DOI: https://doi.org/10.1177/10946705241238751
تاريخ النشر: 2024-03-18
المؤلف: Marah Blaurock وآخرون
الموضوع الرئيسي: البيانات الضخمة وذكاء الأعمال
نظرة عامة
تبحث هذه الدراسة في دور أنظمة الذكاء التعاوني (CI) في الإنتاج المشترك للخدمات بين الموظفين والذكاء الاصطناعي (AI). تهدف الدراسة إلى تحديد الميزات التي تميز أنظمة CI، وتقييم تأثيرها على نتائج الموظفين المتعلقة بالعمل، واستكشاف العلاقات بين ميزات CI المحددة وهذه النتائج. من خلال مراجعة شاملة للأدبيات وتحليل نوعي، يحدد المؤلفون خمس ميزات رئيسية لأنظمة CI: المشاركة، الشفافية، التحكم في العمليات، التحكم في النتائج، وتعزيز القوة المتبادلة.
باستخدام تجربتين قائمتي السيناريو تشملان موظفي الخدمات المالية (N = 309) ومحترفي الموارد البشرية (N = 345)، تكشف النتائج أن أنظمة CI القوية تعزز بشكل كبير تحسين الخدمة المدرك، والمسؤولية عن النتائج المدركة، و(التهديد لـ) معنى العمل، والالتزام بالنظام. من الجدير بالذكر أن الشفافية، والتحكم في العمليات، والتحكم في النتائج تظهر كميزات تصميم حاسمة، بينما تبدو المشاركة أقل أهمية. بالإضافة إلى ذلك، تسلط الدراسة الضوء على أن الخبرة السابقة للموظفين في الذكاء الاصطناعي تؤثر على هذه التأثيرات، مع ملاحظة تأثيرات أقوى بين المبتدئين في الذكاء الاصطناعي. تسهم هذه الدراسة في أدبيات الخدمة من خلال توضيح مفهوم أنظمة CI وتقديم رؤى عملية لتصميم أنظمة CI فعالة.
مقدمة
تحدد المقدمة الإطار النظري لنموذج التأثير-السلوك-الإدراك (ABC)، الذي يصنف استجابات الموظفين لتكنولوجيا المعلومات إلى ثلاث نتائج متميزة: عاطفية، وسلوكية، وإدراكية. تشمل الاستجابات العاطفية ردود الفعل العاطفية، التي يمكن التعبير عنها لفظيًا أو فسيولوجيًا، بينما تتعلق الاستجابات السلوكية بالأفعال المتخذة أو النوايا المعبر عنها. تشمل الاستجابات الإدراكية المعتقدات، وهياكل المعرفة، والأفكار المتعلقة بالمحفزات. تم استخدام نموذج ABC بشكل واسع في مجالات مختلفة، بما في ذلك الخدمة، والإدارة، وأنظمة المعلومات، لتوفير فهم دقيق لتفاعلات البشر مع المفاهيم الجديدة. تستخدم هذه الدراسة نموذج ABC للتحقيق في استجابات الموظفين لأنظمة التحسين المستمر (CI) من خلال دراستين تجريبيتين.
طرق
في هذه الدراسة، تم إجراء تجربة قائمة على السيناريو 2 × 2 بين الموضوعات لفحص تأثير أنظمة الذكاء التعاوني (CI) على تحسين الخدمة المدرك والمسؤولية عن النتائج لدى الموظفين ضمن سياق مصرفي مؤسسي. تم تضمين المشاركين، الذين يتكونون من 185 محللاً و124 مستشار عملاء، في سيناريوهات تتميز إما بميزات نظام CI قوية أو ضعيفة، بما في ذلك المشاركة، الشفافية، التحكم في العمليات، التحكم في النتائج، وتعزيز القوة المتبادلة. تم تطوير السيناريوهات من خلال مقابلات نوعية ومناقشات مع الممارسين والباحثين لضمان الواقعية والصلاحية. تم تحفيز المشاركين للمشاركة من خلال سحب قرعة للحصول على قسائم هدايا، وتم فحص ردودهم بدقة لضمان جودة البيانات.
كشفت التحليلات عن اختلافات كبيرة في تصورات التعاون في نظام CI والميزات الفردية بين الحالتين، مما يؤكد فعالية التلاعبات. أشارت تحليلات الانحدار الخطي إلى أن أنظمة CI القوية أثرت إيجابيًا على تحسين الخدمة المدرك (β = 0.415، p < 0.001) والمسؤولية عن النتائج المدركة (β = 0.507، p < 0.001)، بينما لم تظهر المتغيرات الضابطة أي تأثيرات كبيرة. تدعم هذه النتائج الفرضيات القائلة بأن أنظمة CI الأقوى تعزز تصورات الموظفين حول نتائج عملهم. ومع ذلك، تعترف الدراسة بالقيود، مثل عدم استكشاف الميزات المحددة لأنظمة CI التي تحرك هذه التأثيرات والحاجة إلى تعميم أوسع يتجاوز قطاع الخدمات المالية. يتم اقتراح أبحاث مستقبلية لمعالجة هذه الفجوات واستكشاف المزيد من آثار أنظمة CI على استجابات الموظفين.
مناقشة
في هذا القسم، يقوم المؤلفون بتصور أنظمة الذكاء التعاوني (CI) كإطار جديد للإنتاج المشترك للخدمات، حيث يعمل الموظفون البشر وأنظمة الذكاء الاصطناعي معًا لتحقيق نتائج الخدمة. من خلال مراجعة شاملة للأدبيات، يحددون خمس ميزات تصميم رئيسية تميز أنظمة CI الفعالة: المشاركة، الشفافية، التحكم في العمليات، التحكم في النتائج، وتعزيز القوة المتبادلة. تتضمن المشاركة أن يقوم نظام الذكاء الاصطناعي بطلب المدخلات والتعليقات من الموظفين بنشاط، بينما تضمن الشفافية أن يفهم المستخدمون كيف يتم تشكيل التوصيات التي ينتجها الذكاء الاصطناعي. يسمح التحكم في العمليات والنتائج للموظفين بالتأثير على البيانات والقواعد التي توجه مخرجات الذكاء الاصطناعي، مما يعزز إحساسهم بالملكية والمسؤولية عن نتائج الخدمة. أخيرًا، يبرز تعزيز القوة المتبادلة نقاط القوة التكميلية للبشر والذكاء الاصطناعي، مما يعزز بيئة تعاونية تحسن الأداء العام.
يؤكد المؤلفون أيضًا على صحة هذه الميزات من خلال مقابلات نوعية مع الممارسين في قطاع الخدمات المالية، مما يؤكد أهميتها وآثارها العملية. يعرفون أنظمة CI على أنها أنظمة ذكاء اصطناعي تشارك في إنتاج نتائج الخدمة مع الموظفين، وتتميز بالميزات المذكورة أعلاه. يختتم القسم بتمييز أنظمة CI عن المفاهيم ذات الصلة في الأدبيات، مثل الذكاء الهجين والتعايش بين البشر والذكاء الاصطناعي، مؤكدين أن أنظمة CI تركز بشكل فريد على جوانب التصميم ونتائج المستخدم. يقترح المؤلفون اختبار آثار ميزات نظام CI هذه على نتائج الموظفين في الدراسات اللاحقة، مع افتراض أن أنظمة CI الأقوى ستؤدي إلى تحسين جودة الخدمة المدركة وزيادة مسؤولية الموظف.
القيود
في قسم “القيود” من ورقة البحث، يعترف المؤلفون بعدة قيود لدراستهم حول أنظمة الذكاء التعاوني (CI). يؤكدون أن نتائجهم مرتبطة بشكل خاص بتقنيات الذكاء الاصطناعي وقد لا تعمم عبر جميع تقنيات الخدمة، حيث أن بعض الميزات، مثل تعزيز الجودة المتبادلة، ليست قابلة للتطبيق عالميًا. بالإضافة إلى ذلك، بينما تعتبر التجارب القائمة على السيناريو شائعة في أبحاث التكنولوجيا المتقدمة، فإنها تثير مخاوف بشأن الصلاحية الخارجية؛ قد تؤدي حداثة تجارب الذكاء الاصطناعي إلى تأثيرات إيجابية مؤقتة قد تتلاشى مع مرور الوقت. كما يشير المؤلفون إلى أن الفروق بين ميزات CI، مثل المشاركة والتحكم في العمليات، قد تختلف عبر سياقات مختلفة، مما يشير إلى الحاجة إلى دراسات ميدانية طويلة الأجل لفهم هذه الديناميات بشكل أفضل.
يقترح المؤلفون عدة مسارات للبحث المستقبلي لتعزيز فهم أنظمة CI. يوصون بتطوير مفاهيمي لإطار نظام CI لدمج ميزات إضافية قد تظهر مع التقدم التكنولوجي. يجب أن تستكشف التحقيقات التجريبية التأثيرات اللاحقة لأنظمة CI على نتائج تنظيمية متنوعة وتعتبر كيف تؤثر الخبرة السابقة في الذكاء الاصطناعي على تقييمات المستخدمين. علاوة على ذلك، تستدعي الآثار الأخلاقية الانتباه، خاصة فيما يتعلق بالتأثير المحتمل لأنظمة CI على تفاعلات الموظفين والرفاهية الاجتماعية. بشكل عام، يعبر المؤلفون عن تفاؤلهم بأن عملهم سيلهم المزيد من الاستكشاف في الدور المتطور لأنظمة CI في شركات الخدمة.
DOI: https://doi.org/10.1177/10946705241238751
Publication Date: 2024-03-18
Author(s): Marah Blaurock et al.
Primary Topic: Big Data and Business Intelligence
Overview
This research investigates the role of collaborative intelligence (CI) systems in the co-production of services between employees and artificial intelligence (AI). The study aims to delineate the features that characterize CI systems, assess their impact on work-related employee outcomes, and explore the relationships between specific CI features and these outcomes. Through a comprehensive literature review and qualitative analysis, the authors identify five key features of CI systems: engagement, transparency, process control, outcome control, and reciprocal strength enhancement.
Utilizing two scenario-based experiments involving financial services employees (N = 309) and HR professionals (N = 345), the findings reveal that robust CI systems significantly enhance perceived service improvement, perceived outcome responsibility, the (threat to) meaning of work, and adherence to the system. Notably, transparency, process control, and outcome control emerge as critical design features, while engagement appears less significant. Additionally, the study highlights that employees’ prior AI experience influences these effects, with stronger impacts observed among AI novices. This research contributes to the service literature by clarifying the concept of CI systems and offers practical insights for designing effective CI systems.
Introduction
The introduction outlines the theoretical framework of the Affect-Behavior-Cognition (ABC) model, which categorizes employee responses to information technology into three distinct outcomes: affective, behavioral, and cognitive. Affective responses encompass emotional reactions, which can be expressed verbally or physiologically, while behavioral responses pertain to actions taken or intentions expressed. Cognitive responses involve beliefs, knowledge structures, and thoughts related to the stimuli. The ABC model has been extensively utilized across various fields, including service, management, and information systems, to provide a nuanced understanding of human reactions to new concepts. This research employs the ABC model to investigate employee responses to Continuous Improvement (CI) systems through two empirical studies.
Methods
In this study, a 2 × 2 between-subjects scenario-based experiment was conducted to examine the impact of collaborative intelligence (CI) systems on employees’ perceived service improvement and outcome responsibility within a corporate banking context. Participants, comprising 185 analysts and 124 customer advisors, were exposed to scenarios featuring either strongly or weakly pronounced CI system features, including engagement, transparency, process control, outcome control, and reciprocal strength enhancement. The scenarios were developed through qualitative interviews and discussions with practitioners and researchers to ensure realism and validity. Participants were incentivized to participate through a lottery for gift vouchers, and their responses were rigorously checked for attention to ensure data quality.
The analysis revealed significant differences in perceptions of the CI system’s collaborativeness and the individual features between the two conditions, confirming the effectiveness of the manipulations. Linear regression analyses indicated that strong CI systems positively influenced perceived service improvement (β = 0.415, p < 0.001) and perceived outcome responsibility (β = 0.507, p < 0.001), while control variables showed no significant effects. These findings support the hypotheses that stronger CI systems enhance employees' perceptions of their work outcomes. However, the study acknowledges limitations, such as the lack of exploration into which specific CI features drive these effects and the need for broader generalization beyond the financial services sector. Future research is proposed to address these gaps and further investigate the implications of CI systems on employee responses.
Discussion
In this section, the authors conceptualize Collaborative Intelligence (CI) systems as a novel framework for service co-production, where human employees and AI systems work together to achieve service outcomes. Through a comprehensive literature review, they identify five key design features that characterize effective CI systems: engagement, transparency, process control, outcome control, and reciprocal strength enhancement. Engagement involves the AI system actively soliciting input and feedback from employees, while transparency ensures that users understand how AI-generated recommendations are formed. Process and outcome control allow employees to influence the data and rules guiding AI outputs, thereby enhancing their sense of ownership and responsibility for service outcomes. Lastly, reciprocal strength enhancement emphasizes the complementary strengths of humans and AI, fostering a collaborative environment that improves overall performance.
The authors further validate these features through qualitative interviews with practitioners in the financial services sector, confirming their relevance and practical implications. They define CI systems as AI systems that co-produce service outcomes with employees, characterized by the aforementioned features. The section concludes by distinguishing CI systems from related concepts in the literature, such as hybrid intelligence and human-AI symbiosis, emphasizing that CI systems uniquely focus on design aspects and user outcomes. The authors propose to empirically test the effects of these CI system features on employee outcomes in subsequent studies, hypothesizing that stronger CI systems will lead to improved perceived service quality and increased employee responsibility.
Limitations
In the “Limitations” section of the research paper, the authors acknowledge several constraints of their study on Coproduction Intelligence (CI) systems. They emphasize that their findings are specifically tied to AI technologies and may not generalize across all service technologies, as certain features, such as mutual enhancement of qualities, are not universally applicable. Additionally, while scenario-based experiments are prevalent in cutting-edge technology research, they raise concerns regarding external validity; the novelty of AI experiences may lead to temporary positive effects that could diminish over time. The authors also note that the distinctions between CI features, such as engagement and process control, may vary across different contexts, suggesting the need for long-term field studies to better understand these dynamics.
The authors propose several avenues for future research to advance the understanding of CI systems. They recommend conceptual development of the CI system framework to incorporate additional features that may emerge with technological advancements. Empirical investigations should explore the downstream effects of CI systems on various organizational outcomes and consider how prior AI experience influences user evaluations. Furthermore, ethical implications warrant attention, particularly regarding the potential impact of CI systems on employee interactions and social well-being. Overall, the authors express optimism that their work will inspire further exploration into the evolving role of CI systems in service firms.