيان وقيمه/معتقداته الداخلية، فمن المحتمل أن يتم تجسيد المنتجات/العلامات التجارية المدعومة بـ GenAI (وربما GenAI نفسها). في هذه الحالة، قد تبحث الأبحاث المستقبلية في جوانب مختلفة من عملية التجسيد هذه، مثل كيفية إدراك مختلف أصحاب المصلحة للهوية. إذا تم تصور الأصالة على أنها “الامتثال” (على سبيل المثال، لكيان ما إلى الفئة الاجتماعية التي تم تعيينه لها أو التي ادعى أنها له)، فيجب أن تتعامل الأبحاث المستقبلية مع كيفية عمل كيانات GenAI ضمن الفئات الموجودة (المنتجات المصنوعة يدويًا مقابل المنتجات المصنوعة بواسطة GenAI مقابل المنتجات الهجينة) وكيف يقوم الجمهور (المستهلكون، حراس البوابة، إلخ) بإجراء نسب الأصالة بناءً على الامتثال للمعايير المتأصلة في تلك الفئات (أي، الابتكار البشري، الابتكار المدعوم بـ GenAI، الابتكار الهجين). قد يحتاج العلماء إلى دراسات طولية لتقييم كيفية تغير الفئات بمرور الوقت – على سبيل المثال، بعد 20 أو 30 عامًا من الآن، قد تصبح فكرة الابتكار الهجين بين البشر وGenAI هي “الافتراضية”. أخيرًا، إذا تم تصور الأصالة على أنها “اتصال” بين كيان وشخص أو مكان أو زمن، فسيتعين على الأبحاث التعامل مع انتشار الفضاء الرقمي وتناقص أهمية الأصل. مع زيادة المسافة المكانية أو الزمنية بين كيان وأصله، من الممكن أن تثير الابتكارات المدعومة بـ GenAI الأصالة من خلال مجرد الإشارة إلى شخص أو مكان أو زمن من الاهتمام. يجب أن تتعمق الأبحاث المستقبلية في إدارة الابتكار في هذا التعبير المعقد عن الأصالة.

كما اقترح خبراء دلفي، من المحتمل أن تتغير المفاهيم التقليدية للإبداع البشري الفردي والتنظيمي، لكن هذا سيكون أكثر صلة بالإبداع الفني حيث لا تقيد قوانين الفيزياء والكيمياء (المتعلقة بمجالات العلوم الصعبة) توليد الأفكار أو تنفيذها. وبالتالي، يجب أن يتم وضع المناقشة المتعلقة بالتحيزات الحكمية والأصالة في سياق الإبداع الفني مقابل الإبداع العلمي.

ذكر غالبية الخبراء المشاركين في دراسة دلفي أن GenAI سيقوض تصوراتنا الحالية لحقوق الملكية الفكرية (IP) في إدارة الابتكار. وفقًا لعدة خبراء، ستصبح حقوق الملكية الفكرية التقليدية غير ذات صلة بقدرة أنظمة GenAI على إنشاء منتجات جديدة في بيئات غنية بالبيانات (ويدل وكانان، 2016). في هذا الصدد، قد تحتاج الأبحاث المستقبلية إلى تنمية خطين تكميليين يتعلقان بالمدخلات والمخرجات لأنظمة GenAI (انظر الشكل 3).

كما يوضح الشكل 3، يتم تدريب أنظمة GenAI على مجموعة من مدخلات البيانات – النصوص، الصوت، الفيديو، إلخ. قد تكون بعض هذه المدخلات محمية

بموجب حقوق الطبع والنشر و/أو قانون براءات الاختراع. بمجرد إدخال مجموعة التدريب في نظام GenAI، لا يمكن للنظام نسب المحتوى إلى مؤلفين شرعيين أو تعويضهم عن استخدام المحتوى المحمي بحقوق الطبع والنشر. لم يعد هذا الانتهاك لقانون حقوق الطبع والنشر و/أو براءات الاختراع التقليدي نظريًا: كما تظهر دعوى جماعية حديثة من الفنانين ضد Stability AI وMidjourney وDeviantArt (مقدمي أنظمة الذكاء الاصطناعي) (بريتان، 2023)، فإن استخدام أنظمة GenAI يحمل خطر انتهاك حقوق الطبع والنشر و/أو قانون براءات الاختراع إذا لم تقم شركة GenAI بترخيص الملكية الفكرية (IP) بشكل قانوني. وهذا يترجم إلى عدم اليقين بشأن كيفية استحواذ القيمة ومن قبل من. يتعامل العديد من علماء قانون الملكية الفكرية والممارسين القانونيين حاليًا مع هذه القضايا الشائكة (سامويلسون، 2023). ما لم يتم تعديل قوانين حقوق الطبع والنشر/براءات الاختراع التقليدية، فإن الأنظمة القانونية الوحيدة لـ GenAI ستكون تلك المدربة على أعمال الملكية العامة (أي، الأعمال التي انتهت حقوق الطبع الخاصة بها بالفعل) أو بموجب تراخيص. في الحالة الأخيرة، يجب أن تؤثر اتفاقية الترخيص على الجميع (الأفراد والمنظمات) الذين يستخدمون GenAI، بما في ذلك رواد الأعمال والشركات التي تدمج GenAI في منتجاتها الجديدة. قد تحد هذه الحالة من حجم مجموعات التدريب، مما يمنع أنظمة GenAI من العمل بكامل طاقتها. من المحتمل أن يظهر نقاش بين فصيلين: من جهة، سيدافع المحافظون عن قانون حقوق الطبع الحالي؛ ومن جهة أخرى، سيحاول المستقبليون/التكنولوجيون تحدي قانون حقوق الطبع التقليدي باسم التقدم التكنولوجي. قد يكون هناك أيضًا طريق ثالث، حيث يتم تحديد تاريخ حاسم، حيث يقوم صانعو السياسات بتقصير مدة حقوق الطبع (النوافذ الحالية تغطي عادةً 50 عامًا بعد وفاة المؤلف أو صاحب حقوق الطبع) أو حتى تحديد تاريخ بعده لم يعد قانون حقوق الطبع التقليدي ينطبق على الأعمال الفكرية الجديدة. نظرًا لاختلاف قوانين حقوق الطبع من دولة إلى أخرى، من المحتمل أن تقوم بعض الدول بتعديل قوانين حقوق الطبع الخاصة بها قبل الأخرى، مما قد ينتج عنه عدم انسجام قد ينفي الاتفاقيات الدولية الحالية (مثل اتفاقية برن، اتفاقية حقوق الطبع العالمية، معاهدة حقوق الطبع لمنظمة الملكية الفكرية).

نظرًا لأهمية بيانات التدريب لأداء أنظمة GenAI، من المحتمل أن تتمكن الشركات التي تمتلك/تتحكم في كميات كبيرة من البيانات الخاصة من توليد قيمة ابتكارية أعلى من المنظمات التي لا تمتلك/تتحكم في مثل هذه البيانات. وهذا يعني أن الشركات المجهزة ببيانات خاصة قيمة ونادرة وغير قابلة للتقليد وغير قابلة للاستبدال ستكون أيضًا تلك التي تتفوق على المنافسين من حيث خلق القيمة واستحواذها (مع تساوي خوارزميات الذكاء الاصطناعي التوليدية). وهذا يعني أن الشركات التي تمتلك/تتحكم في البيانات ستحصل على ميزة ابتكارية مستمرة على المنافسين (كوكن وبقية، 2018) – ميزة لن تعتمد على اقتصادات الحجم وتأثيرات الشبكة. تستدعي هذه الإمكانية تطبيق وجهة النظر القائمة على الموارد (RBV) (بارني، 1991)، وإطار القدرات التنظيمية (هيلفات وليبرمان، 2002)، وإطار القدرات الديناميكية (تييس وآخرون، 1997) على دراسات إدارة الابتكار المتعلقة بـ GenAI.

هناك العديد من الأسئلة المفتوحة المحيطة بموضوع المخرجات (إبستين وآخرون، 2023). من يملك حقوق الطبع والنشر لمنتج جديد تم إنشاؤه بواسطة نظام GenAI؟ هل حامل حقوق الطبع هو مهندس الطلب الذي استخدم نظام GenAI بمهارة؟ بشكل عام، من سيحتفظ بحقوق الملكية الفكرية للمنتجات الجديدة الناتجة عن أنظمة GenAI؟
هل يجب أن تُشارك حقوق الطبع بين مهندس الطلب ونظام GenAI؟ من يجب أن يحصل على العائدات وفي أي شكل؟ كيف سيتم حماية المنتجات الجديدة الناتجة عن GenAI بموجب قوانين الملكية الفكرية؟ كيف يجب تعديل نماذج الأعمال لتعكس خلق القيمة من خلال أنظمة GenAI؟ نظرًا لأن GenAI من المحتمل أن يولد منتجات وعمليات جديدة أسرع من الأنظمة الأخرى، كيف يمكن لمكاتب براءات الاختراع تسريع عبء العمل الخاص بها لحماية ابتكارات GenAI؟

كما توقع أحد المشاركين في دراسة دلفي الأمريكية، قد يحتاج علماء إدارة الابتكار إلى تصور أشكال/أنواع جديدة من حقوق الملكية الفكرية (الحماية) التي تغطي مخرجات الذكاء الاصطناعي التوليدي. قد تأتي هذه في شكل تراخيص جديدة و/أو اتفاقيات حقوق ملكية فكرية. علاوة على ذلك، فإن المنظمات الخاصة لديها حوافز أقل من نظرائها العامة (مثل الجامعات أو الحكومات) لمشاركة نتائج الابتكار الناتجة عن الذكاء الاصطناعي التوليدي؛ قد يكون نشر النتائج للمجتمع الأوسع ثانويًا مقارنة بحماية مخرجاتهم من الذكاء الاصطناعي التوليدي. ستتميز الحوافز المختلفة بسلوك الباحثين والمبتكرين الأكاديميين مقابل الخاصين. نأمل أن تجعل المنظمات غير الربحية التي تقود وتشكل معظم مشاريع الذكاء الاصطناعي التوليدي (مثل OpenAI) عملها وبياناتها متاحة. نظرًا لأن الابتكارات التي تنتجها كل من المنظمات الخاصة والعامة تعتمد على تجميع البيانات من مصادر متباينة، سيكون من المهم لجميع القطاعات تطوير قواعد النسبة.

جادلت الغالبية العظمى من المشاركين في دراستنا في دلفي بأن الذكاء الاصطناعي التوليدي سيغير كيفية فهم الباحثين في الإدارة لفرق تطوير المنتجات الجديدة. حاليًا، حددت الأدبيات الحالية ثلاثة أهداف متضاربة في أطر تطوير المنتجات الجديدة: 1) تقليل زمن دورة التطوير؛ 2) زيادة توافق المنتج مع احتياجات ومتطلبات العملاء؛ و 3) تقليص تكاليف التطوير (شيلينغ، 2008، 2023). من خلال الذكاء الاصطناعي التوليدي، قد يتمكن مدراء الابتكار من تحقيق هذه الأهداف الثلاثة معًا دون إجراء تنازلات كبيرة. بالنسبة لكل نقطة، يمكن أن يسهم الذكاء الاصطناعي التوليدي في: 1) تقليل الوقت اللازم للبحث والتطوير؛ 2) دعم الاختبار الفوري للمنتجات الجديدة (وبشكل عام، التحقق من مقترحات نماذج الأعمال)؛ و 3) تقليص تكاليف التطوير من خلال استخدام النماذج الرقمية. بهذه الطرق، قد يولد الذكاء الاصطناعي التوليدي اختراقًا في الأبحاث المتعلقة بتسريع تطوير المنتجات الجديدة (على سبيل المثال، نيجسن وآخرون، 1995؛ شمنر، 1988)، مما يؤدي إلى نماذج جديدة تتجاوز الأطر المعمول بها لعمليات التطوير المتسلسلة والمتوازية وجزئيًا المتوازية (على سبيل المثال، غريفين، 1992).

لقد كشفت الأدبيات عن أدوات متنوعة في عمليات تطوير المنتجات الجديدة – مثل عمليات المرحلة-البوابة (على سبيل المثال، كوبر وكلاينشميت، 1991)، ونشر وظائف الجودة (على سبيل المثال، كارنيفالي وميغيل، 2008؛ كلاوسين وهاوزر، 1988)، وتحليل أنماط الفشل وتأثيرها، والتصميم والتصنيع بمساعدة الكمبيوتر (أيمار وآخرون، 2019) – التي يمكن تعزيزها بشكل كبير من خلال أنظمة الذكاء الاصطناعي التوليدي. على سبيل المثال، يمكن استخدام أنظمة الذكاء الاصطناعي التوليدي لتعزيز عملية المرحلة-البوابة التقليدية، وتعزيز جلسات العصف الذهني الإبداعي، أو تسهيل النمذجة الأولية على نطاق صغير من خلال العرض الرقمي والطباعة ثلاثية الأبعاد. يمكن أن تساعد دراسة تلك التطبيقات في توسيع الأبحاث الصناعية الحالية حول أهمية الذكاء الاصطناعي التوليدي في التصميم والتطوير (بروسارد وآخرون، 2020). بمساعدة الذكاء الاصطناعي التوليدي، يمكن لمديري الابتكار التحقق من افتراضاتهم في الوقت القريب من الحقيقي، مما يسمح لهم بتحويل أفكارهم التجارية إلى منتجات/عمليات/نماذج أعمال بشكل أسرع. سيساهم فحص تلك التطبيقات بشكل كبير في توسيع الأدبيات الحالية حول التجريب والتحقق (ثومكي، 2020). وبالمثل، يمكن للشركات الاستفادة من الذكاء الاصطناعي التوليدي لجعل اختبار منتجاتها الجديدة أكثر استجابة لتغير تفضيلات واحتياجات المستهلكين (مارياني ووامبا، 2020). لا يمكننا تجاهل أن أنظمة الذكاء الاصطناعي التوليدي ستستخدم أيضًا لإنشاء شخصيات العملاء وشرائحهم لمحاكاة قبول المنتجات الجديدة واعتمادها. بشكل عام، سيساعد دمج الذكاء الاصطناعي التوليدي في أبحاث اختبار الابتكار والتجريب في توسيع مجرى البحث حول تحليلات الابتكار (ككاتكار وآخرون، 2020؛ مارياني ونامبيسان، 2021).

مسألة أخرى ذات صلة هي كيف يمكن للذكاء الاصطناعي التوليدي تسهيل التعاون بين الشركات والعملاء. في إدارة الابتكار الحالية
لقد أكدت الأبحاث أن إشراك العملاء في تطوير المنتجات الجديدة مهم بشكل خاص لأنهم لا يمثلون فقط مصدرًا للمعلومات، ولكنهم أيضًا يشكلون مطورين فعليين للمنتجات الجديدة (على سبيل المثال، من خلال تقنيات مثل اختبار بيتا والتطوير المرن؛ كوي وو، 2017). وقد اقترحت عدة دراسات أن الشركات يجب أن تركز جهودها في التطوير بشكل أساسي على مدخلات المستخدمين الرائدين (أي أولئك الذين يعبرون عن احتياجاتهم في وقت مبكر عن بقية السوق) بدلاً من عينة كبيرة من العملاء (هيرستات وفون هيبل، 1992). ولهذا الغرض، يسمح الذكاء الاصطناعي التوليدي بمشاركة أكثر سلاسة للعملاء في تطوير المنتجات الجديدة. على سبيل المثال، يمكن للذكاء الاصطناعي التوليدي المحادثاتي أن يتعلم من المستخدمين، حيث يمكن للذكاء الاصطناعي التوليدي المحادثاتي (مثل ChatGPT وGPT-4) استخدام مدخلات العملاء لتشكيل نصوص جديدة. قد يفتح هذا آفاقًا بحثية جديدة، حيث قد تكتسب أنظمة الذكاء الاصطناعي التوليدي تدريجيًا القدرة على تقييم المستخدمين بناءً على خبرتهم المثبتة في فئة معينة من المنتجات (مارياني ونمبسان، 2021) وبالتالي اكتشاف المستخدمين الرائدين (هيرستات وفون هيبل، 1992). باختصار، لدى الذكاء الاصطناعي التوليدي القدرة على التحدث إلى مجموعة أوسع من العملاء، وتمييز بين المستخدمين المتقدمين والمبتدئين.

لقد أكدت الأدبيات أن تطوير المنتجات الجديدة غالبًا ما يتضمن دمج الأقسام والوظائف (Schilling, 2023). في الواقع، هناك تيار بحثي غني يدور حول بناء فرق تطوير المنتجات الجديدة (مثل الحجم الأمثل، التركيب، إلخ)، الهيكل (مثل الهيكل الوظيفي، الخفيف، الثقيل، المستقل، إلخ) والإدارة (مثل قيادة الفريق والإدارة). وليس من المستغرب أن تركز هذه الأدبيات تقريبًا بشكل حصري على الفرق البشرية. ومع ذلك، كما اقترحت الأبحاث الحديثة (مثل Leone et al., 2021؛ Paschen et al., 2020؛ Wamba-Taguimdje et al., 2020؛ Wamba, 2022) وخبراؤنا الذين تم استطلاع آرائهم، فإن البشر وأنظمة الذكاء الاصطناعي يتعاونون بشكل متزايد لخلق القيمة. وبالتالي، قد تصبح الآلات المدعومة بالذكاء الاصطناعي التوليدي قريبًا أعضاء كاملين في فرق تطوير المنتجات الجديدة. في هذا السياق، يجب أن تستكشف الأبحاث المستقبلية ديناميات تكوينات الفرق المختلفة (مثل الفرق البشرية فقط مقابل الفرق الهجينة بين البشر والآلات) من أجل فهم أفضل لخلق القيمة. باختصار، فإن إدخال الذكاء الاصطناعي التوليدي في تطوير المنتجات الجديدة سيؤدي بلا شك إلى تحول كبير في كيفية تصور علماء إدارة الابتكار وعملية تطوير المنتجات الجديدة والفرق.

تقنيًا، يمكن أن تكون أنظمة الذكاء الاصطناعي التوليدي أحادية النمط مقابل متعددة الأنماط. تعمل الأنظمة الأحادية مع نوع واحد من مدخلات البيانات، بينما تولد الأنظمة متعددة الأنماط مخرجات من مدخلات متنوعة (مثل النصوص، الصوت، الصوتيات، الفيديو، والصور) (كاو وآخرون، 2023). يحمل هذا التمييز الفني تداعيات مهمة على نوع نتائج الابتكار التي تحققها الشركات. على سبيل المثال، نظرًا لأن أنظمة الذكاء الاصطناعي التوليدي متعددة الأنماط يمكن أن تدمج أنواع بيانات متعددة بطرق فريدة، فإنها يمكن أن تخلق تجارب أكثر ثراءً وتفاعلية تترجم إلى رضا أكبر ومشاركة من المستخدمين. قد يؤدي استغلال هذه القدرة إلى توسيع الدراسات التسويقية في مجال أبحاث رضا العملاء (تشيرشيل وسوربرينت، 1982)، بالإضافة إلى إثراء دراسات إدارة الابتكار التي تبحث في كيفية تعظيم توافق المنتج مع احتياجات ومتطلبات العملاء (شيلينغ، 2023).

تتمتع الأنظمة متعددة الوسائط أيضًا بميزة السماح بتخصيص عالٍ، مما يمكن أن يساعد المنتجات على التكيف بشكل أفضل مع جماهير وقنوات متنوعة. يجب على الباحثين في إدارة الابتكار دراسة التحول من التخصيص الجماهيري (وانغ وآخرون، 2017) إلى التخصيص الجماهيري بشكل أكثر شمولاً، بغض النظر عن المجال الذي يتم تحليله (الصناعات التحويلية مقابل الصناعات الخدمية).

أخيرًا، يمكن لتقنية الذكاء الاصطناعي التوليدي متعدد الوسائط إنتاج محتوى ذي صلة بالسياق. قد يعزز هذا تقنيات الواقع الافتراضي والواقع المعزز، وتقنيات الميتافيرس بشكل عام (دويفيدي وآخرون، 2022). بالنظر إلى الفرضيات السابقة، قد تختبر الأبحاث المستقبلية ما إذا كانت أنظمة الذكاء الاصطناعي التوليدي متعدد الوسائط تنتج ميزة تنافسية مقارنة بنظيراتها أحادية الوسائط.

اقترح المشاركون في دراسة دلفي أن تقديم و
من المحتمل أن تؤدي عملية دمج أنظمة الذكاء الاصطناعي العام إلى إنتاج شبكة كثيفة من الفاعلين والمساهمين – ليس جميعهم بشرًا – الذين سيتعاونون بشكل متزايد في السعي لتحقيق نتائج مبتكرة. وبالنتيجة، ستحدث الابتكارات المدعومة بالذكاء الاصطناعي العام من خلال الوكالة الموزعة، حيث يمكن أن يكون الفاعلون بشرًا وآلات تتفاعل مع بعضها البعض لتفعيل عمليات الابتكار. سيتعين على أبحاث إدارة الابتكار المستقبلية دمج المفاهيم النظرية التي تلتقط كيف تتوزع وكالة الابتكار عبر عدة فاعلين (ليس فقط من حيث الأفراد البشر أو الآلات، ولكن أيضًا مجموعات من البشر و/أو الآلات). من خلال ذلك، نشجع علماء إدارة الابتكار على توسيع مفهوم أن وكالة الابتكار موزعة في البيئات الرقمية (نامبيسان، 2017).

وفقًا لهذا المنظور الخاص بالوكالة الموزعة، يُعتبر الذكاء الاصطناعي العام مكملاً، بدلاً من أن يكون بديلاً، للبشر الذين يبدأون وينفذون ويديرون مشاريع الابتكار. الأسئلة المثيرة للاهتمام التي يجب تناولها هنا هي: كيف سيتفاعل البشر والمنظمات وأنظمة الذكاء الاصطناعي العام في مشاريع الابتكار وتطوير المنتجات الجديدة؟ هل سيكون هناك تفوق للفاعلين البشريين مقابل الاصطناعيين في مشاريع الابتكار وتطوير المنتجات الجديدة؟ هل سيكون هناك تسلسل هرمي بين الفاعلين البشريين وفاعلي الذكاء الاصطناعي العام في مشاريع الابتكار وتطوير المنتجات الجديدة؟ هل سيفوض البشر المهام الحسابية إلى أنظمة الذكاء الاصطناعي العام ويحتفظون بالمهام التقديرية؟ هل سيتمكن البشر (مثل مديري الابتكار) من الحفاظ على السيطرة على أنظمة الذكاء الاصطناعي العام أثناء التفاعل معها؟ هل سيتغير هذا الديناميكية مع مرور الوقت؟

ذكر بعض خبرائنا أنه، نظرًا لأن الذكاء الاصطناعي العام يميل نحو الفاعلين الموزعين، يمكن للباحثين البناء على نظريات الابتكار المفتوح (تشيسبرو، 2003؛ تشيسبرو وآبليارد، 2007) لاستكشاف كيف سيتفاعل الفاعلون المرتبطون بشكل غير محكم في الابتكار مع أنظمة الذكاء الاصطناعي العام. من المحتمل جدًا أنه على المدى القصير، سيستخدم البشر الذكاء الاصطناعي العام لتعزيز قدراتهم الخاصة (لا روش، 2017؛ رايش وكراكوسكي، 2021). ومع ذلك، قد تتطور تفاعلات البشر مع الذكاء الاصطناعي العام مع مرور الوقت، مما يؤدي إلى انخفاض مشاركة البشر في عمليات الابتكار. وبناءً على ذلك، قد تسلط وجهات النظر التطورية حول الابتكار (نيلسون ووينتر، 1977، 2002؛ ستاو، 1990) الضوء على مسار تفاعلات البشر مع الذكاء الاصطناعي العام في السعي نحو الابتكار.

تتوافق الفكرة القائلة بأن أنشطة الابتكار ستشمل عددًا ملحوظًا من الفاعلين المرتبطين بشكل غير محكم مع فكرة أن الابتكار سيتكشف في نظم الأعمال حيث تحدث عدة تفاعلات بين البشر والذكاء الاصطناعي العام. وبناءً على ذلك، يجب أن تبني أبحاث إدارة الابتكار المستقبلية حول الذكاء الاصطناعي العام على أبحاث نظم الأعمال (كلاريس وآخرون، 2014؛ فولر وآخرون، 2019؛ إيانسيتي وليفيين، 2004؛ زهراء ونامبيسان، 2012). بعد كل شيء، تتكون نظم الأعمال من عدد كبير من الفاعلين المتخصصين المرتبطين بشكل غير محكم الذين يعتمدون على بعضهم البعض لأدائهم المتبادل – سواء من خلال التعاون أو المنافسة أو التعاون التنافسي (مور، 1993). يتم توازنهم بواسطة شركة “حجر الزاوية” التي تستثمر في وتدمج الابتكارات التكنولوجية للمشاركين الآخرين بينما تشجع تطوير بنى تحتية للمنصات. هناك عدة أسئلة يمكن للعلماء تناولها هنا: 1) كيف سيتفاعل فاعلو الذكاء الاصطناعي العام والبشر مع بعضهم البعض؟ 2) هل سيتبنون نمط تفاعل تنافسي أو تعاوني أو تعاوني تنافسي؟ 3) هل ستتطور التفاعلات مع مرور الوقت وكيف؟ 4) هل ستكون التفاعلات عمودية أو أفقية بشكل أساسي؟ 5) هل سيفوض البشر معظم المهام الحسابية إلى أنظمة الذكاء الاصطناعي العام ويحتفظون بالمهام التقديرية؟ 6) هل سيتمكن البشر (مثل مديري الابتكار) من الحفاظ على السيطرة على أنظمة الذكاء الاصطناعي العام أثناء التفاعل معها وهل سيتغير ذلك مع مرور الوقت؟ 7) هل ستمكن التفاعلات من توليد نتائج ابتكارية أقل تحديدًا ومحددة مسبقًا؟ 8) هل من المرجح أن يلعب الفاعل الذي يمتلك أفضل نظام ذكاء اصطناعي عام أيضًا دور “اللاعب الرئيسي”؟

أبرز الخبراء في دراسة دلفي أن الأطر الحالية لتنظيم الكيانات التي تسعى إلى الابتكار المدعوم بالذكاء الاصطناعي العام يجب تحديثها، إن لم يكن تعديلها بشكل جذري. في هذه النقطة، يجب على العلماء القانونيين في المملكة المتحدة
لقد قضت الولايات المتحدة العقد الماضي تدعو إلى قانون تطوير الذكاء الاصطناعي وإنشاء وكالات حكومية لتصديق سلامة برامج الذكاء الاصطناعي (إيتزيوني وإيتزيوني، 2017). يبدو من الواضح أن صانعي السياسات سيلعبون دورًا حاسمًا في تشكيل البيئة التنظيمية للذكاء الاصطناعي التوليدي. يبدو أن الاتحاد الأوروبي رائد في هذا الصدد – حيث اقترح قانون الذكاء الاصطناعي في عام 2021، والذي يضع إطارًا تنظيميًا لمقدمي ومستخدمي الذكاء الاصطناعي المحترفين عبر عدة قطاعات (باستثناء العسكرية/الدفاع) – بينما تتخلف معظم الدول غير الأعضاء في الاتحاد الأوروبي (تشاترجي وسرينيفاسولو، 2022). يصنف إطار عمل الاتحاد الأوروبي تطبيقات الذكاء الاصطناعي حسب مخاطرها وينظمها وفقًا لذلك؛ يبدو أن دولًا أخرى (مثل البرازيل) تتبع نفس النهج، مما يشير إلى أن قانون الذكاء الاصطناعي قد يصبح معيارًا عالميًا (مشابهًا للائحة العامة لحماية البيانات). ومع ذلك، هناك العديد من القضايا المفتوحة التي يجب معالجتها: أولاً، يبدو غير واضح ما إذا كان سيتم تنظيم الذكاء الاصطناعي التوليدي بشكل مختلف عن أشكال الذكاء الاصطناعي الأخرى. نظرًا لأن نتائج الذكاء الاصطناعي التوليدي تعتمد على تجميع البيانات والمحتوى من مصادر متعددة، سيتعين على صانعي السياسات تطوير إطار تنظيمي جديد يمكنه وضع وإنفاذ قواعد الائتمان والنسب. من المحتمل أن يحتاج المشرعون في مجال الملكية الفكرية إلى العمل جنبًا إلى جنب مع مجموعات متعددة التخصصات من خبراء الذكاء الاصطناعي لتصميم قوانين تتعامل مع حقوق الملكية الفكرية المتعلقة بالذكاء الاصطناعي التوليدي، مما قد يعيد تشكيل – إن لم يكن إعادة كتابة – القوانين الحالية حول ملكية البيانات (كوكبورن وآخرون، 2018: ص. 41). على سبيل المثال، إذا كانت بيانات المستهلكين عبر الإنترنت تعود فقط للمستهلكين، فلن تتمكن الشركات من استخدامها لأغراض الابتكار في المنتجات. ثانيًا، في ظل هذه الحالة من عدم اليقين، يجب على الشركات الاستعداد داخليًا للامتثال للمعايير الجديدة (هاين وفلوريدي، 2022). ستحتاج بعض المنظمات إلى تشكيل لجان أخلاقية خاصة بالذكاء الاصطناعي التوليدي تشرف على امتثال الشركة للمعايير وتقييمات المطابقة. من المؤكد أن اعتماد المعايير سيكون غير متساوٍ عبر الدول (والمنظمات)، بسبب السرعة التي تنشئ بها الحكومات المختلفة أطرًا تنظيمية ذات مغزى. بالتأكيد، سيتعين على مديري المنظمات التي لها قاعدة قانونية أو فروع في الاتحاد الأوروبي التصرف بسرعة استجابة لقانون الذكاء الاصطناعي، بالإضافة إلى التطورات الأخيرة والقادمة في قانون الخصوصية. ثالثًا، بالنسبة للولايات المتحدة بشكل خاص، كان من شبه المستحيل تسجيل براءات اختراع للذكاء الاصطناعي التوليدي وخوارزميات التعلم الآلي حتى قبل بضع سنوات (تشيسوم، 1985؛ تشودري، 2022)، ولكن الآن يمكن للمبتكرين تسجيل براءات اختراع لتسلسلات المراحل في الطرق. ومن الجدير بالذكر أن إيان جودفيل ورفاقه – الذين طوروا واحدة من هياكل الذكاء الاصطناعي التوليدي (وهي الشبكات التنافسية التوليدية) – حصلوا مؤخرًا على براءات اختراع لعدة خوارزميات للذكاء الاصطناعي التوليدي. ومع ذلك، لا يوضح قانون براءات الاختراع ما إذا كانت مخرجات الذكاء الاصطناعي التوليدي (مثل الجزيئات الجديدة، النصوص، الفيديوهات، الموسيقى، إلخ) قابلة للتسجيل كبراءات اختراع. تشير الحلقات السابقة إلى أن الابتكارات الجذرية في تقنيات وأدوات البحث – جنبًا إلى جنب مع القدرة المحدودة لمكاتب براءات الاختراع والأحكام القضائية غير المتسقة (إن لم تكن متناقضة) – يمكن أن تؤدي إلى فترات طويلة من عدم اليقين التي تقوض إصدار براءات اختراع جديدة وتعيق إنتاجية البحث. بالتأكيد، يجب توسيع قانون براءات الاختراع بشكل كبير ويمكن لعلماء إدارة الابتكار التفكير في ما إذا كانت نتائج الذكاء الاصطناعي التوليدي يمكن تسجيلها كبراءات اختراع وإلى أي مدى. رابعًا، يحتاج صانعو السياسات والمنظمون إلى تقييم قضايا التحيزات الخوارزمية وحماية المستهلك التي ترافق التعلم الآلي والتعلم العميق. على سبيل المثال: يمكن أن تضر التزييف العميق بسمعة الأفراد والمنظمات؛ استجابة عالمية أصبحت أكثر أهمية في ظل تزايد اعتماد أنظمة الذكاء الاصطناعي التوليدي. اقترح العلماء القانونيون تمرير تشريعات تعالج التمييز، والتشهير، والافتراء، وسرقة الهوية، والاحتيال، وانتحال صفة (المسؤولين الحكوميين)، والتزوير، والمخاطر السياسية (راي، 2021؛ ويسترلوند، 2019؛ وايلز، 2023). بالطبع، يجب صياغة مثل هذه اللوائح بعناية لتكون قابلة للتنفيذ ومقبولة (فاريش، 2020). علاوة على ذلك، يجب إنشاء مؤسسات دولية وتطوير معايير قوية لتنظيم التحيزات الخوارزمية، وحماية المستهلك و(خصوصًا) المعلومات المضللة الناتجة عن الذكاء الاصطناعي التوليدي. خامسًا، سيؤثر الذكاء الاصطناعي التوليدي بشكل كبير على الاقتصاد العالمي من حيث نتائج الابتكار والإنتاجية، ولكن سيكون لهذا تأثير جانبي يتمثل في بعض إعادة هيكلة المنظمات، والأكثر قلقًا، الاضطرابات في سوق العمل. مع وجود الذكاء الاصطناعي الذي يخلق بالفعل عدم المساواة في الدخل (كيلي، 2021)، من الضروري أن يشارك المشرعون والنقابات العمالية في محادثة بناءة حول السياسات – مثل
دخل أساسي عالمي (بانيرجي وآخرون، 2019) – الذي يمكن أن يعوض الأضرار الناتجة عن التوظيف التي تسببها الذكاء الاصطناعي بشكل عام وGenAI بشكل خاص. سادسًا، يفرض قانون الذكاء الاصطناعي (AIA) التزامات صارمة على الشركات التي تطور وتعمل وتستخدم أنظمة الذكاء الاصطناعي، بناءً على المخاطر المرتبطة بنظام الذكاء الاصطناعي نفسه (هيكمان وبترين، 2021؛ المنتدى الاقتصادي العالمي، 2022). وقد أكد بعض المعلقين أن قانون الذكاء الاصطناعي يفتقر إلى هياكل إنفاذ فعالة (إيبرس وآخرون، 2021)، ولا يحدد الذكاء الاصطناعي بدقة، ولا يخصص المسؤولية عن العواقب الضارة لاستخدام الذكاء الاصطناعي (سماها وآخرون، 2021). ومع ذلك، يفرض القانون أعباء على الشركات التي تطور أو تعمل أو تستخدم أنظمة GenAI للابتكار، حيث إن انتهاك القانون يؤدي إلى عقوبات تصل إلى مليون، أو من إيرادات الشركة العالمية السنوية، أيهما أعلى (للمرجع، هذا يتجاوز نطاق الغرامات في اللائحة العامة لحماية البيانات). بشكل أكثر تحديدًا، قد تكون العقوبات لمزودي نماذج (Gen)AI الأساسية الذين ينتهكون قانون الذكاء الاصطناعي حوالي مليون (أو من الإيرادات السنوية، أيهما أعلى). من الواضح أن الشركات المعتمدة على الذكاء الاصطناعي ستحتاج إلى تخصيص موارد لتكون متوافقة مع قانون الذكاء الاصطناعي (Gragousian، 2022). من المحتمل أن يكون هذا التخصيص أسهل بالنسبة للشركات الكبرى، لكنه يمثل عبئًا على الشركات الصغيرة والمتوسطة، مما قد يسهل بيئة حيث يمكن فقط للشركات الغنية بالموارد تحمل دمج الذكاء الاصطناعي التوليدي في أنشطة الابتكار الخاصة بها. بشكل عام، قد تؤدي القيود المذكورة أعلاه إلى خنق الابتكار المدفوع بالذكاء الاصطناعي.

على الرغم من هذه الأسئلة التنظيمية، سيكون هناك سباق لتقنية الذكاء الاصطناعي التوليدي في العديد من الصناعات (مثل الأدوية، والتكنولوجيا الحيوية، والإعلام، والترفيه). ستسعى العديد من المنظمات إلى إنشاء ميزة ملكية من حيث البيانات والخوارزميات، مما له آثار على سياسات المنافسة. من المرجح أن تتمتع تلك المنظمات التي تمتلك بيانات أفضل في مجال تطبيق معين (مثل الأورام أو القيادة الذاتية أو التجارة الإلكترونية) بميزة المتقدم الأول؛ وبالتالي، يمكنها إنشاء كل من حاجز دخول مدفوع بالبيانات وحاجز دخول مدفوع بالتعلم العميق (Cockburn et al., 2018: p. 142). لمواجهة خطر هيمنة السوق، يجب على السلطات المعنية بمكافحة الاحتكار وضع تلك الشركات في اعتبارها مع تشجيع مشاركة البيانات وفتح البيانات لضمان استفادة جميع الفاعلين الاقتصاديين من أنظمة الذكاء الاصطناعي التوليدي.

لتلخيص ذلك، قد تحتاج أبحاث إدارة الابتكار المستقبلية إلى دمج المفاهيم النظرية التي تعتمد على الأدبيات القانونية وأدبيات مكافحة الاحتكار. يجب أن يكون الهدف هو توليد رؤى حول السياسات والقوانين واللوائح التي ستكون ضرورية لمعالجة قضايا مثل استخدام/ إساءة استخدام الذكاء الاصطناعي التوليدي للابتكار أو الملكية غير المتكافئة والتحكم في البيانات عبر إعدادات تطبيق متعددة.

مثل أي تقنية، يمكن اعتماد GenAI لأغراض غير أخلاقية وغير عادلة وغير مشروعة، وقد تؤثر تلك الاستخدامات على الابتكار، وفقًا لمشاركي دلفي لدينا. واحدة من أكثر الأمثلة المذكورة في هذا الصدد هي التزييف العميق، الذي يمكن تعريفه بأنه “محتوى وسائط رقمية تم التلاعب به بشكل اصطناعي (مثل الفيديوهات، الصور، مقاطع الصوت) حيث يُظهر الناس القيام أو قول شيء لم يحدث أو لم يوجد في العالم الحقيقي” (موستاك وآخرون، 2023: ص. 1). من ناحية، تولد التزييفات العميقة فرص عمل (مثل تقليل التكاليف للممثلين والصحفيين؛ إنشاء سفراء رقميين للعلامات التجارية؛ تشكيل بيئات تعليمية غير مكلفة؛ تطوير عروض اقتصادية جديدة تعتمد على التزييفات العميقة لتخصيص المنتجات والعلامات التجارية؛ تحسين تجارب العملاء الافتراضية) (بيريز-فيغا وآخرون، 2021)، بالإضافة إلى دعم ابتكار نماذج الأعمال (كيتزمان وآخرون، 2020). على سبيل المثال، استخدم المذيع التلفزيوني الكوري الجنوبي MBN تزييفًا عميقًا لمذيعه كيم جو-ها (فولي، 2022) ووجد أن التزييف العميق كان فعالًا في تغطية الأخبار العاجلة. من ناحية أخرى، تطرح التزييفات العميقة عدة تحديات، بما في ذلك: تقليل الوظائف في العديد من الصناعات مثل الإعلام والترفيه؛ الأضرار بسمعة وصورة وثقة الأفراد والمهنيين والمنظمات؛ التحيز في المنافسة السوقية؛ التلاعب بالرأي العام من قبل المجرمين والإرهابيين؛ أو إنشاء معلومات مضللة من قبل القراصنة والشركات المنافسة والحكومات (ماركوس، 2022). في حالة التزييفات العميقة الخبيثة، يكون من الصعب جدًا على الضحايا إثبات انتهاك الخصوصية (غراهام وآخرون، 2021). لا تزال العديد من الدول تكافح لمعالجة
قضايا الخصوصية بشكل كافٍ (ساورا وآخرون، 2022)، ناهيك عن تحديد إطار تنظيمي يوفر الحماية ضد التزييفات العميقة (موستاك وآخرون، 2023).

بعيدًا عن التزييفات العميقة، غالبًا ما تكون المحتويات التي ينتجها GenAI ذات جودة قابلة للنقاش. على سبيل المثال، تعرض موقع Stack Overflow (أحد أكثر مواقع الأسئلة والأجوبة صلة بمطوري البرمجيات) مؤخرًا لفيض من المشاركات التي أنشأها ChatGPT (مارك، 2022). أدى ذلك إلى فرض الموقع حظرًا مؤقتًا على تلك المشاركات، حيث “معدل الحصول على إجابات صحيحة من ChatGPT منخفض جدًا، ونشر الإجابات التي أنشأها ChatGPT ضار بشكل كبير للموقع وللمستخدمين الذين يسألون أو يبحثون عن إجابات صحيحة.” بالنسبة لـ Stack Overflow – أكثر من حتى مواقع مراجعة السفر عبر الإنترنت (مثل TripAdvisor) أو مواقع التجارة الإلكترونية (مثل أمازون) – فإن وجود منشورات صحيحة/ أصلية هو أمر بالغ الأهمية. إذا غمر الموقع بأمثلة كود غير صحيحة، فسيفقد الموقع المستخدمين المشاركين في البرمجة وقد يؤدي ذلك إلى عواقب ضارة على إنتاجية المطورين واحترافيتهم وسمعتهم. وهذا هو السبب أيضًا في أن بعض بائعي الذكاء الاصطناعي يشاركون في إنتاج عمليات تعلم الآلة (“MLOps”) لمراقبة عدم دقة التوقعات وربما تحسينها مع مرور الوقت. تتحدث هذه القضايا عن تحدٍ أكثر عمومية لأنظمة GenAI: من ناحية، تسمم مجموعات بياناتها من قبل مؤثرين غير أخلاقيين، ومسوقين وحتى مجرمين بهدف التأثير على الرأي العام (لوبشات وآخرون، 2021؛ ويرتس وآخرون، 2023)؛ من ناحية أخرى، التعلم المتحيز الذي قد ينشأ من تفاعل أنظمة GenAI مع المستخدمين الذين يظهرون سلوكيات سامة أو غير مرغوب فيها (فلوريدي وتشيرياتي، 2020). تسلط هذه المخاطر الضوء على الحاجة إلى مزيد من المسؤولية الرقمية المؤسسية (لوبشات وآخرون، 2021).

أخيرًا، قد تكون نماذج GenAI متحيزة ضد مجموعات وأفراد معينين (أكتر وآخرون، 2021؛ ميتلستادت وآخرون، 2016) بناءً على البيانات التي تم تدريبها عليها. من المحتمل أن تحدث نتائج متحيزة إذا لم يتم فحص بيانات التدريب بعناية وإذا كانت خوارزميات GenAI تفتقر إلى الضوابط الأخلاقية. لمواجهة هذه المشكلة، ستحتاج الشركات إلى إنشاء مجلس أخلاقيات الذكاء الاصطناعي الذي يقيم أخلاقية بيانات التدريب والخوارزميات (فوسو وامبا وكويروز، 2021؛ تسامادوس وآخرون، 2021)، أو على الأقل تسعى لضمان الشفافية. هذه الخطوة حاسمة لضمان عدم استفادة الابتكارات المدعومة بـ GenAI بشكل غير متناسب لبعض مجموعات أصحاب المصلحة على حساب الآخرين. بشكل عام، يبدو أن أبحاث إدارة الابتكار المستقبلية قد ترغب في دمج المفاهيم والنماذج النظرية التي تبني على أخلاقيات المعلومات وفلسفة المعلومات (مثل، فلوريدي، 2013، 2023) بالإضافة إلى علم اجتماع الابتكار (غوبالاكرشنان ودامانبور، 1997) والقانون. يمكن أن تولد مثل هذه الجهود رؤى حول المبادئ والإرشادات التي تضمن أن GenAI لا يسبب تحيزًا أو يؤثر أخلاقيًا على نتائج الابتكار.

ذكر معظم المشاركين في دلفي أن GenAI سيؤثر بشكل عميق على التصميم التنظيمي والحدود. وقد جادل بعض المؤلفين (بنبيّا وآخرون، 2020) بأن الذكاء الاصطناعي سيؤدي إلى تعديلات في ترتيبات السلطة، والتنسيق، ومخططات التقييم، مما يسبب تحولات صناعية جذرية، وأشار آخرون إلى تغييرات في آليات الحوكمة (شنايدر وآخرون، 2022). فيما يتعلق بترتيبات السلطة، سيعيد إدخال GenAI تعريف مفاهيم المعرفة والخبرة. سيتعين على العمال بشكل عام (والعلماء والفنانين بشكل خاص) أن يكونوا بارعين في استخدام أنظمة GenAI من أجل إكمال مشاريع الابتكار، لكن معظمهم لن يحتاج إلى معرفة تقنية عميقة بالموضوع (العلم أو الفن) من أجل الابتكار داخل الشركة. بدلاً من ذلك، سيحتاجون فقط إلى دعم علماء الكمبيوتر والبيانات. قد يتم استبدال فكرة تحسين المهارات بشكل كبير بتدريب العلماء والفنانين على التفاعل مع أنظمة GenAI. وهذا يعني أنه داخل وظائف البحث والتطوير ومختبرات البحث، سيكتسب أولئك الذين لديهم معرفة بأنظمة GenAI السيطرة على تصميم العمل. على مستوى C-suite، سيتعين على CTOs وCIOs الحاليين التنسيق مع مسؤولي البيانات الرئيسيين عند إنشاء وتطوير استراتيجية GenAI التوليدية. من المحتمل أن يؤدي هذا الترتيب إلى توليد توترات وصراعات سيتعين على الرئيس التنفيذي
إدارتها.
فيما يتعلق بالتنسيق، من المحتمل أن يؤدي نشر GenAI إلى تقسيم العديد من مهام العمل إلى مهام فرعية أصغر يمكن الاستعانة بمصادر خارجية – ربما إلى سوق رقمي للمهام الصغيرة (مثل، أمازون ميكانيكال ترك، جوفوتو، كليك ووركر، بروليفك، أب وورك، كراود غورو) أو أي نظام GenAI (مثل، ChatGPT، Dall-E 2، Stable Diffusion، Midjourney). على مدار السنوات القليلة الماضية، أنشأت منظمات مختلفة أدوار تنظيمية داخلية (مثل، مدير الذكاء الاصطناعي أو بطل الذكاء الاصطناعي) وهياكل (مثل، مركز التميز للذكاء الاصطناعي) لإدارة مشاريع الذكاء الاصطناعي. من المحتمل أن تولد مشاريع GenAI استجابة مماثلة. ومع ذلك، تثار عدة أسئلة: i) كيف سيتفاعل مدراء الابتكار الحاليون مع الأدوار الجديدة المتعلقة بـ GenAI؟ ii) هل سيسمح لمدراء الابتكار الحاليين بالتفاعل مع أنظمة GenAI؟ iii) هل ستظهر توترات بين مدراء الابتكار الحاليين والأدوار الجديدة المتعلقة بـ GenAI، ومن سيتولى إدارة تلك التوترات؟ بشكل عام، سيتعين على المدراء الحاليين البدء في التعاون مع خبراء في التقنيات الرقمية (بما في ذلك تحليلات البيانات، تعلم الآلة، التعلم العميق، وأنظمة GenAI بشكل عام) وتكييف عملياتهم لتناسب تلك التفاعلات. قد تحتاج المنظمات أيضًا إلى إنشاء أقسام جديدة – إما داخل وظيفة البحث والتطوير التقليدية أو ربما كمراكز متعددة الوظائف – يمكن أن تدعم جهود الابتكار في الشركة. في الشركات متعددة الجنسيات، قد تؤسس إدارة البحث والتطوير منصة GenAI شاملة تخدم الشركات الفرعية الأجنبية (فيراريس وآخرون، 2021).

فيما يتعلق بنماذج التقييم، فإن طريقة تقييم الأداء تتغير، لأنه على سبيل المثال يتم تقييم الموظفين بواسطة خوارزميات التعلم الآلي، مع عدم امتلاك مديري الموارد البشرية معرفة خاصة بالمتغيرات المدرجة في نماذج التقييم. بشكل عام، سيؤثر هذا على كيفية إدارة الشركات لمواردها البشرية. فيما يتعلق بالتحولات الصناعية، قد تجعل الذكاء الاصطناعي التوليدي الحدود بين الصناعات أكثر نفاذًا وأقل تمييزًا. على سبيل المثال، بدأت العديد من الشركات المصنعة التقليدية (مثل جنرال إلكتريك) بالفعل في أن تصبح مزودي حلول وخدمات بدلاً من منتجات. إن الانتقال إلى نموذج الخدمة يتم تمكينه بشكل كبير من خلال التقنيات الرقمية بشكل عام (هارمان وآخرون، 2023) ومن خلال الذكاء الاصطناعي بشكل خاص. وبالمثل، قد يعيق الذكاء الاصطناعي التوليدي الخطوط الفاصلة بين المنافسين والموردين والعملاء والدخول المحتملين والبدائل. وبالتالي، سيحتاج علماء إدارة الابتكار إلى التركيز على وضع مبادئ تصميم وإرشادات لمهام العمل والحوافز داخل المنظمات التي تعتمد على الذكاء الاصطناعي التوليدي. علاوة على ذلك، يمكن للباحثين البناء على نظريات التنظيم الصناعي لتحديد كيف يمكن أن تتغير وتطور الحدود بين المنظمات والصناعات في أعقاب الذكاء الاصطناعي التوليدي.

تقدم هذه الدراسة عدة مساهمات عامة في أدبيات إدارة الابتكار – وأكثر تحديدًا في تيار البحث الناشئ عند تقاطع الذكاء الاصطناعي التوليدي وإدارة الابتكار. أولاً، قمنا بتلخيص الأدبيات الأكاديمية مع نتائج دراسة دلفي لعدد من العلماء الرائدين في إدارة (الابتكار)، بهدف توضيح حالة المجال وفرص البحث المستقبلية. على حد علمنا، هذه هي الدراسة الأولى التي تستطلع آراء خبراء إدارة الابتكار حول موضوع الذكاء الاصطناعي التوليدي في إدارة الابتكار. تتناول أعمالنا الدعوات الأخيرة لمزيد من البحث حول دور الذكاء الاصطناعي في سياقات الابتكار (مثل، كوكبورن وآخرون، 2018؛ مارياني وآخرون، 2023).

ثانيًا، حددت دراستنا 10 مواضيع يمكن أن تُفيد التطورات البحثية المستقبلية عند تقاطع الذكاء الاصطناعي التوليدي وإدارة الابتكار: 1) الذكاء الاصطناعي التوليدي وأنواع الابتكار؛ 2) الذكاء الاصطناعي التوليدي، التصاميم السائدة وتطور التكنولوجيا؛ 3) الإبداع العلمي والفني والابتكارات المدعومة بالذكاء الاصطناعي التوليدي؛ 4) الابتكارات المدعومة بالذكاء الاصطناعي التوليدي والملكية الفكرية؛ 5) الذكاء الاصطناعي التوليدي وتطوير المنتجات الجديدة؛ 6) الذكاء الاصطناعي التوليدي متعدد الأنماط/ أحادي النمط ونتائج الابتكار؛ 7) الذكاء الاصطناعي التوليدي، الوكالة والأنظمة البيئية؛ 8) صناع السياسات، المشرعين والسلطات المناهضة للاحتكار في تنظيم الابتكار المدعوم بالذكاء الاصطناعي التوليدي؛ 9) سوء الاستخدام والاستخدام غير الأخلاقي للذكاء الاصطناعي التوليدي وتوليد الابتكار المتحيز؛ و 10) تصميم المنظمات والحدود للابتكار المدعوم بالذكاء الاصطناعي التوليدي. من المثير للاهتمام،
تتداخل العديد من هذه المواضيع من وجهة نظر مفاهيمية: على سبيل المثال، تشترك المواضيع الثلاثة المتعلقة بالإبداع المدعوم بالذكاء الاصطناعي التوليدي، والملكية الفكرية وتطوير المنتجات الجديدة في التركيز على الأفراد والمنظمات التي تحاول خلق (“الإبداع” و”تطوير المنتجات الجديدة”) وملاءمة القيمة (“موضوع الملكية الفكرية”) من خلال استخدام أنظمة الذكاء الاصطناعي التوليدي لدعم قرارات وأنشطة الابتكار. من خلال مناقشة المواضيع العشر فيما يتعلق بالأدبيات والنظريات الموجودة، قدمنا عدة مساهمات في مجال إدارة الابتكار. على سبيل المثال، أثناء مناقشة موضوع التصاميم السائدة، قمنا بتوسيع نظرية إدارة الابتكار من خلال تطبيق أو توسيع الأطر المعمول بها (أندرسون وتوشمان، 1990؛ أوتر باك وأبرناثي، 1975). فيما يتعلق بموضوع الذكاء الاصطناعي التوليدي والإبداع، ربطنا عدة مفاهيم تتعلق بتخصصات مختلفة مثل علم النفس (مثل، تشيكسينتميهالي، 1975، 1997؛ ماكنون، 1965؛ ميدنيك، 1962؛ سولر، 1980)، وعلم وظائف الأعضاء (مثل، ليفي، 1961؛ رودس، 1961) وعلم الاجتماع (مثل، غيتزلز وجاكسون، 1961؛ ستراوس، 1968). بهذه الطريقة، قدمنا تأملات جديدة حول كيفية تقدم أبحاث إدارة الابتكار إلى ما هو أبعد من المفاهيم الحديثة لإبداع الذكاء الاصطناعي (أمالي، 2020)، مما يفتح آفاق جديدة للتأمل الفكري.

ثالثًا، من خلال تسليط الضوء على المواضيع ذات الصلة، يمكن أن تساعد هذه الورقة الباحثين في إدارة الابتكار على تحقيق وضوح مفاهيمي أكبر بشأن الذكاء الاصطناعي التوليدي. نأمل أن يسهل هذا الفهم بناء جسم معرفي أكثر اتساقًا وترابطًا حول دراسات الابتكار (الإدارة) التي تدور حول الذكاء الاصطناعي التوليدي. هذا يوسع بشكل كبير أبحاث إدارة الابتكار الحديثة (مثل، مارياني وآخرون، 2023) التي استعرضت أبحاث إدارة الابتكار المتعلقة بالذكاء الاصطناعي.

رابعًا، تشير دراستنا إلى أن البحث الأكاديمي حول الذكاء الاصطناعي التوليدي في إدارة الابتكار في مرحلة جنينية جدًا، بينما البحث الصناعي قد تقدم قليلاً بفضل الأعمال التي قامت بها غارتنر (ويلز، 2023) أو الأبحاث الممولة من عمالقة التكنولوجيا مثل ميتا وآي بي إم (آي بي إم، 2022). نأمل أن تساعد لمحة عن المواضيع الحرجة في تشكيل أجندات البحث المستقبلية في إدارة الابتكار.

أخيرًا، طورت هذه الدراسة اتجاهات وإرشادات للمنح الدراسية المستقبلية (المبلغ عنها في الأقسام الفرعية المختلفة من قسم المناقشة) من خلال تحديد الفجوات البحثية والأسئلة البحثية غير المجابة. نأمل أن تلهم أعمالنا استفسارات إضافية في هذا المجال وتشجع الجيل القادم من علماء إدارة الابتكار على معالجة التحديات العلمية المهمة.

الذكاء الاصطناعي التوليدي (GenAI) هو أحد أكثر أشكال الذكاء الاصطناعي وعدًا وإثارة من منظور إدارة الابتكار. لهذا السبب، يحتاج الباحثون إلى فهم واضح إلى أي مدى تقدم هذا المجال وما هي الاتجاهات المحتملة التي يمكن أن يتبعها. لتحقيق ذلك، جمعنا بين مراجعة الأدبيات ودراسة دلفي لعدد من الخبراء الأكاديميين الرائدين في الذكاء الاصطناعي التوليدي. قدموا لمحة عن 10 مواضيع بحث رئيسية يجب على علماء إدارة الابتكار معالجتها في المستقبل القريب. مزودين بهذه الرؤى، نأمل أن يحقق الباحثون وضوحًا مفاهيميًا أكبر بشأن الذكاء الاصطناعي التوليدي ويعملوا على بناء جسم معرفي أكثر اتساقًا وترابطًا حول الفوائد والعيوب المحيطة بالذكاء الاصطناعي التوليدي.

هذه الدراسة ليست بدون قيود. أولاً، كانت عينة خبرائنا لدراسة دلفي صغيرة نسبيًا، على الرغم من أنها لا تزال أكبر بشكل ملحوظ من الدراسات الحديثة الأخرى من هذا النوع. على سبيل المثال، تلقت الجولتان الأولى والثانية من دراسة جونسون وآخرون (2021) 11 ردًا و5 ردود، على التوالي، ومع ذلك، أصروا على أن “دراسات دلفي تختلف جوهريًا عن، ويجب عدم الخلط بينها وبين، تقنيات العينة والاستدلال الإحصائي التقليدية” (ص. 107). ثانيًا، المواضيع البحثية التي حددناها ليست بالضرورة شاملة. ومع ذلك، نحن واثقون من أنها تقدم لمحة مناسبة عن خطوط البحث المستقبلية. في النهاية، نأمل أن نلهم الباحثين للتفكير النقدي في الأسئلة المفتوحة التي نطرحها هنا وإنتاج أبحاث رائدة في مجال إدارة الابتكار.

مارسيلو مارياني: الكتابة – مراجعة وتحرير، الكتابة – المسودة الأصلية، التصور، الإشراف، المنهجية، التحقيق، التحليل الرسمي، تنسيق البيانات، التصور. يوغيش ك. دويفيدي: الكتابة – مراجعة وتحرير، الكتابة – المسودة الأصلية، التحقق، المنهجية، التحقيق، التحليل الرسمي، التصور.

يعلن المؤلفون أنهم ليس لديهم مصالح مالية متنافسة معروفة أو علاقات شخصية قد تكون قد ظهرت لتؤثر على العمل المبلغ عنه في هذه الورقة.

Akter, S., McCarthy, G., Sajib, S., Michael, K., Dwivedi, Y. K., D’Ambra, J., & Shen, K. N. (2021). Algorithmic bias in data-driven innovation in the age of AI. International Journal of Information Management, 60, Article 102387.
Aimar, A., Palermo, A., & Innocenti, B. (2019). The role of 3D printing in medical applications: a state of the art. Journal of healthcare engineering, 2019.
Amabile, T. M. (2020). Creativity, artificial intelligence, and a world of surprises. Academy of Management Discoveries, 6(3), 351-354.
Amabile, T. M. (2018). Creativity in context: Update to the social psychology of creativity. Routledge.
Anderson, P., & Tushman, M. L. (1990). Technological discontinuities and dominant designs: A cyclical model of technological change. Administrative Science Quarterly, 35(4), 604-633.
Bamberger, P. A. (2018). AMD-Clarifying what we are about and where we are going. Academy of Management Discoveries, 4(1), 1-10.
Banerjee, A., Niehaus, P., & Suri, T. (2019). Universal basic income in the developing world. Annual Review of Economics, 11, 959-983.
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120.
Benbya, H., Davenport, T.H, Pachidi, S. (2020). Artificial Intelligence in Organizations: Current State and Future Opportunities, MIS Quarterly Executive: 19 (4). Available at: https://aisel.aisnet.org/misqe/vol19/iss4/4.
Bengio, Y., Ducharme, R., & Vincent, P. (2000). A neural probabilistic language model. Advances in Neural Information Processing Systems, 13, 1-7 (available at) <https:// p roceedings.neurips.cc/paper/2000/file/728f206c2a01bf572b5940d7d9a8fa4cPape r.pdf >.
Bilgram, V., & Laarmann, F. (2023). Accelerating Innovation with Generative AI: AIaugmented Digital Prototyping and Innovation Methods. IEEE Engineering Management Review.
Bjarnason, T., & Jonsson, S. H. (2005). Contrast effects in perceived risk of substance use. Substance Use & Misuse, 40(1), 1733-1748.
Bouschery, S. G., Blazevic, V., & Piller, F. T. (2023). Augmenting human innovation teams with artificial intelligence: Exploring transformer-based language models. Journal of Product Innovation Management, 40(2), 139-153.
Bove, T. (2023). The A.I. revolution is here: ChatGPT could be the fastest-growing app in history and more than half of traders say it could disrupt investing the most. Fortunem. February 2, 2023. Available here: https://fortune.com/2023/02/02/ch atgpt-fastest-growing-app-in-history-could-revolutionize-trading/. Accessed 27.08.2023.

Brittain, B. (2023). Lawsuits accuse AI content creators of misusing copyrighted work, Reuters, 25.01.2023. Retrieved from: https://www.reuters.com/legal/transactional/ lawsuits-accuse-ai-content-creators-misusing-copyrighted-work-2023-01-17/.
Brossard, M., Gatto, G., Gentile, A., Merle, T., & Wlezien, C. (2020). How generative design could reshape the future of product development. Mckinsey Co.
Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. WW Norton & Company.
Burger, B., Kanbach, D. K., Kraus, S., Breier, M., & Corvello, V. (2023). On the use of AIbased tools like ChatGPT to support management research. European Journal of Innovation Management, 26(7), 233-241.
Cao, Y., Li, S., Liu, Y., Yan, Z., Dai, Y., Yu, P. S., & Sun, L. (2023). A comprehensive survey of ai-generated content (aigc): A history of generative ai from gan to chatgpt. arXiv preprint arXiv:2303.04226.
Carnevalli, J. A., & Miguel, P. C. (2008). Review, analysis and classification of the literature on QFD-Types of research, difficulties and benefits. International Journal of Production Economics, 114(2), 737-754.
Chatterjee, S., & Ns, s.. (2022). Artificial intelligence and human rights: A comprehensive study from Indian legal and policy perspective. International Journal of Law and Management, 64(1), 110-134.
Chatterjee, S., Chaudhuri, R., Vrontis, D., Thrassou, A., & Ghosh, S. K. (2021). Adoption of artificial intelligence-integrated CRM systems in agile organizations in India. Technological Forecasting and Social Change, 168, Article 120783.
Chesbrough, H. W. (2003). Open innovation: The new imperative for creating and profiting from technology. Harvard Business Press, Boston, MA.Chesbrough, H. W., & Appleyard, M. M. (2007). Open innovation and strategy. California Management Review, 50(1), 57-76.
Chisum, D. S. (1985). The patentability of algorithms. University of Pittsburgh Law Review, 47, 959.
Cho, H., & Schwarz, N. (2008). Of great art and untalented artists: Effort information and the flexible construction of judgmental heuristics. Journal of Consumer Psychology, 18 (3), 205-211.

Chowdhury, M. (2022). Why Patenting Machine Learning Algorithm is Nearly Impossible? Available at: https://www.analyticsinsight.net/why-patenting-machine-learning-algorithm-is-nearly-impossible/#:~:text=An algorithm% 20cannot%20be%20directly,of%20mathematical%20steps%20and%20operations. Retrieved 27 May 2022.
Churchill, G. A., Jr., & Surprenant, C. (1982). An investigation into the determinants of customer satisfaction. Journal of Marketing Research, 19(4), 491-504.
Clarysse, B., Wright, M., Bruneel, J., & Mahajan, A. (2014). Creating value in ecosystems: Crossing the chasm between knowledge and business ecosystems. Research Policy, 43 (7), 1164-1176.

Clausing, D., & Hauser, J. R. (1988). The house of quality. Harvard Business Review, 66(3), 63-73.
Cooper, R. G., & Kleinschmidt, E. J. (1991). New product processes at leading industrial firms. Industrial Marketing Management, 20(2), 137-147.
Cockburn, I. M., Henderson, R., & Stern, S. (2018). The impact of artificial intelligence on innovation: An exploratory analysis. In The economics of artificial intelligence: An agenda (pp. 115-146). University of Chicago Press.
Croitoru, F. A., Hondru, V., Ionescu, R. T., & Shah, M. (2023). Diffusion models in vision: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence.
Csikszentmihalyi, M. (1997). Flow and the psychology of discovery and invention. Harper Perennial, New York, 39, 1-16.
Csikzentimihalyi, M. (1975). Beyond boredom and anxiety: Experiencing flow in work and play. San Francisco/Washington/London.
Cui, A. S., & Wu, F. (2017). The impact of customer involvement on new product development: Contingent and substitutive effects. Journal of Product Innovation Management, 34(1), 60-80.
Dalkey, N., & Helmer, O. (1963). An experimental application of the Delphi method to the use of experts. Management Science, 9(3), 458-467.
Daugherty, P. R., & Wilson, H. J. (2018). Human+ machine: Reimagining work in the age of AI. Harvard Business Press.
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116.
De Massis, A., Frattini, F., Kotlar, J., Magrelli, V., & Messeni Petruzzelli, A. (2018, July). Spanning temporal boundaries in pharmaceutical innovation: a process model. In Academy of Management Proceedings (Vol. 2018, No. 1, p. 16625). Briarcliff Manor, NY 10510: Academy of Management.
Delbecq, A. V., de Ven, A., & Gustafson, D. (1975). Group techniques for program planning. Glenview, Illinois: Scott Foresman.
Deng, J., & Lin, Y. (2022). The benefits and challenges of ChatGPT: An overview. Frontiers in Computing and Intelligent Systems, 2(2), 81-83.
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv: 1810.04805.

Dewar, R. D., & Dutton, J. E. (1986). The adoption of radical and incremental innovations: An empirical analysis. Management science, 32(11), 1422-1433.
Dörr, N. K. (2015). Mapping the field of algorithmic journalism. Digital Journalism, 4(6), 700-722. https://doi.org/10.1080/21670811.2015.1096748
Duchesneau, T. D., Cohn, S. F., & Dutton, J. E. (1979). A study of innovation in manufacturing. Determinants, Processes, and Methodological Issues, 1.
Durkheim, E. (1982). The rules of the sociological method. New York: Free Press.
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., … Williams, M. D. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, Article 101994.
Dwivedi, Y. K., Slade, E. L., & Wright, R. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, Article 102642.
Dwivedi, Y. K., Al-Debei, M. M., & Wamba, S. F. (2022). Metaverse beyond the hype: Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 66, Article 102542.
Ebers, M., Hoch, V. R., Rosenkranz, F., Ruschemeier, H., & Steinrötter, B. (2021). The european commission’s proposal for an artificial intelligence act-a critical assessment by members of the robotics and ai law society (rails). J, 4(4), 589-603.
Emmert-Streib, F., Yli-Harja, O., & Dehmer, M. (2020). Artificial intelligence: A clarification of misconceptions, myths and desired status. Frontiers in Artificial Intelligence, 3, Article 524339.
Epstein, Z., Hertzmann, A., Investigators of Human Creativity, Akten, M., Farid, H., Fjeld, J., … & Smith, A. (2023). Art and the science of generative AI. Science, 380(6650), 1110-1111.
Ettlie, J. E. (1983). Organizational policy and innovation among suppliers to the food processing sector. Academy of Management journal, 26(1), 27-44.
Etzioni, A., & Etzioni, O. (2017). Should artificial intelligence be regulated?. Issues in Science and Technology (issues. org), Summer.
Farish, K. (2020). Do deepfakes pose a golden opportunity? Considering whether English law should adopt California’s publicity right in the age of the deepfake. Journal of Intellectual Property Law & Practice, 15(1), 40-48.
Ferràs-Hernández, X., Nylund, P. A., & Brem, A. (2023). The Emergence of Dominant Designs in Artificial Intelligence. California Management Review, 00081256231164362.

Ferraris, A., Giachino, C., Ciampi, F., & Couturier, J. (2021). R&D internationalization in medium-sized firms: The moderating role of knowledge management in enhancing innovation performances. Journal of Business Research, 128, 711-718.
Floridi, L. (2023). AI as agency without intelligence: On ChatGPT, large language models, and other generative models. Philosophy & Technology, 36(1), 15.
Floridi, L., & Chiriatti, M. (2020). GPT-3: Its nature, scope, limits, and consequences. Minds and Machines, 30, 681-694.
Floridi, L. (2013). The philosophy of information. OUP Oxford.
Foley, J. (2022). 14 deepfake examples that terrified and amused the internet. Creative Bloq. https://www.creativebloq.com/features/deepfake-example.
Forest, J., & Faucheux, M. (2011). Stimulating Creative Rationality to Stimulate Innovation. Creativity and Innovation Management, 20(3), 207-212.
Fosso Wamba, S., & Queiroz, M. M. (2021). Responsible artificial intelligence as a secret ingredient for digital health: Bibliometric analysis, insights, and research directions. Information Systems Frontiers, 1-16.

Fuller, J., Jacobides, M. G., & Reeves, M. (2019). The myths and realities of business ecosystems. MIT Sloan Management Review, 60(3), 1-9.
Gault, F. (2018). Defining and measuring innovation in all sectors of the economy. Research Policy, 47(3), 617-622.
Gaur, A., & Kumar, M. (2018). A systematic approach to conducting review studies: An assessment of content analysis in 25 years of IB research. Journal of World Business, 53(2), 280-289.
Getzels, J. W., & Jackson, P. W. (1961). Family environment and cognitive style: A study of the sources of highly intelligent and of highly creative adolescents. American Sociological Review, 351-359.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63 (11), 139-144.

Goodfellow I., J., Jean, P. A., Mehdi, M., Bing, X., David, W. F., Sherjil, O., & Courville Aaron, C. (2014, December). Generative adversarial nets. In Proceedings of the 27th international conference on neural information processing systems (Vol. 2, pp. 26722680).

Gopalakrishnan, S., & Damanpour, F. (1997). A review of innovation research in economics, sociology and technology management. Omega, 25(1), 15-28.
Gordon, T. J. (1994). The Delphi method. Washington, DC: American Council for the United Nations University.
Gragousian, D. (2022). How businesses should respond to the EU’s Artificial Intelligence Act, World Economic Forum, Available at https://www.weforum.org/agenda/2022/ 02/how-businesses-should-respond-to-eu-artificial-intelligence-act/.
Graham, N., Hedges, R., Chiu, C., de La Chapelle, F., & van de Graaf, A. (2021, October 12). How can businesses protect themselves from deepfake attacks? Business Going Digital. https://www.businessgoing.digital/how-can-businesses-protect-themselves-from-deepfake-attacks/.
Graves, A., & Jaitly, N. (2014). Towards end-to-end speech recognition with recurrent neural networks. In International conference on machine learning (pp. 1764-1772). PMLR.
Griffin, A. (1992). Evaluating QFD’s use in US firms as a process for developing products. Journal of Product Innovation Management, 9(3), 171-187.
Grisoni, F., Huisman, B. J., Button, A. L., Moret, M., Atz, K., Merk, D., & Schneider, G. (2021). Combining generative artificial intelligence and on-chip synthesis for de novo drug design. Science Advances, 7(24), eabg3338.
Gursoy, D., Li, Y., & Song, H. (2023). ChatGPT and the hospitality and tourism industry: An overview of current trends and future research directions. Journal of Hospitality Marketing & Management, 32(5), 579-592.
Haefner, N., Wincent, J., Parida, V., & Gassmann, O. (2021). Artificial intelligence and innovation management: A review, framework, and research agendar. Technological Forecasting and Social Change, 162, Article 120392.
Hallowell, M. R., & Gambatese, J. A. (2010). Qualitative research: Application of the Delphi method to CEM research. Journal of Construction Engineering and Management, 136, 99-107.
Harrmann, L. K., Eggert, A., & Böhm, E. (2023). Digital technology usage as a driver of servitization paths in manufacturing industries. European Journal of Marketing, 57(3), 834-857.
Helfat, C. E., & Lieberman, M. B. (2002). The birth of capabilities: Market entry and the importance of pre-history. Industrial and Corporate Change, 11(4), 725-760.
Hendriksen, C. (2023). AI for supply chain management: Disruptive innovation or innovative disruption? Journal of Supply Chain Management., 59(3), 65-76.
Herstatt, C., & Von Hippel, E. (1992). From experience: Developing new product concepts via the lead user method: A case study in a “low-tech” field. Journal of product innovation management, 9(3), 213-221.
Hickman, E., & Petrin, M. (2021). Trustworthy AI and corporate governance: The EU’s ethics guidelines for trustworthy artificial intelligence from a company law perspective. European Business Organization Law Review, 22, 593-625.
Hine, E., & Floridi, L. (2022). New deepfake regulations in China are a tool for social stability, but at what cost? Nature Machine Intelligence, 4(7), 608-610.
Hirsch, P. M. (1972). Processing fads and fashions: An organization-set analysis of cultural industry systems. American Journal of Sociology, 77(4), 639-659.
Hu, K. (2023). ChatGPT sets record for fastest-growing user base – analyst note. Reuters. Retrieved 28.6.2023 at https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/.
Huang, M.-H., & Rust, R. T. (2021). Engaged to a robot? The role of AI in service. Journal of Service Research, 24(1), 30-41.
Huang, M. H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21(2), 155-172.
Iansiti, M., & Levien, R. (2004). Strategy as ecology. Harvard Business Review, 82(3), 68-78.
IBM (2022). How to use AI to discover new drugs and materials with limited data. 13.04.2022. Retrieved 7 June 2022: https://research.ibm.com/blog/ai-discovery-with-limited-data.
Johnson, C. D., Bauer, B. C., & Niederman, F. (2021). The automation of management and business science. Academy of Management Perspectives, 35(2), 292-309.
Kanbach, D. K., Heiduk, L., Blueher, G., Schreiter, M., & Lahmann, A. (2023). The GenAI is out of the bottle: Generative artificial intelligence from a business model innovation perspective. Review of Managerial Science, 1-32.
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15-25.
Kapoor, P. (1987). Systems approach to documentary maritime fraud.
Keil, M., Tiwana, A., & Bush, A. A. (2002). Reconciling user and project manager perceptions of IT project risk: A Delphi study. Information Systems Journal, 12, 103-119.

Kelly, J. (2021). Artificial intelligence has caused 50-to-70-decrease in wages creating income inequality and threatening millions of jobs. Forbes, https://www.forbes.com/ sites/jackkelly/2021/06/18/artificial-intelligence-has-caused-50-to-70-decrease-in-wages-creating-income-inequality-and-threatening-millions-of-jobs/.
Kietzmann, J., Lee, L. W., McCarthy, I. P., & Kietzmann, T. C. (2020). Deepfakes: Trick or treat? Business Horizons, 63(2), 135-146.
Koivisto, M., & Grassini, S. (2023). Best humans still outperform artificial intelligence in a creative divergent thinking task. Scientific Reports, 13(1), 13601.
Kruger, J., Lobschat, D., Van Boven, L., & Altermatt, T. W. (2004). The effort heuristic. Journal of Experimental Social Psychology, 40, 91-98.
La Roche, J. (2017). November 16. IBM’s Rometty: The skills gap for tech jobs is “the essence of divide.” Yahoo! Finance. Retrieved from https://finance.yahoo.com/news /ibms-rometty-skills-gap-tech-jobs-essencedivide-175847484.html.
Lehman, D. W., O’Connor, K., Kovács, B., & Newman, G. E. (2019). Authenticity. Academy of Management Annals, 13(1), 1-42.
Leone, D., Schiavone, F., Appio, F. P., & Chiao, B. (2021). How does artificial intelligence enable and enhance value co-creation in industrial markets? An exploratory case study in the healthcare ecosystem. Journal of Business Research, 129, 849-859.
Levy, N. J. (1961). Notes on the creative process and the creative person. PsychiatricQuarterly, 35(1), 66-77.
Lobschat, L., Mueller, B., Eggers, F., Brandimarte, L., Diefenbach, S., Kroschke, M., & Wirtz, J. (2021). Corporate digital responsibility. Journal of Business Research, 122, 875-888.
Longoni, C., Fradkin, A., Cian, L., & Pennycook, G. (2022, June). News from generative artificial intelligence is believed less. 2022 ACM Conference on Fairness, Accountability, and Transparency (pp. 97-106).
Macdonald, N. (1954). Language translation by machine-a report of the first successful trial. Computers and Automation, 3(2), 6-10.
MacKinnon, D. W. (1965). Personality and the realization of creative potential. American Psychologist, 20(4), 273.
Marconi, F. (2020). Newsmakers. In Newsmakers. Columbia University Press.
Marcus, G. (2022). AI Platforms like ChatGPT Are Easy to Use but Also Potentially Dangerous. Scientific American, https://www.scientificamerican.com/article/ai-platforms-like-chatgpt-are-easy-to-use-but-also-potentially-dangerous/. Retrieved 2 January 2023.
Martineau, K. (2023). What is generative AI? IBM Research. Retrieved 26.6.2023 at https://research.ibm.com/blog/what-is-generative-AI.
Mariani, M. M., Machado, I., Magrelli, V., & Dwivedi, Y. K. (2023). Artificial intelligence in innovation research: A systematic review, conceptual framework, and future research directions. Technovation, 102623.
Mariani, M. M., & Nambisan, S. (2021). Innovation analytics and digital innovation experimentation: The rise of research-driven online review platforms. Technological Forecasting and Social Change, 172, 121009.
Mariani, M. M., Perez-Vega, R., & Wirtz, J. (2022). AI in marketing, consumer research and psychology: A systematic literature review and research agenda. Psychology & Marketing, 39(4), 755-776.
Mariani, M. M., & Wamba, S. F. (2020). Exploring how consumer goods companies innovate in the digital age: The role of big data analytics companies. Journal of Business Research, 121, 338-352.
Mednick, S. (1962). The associative basis of the creative process. Psychological Review, 69 (3), 220.

Merk, D., Grisoni, F., Friedrich, L., & Schneider, G. (2018). Tuning artificial intelligence on the de novo design of natural-product-inspired retinoid X receptor modulators. Communications Chemistry, 1(1), 1-9.
Mikolov, T., Karafiát, M., Burget, L., Cernocký, J., & Khudanpur, S. (2010). Recurrent neural network based language model. Interspeech, 2(3), 1045-1048.
Miller, L. E. (2006). Determining what could/should be: The Delphi technique and its application. Paper presented at the Proceedings of the 2006 Annual Meeting of the MidWestern Educational Research Association, Columbus, Ohio.
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2), 2053951716679679.
Moore, J. F. (1993). Predators and prey: A new ecology of competition. Harvard Business Review, 71(3), 75-86.
Morley, J., Floridi, L., Kinsey, L., & Elhalal, A. (2020). From what to how: An initial review of publicly available AI ethics tools, methods and research to translate principles into practices. Science and Engineering Ethics, 26(4), 2141-2168.
Nagendran, M., Chen, Y., Lovejoy, C. A., Gordon, A. C., Komorowski, M., Harvey, H., Maruthappu, M. (2020). Artificial intelligence versus clinicians: Systematic review of design, reporting standards, and claims of deep learning studies. The BMJ, 368.
Nambisan, S. (2017). Digital entrepreneurship: Toward a digital technology perspective of entrepreneurship. Entrepreneurship Theory and Practice, 41(6), 1029-1055.
Nelson, R. R., & Winter, S. G. (1977). In search of a useful theory of innovation. In Innovation, Economic Change and Technology Policies: Proceedings of a Seminar on Technological Innovation held in Bonn, Federal Republic of Germany, April 5 to 9, 1976 (pp. 215-245). Birkhäuser Basel.
Nilsson, N. (2010). The quest for artificial intelligence: A history of ideas and achievements. Cambridge University Press.
Nijssen, E. J., Arbouw, A. R., & Commandeur, H. R. (1995). Accelerating new product development: A preliminary empirical test of a hierarchy of implementation. Journal of Product Innovation Management, 12(2), 99-109.
Nilsson, N. J. (1971). Problem-solving methods in artificial intelligence. New York, NY: McGraw-Hill.
Paschen, J., Wilson, M., & Ferreira, J. J. (2020). Collaborative intelligence: How human and artificial intelligence create value along the B2B sales funnel. Business Horizons, 63(3), 403-414.

Peres, R., Schreier, M., Schweidel, D., & Sorescu, A. (2023). On ChatGPT and beyond: How generative artificial intelligence may affect research, teaching, and practice. International Journal of Research in Marketing.
Perez-Vega, R., Kaartemo, V., Lages, C. R., Razavi, N. B., & Männistö, J. (2021). Reshaping the contexts of online customer engagement behavior via artificial intelligence: A conceptual framework. Journal of Business Research, 129, 902-910.
Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding by generative pre-training. Available at: https://www.mikecaptain. com/resources/pdf/GPT-1.pdf.
Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation-augmentation paradox. Academy of Management Review, 46(1), 192-210.
Ray, A. (2021). Disinformation, deepfakes and democracies: The need for legislative reform. The University of New South Wales Law Journal, 44(3), 983-1013.
Rhodes, M. (1961). An analysis of creativity. The Phi delta kappan, 42(7), 305-310.
Samuelson, P. (2023). Generative AI meets copyright. Science, 381(6654), 158-161.
Saura, J. R., Ribeiro-Soriano, D., & Palacios-Marqués, D. (2022). Assessing behavioral data science privacy issues in government artificial intelligence deployment. Government Information Quarterly, 39(4), Article 101679.
Schank, R. C., & Abelson, R. P. (1975). Scripts, plans, and knowledge. In IJCAI, 75, 151-157.
Schilling, M. A. (2023). Strategic management of technological innovation (7th ed.). New York: McGraw Hill.
Schilling, M. A. (2018). Quirky: The remarkable story of the traits, foibles, and genius of breakthrough innovators who changed the world. PublicAffairs.
Schilling, M. A. (2008). Strategic management of technological innovation (1st ed.). New York: McGraw Hill.
Schmenner, R. W. (1988). The merit of making things fast. MIT Sloan Management Review, 30(1), 11.
Schneider, J., Abraham, R., Meske, C., & Vom Brocke, J. (2022). Artificial intelligence governance for businesses. Information Systems Management. https://doi.org/ 10.1080/10580530.2022.2085825

Serrano, J.A.R. (2023). Generative AI Beyond The “Wow” Effect: Insights For Managers Seeking Tangible Results. Forbes, Sept 2023, https://www.forbes.com/sites/ esade/2023/09/12/generative-ai-beyond-the-wow-effect-insights-for-managers-seeking-tangible-results/.
Simon, H. A. (1991). Bounded rationality and organizational learning. Organization Science, 2(1), 125-134.
Simon, H. A. (1984). Models of bounded rationality. Economic analysis and public policy. Boston: The MIT Press.
Skinner, R., Nelson, R. R., Chin, W. W., & Land, L. (2015). The Delphi method research strategy in studies of information systems. Communications of the Association for Information Systems, 37, 31-63.
Smuha, N.A., Ahmed-Rengers, E., Harkens, A., Li, W., MacLaren, J., Piselli, R. & Yeung, K. (2021). How the EU Can Achieve Legally Trustworthy AI: A Response to the European Commission’s Proposal for an Artificial Intelligence Act (August 5, 2021). Available at SSRN: https://ssrn.com/abstract=3899991 or https://doi.org/ 10.2139/ssrn. 3899991.

Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333-339.
Staw, B. M. (1990). An evolutionary approach to creativity and innovation. In M. A. West & J. L. Farr, Innovation and creativity at work: Psychological and organizational strategies (pp. 287-308).
Straus, M. A. (1968). Communication, creativity, and problem-solving ability of middleand working-class families in three societies. American Journal of Sociology, 73(4), 417-430.
Suler, J. R. (1980). Primary process thinking and creativity. Psychological Bulletin, 88(1), 144.

Suominen, A., Deschryvere, M., & Narayan, R. (2023). Uncovering value through exploration of barriers-A perspective on intellectual property rights in a national innovation system. Technovation, 123, Article 102719.
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509-533.
Thomke, S. (2020). Building a culture of experimentation. Harvard Business Review, 98 (2), 40-47.

Toner, H. (2023). What Are Generative AI, Large Language Models, and Foundation Models? Center for Security and Emerging Technology, Georgetown University. Retrieved 02.7.2023 at https://cset.georgetown.edu/article/what-are-generative-ai-large-language-models-and-foundation-models/.
Tsamados, A., Aggarwal, N., Cowls, J., Morley, J., Roberts, H., Taddeo, M., & Floridi, L. (2021). The ethics of algorithms: Key problems and solutions. Ethics, Governance, and Policies in Artificial Intelligence, 97-123.
Utterback, J. M., & Abernathy, W. J. (1975). A dynamic model of process and product innovation. Omega, 3(6), 639-656.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.
Peterson, J. C., Uddenberg, S., Griffiths, T. L., Todorov, A., & Suchow, J. W. (2022). Deep models of superficial face judgments. Proceedings of the National Academy of Sciences, 119(17).
Verganti, R., Vendraminelli, L., & Iansiti, M. (2020). Innovation and design in the age of artificial intelligence. Journal of Product Innovation Management, 37(3), 212-227.
Vieira, E., & Gomes, J. (2009). A comparison of Scopus and Web of Science for a typical university. Scientometrics, 81(2), 587-600.

Wamba, S. F. (2022). Impact of artificial intelligence assimilation on firm performance: The mediating effects of organizational agility and customer agility. International Journal of Information Management, 67, Article 102544.
Wamba-Taguimdje, S. L., Fosso Wamba, S., Kala Kamdjoug, J. R., & Tchatchouang Wanko, C. E. (2020). Influence of artificial intelligence (AI) on firm performance: The business value of AI-based transformation projects. Business Process Management Journal, 26(7), 1893-1924.
Wang, Y., Ma, H. S., Yang, J. H., & Wang, K. S. (2017). Industry 4.0: A way from mass customization to mass personalization production. Advances in Manufacturing, 5, 311-320.
Weizenbaum, J. (1966). ELIZA-a computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36-45.
Westerlund, M. (2019). The emergence of Deepfake technology: A review. Technology Innovation Management Review, 9(11), 40-53.
Wiles, J. (2023). Beyond ChatGPT: the future of generative AI for enterprises, 23.01.2023. Available at: https://www.gartner.com/en/articles/beyond-chatgpt-the-future-of-generative-ai-for-enterprises.
Wirtz, J., Kunz, W. H., Hartley, N., & Tarbit, J. (2023). Corporate digital responsibility in service firms and their ecosystems. Journal of Service Research, 26(2), 173-190.
Woodman, R. W., Sawyer, J. E., & Griffin, R. W. (1993). Toward a theory of organizational creativity. Academy of Management Review, 18(2), 293-321.
Wu, B., Nair, S., Martin-Martin, R., Fei-Fei, L., & Finn, C. (2021). Greedy hierarchical variational autoencoders for large-scale video prediction. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 2318-2328).
Zahra, S. A., & Nambisan, S. (2012). Entrepreneurship and strategic thinking in business ecosystems. Business Horizons, 55(3), 219-222.

Marcello Mariani, PhD, is a Professor of Management at the University of Reading (UK) and University of Bologna (Italy), member of the Academy of Management and the

European Institute for Advanced Studies in Management. His current research interests include the drivers and consequences of the adoption of digital technologies (e.g., big data and analytics, Artificial Intelligence, robots, VAR, IoT) by firms and consumers, as well as a wide range of topics and issues in the strategic management, innovation management, entrepreneurship and marketing fields. His scholarly work has been published in Harvard Business Review, Journal of Business Research, Industrial Marketing Management, Journal of Advertising, Psychology & Marketing, MIT Sloan Management Review, Industrial and Corporate Change, International Journal of Production Research, Long Range Planning, Technological Forecasting and Social Change, IEEE-TEM, IEEE Access, International Journal of Electronic Commerce, Tourism Management, Annals of Tourism Research, Journal of Travel Research, International Journal of Contemporary Hospitality Management, International Journal of Hospitality Management, European Management Journal, European Accounting Review, International Studies in Management and Organizations, Journal of Destination Management and Marketing, International Journal of Information Mansgement, and more.

Yogesh K. Dwivedi, is a Professor of Digital Marketing and Innovation and Founding Director of the Emerging Markets Research Centre (EMaRC) at the School of Management, Swansea University, Wales, UK. In addition, he holds a Distinguished Research Professorship at the Symbiosis Institute of Business Management (SIBM), Pune, India. Professor Dwivedi is also currently leading the International Journal of Information Management as its Editor-in-Chief. His research interests are at the interface of Information Systems (IS) and Marketing, focusing on issues related to consumer adoption and diffusion of emerging digital innovations, digital government, and digital and social media marketing particularly in the context of emerging markets. Professor Dwivedi has published more than 400 articles in a range of leading academic journals and conferences that are widely cited (more than 30 thousand times as per Google Scholar). He has been named on the annual Highly Cited Researchers and 2021 lists from Clarivate Analytics.

Generative artificial intelligence
Delphi study
Management
Innovation

Advancements in digital technologies have engendered a transformation in human and business activities, forming the basis for the fourth industrial revolution (Schwab, 2017). Fueled by the growth of computational power and Big Data, computer engineers and scientists are designing and developing artificial intelligence (AI) systems and algorithms that are being increasingly adopted by individuals and organizations. Today, AI is arguably the most dominant technological paradigm and certainly a “pervasive economic and organizational phenomenon” (Von Krog, 2018: p. 404), whose associated opportunities and challenges are critically important for management researchers (Bamberger, 2018).

Currently, the technological and business communities are paying increasing attention to Generative Artificial Intelligence (GenAI): a form of AI that can drive innovation through new product discovery and development. Over the last three years, venture capital firms have invested more than 1.7 billion USD into GenAI solutions, with GenAIenabled drug discovery and software coding getting the most funding (Wiles, 2023). The Research VP for Technology Innovation at Gartner,

Brian Burke, stated that “…by 2025, we expect more than – up from zero today – of new drugs and materials to be systematically discovered using generative AI techniques” (Wiles, 2023).

In the media sector, an increasing number of companies (including Forbes, the New York Times, and the Washington Post) are deploying GenAI to produce entire articles from scratch that report on various topics, including politics, foreign affairs, financial markets, entertainment, sporting events, and crimes (Dörr, 2015; Longoni et al., 2022; Marconi, 2020). In the TV broadcasting sector, the South Korean TV broadcaster MBN has used GenAI to generate a deepfake of anchor-man Kim Joo-Ha (Foley, 2022) to report breaking news. In the movie industry, experts estimate that, by 2030 , we will see a blockbuster movie created primarily from an AI translating text into video (Wiles, 2023). In the chemical industry, GenAI is able to independently design new chemical entities that retain the bioactivities of the given templates (Merk et al., 2018). In the pharmaceutical and healthcare industries, GenAI helps automate several parts of the drug discovery process, such as synthesis, molecular design, and synthesis planning (Grisoni et al., 2021). In fact, deep learning models can implicitly learn the desired molecular features, without the need for explicit, rule-based design

constraints. More generally, GenAI is capable of designing and developing new molecules without any human intervention (except for a prompt). This can circumvent the traditional processes for pharmaceutical innovation (De Massis et al., 2018) and reduce the time (and costs) between discovery and going to market-as much as two thirds by some estimates. Marketing also stands to benefit from these developments (Chatterjee et al., 2021): Experts estimated that, by 2025, a third of advertising messages from large companies will be synthetically generated, up from less than in 2022.

With its wide deployment across industries and organizational functions, AI can not only trigger innovation, but “has the potential to change the innovation process itself, with consequences that may be equally profound” (Cockburn et al., 2018: p. 115). The growing importance of AI for innovation can be seen in a nascent research stream of innovation (management) studies covering AI (e.g., Verganti et al., 2020), as well as recent systematic literature reviews of that burgeoning research stream (e.g., Mariani et al., 2023). While this scholarly work has led to multiple definitions and typologies of AI in the management field (e.g., Davenport & Ronanki, 2018; Huang & Rust, 2018, 2021), we still do not recognize the full scale of opportunities that GenAI represents for innovation management research. As a consequence, we lack a comprehensive understanding of the major research themes that leading management scholars think might guide future research developments in innovation management research involving GenAI.

To bridge those knowledge gaps, this study combines a review of the academic literature with the results of a Delphi study-conducted on leading (innovation) management scholars who are familiar with GenAI. The goal was to identify and critically describe research themes that leading management scholars think will guide and shape future innovation management research revolving around GenAI. In doing so, the paper will allow innovation management researchers who are interested in GenAI to achieve more conceptual clarity, and from there, build a more consistent and connected body of knowledge on innovation (management) studies related to GenAI. Consequently, this study aims to answer the following research question:

RQ: What are the most relevant themes that will guide and shape future innovation management research revolving around GenAI?

To address this question, we combined and synthesized the academic literature with the results of a Delphi survey of leading innovation management scholars who are familiar with GenAI. In doing so, we move beyond the most recent systematic literature reviews on the topic (i.e., Haefner et al., 2021; Mariani et al., 2023) to generate new knowledge based on the critical thoughts of a panel of experts. Ten major research themes emerged that can guide future research developments at the intersection of GenAI and innovation management.

Management scholars disagree on who first began researching AI, but generally concur that AI began life in the literary domain-namely, the fictional book ‘Runaround’, published in 1942 by American author Isaac Asimov. Fifteen years later, the scientists John McCarthy and Marvin Minsky hosted the Dartmouth summer research project on AI at Dartmouth College, USA (Kaplan & Haenlein, 2019). From that point up until 2010, AI received relatively scarce attention from management scholars.

In the last decade, however, scholarly interest in AI has grown significantly (Emmert-Streib et al., 2020). Now, management scholars recognize that AI can generate relevant business outcomes (Davenport & Ronanki, 2018; Huang & Rust, 2018; Raisch & Krakowski, 2021; Von Krogh, 2018) and have therefore developed their own conceptualizations of AI for business. For instance, Davenport and Ronanki (2018) conceptualized and distinguished three types of artificial intelligence:
(1) process automation; (2) cognitive insights; and (3) cognitive engagement. Process automation-sometimes referred to as robotic process automation (RPA)-is the cheapest and easiest AI to implement; as such, it typically generates a high (and quick) return on investment. The second type, cognitive insights, deploys algorithms and machine learning to detect patterns in vast volumes of data and interpret their meaning. Finally, cognitive engagement employs natural language processing chatbots, intelligent agents, and machine learning in order to connect people within and across organizations (e.g., employees, customers). Huang and Rust (2021) similarly conceptualized and distinguished three types of artificial intelligence: (1) mechanical; (2) thinking; and (3) feeling AI, which respectively handle routine, rulebased, and emotional tasks (Huang and Rust, 2021). Mechanical AI comes in the guise of robots, while thinking AI takes the form of conversational agents (Mariani et al., 2022). Relying on work by Nilsson (1971), Raisch and Krakowski (2021) defined AI as a concept that “refers to machines performing cognitive functions that are usually associated with human minds, such as learning, interacting, and problem solving” (p. 192). Drawing on Nilsson (2010), who defined AI as “that activity devoted to making machines intelligent” (p. 13), Cockburn et al. (2018) observed that AI covers three areas: robotics, symbolic systems, and learning systems. Only the latter ones represent a truly general-purpose technology that can be “a method to innovate”. Indeed, deep learning allows AI to “predict” physical and logical events with higher precision and accuracy compared to traditional statistical methods, which could be a boon for scientific, behavioral and technical research. Other scholars (e.g., Brynjolfsson & McAfee, 2014; Daugherty & Wilson, 2018; Davenport and Ronanki, 2018) have suggested that humans and machines must collaborate, rather than compete, in order to share their complementary strengths and achieve mutual learning (La Roche, 2017; Raisch & Krakowski, 2021). Overall, while several scholars maintain that there is no universally accepted definition of AI (Streinb et al., 2020), due to “intelligence” not being formally (and mathematically) defined, the management field has access to many working definitions of AI (see Huang & Rust, 2021; Nilsson, 2010).

Among innovation management studies, however, the conceptual history of AI is relatively more recent and features fewer definitions. For instance, relying on work by Nilsson (1971), Raisch and Krakowski (2021) defined AI as a concept that “refers to machines performing cognitive functions that are usually associated with human minds, such as learning, interacting, and problem solving” (p. 192). Similarly, Verganti et al. (2020) drew from insights derived from tech companies to argue that AI is a computer’s performance of simple tasks that were traditionally performed by human beings. Verganti et al. (2020) suggested that, as algorithms are increasingly employed for creative problem-solving, human design becomes an act of sensemaking, whereby humans decide which problems should or could be addressed. For instance, Netflix deployed data and AI algorithms to predict the content that it should create for users before understanding the market potential of the House of Cards series back in 2013. It also used AI algorithms to further develop the series afterwards. While the process was guided by AI, the company’s managers used their sensemaking to understand what customer problem should be addressed.

Drawing on Nilsson (2010), Cockburn et al. (2018) speculated that, among the three types of AI fields (robotics, symbolic systems, learning systems), learning systems constitute a novel general-purpose technology that also represents an “invention of a method of invention” (Cockburn et al., 2018: p. 116). Their analysis generated two key findings: first, from an innovation perspective, it is critical to distinguish between advances in the fields of robotics vs. deep learning as a generalpurpose method of invention. Second, a few critical issues need to be resolved in order to exploit the potential of deep learning systems for innovation management and policy, including: 1) the evaluation of the new emerging science; and 2) the new barriers to entry induced by prediction methods across a wide spectrum of industries. As Dwivedi et al. (2021) observed in their multidisciplinary appraisal of AI, the
“common thread amongst these definitions is the increasing capability of machines to perform specific roles and tasks currently performed by humans within the workplace and society in general” (Dwivedi et al., 2022: p. 2).

Two recent works have systematically reviewed AI in innovation management research (Haefner et al., 2021; Mariani et al., 2023). In their narrative review of the literature, which built on the behavioral theory of the firm, Haefner et al. (2021) did not specifically define AI. Instead, the authors argued that organizations increasingly rely on an expanding amount of information and knowledge that “is stored electronically and without human involvement” (ibidem: p. 2). As organizations become progressively digitized, innovation managers might not be able to effectively access and process such information. Accordingly, today’s innovation managers may possess less information for innovation purposes-both qualitatively and quantitatively-than they had prior to the digital revolution. The authors therefore speculated that innovation managers will need to work side-by-side “with AI and machine learning algorithms in identifying and selecting opportunities as well as investigating what could be the organization’s next competitive advantage” (Haefner et al., 2021: p. 3). In their own systematic literature review of AI and innovation, based on a drivers-phenomenon-outcomes framework, Mariani et al. (2023) borrowed Huang and Rust’s (2022) definition of AI as “the use of computational machinery to emulate capabilities inherent in humans, such as doing physical or mechanical tasks, thinking, and feeling” (p. 31). Mariani and colleagues suggested that there are three types of drivers behind the adoption of AI for innovation (i.e., economic, technological, and social); accordingly, there are three types of outcomes (i.e., economic outcomes, competitive and organizational outcomes, and innovation outcomes). In their limitations section, Mariani et al. (2023) suggested that the management literature might need to integrate with the data science literature in order to enable the “emergence of innovation management research in the area of generative AI” (p. 20). Currently, their article is one of the few innovation management studies to explicitly mention Generative AI, albeit with no explicit definition nor conceptual description.

In summary, AI has been defined and conceptualized in several innovation management studies (e.g., Cockburn et al., 2018; Mariani et al., 2023; Raisch & Krakowski, 2021; Verganti et al., 2020), but Generative AI has not yet been explicitly analyzed in innovation management research. The sole exception is a passing mention by Mariani et al. (2023) in their systematic literature review.

Generative AI (GenAI) is a broad term that captures AI systems “that can generate high-quality text, images, and other content based on the data they were trained on” (Martineau, 2023). More broadly, GenAI focuses on the generation of a wide range of outputs, such as text, code, images, pharmaceutical and biological elements (e.g., molecules), videos, music, and robotic actions. Thus, GenAI systems are different from “AI systems that perform other functions, such as classifying data (e.g., assigning labels to images), grouping data (e.g., identifying customer segments with similar purchasing behaviors), or choosing actions (e.g., steering an autonomous vehicle)” (Toner, 2023).

GenAI has a long history in the AI domain (Cao et al., 2023), dating back to the 1950s, when scholars were developing Gaussian Mixture models and Hidden Markov models. Those models were used to generate sequences of data in the guise of time series or speeches. Areas such as natural language processing (NLP) and computer vision (CV) relied on machine learning (ML) to advance algorithms for language and image generation. However, it was the emergence and advancement of deep learning (Peterson et al., 2022) that triggered enhanced performance for generative models. While these models – such as Generative Adversarial Networks (Goodfellow et al., 2014), Variational Autoencoders (Wu et al., 2021), and diffusion generative models (Croitoru et al., 2023) –
had been developing over time, an intersection emerged in the transformer architecture. Introduced by Vaswani et al. (2017) with applications to NLP, the transformer architecture has become the dominant backbone of generative models. For instance, in the area of NLP, Bidirectional Encoder Representations from Transformers (BERT) and Generative Pre-trained Transformers (GPTs) (such as GPT-1 to GPT-4) deploy a transformer architecture. Vision Transformer and Swin Transformer utilize a transformer architecture in the area of CV, as does the text-to-image application DALL-E. Interestingly, the transformer architecture allows one to fuse different models and thereby enable multimodal tasks (i.e., simultaneously generating different types of content like images and music).

An increasing number of computer science scholars have explored different aspects of GenAI (e.g., Bengio et al., 2000; Brown et al., 2020; Deng & Lin, 2022; Devlin et al., 2018; Graves and Jaitly, 2014; Goodfellow et al., 2014, 2020; Mikolov et al., 2010; Macdonald, 1954; Radford et al., 2018; Schank & Abelson, 1975; Vaswani et al., 2017; Weizenbaum, 1966), but there are only a few recent articles on GenAI in the innovation management literature (e.g., Burger et al., 2023; Bouschery et al., 2023). For instance, Burger et al. (2023) illustrated the importance of AI for research methods by providing guidelines for utilizing AI (namely, ChatGPT) to develop a literature review. Bouschery et al. (2023) explored how transformer-based language models could be used by innovation teams in new product development.

Following the lead of Johnson et al. (2021), Skinner et al. (2015) and Suominen et al. (2023), we (1) conducted a literature review to identify the most relevant and cited articles at the intersection of GenAI and management and (2) conducted preliminary interviews with, and a Delphi study on, several of the identified authors. Developed within the Rand Corporation in the 1960 s, the Delphi methodology is a very wellknown approach for engaging a group of experts on a given topic (Dalkey & Helmer, 1963).

In line with the work of Johnson et al. (2021) and Suominen et al. (2019), we undertook a literature review to identify the Delphi study experts/participants and the items for the related questionnaire. In line with literature reviews conducted in other Delphi studies (e.g., Johnson et al., 2021; Suominen et al., 2019), we retrieved scientific articles indexed in the two reference scholarly databases: Clarivate Web of Science and Elsevier Scopus. Those databases index academic research across multiple disciplines (respectively representing more than 34,000 and 40,000 academic journals). Due to following rigorous and reliable selection criteria, these scholarly databases have the best coverage of academic research in the social sciences (Vieira & Gomes, 2009). We performed an advanced search in both databases on the 27th of June 2023, deploying the same set of terms and keywords across both WOS and Scopus. In both cases, we followed these steps: First, we adapted the research protocol and keywords used in a recent systematic literature review (Mariani et al., 2023) that dealt with artificial intelligence and innovation. The list of keywords used to cover GenAI included: “generative Artificial Intelligence” or “Generative Artificial Intelligence” or “GPT” or “GPT-1” or “GPT-2” or “GPT-3” or “GPT-4” or “ChatGPT” or “ClickUp” or “GrammarlyGO” or “Jasper” or “Copy.ai” or “Wordtune” or “Writesonic” or “Rytr” or “AlphaCode” or “GitHub Copilot” or “aiXcoder” or “TabNine” or “Figstack” or “Cody” or “SpellBox” or “AskCodi” or “BlackBox” or “Midjourney” or “DALL-E 2” or “NightCafe” or “BlueWillow” or “Bria” or “Stockimg” or “Fliki” or “Lumen5” or “Synthesia” or “DeepBrainAI” or “Runway” or “Pictory” or “Bard” or “Cohere Generate” or “Claude” or “StyleGAN” or “Bardeen” or “Rephrase.ai” or “Descript” or “Type Studio” or “GLIDE” or “Imagen” or “Bidirectional Encoder Representations from Transformers” or “BERT” or “RoBERTa”
or “ERNIE” or “Bart” or “T5” or “Megatron” or “Murf.ai” or “Designs.ai” or “Soundraw” or “ChatFlash” or “ChatSonic” or “Scribe” or “VEED” or “Speechify” and several other GenAI proper names. While the collection of proper GenAI names is not necessarily comprehensive, it is broad enough to cover the most popular GenAI systems mentioned by leading IT consultancy companies like Gartner. Moreover, when proper names appeared with different spellings, we used the most widespread spellings (like in the case of “DALL-E 2”, which is sometimes written as “DALL-E2”). The keywords deployed to cover innovation management were “innovat*” and “manag*”.

In line with established methods for literature reviews (Snyder, 2019), and other systematic literature reviews (Mariani et al., 2023), we searched both the WOS and Scopus databases for combinations of the aforementioned keywords in all searchable fields, including the title, abstract, or keywords. We narrowed our search by only considering articles and review papers (Gaur & Kumar, 2018) in the English language that covered the subject areas of “Business” and “Management” for WOS and “Business, management and accounting” for Scopus. This yielded 255 documents for WOS and 709 documents for Scopus (the discrepancy stems from the subject classifications in the Scopus database being broader than in WOS: for instance, hospitality and tourism management journals do not get picked up using the classification “Business” or “Management” in WOS). Second, we merged the WOS and Scopus datasets and removed all duplicates (i.e., articles that were present in both databases were included only once in our final database), which produced a total of 712 documents. Three members of the research team carefully read each article’s abstract to determine its relevance. All three agreed that 98 articles explicitly dealt with GenAI in management, whereas the rest just mentioned the word “innovat*” in a way that was loosely coupled with GenAI.

We saw the Delphi method as appropriate for our study since it can synthesize the critical reflections and thoughts of an expert panel, while also uncovering future research opportunities and challenges in the domain of interest. Unlike a common survey, which tries to identify what an already established phenomenon “is”, the Delphi method attempts to address “what could be” when a phenomenon is emergent and/or new (Miller, 2006). To this end, we followed Skinner and colleagues’ (2015) three-step guidelines for Delphi studies: 1) an exploratory stage; 2) a distillation stage; and 3) a utilization stage. In the first stage, we conducted open-ended interviews with 6 leading scholars: 4 management scholars who have published articles at the intersection of innovation and GenAI in academic journals rated as 3,4 , or by the Chartered Association of Business Schools (CABS), and 2 leading computer scientists who have authored articles exploring how GenAI can support innovation activities and processes. The scholars were asked broad questions such as: “Do you think that the emergence and consolidation of GenAI will transform established concepts, frameworks, and constructs in innovation management research? If so, why and how? If not, why and how? What are the most relevant themes that will guide and shape future innovation management research revolving around GenAI?” The research team piloted the questions’ effectiveness on one English-speaking research assistant with a knowledge of AI; the feedback helped to ensure that the wording was sufficiently simple and clear. Subsequently, we identified expert panelists using two criteria: The first was Delbecq et al.’s (1975) nominal group technique (NGT), a form of expert canvassing that involves creating a knowledge resource nomination worksheet (KRNW). The KRNW was informed by the literature review, through which we selected experts who had already published on the topic of GenAI in high-quality academic journals (rated 3 or more by the Chartered Association of Business Schools) in the area of management. The second was knowledge of experts in the area of interest, in line with Keil et al. (2002). In this way, we identified a total of 107 potential experts.

In the distillation stage, we combined the literature review and the open interviews to develop the arguments (i.e., the items) of the Delphi questionnaire. One researcher and two research assistants studying GenAI identified the Delphi arguments/statements and filled out an Excel spreadsheet table with them. Although 37 arguments were identified, the team selected only 25 arguments to simplify the work of the Delphi panelists. Two project team members independently scored the arguments in relation to the study’s objectives. The 25 highest-scoring arguments were included in the Delphi questionnaire. Those two project members worked with 1 of the interviewed leading scholars (from the exploration stage) to ensure that the wording was unambiguous, the instructions were easy to follow, and the level of detail was appropriate (Gordon, 1994; Hallowell & Gambatese, 2010). The beginning of the questionnaire featured two working definitions in a short section named “Preliminary definitions”: 1) Generative Artificial Intelligence (GenAI) is defined as AI systems “that can generate high-quality text, images, and other content based on the data they were trained on” (Martineau, 2023 – IBM Research); 2) Multimodal GenAI systems are defined as GenAI systems generating outputs from more than one type of data input, including text, voice, audio, video, pictures, etc. (Cao et al., 2023). In designing the materials, we addressed several potential forms of bias: (a) collective unconscious bias (Durkheim, 1982), by explicitly asking panelists to provide justification; (b) contrast effect and primacy effect (Bjarnason & Jonsson, 2005) bias, by randomizing the question order, and (c) dominance bias (Skinner et al., 2015), by ensuring expert anonymity. We sent the questionnaire to the 107 panelists via email and collected their results online. Following extant recommendations (Johnson et al., 2021; Skynner et al., 2015; Suominen et al., 2019), the study proceeded in two rounds. In the first round, the Delphi respondents were presented with arguments about GenAI and innovation management. The experts evaluated the significance of the arguments using 5-point Likert scales, as well as justified their position with open comments. In the first round, the experts were also free to answer openended questions about the opportunities and challenges that GenAI is likely to bring to innovation management research.

In round 2, in line with Suominen et al. (2019), we presented the panelists with the same arguments/items again, but with summaries of the first round’s results. The summaries included descriptive values for the Likert-scale responses for each question, as well as a cohesive narrative assembled from the experts’ comments, put forward by the project team. During round 2 , the panelists were asked to re-evaluate the Likert scale variables, as well as comment on the provided narrative. The results from the Delphi study include the Likert-scale responses, as well as separate sections that represent the themes we derived from merging the experts’ narratives. We want to emphasize that the argument narratives reflect the panelists’ views, not that of the researchers.

The experts invited to the first round were sent an email invitation to participate in the Delphi process. Each expert was given a response time of two weeks, as well as two reminder messages. A total of 19 experts participated in the first round of the Delphi process. All 19 were invited back to participate in the second round and 11 ultimately returned. This number is more than acceptable based on leading methodological studies (e.g., Skinner et al., 2015) and management studies (e.g., Johnson et al., 2021) that deployed the Delphi method. For instance, Johnson et al. (2021) received only 5 responses in their second round, but argued that “Delphi studies are fundamentally different to, and should not be confused with, conventional statistical sampling and inferences techniques” (107).

In the third and final stage, utilization, we reported the results of the Delphi method to the second-round respondents. The first round’s narratives formed the basis of the analysis, while the comments from the second round helped to improve said narratives. Besides deriving the qualitative narratives, we computed the average percent of majority opinions (APMO), which is typically used as a consensus measure in Delphi studies (Kapoor, 1987). Consensus-either as agreement or disagreement with the Delphi argument-can be defined as follows:

where “Agr” is the majority agreement (including both “Strongly Agree” and “Somewhat agree”), “Disagr” is the majority disagreement (including both “Strongly disagree” and “Somewhat disagree”), and NumOp is the total number of opinions/responses. The APMO index is frequently deployed to indicate when an argument/item can be dropped from consecutive rounds of Delphi or when the Delphi exercise has reached a saturation point. In the present study, we report on the APMO score for both rounds, while the process description for the Delphi study is illustrated in Fig. 1. Following Johnson et al. (2021), we used the utilization stage to draft the findings (section 4) and develop the discussion section (section 5).

Through the literature review, we identified 98 documents that explicitly dealt with GenAI in management. Among these articles, most tackled specific issues such as GenAI supporting management research (e.g., Burger et al., 2023) or enabling activities in the hospitality and tourism industries (Gursoy et al., 2023). For instance, Burger et al. (2023) discussed how AI can enhance research methods by generating guidelines for deploying ChatGPT to support the development of systematic literature reviews (SLRs), and the scientific research process more generally. They argued that using ChatGPT can make researchers’ work faster without sacrificing reliability and replicability, but did not discuss critical elements for innovation management. Meanwhile, Gursoy and Song (2023) emphasized how ChatGPT might disrupt operations in the hospitality and tourism industry, namely by changing how customers search for information and make decisions, as well as how businesses produce, create, and deliver customized services and experiences. However, Gursoy and Song (2023) only mentioned innovativeness as a tourist-specific factor that can influence tourists’ acceptance of ChatGPT. In a multi-author opinion piece edited by Dwivedi et al. (2023), most of the multidisciplinary contributions focus on disciplines other than innovation. The sole exception was the section written by Mariani, who suggested that “there is a long way before AI platforms such as ChatGPT could be capable to lead independently to meaningful product, process, or business model innovation. … As AI platforms and the underlying technology will evolve, future research will need to investigate if and to what extent the role played by generative AI will be increasingly relevant in triggering innovation outcomes” (Dwivedi et al., 2023: p. 6).

Upon careful inspection, we observed that only 2 of the 98 articles explicitly adopted an innovation management disciplinary perspective in relation to GenAI: namely, Bouschery et al. (2023) and Bilgram and Laarmann (2023). Bouschery and colleagues (2023) explored how transformer-based language models can be deployed to augment human innovation teams involved in the new product development (NPD) process. They put forward an AI-augmented double diamond framework to explain how such models can assist in NPD tasks, including idea generation, text summarization, and sentiment analysis. They also developed a research agenda to study the exploitation of language models in NPD and their role in hybrid innovation teams. By contrast, Bilgram and Laarmann (2023) focused on large language models (LLMs), using real-world examples to illustrate how they can augment the early stages of innovation, including exploration, ideation, and digital prototyping. The authors ultimately observed that GenAI could dramatically change the prototyping process, thereby compressing production time and costs.

To summarize, extant studies suggest that GenAI can create opportunities to support NPD, and more generally, innovation decisions and activities. That said, there is a paucity of management studies on how GenAI could potentially enrich innovation management research. For
this reason, we used the literature review studies and the interviews to develop the 25 Delphi items (see Table A. 1 in the Appendix).

The 25 Delphi arguments can be seen in Table 1, which display the aggregate results for round 2 . The APMO was for round 1 (details in Table A. 2 in the Appendix) and for round 2 (see Table 1). The subsections below depict the experts’ responses in narrative form. The text is based on the synopsis written by the researchers, which is derived from the open-ended comments by the Delphi experts within the Delphi rounds and, where relevant, also a few individual comments.

All of the experts argued that GenAI is likely to be a game-changer for innovation. The majority of them believed that AI would facilitate innovation without changing the basic types (e.g., product/process, radical/incremental, architectural/component, etc.). For instance, one expert said, “I think GenAI will greatly facilitate the process of innovation and help in outcomes that are incremental (for example, developing ideas that are based on customer feedback on existing products) as well as radical (for example, making potential connections between different ideas in different domains/fields). However, the broad types of innovation would remain the same.” Another expert commented that “GenAI continues the technological development experts have seen for the past few years. As such, I think the types of innovation that we know won’t change much, if at all.” Another expert agreed that the adoption of GenAI would not change innovation taxonomies, but would deeply affect innovation for products and especially business models. Interestingly, one scholar expressed a different and interesting opinion: “Perhaps not in the short term, but in the long term GenAI will challenge traditional notions of artistic innovation and GenAI generated artistic content (such as music) might emerge as an entirely new creative domain.” Most scholars agreed that GenAI can enable the fusion and hybridization of different types of innovation – such as product, process and marketing innovation – thus paving the way for the emergence of entirely new business models.

The vast majority of experts mentioned that the GenAI S-curve (Scurves are often used in innovation management to describe the diffusion of a technology; they basically express the cumulative number of technology adopters across time) is showcasing an unusually fast adoption stage following introduction. Two scholars argued that conversational GenAI systems such as ChatGPT are likely to become the fastest-adopted technology by consumers (and likely also by businesses) after the smartphone and the Internet. One expert recalled a Reuters news article about how ChatGPT became “the fastest-growing consumer application in history” after reaching 100 million active monthly users just two months after launch (Hu, 2023). Another panelist mentioned that business commentators have suggested that ChatGPT is already the fastest-growing technology in history (Bove, 2023). While many scholars agree that the shape of a technology S-curve is not set in stone, and therefore limits the prescriptive utility of the S-Curve model, the two experts mentioned above independently emphasized that GenAI offers many unprecedented advantages across many industries and can seamlessly fit with customers’ and businesses’ current abilities. That said, all the panelists felt that, despite its fast diffusion and adoption, GenAI is in the early stages of its technological lifecycle. In particular, one mentioned that “I don’t think a dominant design has emerged yet. I presume we are still in the era of ferment – whereby experimentation of different models/technologies are being tried out (in different domains) We are not yet sure of how the GenAI technologies can be used in the different domains. I think a dominant design will emerge once valuable use cases are identified and validated, that in turn lead to network effects among adopters.”

Most experts argued that scientific and artistic creativity will be enhanced and empowered through GenAI-and may even be conceptualized differently to accommodate this technology. Several of them felt that traditional concepts of individual and organizational human creativity will be replaced by brainstorming between humans and GenAI systems. The experts suggested that this will be more relevant for artistic creativity where physical laws (the kind that constrain the harder sciences) do not impede idea generation or implementation. One of them went on to mention that “it is not surprising that so many creative design and music software are increasingly integrating GenAI.”

The majority of the experts stated that the advancement of GenAI will render extant intellectual property protections obsolete. One of them argued that “it is likely that in a couple of decades from now, governments in some countries – those more inclined to encourage
technological innovation like here in the US – will start developing laws that significantly modify copyright.” Those same experts suggested that GenAI will lead to new conceptualizations of intellectual property (protection) in innovation management. Several agreed that governments need updated frameworks that allow GenAI systems to work at full capacity; the most radical expert even argued that current copyright law “should go away” in order to fulfil that goal. That said, a significant minority of experts suggested that intellectual property is here to stay and largely in its current form (i.e., as patents, trademarks and copyrights). This latter group of experts mentioned that GenAI providers should instead coordinate continuously with patent offices and copyright law enforcement bodies.

Most of the experts disagreed that the presence of GenAI would make the difference between deliberate vs. emergent strategies in New Product Development (NPD) more pronounced. Several of them argued that
emergent strategies are often a matter of serendipity for employees and managers, although it is possible for GenAI to produce unexpected solutions via embedded elements of “positive” randomness. That “positive” randomness could help amplify humans’ capacity to develop unconventional ideas during the NPD process. Furthermore, the majority of experts argued that GenAI will change how management scholars construe NPD teams. Indeed, the dynamics within NPD teams will need to change to accommodate the increasing inclusion of machines,. As a corollary of these first two points (“positive” randomness injected by GenAI systems and more diverse innovation teams), most of the experts expected that innovation management scholars would modify the way they construe and conceptualize the NPD process. Indeed, the collaborations between humans and GenAI systems will impact the structure, duration, and efficiency of workflows. Additionally, most experts felt that GenAI would enable more real-time experimentation and validation techniques, empowering innovation managers to quickly pivot their ideas into products/processes/business models. Likewise, GenAI would improve new product testing by allowing for real-time uptake and processing of consumer preferences and needs. For instance, one expert mentioned digital prototyping as a way to quickly and cheaply test new products.

The majority of experts argued that multimodal GenAI systems (i.e., GenAI systems that generate outputs from more than one type of data input, including text, voice, audio, video, and pictures) are likely to play a bigger role in firms’ competitive advantage and innovation performance compared to unimodal Generative AI systems. Several of the panelists mentioned that multimodal GenAI systems can enhance users’ experience, and therefore their satisfaction, by making the content richer, more interactive, and highly personalized. As one expert pointed out, personalized content can be particularly relevant in digital marketing and communication campaigns, which can leverage browsing history, textual queries, visual preferences and numeric data (concerning content size and prices). Third, the experts stressed that multimodal GenAI can generate (new) content that is contextually relevant. Finally, multiple data modalities allow GenAI systems to ingest data from disparate sources, thereby creating many (potentially countless) sources of innovation. Overall, multimodal GenAI systems have broader implications for user experience and satisfaction than their unimodal counterparts.

Most of the panelists maintained that the introduction and consolidation of GenAI systems are likely to create a dense network of actors and stakeholders – not all of them human – who will increasingly interact in pursuit of innovative outcomes. This implies that GenAIenabled innovation will happen through distributed agency, which will also entail human-GenAI interactions that will modify innovation activities and processes. For those reasons, most of the experts believed that GenAI will heighten the relevance of (digital) platform ecosystems research.

Most experts argued that extant framework for regulating entities that pursue GenAI-enabled innovation should be updated, if not radically modified. This implies a need for new policies, laws, and regulations. Likewise, anti-trust authorities may need to revise their toolkits in order to ensure that market competition is not distorted by certain companies using (or abusing) GenAI systems to build dominant positions.

The vast majority of the panelists agreed that the unethical application of GenAI can bias innovation. Several mentioned deepfakes as an
innovation with several detrimental consequences, including reputational damages to individuals and organizations, job losses, distortions in market competition, and the spread of misinformation. However, most countries currently lack a regulatory framework that can offer protection against content generated through the misuse of GenAI. Secondly, the experts noted that GenAI systems are increasingly generating misinformation (e.g., fake posts or reviews) that can bias-if not paralyze-consumers’ and managers’ decision-making. This can eventually lead to suboptimal decisions and substantive losses. Lastly, the experts agreed that GenAI models can be biased against certain individuals or groups, based on not only the model’s training data, but also the absence of ethical controls on GenAI algorithms. This means that certain groups of stakeholders might disproportionately benefit from GenAI-enabled innovation compared to others. In short, GenAI systems need to comply with ethical standards in order to ensure that innovation outcomes are ethical and fair themselves.

Most of the Delphi participants mentioned that GenAI will radically redefine the notions of knowledge and expertise. For instance, engineers who are proficient in prompting might play a critical role in deploying GenAI systems, which could lead to the creation of not only new jobs, but even new organizational units. For instance, R&D labs may gain control over work design. Following this line of reasoning, some panelists stated that the redefinition of expertise and knowledge will likely require a modified allocation of power within and across organizations. In this vein, several mentioned that organizational boundaries will need to be more porous, since most innovators within the organization will not need deep technical knowledge of the subject matter. Several experts mentioned that within or outside the organization, trainers will support innovation workers and managers in interacting with GenAI systems. Finally, several experts mentioned that GenAI may affect coordination, insofar as a large number of tasks may have to be atomized into smaller modular subtasks that can be outsourced.

This study combined a review of the academic literature with the results of a Delphi study-conducted with leading (innovation) management scholars who are familiar with GenAI-to identify and critically describe the most relevant future research themes for this domain. We identified 10 key research themes that are described in section 4.2. In the remaining part of this section, we critically discuss the themes in relation to extant innovation management research to inform theoretical development in innovation management studies.

According to the innovation management experts we interviewed, GenAI will not modify extant innovation taxonomies (e.g., product/ process, radical/incremental, competence-destroying/competenceenhancing, architectural/component, open/closed innovation, etc.) in the short-term. The innovation management literature suggests that there are four measurable forms of innovation: product, process, organizational, and marketing innovation (Gault, 2018). The first two forms (product and process) are typically captured through standard innovation questionnaires. So far, GenAI has mainly been associated with product innovation: namely, the new content that it can generate for end-users (consumers and managers). However, by synthesizing this innovation typology (Gault, 2018) with the outcomes of our Dephi study, we can realistically imagine GenAI enabling multiple forms of innovation (see Table 2):

As far as the radical vs. incremental innovation taxonomy, Dewar and Dutton (1986) noted that “radical innovations are fundamental changes that represent revolutionary changes in technology. They

represent clear departures from existing practice (Duchesneau et al., 1979; Ettlie, 1983). In contrast, incremental innovations are minor improvements or simple adjustments in current technology (Munson and Pelz 1979). The major difference captured by the labels radical and incremental is the degree of novel technological process content embodied in the innovation and hence, the degree of new knowledge embedded in the innovation” (pp. 1422-1423). Most Delphi participants agreed that GenAI will support both incremental and radical innovation (see Table 3):

The consensus among our interviewed experts was that GenAI is still in the “era of ferment”. Here, we blend their observations with extant

innovation management theory. In the literature, Utterback and Abernathy (1975) conceived of-and empirically validated-a major technology evolution framework whereby a technology passes through different phases. In the first phase, named the fluid phase, there is considerable uncertainty about both the technology and its market. Products and services based on the technology might suit the needs of market niches, but are nonetheless expensive, crude, or unreliable. In this phase, firms experiment with different form factors or product features to assess the market response. Eventually, producers and customers begin to reach some consensus about the desired product attributes and a dominant design emerges. Utterback and Abernathy (1975) named this the specific phase because the innovations-whether in products, materials, or manufacturing processes-are all specific to the dominant design. The dominant design establishes a stable architecture for the technology and enables firms to focus their efforts on process innovations (that make the design more effective and efficient) or incremental innovations (to improve components within an architecture). For instance, in most of the international meetings and events involving political leaders from different countries, professional human translators are still in use. On the other hand, AI-empowered services such as Interprefy are increasingly being used by corporations (even leading tech developers such as Alphabet/Google, Facebook, Intel) throughout the globe.

Building on Utterback and Abernathy’s (1975) proposed model, Anderson and Tushman (1990) studied the history of several US industries (cement, glass, and computers) and found that each tech discontinuity prompted a period of turbulence and uncertainty, which they termed the era of ferment. The new technology could offer breakthrough capabilities, but there might be little agreement about what the major subsystems of the technology should be or how they should be configured. As the new technology replaces its predecessor, firms engage in a design competition where they experiment with different technological forms. Anderson and Tushman (1990) found that the dominant design never takes the form of the original discontinuity, nor that of the technology’s leading edge. Instead, the dominant design tends to bundle a combination of features that best fulfill the demands of the majority of the market. Developments in GenAI are likely to generate a shift from highly skilled technical labor to capital-intensive research production with fixed-cost investments in GenAI (Cockburn et al., 2018). Currently, there are no organized marketplaces for GenAI research tools and the standards for these tools are in a nascent stage (Ferràs-Hernández et al., 2023; Morley et al., 2020; Nagendran et al., 2020). In the last few months, we have observed tech companies try to shape a new market for GenAI (research) tools: see the initiatives and projects launched by OpenAI and Microsoft (e.g., ChatGPT), or by Google/Alphabet (e.g., Apprentice Bard).

Almost all of the experts noted that GenAI is in its era of ferment, since no dominant design has emerged yet. This means that the major players will continue competing for some time. The experts also agreed that the dominant design will not necessarily be the best-performing GenAI system, but the most adopted one. Three experts added that it is likely that there will be as many dominant designs as there are applications/business fields. Most of the experts cited several companies as likely candidates for achieving a dominant design: OpenAI, Microsoft, Google/Alphabet, Facebook, Salesforce, and Amazon (see Fig. 2). Someone even mentioned Baidu and Tencent. One even argued that each of the aforementioned companies could develop a dominant design for its own platform, similar to what Intel achieved for computer processors (with the “Intel Inside” branding).

Most experts pointed to the fact that key hardware suppliers like Nvidia, IBM, AMD and Intel will hold relevant bargaining power. Two experts ventured further to suggest that a dominant design will be one that is extremely simple for adopters to deploy. One said that a dominant architecture will likely be based on transformer models (Vaswani et al., 2017), which are very effective in natural language generation (e.g., ChatGPT, GPT-4). This represents an architectural innovation that can

enable GenAI developers to reach as many user companies as possible.
Users have not yet shown interest in GenAI the way that businesses have, but investments from large tech firms may expand the market for AI systems in the next five years. However, the point of expanding the market is also ensuring that the increasing amount of available data can be made suitable for the purpose of deep learning that is embedded in GenAI systems. This will also require developing algorithms that can separate the “signal” from the “noise” (i.e., distinguish reliable from unreliable data), as well as factually true information from misinformation. Users may flock to the technology if it shifts the power to innovate away from highly skilled technicians to less skilled individuals.

The experts in our Delphi study overwhelmingly expressed that scientific and artistic creativity will be enhanced and empowered through GenAI—and perhaps even be conceptualized differently compared to non-GenAI creativity. Their insights add to a long, multidisciplinary discourse started in the 1960s – across psychology (e.g., MacKinnon, 1965; Mednick, 1962), physiology (e.g., Levy, 1961; Rhodes, 1961) and sociology (e.g., Getzels & Jackson, 1961; Straus, 1968) – on why and how some individuals are more creative than others.

Innovation management research has traditionally conceptualized individual creativity as depending on intellectual abilities (e.g., intelligence, memory, the ability to look at problems in unconventional ways, the ability to recognize worthwhile ideas and articulate them to others), personality (e.g., openness to experience), knowledge (e.g., the amount of field-specific knowledge), motivation (e.g., mere enjoyment vs. extrinsic rewards) and the environment (e.g., whether the context is flexible or rigid about the space allotted to individuals to explore their ideas independently) (Amabile, 2018; Schilling, 2018). Interestingly, an important intellectual ability for creativity is individuals’ ability to undertake a visual mental activity called primary process thinking (Suler, 1980). This process generally involves combining ideas that are not typically related, leading to what has been termed “remote associations” or “divergent thinking”. While the best humans still outperform artificial intelligence in divergent thinking tasks (Koivisto & Grassini, 2023), most humans do not. Furthermore, as GenAI is endowed with better memory capacity and computational capabilities, it is likely that it will be: 1) more effective than humans in developing a larger network of possible associations; 2) faster than humans in searching for longer paths through the network of possible associations. On this basis, future research might examine if GenAI is likely to enhance or hasten the divergent thinking of creative individuals involved in the scientific or
artistic domains.
More recently, some scholars have argued that AI itself can be creative in the sense of being capable of producing “highly novel, yet appropriate, ideas, problem solutions, or other outputs” (Amabile, 2020: p. 351). Therefore, future innovation management research might explore if and to what extent GenAI is creative itself and how GenAI creativity differs from human creativity in terms of its determinants. For instance, scholars might investigate: human vs. GenAI memory; human vs. GenAI ability to look at problems in unconventional ways; human vs. GenAI ability to analyze which ideas are worth pursuing; human vs. GenAI ability to articulate those ideas to others; and human vs. GenAI domain knowledge. New ideas might take the form of interesting questions rather than just solutions. GenAI might expand the set of suitable inquiries and alter how scientific and technical communities shape their research questions.

Obviously, GenAI has an advantage over humans insofar as it can absorb larger training sets that facilitate a more creative rationality (Forest & Faucheux, 2011) that is less bound, to borrow a term from Herbert Simon (Simon, 1984, 1991). This implies that scholars in innovation management will have the opportunity to extend the research stream on creative rationality (Forest & Faucheux, 2011) by embedding GenAI in their work.

Of course, creativity is not exclusively about the individuals who generate ideas; it is also about the audience(s) that receive and evaluate said ideas (see Mihály Csikzentimihalyi (1975) and his theory of flow). In other words, the success of new ideas and products enabled by GenAI might depend on the reception of various audiences, including consumers, domain gatekeepers and experts. This raises several questions: First, will GenAI-enabled innovation attract multiple audiences? If creative individuals (e.g., inventors, artists) want to ensure that their ideas are well received, they need to appeal to both key domain gatekeepers (Hirsch, 1972) and consumers. Indeed, creatives need a knowledge of both target audiences in order to determine whether they have the knowledge and skills to distinguish between good vs. bad work in the generative domains (e.g., generative music, generative chemistry, etc.). To this end, scholars will need to apply a social perspective to creativity.

Second, what judgmental heuristics will consumers use to interpret new ideas? Under the “effort heuristic” (Kruger et al., 2004), consumers assume that good (artistic) work takes time and effort, and therefore judge quality based on the effort of the creative individual or team. Under the “talent heuristic” (Cho and Schwarz, 2008), by contrast, consumers might conjecture that talented producers are faster (and need to invest less effort) than untalented producers at generating a product of comparable quality. This has implications for research: After all,

GenAI-enabled innovations (new text, music, video, etc.) do not take much time to be created. If consumers adopt an “effort heuristic” (Kruger et al., 2004), they might infer that GenAI-enabled products are of low quality; but if they adopt a “talent heuristic”, they might be surprised by the proficiency of the underlying algorithms. Future research should evaluate when and why consumers apply these heuristics to GenAI.

Third, how will organizational creativity be shaped by a blend of human and AI creativity? Organizational creativity depends on not only the individuals within an organization, but also the social and contextual factors (e.g., organizational structure, incentives, and routines) that shape how those individuals interact with each other (Woodman et al., 1993). Organizations’ adoption of GenAI systems will likely modify how their employees interact with each other in creative activities and processes, with some of their creative work being offloaded onto said systems. Future scholars should explore these dynamics, extending extant research (e.g., Woodman et al., 1993) on organizational creativity to ascertain how those systems will affect organizational structures, incentives, and routines.

Fourth, is the new idea perceived as authentic regardless of its progenitor (a human vs. a GenAI system)? As the literature indicates, authenticity is a very complex concept (Lehman et al., 2019) with three broad signals: 1) consistency; 2) conformity; 3) connection. If authenticity is conceptualized as “consistency” between an entity’s external expressions and its internal values/beliefs, then GenAI-enabled products/brands (and perhaps GenAI itself) will likely be personified. In this case, future research might look at different aspects of this personification process, such as how different stakeholders perceive identity. If authenticity is conceptualized as “conformity” (e.g., of an entity to the social category to which it has been assigned or claimed for itself), then future research should deal with how GenAI entities operate within existing categories (human-made vs. GenAI-made vs. hybrid products) and how audiences (consumers, gatekeepers, etc.) make authenticity attributions based on conformity to norms inherent in those categories (i.e., human innovation, GenAI-enabled innovation, hybrid innovation). Scholars may need longitudinal studies to assess how categories shift over time-for instance, in 20 or 30 years from now, the notion of hybrid human-GenAI innovation might become the “default”. Lastly, if authenticity is conceptualized as a “connection” between an entity and a person, place, or time, then research will have to contend with the ubiquity of digital space and the decreasing relevance of provenance. As the spatial or temporal distance between an entity and its origin grows, it is possible that GenAI-enabled innovations can evoke authenticity through mere references to a person, place, or time of interest. Future research in innovation management should dig deeper into this complex expression of authenticity.

As suggested by the Delphi experts, traditional concepts of individual and organizational human creativity will likely be altered, but this will be more relevant for artistic creativity where physics and chemical laws (relevant for the hard science domains) do not constrain idea generation or implementation. Thus, the discussion related to judgemental biases and authenticity should be contextualized in terms of artistic vs. scientific creativity.

The majority of the experts participating in the Delphi study mentioned that GenAI will undermine our current conceptualizations of intellectual property (IP) in innovation management. According to several experts, traditional IP will be made obsolete by GenAI systems’ ability to create new products in data-rich environments (Wedel & Kannan, 2016). On this front, future research may need to cultivate two complementary lines related to the inputs and outputs of GenAI systems (see Fig. 3).

As Fig. 3 illustrates, GenAI systems are trained on a range of data inputs-text, audio, video, etc. Some of these inputs might be protected

by copyright and/or patent law. Once the training set is inputted into the GenAI system, the system cannot attribute content to legitimate authors or compensate them for the use of copyrighted content. This infringement of traditional copyright and/or patent law is no longer theoretical: As a recent class action lawsuit of artists against Stability AI, Midjourney, and DeviantArt (AI systems providers) shows (Brittain, 2023), using GenAI systems runs the risk of infringing on copyright and/or patent law if the GenAI firm did not legally license the intellectual property (IP). This translates into uncertainty about how value will be appropriated and by whom. Several IP law scholars and legal practitioners are currently dealing with these thorny issues (Samuelson, 2023). Unless traditional copyright/patent laws are modified, then the only lawful GenAI systems would be those trained on public domain work (i.e., work whose copyrights already expired) or under licenses. In the latter case, the licensing agreement should affect everyone (individuals and organizations) that use GenAI, including the entrepreneurs and companies integrating GenAI into their new products. This situation could limit the size of training sets, thereby preventing GenAI systems from working at full capacity. It is likely that a debate will emerge between two factions: on one hand, conservatives will defend extant copyright law; on the other hand, futurists/technologists will try to challenge traditional copyright law in the name of technological advancement. There might also be a third way, whereby a watershed date is determined, whereby policymakers shorten the duration of copyright (the current window typically covers 50 years until after the death of the author or copyright holder) or even establish a date after which traditional copyright law no longer applies to new intellectual work. As copyright laws vary from country to country, a few countries will likely modify their copyright laws before others, which could produce a disharmony that could negate extant international conventions (e.g., the Bern convention, the Universal Copyright Convention, the WIPO Copyright Treaty).

Considering the importance of training data to GenAI systems’ performance, it is likely that companies that own/control large amounts of private data will be able to generate higher innovation value than organizations that do not own/control such data. This means that firms endowed with valuable, rare, inimitable, and non-substitutable private data will also be those that outperform rivals in terms of value creation and appropriation (generative AI algorithms being equal). This implies that companies that own/control data will gain a persistent innovation advantage over competitors (Cockburn et al., 2018)-an advantage that will not depend on economies of scale and network effects. This possibility calls for the application of the Resource-Based View (RBV) (Barney, 1991), the organizational capabilities framework (Helfat & Lieberman, 2002), and the dynamic capabilities framework (Teece et al., 1997) to GenAI-related innovation management studies.

There are just as many open questions surrounding the topic of outputs (Epstein et al., 2023). Who holds the copyright of a new product that was generated by a GenAI system? Is the copyright holder the prompt engineer who skilfully used the GenAI system? More generally, who will retain IP rights to the new products stemming from GenAI
systems? Should copyrights be shared between the prompt engineer and the GenAI system? Who should get the royalties and in what form? How will new products stemming from GenAI be protected by IP laws? How shall business models be modified to reflect the creation of value through GenAI systems? Since GenAI is likely to generate new products and processes faster than other systems, how can patent offices accelerate their own workload in order to protect GenAI innovations?

As one US Delphi participant predicted, innovation management scholars may need to conceptualize novel forms/types of intellectual property (protection) that cover the outputs of GenAI. These might come in the form of new licenses and/or IP agreements. Furthermore, private organizations have fewer incentives than their public counterparts (e.g., universities or governments) to share innovation outcomes stemming from GenAI; disseminating the results to the wider community may be secondary to protecting their GenAI outputs. Different incentives will characterize the conduct of academic vs. private researchers and innovators. Hopefully, non-profit organizations that are leading and shaping most of the generative AI projects (e.g., OpenAI) will make their work and data accessible. As the innovations generated by both private and public organizations depend on the aggregation of data from disparate sources, it will be important for all sectors to develop attributional rules.

The majority of our Delphi study participants argued that GenAI will change how management scholars construe NPD and NPD teams. Currently, the extant literature has identified three conflicting goals in NPD frameworks: 1) minimizing the development cycle time; 2) maximizing the product’s fit with customer needs and requirements; and 3 ) compressing development costs (Schilling, 2008, 2023). Through GenAI, innovation managers may be able to achieve these three goals jointly without making significant tradeoffs. Respectively to each point, GenAI can potentially: 1) reduce the time for research and development; 2) support real-time testing of new products (and more generally, validate business model propositions); and 3) compress development costs through the use of digital prototypes. In these ways, GenAI might generate a breakthrough in research related to NPD acceleration (e.g., Nijssen et al., 1995; Schmenner, 1988), leading to novel models that go beyond the established frameworks of sequential, parallel, and partly parallel development processes (e.g., Griffin, 1992).

The literature has uncovered various tools in NPD processes – such as stage-gate processes (e.g., Cooper & Kleinschmidt, 1991), quality function deployment (e.g., Carnevalli & Miguel, 2008; Clausing & Hauser, 1988), failure modes and effect analysis, and computer-aided design and manufacturing (Aimar et al., 2019) – that can be significantly enhanced through GenAI systems. For example, GenAI systems could be used to augment the typical stage-gate process, bolster creative brainstorming sessions, or facilitate small-scale prototyping through digital rendering and 3D printing. Studying those applications can extend extant industry research on the relevance of GenAI in design and development (Brossard et al., 2020). With the aid of GenAI, innovation managers could validate their assumptions in near real-time, allowing them to more quickly pivot their business ideas into products/processes/business models. Examining those applications will significantly extend the extant literature on experimentation and validation (Thomke, 2020). Likewise, firms could leverage GenAI to make their new product testing more responsive to consumers’ changing preferences and needs (Mariani & Wamba, 2020). We cannot discount that GenAI systems will also be used to generate customer personas and segments to simulate new product acceptance and adoption. More generally, the incorporation of GenAI into innovation testing and experimentation research will help extend the research stream on innovation analytics (Kakatkar et al., 2020; Mariani & Nambisan, 2021).

Another relevant issue is how GenAI can facilitate co-creation between companies and customers. In extant innovation management
research, scholars have emphasized that involving customers in NPD is particularly important because they not only represent an information source, but also constitute actual co-developers of new products (e.g., through techniques such as beta testing and agile development; Cui & Wu, 2017). Several studies have suggested that firms should focus their development efforts primarily on the input of lead users (i.e., those who express needs earlier than the rest of the marketplace) rather than a large sample of customers (Herstatt & Von Hippel, 1992). To this end, GenAI allows a much smoother involvement of customers in NPD. For instance, conversational GenAI can learn from users, with conversational GenAI (e.g., ChatGPT, GPT-4) capable of using customers’ inputs to form new text. This could open new research avenues, as GenAI systems might be progressively gain the ability to weigh users based on their demonstrated expertise with a certain category of products (Mariani & Nambisan, 2021) and thereby uncover lead users (Herstatt & Von Hippel, 1992). In short, GenAI has the potential to talk to a broader array of customers, and potentially distinguish between more advanced and novice users.

The literature has emphasized that NPD often involves blending departments and functions Schilling, 2023). Indeed, there is a rich research stream revolving around NPD team construction (e.g., optimal size, composition, etc.), structure (e.g., functional, lightweight, heavyweight, autonomous, etc.) and management (e.g., team leadership and administration). Not surprisingly, this literature has focused almost exclusively on human teams. However, as suggested by recent research (e.g., Leone et al., 2021; Paschen et al., 2020; Wamba-Taguimdje et al., 2020; Wamba, 2022) and our surveyed experts, humans and AI systems are increasingly collaborating to create value. Thus, GenAI-powered machines may soon be full-fledged members of NPD teams. In this vein, future research should explore the dynamics of different team configurations (e.g., human-only teams vs. human-machine hybrid teams) in order to better understand value creation. In summary, the introduction of GenAI into NPD will undeniably lead to a major shift in how innovation management scholars construe and conceptualize the NPD process and teams.

Technically, GenAI systems can be unimodal vs. multimodal. The former work with one type of data input, while the latter generate outputs from various inputs (e.g., text, voice, audio, video, and pictures) (Cao et al., 2023). This technical distinction bears important implications for the type of innovation outcomes that firms achieve. For instance, because multimodal GenAI systems can blend multiple data types in unique ways, they can create richer, more interactive experiences that translate into greater user satisfaction and engagement. Leveraging that ability might extend marketing studies in the customer satisfaction research stream (Churchill & Surprenant, 1982), as well as enrich innovation management studies looking at how to maximize a product’s fit with customer needs and requirements (Schilling, 2023).

Multimodal systems also have the advantage of allowing high personalization, which can help products better adapt to various audiences and channels. Scholars of innovation management should more thoroughly study the shift from mass-customization (Wang et al., 2017) to mass-personalization, regardless of the domain analyzed (manufacturing vs. service industries).

Lastly, multimodal GenAI can generate content that is contextually relevant. This might enhance virtual and augmented reality technologies, and the metaverse technologies more generally (Dwivedi et al., 2022). Given the previous premises, future research might test if multimodal GenAI systems produce a competitive advantage relative to their unimodal counterparts.

The Delphi study respondents suggested that the introduction and
consolidation of GenAI systems is likely to produce a dense network of actors and stakeholders – not all of them human – that will increasingly collaborate in pursuit of innovative outcomes. By implication, GenAIenabled innovation will happen through distributed agency, whereby agents can be humans and machines whose interactions trigger innovation processes. Future innovation management research will need to incorporate theoretical constructs that capture how the locus of innovation agency distributes across multiple actors (not only in terms of individual humans or machines, but also groups of humans and/or machines). In doing so, we encourage innovation management scholars to extend the notion that the locus of agency is distributed in digital environments (Nambisan, 2017).

According to this distributed agency perspective, GenAI is a complement to, rather than a substitute for, humans initiating, implementing, and managing innovation projects. Interesting questions to address here are: How will humans, organizations and GenAI systems interact in innovation projects and NPD? Will there be a prevalence of human vs. artificial agents in innovation projects and NPD? Will there be a hierarchy between human and GenAI agents in innovation projects and NPD? Will humans delegate computational tasks to GenAI systems and retain discretionary ones? Will humans (e.g., innovation managers) be able to maintain control over GenAI systems while interacting with them? Will that dynamic change over time?

A few of our experts mentioned that, as GenAI favors the tendency toward dispersed agents, researchers could build on theories of open innovation (Chesbrough, 2003; Chesbrough & Appleyard, 2007) to explore how the loosely coupled agents involved in innovation will interact with GenAI systems. It is highly likely that in the short-term, humans will use GenAI to augment their own capabilities (La Roche, 2017; Raisch and Krakowski, 2021). That said, human-GenAI interactions might evolve over time, leading to a decline of human involvement in innovation processes. Accordingly, evolutionary perspectives to innovation (Nelson & Winter, 1977, 2002; Staw, 1990) might shed light on the trajectory of human-GenAI interactions in the pursuit of innovation.

The intuition that innovation activities will involve a conspicuous number of loosely connected agents is compatible with the idea that innovation will unfold in business ecosystems where several humanGenAI interactions take place. Accordingly, future innovation management research on GenAI should build on business ecosystems research (Clarysse et al., 2014; Fuller et al., 2019; Iansiti & Levien, 2004; Zahra & Nambisan, 2012). After all, business ecosystems consist of a large number of loosely connected specialized agents who depend on each other for their mutual performance-whether through cooperation, competition or coopetition (Moore, 1993). They are balanced by a “keystone” company that invests in and integrates other participants’ technological innovations while encouraging the development of platform infrastructures. There are several questions that scholars could address here: 1) How will GenAI and human agents interact with each other? 2) Will they adopt a competitive, cooperative or coopetitive mode of interaction? 3) Will interactions evolve over time and how? 4) Will interactions be predominantly horizontal or vertical)? 5) Will humans delegate most of the computational tasks to GenAI systems and retain discretionary ones? 6) Will humans (e.g., innovation managers) be able to preserve control on GenAI systems while interacting with them and will this change over time? 7) Will interactions enable the generation of less bounded and predefined innovation outcomes? 8) Is it more likely that the agent endowed with the best-performing GenAI system will also play the role of the “keystone” player?

The experts in the Delphi study highlighted that extant frameworks for regulating entities that pursue GenAI-enabled innovation should be updated, if not radically modified. On that point, legal scholars in the UK
and US have spent the last decade calling for an Artificial Intelligence Development Act and the creation of government agencies to certify AI programs’ safety (Etzioni and Etzioni, 2017). It seems clear that policymakers will play a critical role in shaping the regulatory environment for GenAI. The European Union appears to be a pioneer in this regard-having proposed the AI Act in 2021, which establishes a regulatory framework for the providers and professional users of AI across multiple sectors (all save for military/defence)-while most non-EU countries are lagging behind (Chatterjee & Sreenivasulu, 2022). The EU’s framework classifies AI applications by their risk and regulates them accordingly; other countries (e.g., Brazil) seem to be following suit, which suggests that the AI Act may become a global standard (similar to the GDPR). That said, there are many open issues to address: First, it seems unclear if GenAI will be regulated differently from other forms of AI. As the outcomes of GenAI depend on the aggregation of data and content from multiple sources, policymakers will need to develop a new regulatory framework that can establish and enforce rules of credit and attribution. Intellectual property (IP) lawmakers will likely need to work alongside multidisciplinary groups of AI experts to design laws dealing with GenAI-related IP rights, which could effectively reshape–if not entirely rewrite-extant laws on data ownership (Cockburn et al., 2018: p. 41). For instance, if online consumer data belong solely to consumers, then firms could not use them for product innovation purposes. Second, amidst this uncertainty, firms should prepare internally to comply with new standards (Hine & Floridi, 2022). Some organizations will need to form ad hoc ethical GenAI committees that oversee the firm’s compliance with standards and conformity assessments. Granted, the adoption of standards will be uneven across countries (and organizations), due to the speed at which different governments establish meaningful regulatory frameworks. Certainly, managers of organizations with a legal basis or subsidiaries in the EU will need to act fast in response to the AI Act, as well as recent and forthcoming developments in privacy law. Third, for the US specifically, patenting GenAI and machine learning algorithms was nearly impossible until a few years ago (Chisum, 1985; Chowdhury, 2022), but now innovators can patent the sequences of stages in the methods. Notably, Ian Goodfellow and his colleagues-who developed one of the architectures of GenAI (namely GANs)-recently secured patents for several GenAI algorithms. However, patent law does not make clear whether GenAI outputs (e.g., new molecules, text, videos, music, etc.) are patentable. Past episodes suggest that radical innovations in research techniques and tools-in tandem with patent offices’ limited capacity and inconsistent (if not contradictory) court verdicts-can lead to long periods of uncertainty that undermine the issuance of new patents and inhibit research productivity. Certainly, patent law should be significantly extended and innovation management scholars could contemplate if and to what extent the outcomes of generative AI can be patented. Fourth, policymakers and regulators need to weigh the issues of algorithmic biases and consumer protection that accompany machine learning and deep learning. Case in point: Deepfakes can damage the reputation of both individuals and organizations; a global response is increasingly critical amidst the growing adoption of GenAI systems. Legal scholars have suggested passing legislation that addresses discrimination, libel, defamation, identity theft, fraud, impersonating (government) officials, counterfeit, and political risks (Ray, 2021; Westerlund, 2019; Wiles, 2023). Of course, such regulations need to be crafted carefully in order to be enforceable and acceptable (Farish, 2020). Moreover, international institutions should be set up and develop solid standards to regulate algorithmic biases, consumer protection and (especially) misinformation stemming from generative AI. Fifth, GenAI is going to make a huge impact on the worldwide economy in terms of innovation outcomes and productivity, but this will have the collateral effect of causing some organizational restructuring and, more worryingly, disruptions in the labor market. With AI already creating income inequalities (Kelly, 2021), it is urgent for lawmakers and trade unions to engage in a constructive conversation about policies – such as a
universal basic income (Banerjee et al., 2019) – that can potentially offset the employment damage induced by AI in general and GenAI in particular. Sixth, the AI Act (AIA) imposes strict obligations for companies that develop, operate, and use AI systems, based on the risks associated with the AI system itself (Hickman & Petrin, 2021; WEF, 2022). Some commentators have emphasized that the AI Act lacks effective enforcement structures (Ebers et al., 2021), does not accurately define AI, and does not allocate responsibility for the detrimental consequences of AI usage (Smuha et al., 2021). Nonetheless, the Act imposes burdens on companies that develop, operate or use GenAI systems to innovate, as violating the Act brings about penalties of up to million, or of a company’s annual global revenue, whichever is higher (for reference, this exceeds the GDPR’s fining range). More specifically, the penalties for (Gen)AI foundation model providers who breach the AI Act could be about million (or of annual revenue, whichever is higher). Clearly, AI-dependent companies will need to allocate resources to be compliant with the AIA (Gragousian, 2022). That allocation will likely be easier for large corporations, but represent a burden on SMEs, which could facilitate an environment where only resource-rich firms can afford to incorporate GenAI into their innovation activities. Overall, the aforesaid constraints might stifle AI-driven innovation.

Despite these regulatory questions, there will be a race for GenAI within many industries (such as pharma, biotech, media, and entertainment). Multiple organizations will seek to establish a proprietary advantage in terms of data and algorithms, which has implications for competition policies. Those organizations with better data in a specific application field (e.g., oncology or autonomous driving or e-commerce) will likely have a first-mover advantage; as such, they can erect both a data-driven barrier to entry and a “deep-learning-driven barrier to entry” (Cockburn et al., 2018: p. 142), To counteract the risk of market dominance, antitrust authorities should put those companies on their radar while encouraging data sharing and data openness to ensure that all economic actors can benefit from generative AI systems.

To summarize, future innovation management research might need to incorporate theoretical constructs that build on the legal and antitrust literatures. The goal should be to generate insights into the policies, laws and regulations that will be necessary to address issues such as the use/ misuse of GenAI for innovation or the uneven ownership and control of data across multiple application settings.

Like any technology, GenAI can be adopted for unethical, unfair, immoral, and illegal purposes-and those uses could bias innovation, according to our Delphi participants. One of more cited examples in this regard is the deepfake, which can be defined as “digitally manipulated synthetic media content (e.g., videos, images, sound clips) in which people are shown to do or say something that never existed or happened in the real world” (Mustak et al., 2023: p. 1). On one hand, deepfakes generate business opportunities (e.g., cutting costs for actors and journalists; creating digital brand ambassadors; shaping inexpensive learning environments; developing novel economic offerings based on deepfakes to personalize products and brands; improving virtual customer journeys) (Perez-Vega et al., 2021), as well as support business model innovation (Kietzmann et al., 2020). For instance, the South Korean TV broadcaster MBN used a deepfake of its news anchor-man Kim Joo-Ha (Foley, 2022) and found that the deepfake worked well for reporting breaking news. On the other hand, deepfakes pose several challenges, including: a reduction of jobs in many industries such as media and entertainment; damages to the reputation, image and trustworthiness of individuals, professionals, and organizations; bias in market competition; the manipulation of public opinion by criminals and terrorists; or the creation of misinformation by hackers, rival companies, and governments (Marcus, 2022). In the case of malicious deepfakes, it is very difficult for victims to demonstrate a privacy breach (Graham et al., 2021). Many countries still struggle with adequately
addressing privacy issues (Saura et al., 2022), much less defining a regulatory framework that offers protection against deepfakes (Mustak et al., 2023).

Apart from deepfakes, the content generated by GenAI is often of debatable quality. For instance, Stack Overflow (one of the most relevant question-and-answer websites for software developers) was recently inundated by ChatGPT-generated submissions (Mark, 2022). This led the website to impose a temporary ban on those submissions, as “the average rate of getting correct answers from ChatGPT is too low, the posting of answers created by ChatGPT is substantially harmful to the site and to users who are asking or looking for correct answers.” For Stack Overflow-more so than even online review travel websites (e.g., TripAdvisor) or e-commerce websites (e.g., Amazon)-having correct/ authentic posts is of paramount importance. If the website is inundated by incorrect code examples, the website will lose users engaged in programming and this might generate detrimental consequences for developers’ productivity, professionalism, and reputation. This is also why some AI vendors are engaging with the production of machine learning operations (“MLOps”) to monitor the inaccuracy of predictions and possibly enhance them over time. These issues speak to a more general challenge for GenAI systems: on one hand, the poisoning of their datasets by unethical influencers, marketers and even criminals for the purpose of influencing public opinion (Lobschat et al., 2021; Wirtz et al., 2023); on the other hand, the biased learning that could stem from GenAI systems interacting with users that display toxic or undesirable behaviors (Floridi & Chiriatti, 2020). These risks highlight a need for more corporate digital responsibility (Lobschat et al., 2021).

Lastly, GenAI models might be biased against certain groups and individuals (Akter et al., 2021; Mittelstadt et al., 2016) based on the data they were trained on. Biased results are likely to occur if the training data have not been carefully checked and if the GenAI algorithms lack ethical controls. To counteract this issue, firms will need to establish an AI ethics board that evaluates the ethicality of training data and algorithms (Fosso Wamba & Queiroz, 2021; Tsamados et al., 2021), or at least strives to guarantee transparency. That step is critical for ensuring GenAI-enabled innovations do not disproportionally benefit some stakeholder groups at the expense of others. Overall, it seems that future innovation management research might want to incorporate theoretical concepts and constructs that build on information ethics and information philosophy (e.g., Floridi, 2013, 2023) as well as innovation sociology (Gopalakrishnan & Damanpour, 1997) and law. Such efforts could generate insights on principles and guidelines that ensure that GenAI does not bias or ethically affect innovation outcomes.

Most of the Delphi participants mentioned that GenAI will profoundly influence organizational design and boundaries. Some authors (Benbya et al., 2020) have argued that AI will lead to modifications in authority arrangements, coordination, and valuation schemes, causing radical industrial transformations, and others have pointed to changes in governance mechanisms (Schneider et al., 2022). Regarding authority arrangements, the introduction of GenAI will redefine the notions of knowledge and expertise. Workers in general (and scientists and artists in particular) will have to be proficient in using GenAI systems in order to complete innovation projects, but most will not need deep technical knowledge of the subject matter (science or art) in order to innovate inside the company. Instead, they will just need the support of computer and data scientists. The idea of upskilling may largely be replaced by training scientists and artists to interact with GenAI systems. This means that inside R&D functions and research labs, those with knowledge of GenAI systems will gain control over work design. At the C-suite level, incumbent CTOs and CIOs will need to coordinate with Chief Data Officers when creating and developing a generative GenAI strategy. This arrangement will likely generate tensions and conflicts that the CEO will
need to manage.
Regarding coordination, the deployment of GenAI will likely cause many work tasks to be atomized into smaller modular subtasks that can be outsourced-potentially to a micro task digital marketplace (e.g., Amazon Mechanical Turk, Jovoto, Clickworker, Prolific, Upwork, Crowd Guru) or any GenAI system (e.g., ChatGPT, Dall-E 2, Stable Diffusion, Midjourney). Over the last few years, different organizations have set up internal organizational roles (e.g., an AI manager or an AI champion) and structures (e.g., AI Center of Excellence) to govern AI projects. GenAI projects will likely engender a similar response. However, there are several questions that arise: i) How will incumbent innovation managers interact with the new GenAI-related roles? ii) Will incumbent innovation managers be allowed to interact with GenAI systems? iii) Will tensions arise between incumbent innovation managers and the new GenAI-related roles, and who will manage those tensions? In general, incumbent managers will need to start collaborating with experts in digital technologies (including data analytics, machine learning, deep learning, and GenAI systems more generally) and tailor their operations to suit those interactions. Organizations may also need to create new departments—either within the traditional R&D function or perhaps as cross-functional centers-that can support the firm’s innovation efforts. In multi-national firms, the R&D department might establish an overarching GenAI platform that serves foreign subsidiaries (Ferraris et al., 2021).

Regarding valuation schemes, the way performance is being assessed is changing, because for instance employees are evaluated by ML algorithms, with HR managers lacking an ad hoc knowledge of the variables included in evaluation models. Overall, this will impact how firms manage their human resources. In relation to industrial transformations, GenAI may render the boundaries between industries more porous and less distinct. For instance, many traditional manufacturing firms (e.g., General Electric) are already becoming providers of solutions and services rather than products. The move to a service model is significantly enabled by digital technologies in general (Harrmann et al., 2023) and by AI in particular. Relatedly, GenAI may obscure the lines between competitors, suppliers, customers, potential entrants, and substitutes. Thus, innovation management scholars will need to concentrate on establishing design principles and guidelines for work tasks and incentives within organizations that adopt GenAI. Moreover, researchers can build on industrial organization theories to better delineate how the boundaries between organizations and industries might shift and evolve in the wake of GenAI.

This study makes several general contributions to the innovation management literature-and more specifically to the nascent research stream at the intersection of GenAI and innovation management. First, we synthesized the academic literature with the results of a Delphi survey of leading (innovation) management scholars, with the goal of outlining the state of the field and future research opportunities. To the best of our knowledge, this is the first study to survey innovation management experts on the topic of GenAI in innovation management. Our work addresses recent calls for more research on the role of AI in innovation contexts (e.g., Cockburn et al., 2018; Mariani et al., 2023).

Second, our study identified 10 themes that can inform future research developments at the intersection of GenAI and innovation management: 1) Gen AI and innovation types; 2) GenAI, dominant designs and technology evolution; 3) Scientific and artistic creativity and GenAI-enabled innovations; 4) GenAI-enabled innovations and intellectual property; 5) GenAI and new product development; 6) Multimodal/unimodal GenAI and innovation outcomes; 7) GenAI, agency and ecosystems; 8) Policymakers, lawmakers and anti-trust authorities in the regulation of GenAI-enabled innovation; 9) Misuse and unethical use of GenAI and the generation of biased innovation; and 10) Organizational design and boundaries for GenAI-enabled innovation. Interestingly,
several of these themes are intertwined from a conceptual viewpoint: For instance, the three themes of GenAI-enabled creativity, intellectual property and new product development share an emphasis on individuals and organizations trying to create (“creativity” and “new product development” themes) and appropriate value (“intellectual property” theme) by using GenAI systems to support innovation decisions and activities. By discussing the 10 themes in relation to the extant literature and theories, we have made several contributions to the innovation management field. For instance, while discussing the theme of dominant designs, we expanded innovation management theorizing by applying or extending established frameworks (Anderson & Tushman, 1990; Utterback & Abernathy, 1975). In relation to the theme of GenAI and creativity, we connected several concepts pertaining to different disciplines such as psychology (e.g., Csikszentmihalyi, 1975, 1997; MacKinnon, 1965; Mednick, 1962; Suler, 1980), physiology (e.g., Levy, 1961; Rhodes, 1961) and sociology (e.g., Getzels & Jackson, 1961; Straus, 1968). In that way, we introduced novel reflections on how innovation management research can move beyond recent notions of AI creativity (Amabile, 2020), thus opening up novel intellectual reflections.

Third, by shedding light on relevant themes, this paper can help innovation management researchers achieve more conceptual clarity regarding GenAI. That understanding will hopefully facilitate a more consistent and connected body of knowledge on innovation (management) studies revolving around GenAI. This significantly extends recent innovation management research (e.g., Mariani et al., 2023) that has reviewed AI-related innovation management research.

Fourth, our study suggests that academic research on GenAI in innovation management is in a very embryonic stage, whereas industry research is a little further along thanks to work done by Gartner (Wiles, 2023) or research funded by tech giants such as Meta and IBM (IBM, 2022). We hope that our preview of critical themes will help shape future research agendas in innovation management.

Lastly, this work developed directions and guidelines for future scholarship (reported in the different subsections of the Discussion section) by identifying research gaps and unanswered research questions. We hope that our work inspires additional inquiries in this domain and ultimately encourages the next generation of innovation management scholars to address important scientific challenges.

Generative AI (GenAI) is one of the most promising and fascinating forms of AI from an innovation management perspective. For that reason, researchers need to clearly understand how far the field has come and what possible directions it could follow. To that end, we combined a literature review with a a Delphi study of leading scholarly experts in GenAI. They provided a preview of 10 major research themes that innovation management scholars will need to address in the near future. Equipped with these insights, researchers will hopefully achieve more conceptual clarity regarding GenAI and work to build a more consistent and connected body of knowledge on the benefits and drawbacks surrounding GenAI.

This study is not without limitations. First, our sample of experts for the Delphi study was relatively small, although still notably larger than other recent studies of this type. For instance, the first and second rounds of Johnson et al.’s (2021) study only received 11 responses and 5 responses, respectively, but they nonetheless maintained that “Delphi studies are fundamentally different to, and should not be confused with, conventional statistical sampling and inferences techniques” (p. 107). Second, our identified research themes are not necessarily exhaustive. However, we are confident that they provide a suitable preview of future research lines. Ultimately, we hope to inspire researchers to critically reflect on the open questions we raise here and produce groundbreaking research in the innovation management field.

Marcello Mariani: Writing – review & editing, Writing – original draft, Visualization, Supervision, Methodology, Investigation, Formal analysis, Data curation, Conceptualization. Yogesh K. Dwivedi: Writing – review & editing, Writing – original draft, Validation, Methodology, Investigation, Formal analysis, Conceptualization.

The authors declare that they have no known competing financial interests or personal relationships that could have appeared to influence the work reported in this paper.

Akter, S., McCarthy, G., Sajib, S., Michael, K., Dwivedi, Y. K., D’Ambra, J., & Shen, K. N. (2021). Algorithmic bias in data-driven innovation in the age of AI. International Journal of Information Management, 60, Article 102387.
Aimar, A., Palermo, A., & Innocenti, B. (2019). The role of 3D printing in medical applications: a state of the art. Journal of healthcare engineering, 2019.
Amabile, T. M. (2020). Creativity, artificial intelligence, and a world of surprises. Academy of Management Discoveries, 6(3), 351-354.
Amabile, T. M. (2018). Creativity in context: Update to the social psychology of creativity. Routledge.
Anderson, P., & Tushman, M. L. (1990). Technological discontinuities and dominant designs: A cyclical model of technological change. Administrative Science Quarterly, 35(4), 604-633.
Bamberger, P. A. (2018). AMD-Clarifying what we are about and where we are going. Academy of Management Discoveries, 4(1), 1-10.
Banerjee, A., Niehaus, P., & Suri, T. (2019). Universal basic income in the developing world. Annual Review of Economics, 11, 959-983.
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120.
Benbya, H., Davenport, T.H, Pachidi, S. (2020). Artificial Intelligence in Organizations: Current State and Future Opportunities, MIS Quarterly Executive: 19 (4). Available at: https://aisel.aisnet.org/misqe/vol19/iss4/4.
Bengio, Y., Ducharme, R., & Vincent, P. (2000). A neural probabilistic language model. Advances in Neural Information Processing Systems, 13, 1-7 (available at) <https:// p roceedings.neurips.cc/paper/2000/file/728f206c2a01bf572b5940d7d9a8fa4cPape r.pdf >.
Bilgram, V., & Laarmann, F. (2023). Accelerating Innovation with Generative AI: AIaugmented Digital Prototyping and Innovation Methods. IEEE Engineering Management Review.
Bjarnason, T., & Jonsson, S. H. (2005). Contrast effects in perceived risk of substance use. Substance Use & Misuse, 40(1), 1733-1748.
Bouschery, S. G., Blazevic, V., & Piller, F. T. (2023). Augmenting human innovation teams with artificial intelligence: Exploring transformer-based language models. Journal of Product Innovation Management, 40(2), 139-153.
Bove, T. (2023). The A.I. revolution is here: ChatGPT could be the fastest-growing app in history and more than half of traders say it could disrupt investing the most. Fortunem. February 2, 2023. Available here: https://fortune.com/2023/02/02/ch atgpt-fastest-growing-app-in-history-could-revolutionize-trading/. Accessed 27.08.2023.

Brittain, B. (2023). Lawsuits accuse AI content creators of misusing copyrighted work, Reuters, 25.01.2023. Retrieved from: https://www.reuters.com/legal/transactional/ lawsuits-accuse-ai-content-creators-misusing-copyrighted-work-2023-01-17/.
Brossard, M., Gatto, G., Gentile, A., Merle, T., & Wlezien, C. (2020). How generative design could reshape the future of product development. Mckinsey Co.
Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. WW Norton & Company.
Burger, B., Kanbach, D. K., Kraus, S., Breier, M., & Corvello, V. (2023). On the use of AIbased tools like ChatGPT to support management research. European Journal of Innovation Management, 26(7), 233-241.
Cao, Y., Li, S., Liu, Y., Yan, Z., Dai, Y., Yu, P. S., & Sun, L. (2023). A comprehensive survey of ai-generated content (aigc): A history of generative ai from gan to chatgpt. arXiv preprint arXiv:2303.04226.
Carnevalli, J. A., & Miguel, P. C. (2008). Review, analysis and classification of the literature on QFD-Types of research, difficulties and benefits. International Journal of Production Economics, 114(2), 737-754.
Chatterjee, S., & Ns, s.. (2022). Artificial intelligence and human rights: A comprehensive study from Indian legal and policy perspective. International Journal of Law and Management, 64(1), 110-134.
Chatterjee, S., Chaudhuri, R., Vrontis, D., Thrassou, A., & Ghosh, S. K. (2021). Adoption of artificial intelligence-integrated CRM systems in agile organizations in India. Technological Forecasting and Social Change, 168, Article 120783.
Chesbrough, H. W. (2003). Open innovation: The new imperative for creating and profiting from technology. Harvard Business Press, Boston, MA.Chesbrough, H. W., & Appleyard, M. M. (2007). Open innovation and strategy. California Management Review, 50(1), 57-76.
Chisum, D. S. (1985). The patentability of algorithms. University of Pittsburgh Law Review, 47, 959.
Cho, H., & Schwarz, N. (2008). Of great art and untalented artists: Effort information and the flexible construction of judgmental heuristics. Journal of Consumer Psychology, 18 (3), 205-211.

Chowdhury, M. (2022). Why Patenting Machine Learning Algorithm is Nearly Impossible? Available at: https://www.analyticsinsight.net/why-patenting-machine-learning-algorithm-is-nearly-impossible/#:~:text=An algorithm% 20cannot%20be%20directly,of%20mathematical%20steps%20and%20operations. Retrieved 27 May 2022.
Churchill, G. A., Jr., & Surprenant, C. (1982). An investigation into the determinants of customer satisfaction. Journal of Marketing Research, 19(4), 491-504.
Clarysse, B., Wright, M., Bruneel, J., & Mahajan, A. (2014). Creating value in ecosystems: Crossing the chasm between knowledge and business ecosystems. Research Policy, 43 (7), 1164-1176.

Clausing, D., & Hauser, J. R. (1988). The house of quality. Harvard Business Review, 66(3), 63-73.
Cooper, R. G., & Kleinschmidt, E. J. (1991). New product processes at leading industrial firms. Industrial Marketing Management, 20(2), 137-147.
Cockburn, I. M., Henderson, R., & Stern, S. (2018). The impact of artificial intelligence on innovation: An exploratory analysis. In The economics of artificial intelligence: An agenda (pp. 115-146). University of Chicago Press.
Croitoru, F. A., Hondru, V., Ionescu, R. T., & Shah, M. (2023). Diffusion models in vision: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence.
Csikszentmihalyi, M. (1997). Flow and the psychology of discovery and invention. Harper Perennial, New York, 39, 1-16.
Csikzentimihalyi, M. (1975). Beyond boredom and anxiety: Experiencing flow in work and play. San Francisco/Washington/London.
Cui, A. S., & Wu, F. (2017). The impact of customer involvement on new product development: Contingent and substitutive effects. Journal of Product Innovation Management, 34(1), 60-80.
Dalkey, N., & Helmer, O. (1963). An experimental application of the Delphi method to the use of experts. Management Science, 9(3), 458-467.
Daugherty, P. R., & Wilson, H. J. (2018). Human+ machine: Reimagining work in the age of AI. Harvard Business Press.
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116.
De Massis, A., Frattini, F., Kotlar, J., Magrelli, V., & Messeni Petruzzelli, A. (2018, July). Spanning temporal boundaries in pharmaceutical innovation: a process model. In Academy of Management Proceedings (Vol. 2018, No. 1, p. 16625). Briarcliff Manor, NY 10510: Academy of Management.
Delbecq, A. V., de Ven, A., & Gustafson, D. (1975). Group techniques for program planning. Glenview, Illinois: Scott Foresman.
Deng, J., & Lin, Y. (2022). The benefits and challenges of ChatGPT: An overview. Frontiers in Computing and Intelligent Systems, 2(2), 81-83.
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv: 1810.04805.

Dewar, R. D., & Dutton, J. E. (1986). The adoption of radical and incremental innovations: An empirical analysis. Management science, 32(11), 1422-1433.
Dörr, N. K. (2015). Mapping the field of algorithmic journalism. Digital Journalism, 4(6), 700-722. https://doi.org/10.1080/21670811.2015.1096748
Duchesneau, T. D., Cohn, S. F., & Dutton, J. E. (1979). A study of innovation in manufacturing. Determinants, Processes, and Methodological Issues, 1.
Durkheim, E. (1982). The rules of the sociological method. New York: Free Press.
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., … Williams, M. D. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, Article 101994.
Dwivedi, Y. K., Slade, E. L., & Wright, R. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, Article 102642.
Dwivedi, Y. K., Al-Debei, M. M., & Wamba, S. F. (2022). Metaverse beyond the hype: Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 66, Article 102542.
Ebers, M., Hoch, V. R., Rosenkranz, F., Ruschemeier, H., & Steinrötter, B. (2021). The european commission’s proposal for an artificial intelligence act-a critical assessment by members of the robotics and ai law society (rails). J, 4(4), 589-603.
Emmert-Streib, F., Yli-Harja, O., & Dehmer, M. (2020). Artificial intelligence: A clarification of misconceptions, myths and desired status. Frontiers in Artificial Intelligence, 3, Article 524339.
Epstein, Z., Hertzmann, A., Investigators of Human Creativity, Akten, M., Farid, H., Fjeld, J., … & Smith, A. (2023). Art and the science of generative AI. Science, 380(6650), 1110-1111.
Ettlie, J. E. (1983). Organizational policy and innovation among suppliers to the food processing sector. Academy of Management journal, 26(1), 27-44.
Etzioni, A., & Etzioni, O. (2017). Should artificial intelligence be regulated?. Issues in Science and Technology (issues. org), Summer.
Farish, K. (2020). Do deepfakes pose a golden opportunity? Considering whether English law should adopt California’s publicity right in the age of the deepfake. Journal of Intellectual Property Law & Practice, 15(1), 40-48.
Ferràs-Hernández, X., Nylund, P. A., & Brem, A. (2023). The Emergence of Dominant Designs in Artificial Intelligence. California Management Review, 00081256231164362.

Ferraris, A., Giachino, C., Ciampi, F., & Couturier, J. (2021). R&D internationalization in medium-sized firms: The moderating role of knowledge management in enhancing innovation performances. Journal of Business Research, 128, 711-718.
Floridi, L. (2023). AI as agency without intelligence: On ChatGPT, large language models, and other generative models. Philosophy & Technology, 36(1), 15.
Floridi, L., & Chiriatti, M. (2020). GPT-3: Its nature, scope, limits, and consequences. Minds and Machines, 30, 681-694.
Floridi, L. (2013). The philosophy of information. OUP Oxford.
Foley, J. (2022). 14 deepfake examples that terrified and amused the internet. Creative Bloq. https://www.creativebloq.com/features/deepfake-example.
Forest, J., & Faucheux, M. (2011). Stimulating Creative Rationality to Stimulate Innovation. Creativity and Innovation Management, 20(3), 207-212.
Fosso Wamba, S., & Queiroz, M. M. (2021). Responsible artificial intelligence as a secret ingredient for digital health: Bibliometric analysis, insights, and research directions. Information Systems Frontiers, 1-16.

Fuller, J., Jacobides, M. G., & Reeves, M. (2019). The myths and realities of business ecosystems. MIT Sloan Management Review, 60(3), 1-9.
Gault, F. (2018). Defining and measuring innovation in all sectors of the economy. Research Policy, 47(3), 617-622.
Gaur, A., & Kumar, M. (2018). A systematic approach to conducting review studies: An assessment of content analysis in 25 years of IB research. Journal of World Business, 53(2), 280-289.
Getzels, J. W., & Jackson, P. W. (1961). Family environment and cognitive style: A study of the sources of highly intelligent and of highly creative adolescents. American Sociological Review, 351-359.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63 (11), 139-144.

Goodfellow I., J., Jean, P. A., Mehdi, M., Bing, X., David, W. F., Sherjil, O., & Courville Aaron, C. (2014, December). Generative adversarial nets. In Proceedings of the 27th international conference on neural information processing systems (Vol. 2, pp. 26722680).

Gopalakrishnan, S., & Damanpour, F. (1997). A review of innovation research in economics, sociology and technology management. Omega, 25(1), 15-28.
Gordon, T. J. (1994). The Delphi method. Washington, DC: American Council for the United Nations University.
Gragousian, D. (2022). How businesses should respond to the EU’s Artificial Intelligence Act, World Economic Forum, Available at https://www.weforum.org/agenda/2022/ 02/how-businesses-should-respond-to-eu-artificial-intelligence-act/.
Graham, N., Hedges, R., Chiu, C., de La Chapelle, F., & van de Graaf, A. (2021, October 12). How can businesses protect themselves from deepfake attacks? Business Going Digital. https://www.businessgoing.digital/how-can-businesses-protect-themselves-from-deepfake-attacks/.
Graves, A., & Jaitly, N. (2014). Towards end-to-end speech recognition with recurrent neural networks. In International conference on machine learning (pp. 1764-1772). PMLR.
Griffin, A. (1992). Evaluating QFD’s use in US firms as a process for developing products. Journal of Product Innovation Management, 9(3), 171-187.
Grisoni, F., Huisman, B. J., Button, A. L., Moret, M., Atz, K., Merk, D., & Schneider, G. (2021). Combining generative artificial intelligence and on-chip synthesis for de novo drug design. Science Advances, 7(24), eabg3338.
Gursoy, D., Li, Y., & Song, H. (2023). ChatGPT and the hospitality and tourism industry: An overview of current trends and future research directions. Journal of Hospitality Marketing & Management, 32(5), 579-592.
Haefner, N., Wincent, J., Parida, V., & Gassmann, O. (2021). Artificial intelligence and innovation management: A review, framework, and research agendar. Technological Forecasting and Social Change, 162, Article 120392.
Hallowell, M. R., & Gambatese, J. A. (2010). Qualitative research: Application of the Delphi method to CEM research. Journal of Construction Engineering and Management, 136, 99-107.
Harrmann, L. K., Eggert, A., & Böhm, E. (2023). Digital technology usage as a driver of servitization paths in manufacturing industries. European Journal of Marketing, 57(3), 834-857.
Helfat, C. E., & Lieberman, M. B. (2002). The birth of capabilities: Market entry and the importance of pre-history. Industrial and Corporate Change, 11(4), 725-760.
Hendriksen, C. (2023). AI for supply chain management: Disruptive innovation or innovative disruption? Journal of Supply Chain Management., 59(3), 65-76.
Herstatt, C., & Von Hippel, E. (1992). From experience: Developing new product concepts via the lead user method: A case study in a “low-tech” field. Journal of product innovation management, 9(3), 213-221.
Hickman, E., & Petrin, M. (2021). Trustworthy AI and corporate governance: The EU’s ethics guidelines for trustworthy artificial intelligence from a company law perspective. European Business Organization Law Review, 22, 593-625.
Hine, E., & Floridi, L. (2022). New deepfake regulations in China are a tool for social stability, but at what cost? Nature Machine Intelligence, 4(7), 608-610.
Hirsch, P. M. (1972). Processing fads and fashions: An organization-set analysis of cultural industry systems. American Journal of Sociology, 77(4), 639-659.
Hu, K. (2023). ChatGPT sets record for fastest-growing user base – analyst note. Reuters. Retrieved 28.6.2023 at https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/.
Huang, M.-H., & Rust, R. T. (2021). Engaged to a robot? The role of AI in service. Journal of Service Research, 24(1), 30-41.
Huang, M. H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21(2), 155-172.
Iansiti, M., & Levien, R. (2004). Strategy as ecology. Harvard Business Review, 82(3), 68-78.
IBM (2022). How to use AI to discover new drugs and materials with limited data. 13.04.2022. Retrieved 7 June 2022: https://research.ibm.com/blog/ai-discovery-with-limited-data.
Johnson, C. D., Bauer, B. C., & Niederman, F. (2021). The automation of management and business science. Academy of Management Perspectives, 35(2), 292-309.
Kanbach, D. K., Heiduk, L., Blueher, G., Schreiter, M., & Lahmann, A. (2023). The GenAI is out of the bottle: Generative artificial intelligence from a business model innovation perspective. Review of Managerial Science, 1-32.
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15-25.
Kapoor, P. (1987). Systems approach to documentary maritime fraud.
Keil, M., Tiwana, A., & Bush, A. A. (2002). Reconciling user and project manager perceptions of IT project risk: A Delphi study. Information Systems Journal, 12, 103-119.

Kelly, J. (2021). Artificial intelligence has caused 50-to-70-decrease in wages creating income inequality and threatening millions of jobs. Forbes, https://www.forbes.com/ sites/jackkelly/2021/06/18/artificial-intelligence-has-caused-50-to-70-decrease-in-wages-creating-income-inequality-and-threatening-millions-of-jobs/.
Kietzmann, J., Lee, L. W., McCarthy, I. P., & Kietzmann, T. C. (2020). Deepfakes: Trick or treat? Business Horizons, 63(2), 135-146.
Koivisto, M., & Grassini, S. (2023). Best humans still outperform artificial intelligence in a creative divergent thinking task. Scientific Reports, 13(1), 13601.
Kruger, J., Lobschat, D., Van Boven, L., & Altermatt, T. W. (2004). The effort heuristic. Journal of Experimental Social Psychology, 40, 91-98.
La Roche, J. (2017). November 16. IBM’s Rometty: The skills gap for tech jobs is “the essence of divide.” Yahoo! Finance. Retrieved from https://finance.yahoo.com/news /ibms-rometty-skills-gap-tech-jobs-essencedivide-175847484.html.
Lehman, D. W., O’Connor, K., Kovács, B., & Newman, G. E. (2019). Authenticity. Academy of Management Annals, 13(1), 1-42.
Leone, D., Schiavone, F., Appio, F. P., & Chiao, B. (2021). How does artificial intelligence enable and enhance value co-creation in industrial markets? An exploratory case study in the healthcare ecosystem. Journal of Business Research, 129, 849-859.
Levy, N. J. (1961). Notes on the creative process and the creative person. PsychiatricQuarterly, 35(1), 66-77.
Lobschat, L., Mueller, B., Eggers, F., Brandimarte, L., Diefenbach, S., Kroschke, M., & Wirtz, J. (2021). Corporate digital responsibility. Journal of Business Research, 122, 875-888.
Longoni, C., Fradkin, A., Cian, L., & Pennycook, G. (2022, June). News from generative artificial intelligence is believed less. 2022 ACM Conference on Fairness, Accountability, and Transparency (pp. 97-106).
Macdonald, N. (1954). Language translation by machine-a report of the first successful trial. Computers and Automation, 3(2), 6-10.
MacKinnon, D. W. (1965). Personality and the realization of creative potential. American Psychologist, 20(4), 273.
Marconi, F. (2020). Newsmakers. In Newsmakers. Columbia University Press.
Marcus, G. (2022). AI Platforms like ChatGPT Are Easy to Use but Also Potentially Dangerous. Scientific American, https://www.scientificamerican.com/article/ai-platforms-like-chatgpt-are-easy-to-use-but-also-potentially-dangerous/. Retrieved 2 January 2023.
Martineau, K. (2023). What is generative AI? IBM Research. Retrieved 26.6.2023 at https://research.ibm.com/blog/what-is-generative-AI.
Mariani, M. M., Machado, I., Magrelli, V., & Dwivedi, Y. K. (2023). Artificial intelligence in innovation research: A systematic review, conceptual framework, and future research directions. Technovation, 102623.
Mariani, M. M., & Nambisan, S. (2021). Innovation analytics and digital innovation experimentation: The rise of research-driven online review platforms. Technological Forecasting and Social Change, 172, 121009.
Mariani, M. M., Perez-Vega, R., & Wirtz, J. (2022). AI in marketing, consumer research and psychology: A systematic literature review and research agenda. Psychology & Marketing, 39(4), 755-776.
Mariani, M. M., & Wamba, S. F. (2020). Exploring how consumer goods companies innovate in the digital age: The role of big data analytics companies. Journal of Business Research, 121, 338-352.
Mednick, S. (1962). The associative basis of the creative process. Psychological Review, 69 (3), 220.

Merk, D., Grisoni, F., Friedrich, L., & Schneider, G. (2018). Tuning artificial intelligence on the de novo design of natural-product-inspired retinoid X receptor modulators. Communications Chemistry, 1(1), 1-9.
Mikolov, T., Karafiát, M., Burget, L., Cernocký, J., & Khudanpur, S. (2010). Recurrent neural network based language model. Interspeech, 2(3), 1045-1048.
Miller, L. E. (2006). Determining what could/should be: The Delphi technique and its application. Paper presented at the Proceedings of the 2006 Annual Meeting of the MidWestern Educational Research Association, Columbus, Ohio.
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2), 2053951716679679.
Moore, J. F. (1993). Predators and prey: A new ecology of competition. Harvard Business Review, 71(3), 75-86.
Morley, J., Floridi, L., Kinsey, L., & Elhalal, A. (2020). From what to how: An initial review of publicly available AI ethics tools, methods and research to translate principles into practices. Science and Engineering Ethics, 26(4), 2141-2168.
Nagendran, M., Chen, Y., Lovejoy, C. A., Gordon, A. C., Komorowski, M., Harvey, H., Maruthappu, M. (2020). Artificial intelligence versus clinicians: Systematic review of design, reporting standards, and claims of deep learning studies. The BMJ, 368.
Nambisan, S. (2017). Digital entrepreneurship: Toward a digital technology perspective of entrepreneurship. Entrepreneurship Theory and Practice, 41(6), 1029-1055.
Nelson, R. R., & Winter, S. G. (1977). In search of a useful theory of innovation. In Innovation, Economic Change and Technology Policies: Proceedings of a Seminar on Technological Innovation held in Bonn, Federal Republic of Germany, April 5 to 9, 1976 (pp. 215-245). Birkhäuser Basel.
Nilsson, N. (2010). The quest for artificial intelligence: A history of ideas and achievements. Cambridge University Press.
Nijssen, E. J., Arbouw, A. R., & Commandeur, H. R. (1995). Accelerating new product development: A preliminary empirical test of a hierarchy of implementation. Journal of Product Innovation Management, 12(2), 99-109.
Nilsson, N. J. (1971). Problem-solving methods in artificial intelligence. New York, NY: McGraw-Hill.
Paschen, J., Wilson, M., & Ferreira, J. J. (2020). Collaborative intelligence: How human and artificial intelligence create value along the B2B sales funnel. Business Horizons, 63(3), 403-414.

Peres, R., Schreier, M., Schweidel, D., & Sorescu, A. (2023). On ChatGPT and beyond: How generative artificial intelligence may affect research, teaching, and practice. International Journal of Research in Marketing.
Perez-Vega, R., Kaartemo, V., Lages, C. R., Razavi, N. B., & Männistö, J. (2021). Reshaping the contexts of online customer engagement behavior via artificial intelligence: A conceptual framework. Journal of Business Research, 129, 902-910.
Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding by generative pre-training. Available at: https://www.mikecaptain. com/resources/pdf/GPT-1.pdf.
Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation-augmentation paradox. Academy of Management Review, 46(1), 192-210.
Ray, A. (2021). Disinformation, deepfakes and democracies: The need for legislative reform. The University of New South Wales Law Journal, 44(3), 983-1013.
Rhodes, M. (1961). An analysis of creativity. The Phi delta kappan, 42(7), 305-310.
Samuelson, P. (2023). Generative AI meets copyright. Science, 381(6654), 158-161.
Saura, J. R., Ribeiro-Soriano, D., & Palacios-Marqués, D. (2022). Assessing behavioral data science privacy issues in government artificial intelligence deployment. Government Information Quarterly, 39(4), Article 101679.
Schank, R. C., & Abelson, R. P. (1975). Scripts, plans, and knowledge. In IJCAI, 75, 151-157.
Schilling, M. A. (2023). Strategic management of technological innovation (7th ed.). New York: McGraw Hill.
Schilling, M. A. (2018). Quirky: The remarkable story of the traits, foibles, and genius of breakthrough innovators who changed the world. PublicAffairs.
Schilling, M. A. (2008). Strategic management of technological innovation (1st ed.). New York: McGraw Hill.
Schmenner, R. W. (1988). The merit of making things fast. MIT Sloan Management Review, 30(1), 11.
Schneider, J., Abraham, R., Meske, C., & Vom Brocke, J. (2022). Artificial intelligence governance for businesses. Information Systems Management. https://doi.org/ 10.1080/10580530.2022.2085825

Serrano, J.A.R. (2023). Generative AI Beyond The “Wow” Effect: Insights For Managers Seeking Tangible Results. Forbes, Sept 2023, https://www.forbes.com/sites/ esade/2023/09/12/generative-ai-beyond-the-wow-effect-insights-for-managers-seeking-tangible-results/.
Simon, H. A. (1991). Bounded rationality and organizational learning. Organization Science, 2(1), 125-134.
Simon, H. A. (1984). Models of bounded rationality. Economic analysis and public policy. Boston: The MIT Press.
Skinner, R., Nelson, R. R., Chin, W. W., & Land, L. (2015). The Delphi method research strategy in studies of information systems. Communications of the Association for Information Systems, 37, 31-63.
Smuha, N.A., Ahmed-Rengers, E., Harkens, A., Li, W., MacLaren, J., Piselli, R. & Yeung, K. (2021). How the EU Can Achieve Legally Trustworthy AI: A Response to the European Commission’s Proposal for an Artificial Intelligence Act (August 5, 2021). Available at SSRN: https://ssrn.com/abstract=3899991 or https://doi.org/ 10.2139/ssrn. 3899991.

Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333-339.
Staw, B. M. (1990). An evolutionary approach to creativity and innovation. In M. A. West & J. L. Farr, Innovation and creativity at work: Psychological and organizational strategies (pp. 287-308).
Straus, M. A. (1968). Communication, creativity, and problem-solving ability of middleand working-class families in three societies. American Journal of Sociology, 73(4), 417-430.
Suler, J. R. (1980). Primary process thinking and creativity. Psychological Bulletin, 88(1), 144.

Suominen, A., Deschryvere, M., & Narayan, R. (2023). Uncovering value through exploration of barriers-A perspective on intellectual property rights in a national innovation system. Technovation, 123, Article 102719.
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509-533.
Thomke, S. (2020). Building a culture of experimentation. Harvard Business Review, 98 (2), 40-47.

Toner, H. (2023). What Are Generative AI, Large Language Models, and Foundation Models? Center for Security and Emerging Technology, Georgetown University. Retrieved 02.7.2023 at https://cset.georgetown.edu/article/what-are-generative-ai-large-language-models-and-foundation-models/.
Tsamados, A., Aggarwal, N., Cowls, J., Morley, J., Roberts, H., Taddeo, M., & Floridi, L. (2021). The ethics of algorithms: Key problems and solutions. Ethics, Governance, and Policies in Artificial Intelligence, 97-123.
Utterback, J. M., & Abernathy, W. J. (1975). A dynamic model of process and product innovation. Omega, 3(6), 639-656.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.
Peterson, J. C., Uddenberg, S., Griffiths, T. L., Todorov, A., & Suchow, J. W. (2022). Deep models of superficial face judgments. Proceedings of the National Academy of Sciences, 119(17).
Verganti, R., Vendraminelli, L., & Iansiti, M. (2020). Innovation and design in the age of artificial intelligence. Journal of Product Innovation Management, 37(3), 212-227.
Vieira, E., & Gomes, J. (2009). A comparison of Scopus and Web of Science for a typical university. Scientometrics, 81(2), 587-600.

Wamba, S. F. (2022). Impact of artificial intelligence assimilation on firm performance: The mediating effects of organizational agility and customer agility. International Journal of Information Management, 67, Article 102544.
Wamba-Taguimdje, S. L., Fosso Wamba, S., Kala Kamdjoug, J. R., & Tchatchouang Wanko, C. E. (2020). Influence of artificial intelligence (AI) on firm performance: The business value of AI-based transformation projects. Business Process Management Journal, 26(7), 1893-1924.
Wang, Y., Ma, H. S., Yang, J. H., & Wang, K. S. (2017). Industry 4.0: A way from mass customization to mass personalization production. Advances in Manufacturing, 5, 311-320.
Weizenbaum, J. (1966). ELIZA-a computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36-45.
Westerlund, M. (2019). The emergence of Deepfake technology: A review. Technology Innovation Management Review, 9(11), 40-53.
Wiles, J. (2023). Beyond ChatGPT: the future of generative AI for enterprises, 23.01.2023. Available at: https://www.gartner.com/en/articles/beyond-chatgpt-the-future-of-generative-ai-for-enterprises.
Wirtz, J., Kunz, W. H., Hartley, N., & Tarbit, J. (2023). Corporate digital responsibility in service firms and their ecosystems. Journal of Service Research, 26(2), 173-190.
Woodman, R. W., Sawyer, J. E., & Griffin, R. W. (1993). Toward a theory of organizational creativity. Academy of Management Review, 18(2), 293-321.
Wu, B., Nair, S., Martin-Martin, R., Fei-Fei, L., & Finn, C. (2021). Greedy hierarchical variational autoencoders for large-scale video prediction. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 2318-2328).
Zahra, S. A., & Nambisan, S. (2012). Entrepreneurship and strategic thinking in business ecosystems. Business Horizons, 55(3), 219-222.

Marcello Mariani, PhD, is a Professor of Management at the University of Reading (UK) and University of Bologna (Italy), member of the Academy of Management and the

European Institute for Advanced Studies in Management. His current research interests include the drivers and consequences of the adoption of digital technologies (e.g., big data and analytics, Artificial Intelligence, robots, VAR, IoT) by firms and consumers, as well as a wide range of topics and issues in the strategic management, innovation management, entrepreneurship and marketing fields. His scholarly work has been published in Harvard Business Review, Journal of Business Research, Industrial Marketing Management, Journal of Advertising, Psychology & Marketing, MIT Sloan Management Review, Industrial and Corporate Change, International Journal of Production Research, Long Range Planning, Technological Forecasting and Social Change, IEEE-TEM, IEEE Access, International Journal of Electronic Commerce, Tourism Management, Annals of Tourism Research, Journal of Travel Research, International Journal of Contemporary Hospitality Management, International Journal of Hospitality Management, European Management Journal, European Accounting Review, International Studies in Management and Organizations, Journal of Destination Management and Marketing, International Journal of Information Mansgement, and more.

Yogesh K. Dwivedi, is a Professor of Digital Marketing and Innovation and Founding Director of the Emerging Markets Research Centre (EMaRC) at the School of Management, Swansea University, Wales, UK. In addition, he holds a Distinguished Research Professorship at the Symbiosis Institute of Business Management (SIBM), Pune, India. Professor Dwivedi is also currently leading the International Journal of Information Management as its Editor-in-Chief. His research interests are at the interface of Information Systems (IS) and Marketing, focusing on issues related to consumer adoption and diffusion of emerging digital innovations, digital government, and digital and social media marketing particularly in the context of emerging markets. Professor Dwivedi has published more than 400 articles in a range of leading academic journals and conferences that are widely cited (more than 30 thousand times as per Google Scholar). He has been named on the annual Highly Cited Researchers and 2021 lists from Clarivate Analytics.