DOI: https://doi.org/10.3389/frai.2025.1692763
PMID: https://pubmed.ncbi.nlm.nih.gov/41602317
تاريخ النشر: 2026-01-12
المؤلف: Sarath Chandran M. C. وآخرون
الموضوع الرئيسي: تكنولوجيا المعلومات الخضراء والاستدامة
نظرة عامة
تتناول ورقة البحث دمج الذكاء الاصطناعي (AI) في قطاع البنوك في الهند، مع التركيز على مفهوم “الذكاء الاصطناعي الأخضر”، الذي يعطي الأولوية لكفاءة الطاقة والاستدامة. من خلال توسيع نماذج التكنولوجيا-المنظمة-البيئة (TOE) ونموذج قبول التكنولوجيا (TAM) لتشمل عوامل الاستدامة، تحلل الدراسة بيانات من 412 محترفًا في البنوك الرائدة باستخدام نمذجة المعادلات الهيكلية (SEM). تشير النتائج الرئيسية إلى أن البنية التحتية المصرفية (β = 0.419)، والاستثمار المالي (β = 0.401)، والضغط التنافسي (β = 0.329) هي المحركات الرئيسية لاعتماد الذكاء الاصطناعي الأخضر، بينما تؤثر عوامل مثل التأثير التنظيمي (β = 0.147) وفائدة الاستخدام المدركة (β = 0.129) بشكل أقل. يرتبط اعتماد الذكاء الاصطناعي الأخضر بشكل إيجابي مع نتائج الاستدامة (β = 0.446)، مما يشير إلى أن الاستعداد الهيكلي يمكن أن يؤدي إلى فوائد بيئية كبيرة.
في الختام، تسلط الدراسة الضوء على أنه مع مواجهة البنوك لتحديات الرقمنة والاستدامة، يظهر الذكاء الاصطناعي الأخضر كاستراتيجية حاسمة للبنوك المستدامة. تؤكد على أهمية البنية التحتية القوية، والاستثمار المالي، والاستجابة التنافسية على مجرد تصورات الفائدة أو سهولة الاستخدام. تدعو النتائج إلى إعادة توجيه استراتيجية للذكاء الاصطناعي الأخضر كأداة حوكمة للاستدامة، مما يتطلب التوافق بين بنية تكنولوجيا المعلومات وأهداف البيئة والمجتمع والحوكمة (ESG). بالإضافة إلى ذلك، تدعو الورقة إلى أطر تنظيمية مصممة خصيصًا في الهند لدعم اعتماد الذكاء الاصطناعي الأخضر، بما في ذلك تفويضات محددة لعمليات تدقيق الطاقة وتقييم الكربون، مما يعزز الامتثال للأهداف الدولية للاستدامة. تعتبر هذه التدابير ضرورية لتعزيز التحول المؤسسي، خاصة في البنوك العامة ذات الأنظمة القديمة، وضمان أن تساهم التقدمات الرقمية في تحقيق الأهداف المناخية الوطنية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) في قطاع البنوك، خاصة في تعزيز الكفاءة التشغيلية، وخدمة العملاء، واتخاذ القرار. ومع ذلك، تثير المخاوف بشأن القوة الحاسوبية الكبيرة المطلوبة من نماذج الذكاء الاصطناعي التقليدية، والتي تسهم في تدهور البيئة. يتم تقديم ظهور “الذكاء الاصطناعي الأخضر”، الذي يركز على نماذج الذكاء الاصطناعي الموفرة للطاقة والحوسبة الصديقة للبيئة، كاستجابة ضرورية للتخفيف من البصمة الكربونية المرتبطة بنشر الذكاء الاصطناعي في البنوك. تشير الورقة إلى أنه بينما يتزايد اعتماد الذكاء الاصطناعي في البنوك الهندية، مدفوعًا بمبادرات من القطاعين العام والخاص، لا يزال دمج ممارسات الاستدامة غير متسق وقليل البحث.
تهدف الدراسة إلى سد الفجوات الحالية في فهم كيفية اعتماد البنوك الهندية للذكاء الاصطناعي الأخضر، خاصة فيما يتعلق بالامتثال التنظيمي وأهداف الاستدامة. تقارن بين نهج البنوك العامة، التي غالبًا ما تكون مدفوعة بالسياسات، مع تلك الخاصة بالبنوك الخاصة، التي قد تعطي الأولوية للابتكار. ستقوم البحث بتقييم التحديات والفرص المرتبطة باعتماد الذكاء الاصطناعي الأخضر، مع مراعاة عوامل مثل الأطر التنظيمية، والبنية التحتية التكنولوجية، واستهلاك الطاقة. من خلال استخدام إطار عمل معدل للتكنولوجيا-المنظمة-البيئة (TOE) جنبًا إلى جنب مع نموذج قبول التكنولوجيا (TAM)، تسعى الدراسة إلى تقديم رؤى حول المحركات الهيكلية والسلوكية التي تؤثر على اعتماد الذكاء الاصطناعي الأخضر في سياق البنوك الهندية، بهدف في النهاية مواءمة مبادرات الذكاء الاصطناعي مع أهداف العمل المناخي الأوسع.
الطرق
تستخدم الدراسة تصميم بحث كمي للتحقيق في العوامل التي تؤثر على اعتماد الذكاء الاصطناعي الأخضر بين البنوك الهندية، كما هو موضح من قبل شارما وآخرون (2024). باستخدام منهجية مسح مقطعي، تركز البحث على جمع البيانات المتعلقة باعتماد الذكاء الاصطناعي، والامتثال التنظيمي، وممارسات الاستدامة. مستندة إلى إطار عمل التكنولوجيا-المنظمة-البيئة (TOE)، تفحص الدراسة بشكل منهجي كيف تساهم العوامل التكنولوجية والتنظيمية والبيئية في اعتماد الذكاء الاصطناعي الأخضر. لاختبار العلاقات السببية بين نتائج الاستدامة واعتماد الذكاء الاصطناعي الأخضر، يتم استخدام نمذجة المعادلات الهيكلية (SEM)، والتي تناسب تأكيد النماذج النظرية وتحليل العلاقات بين عدة بنى (شريستا وآخرون، 2023).
شمل جمع البيانات استبيانًا موحدًا يحتوي على عناصر مغلقة بنظام ليكرت، مما يتيح تقييمًا قابلًا للقياس للمتغيرات الرئيسية مثل التأثير التنظيمي، والجدوى التكنولوجية، والضغوط التنافسية. تعزز هذه الطريقة المنظمة موثوقية وموضوعية وقابلية مقارنة الردود. لضمان الشفافية في تشغيل البنى والامتثال للمعايير القياسية المعمول بها، يتم تقديم قائمة كاملة بالعناصر المستخدمة لكل بنية في الجدول الملحق 1A.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي أجريت. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح نتائج الدراسة. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الفروق أو التأكيدات المهمة.
في هذا القسم، قد يقوم المؤلفون بالإبلاغ عن مقاييس محددة، مثل القيم المتوسطة، والانحرافات المعيارية، أو قيم p، لدعم استنتاجاتهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، مما يوفر رؤى حول تداعيات النتائج. بشكل عام، تعتبر النتائج أساسًا للنقاش والتفسير اللاحق لنتائج البحث.
النقاش
يتناول قسم النقاش في الورقة اعتماد الذكاء الاصطناعي الأخضر في البنوك الهندية، مع التركيز على عدة أسئلة بحثية تستكشف مدى هذا الاعتماد، والفروق بين البنوك العامة والخاصة، وتأثير السياسات التنظيمية، والحواجز التكنولوجية التي تواجهها. توسع الدراسة أطر التكنولوجيا-المنظمة-البيئة (TOE) ونموذج قبول التكنولوجيا (TAM) من خلال دمج عوامل الاستدامة مثل الاستثمارات المدركة للكربون وضغوط البيئة والمجتمع والحوكمة (ESG). تشير النتائج الرئيسية إلى أن البنية التحتية المصرفية والالتزام المالي هما محركان رئيسيان لاعتماد الذكاء الاصطناعي الأخضر، الذي يتوسط العلاقة بين هذين المحركين ونتائج الاستدامة. تعتبر هذه البحث ذات صلة خاصة بالمساهمين، بما في ذلك التنفيذيين المصرفيين وصانعي السياسات، حيث تقدم رؤى حول أفضل الممارسات والتحديات التنظيمية بينما تقترح توصيات قابلة للتنفيذ تتماشى مع التزامات الهند لتحقيق صافي انبعاثات صفرية بحلول 2070.
تسلط الدراسة الضوء على أنه بينما تلتزم البنوك العامة غالبًا بالتفويضات الحكومية، فإنها تواجه قيودًا بسبب الأنظمة القديمة ومستويات الاستثمار المنخفضة. في المقابل، تكون البنوك الخاصة أكثر نشاطًا في التحول الرقمي، على الرغم من أن مدى استراتيجياتها في الذكاء الاصطناعي الأخضر لا يزال غير واضح. تؤكد النتائج على ضرورة وجود أطر تنظيمية تدعم ممارسات الذكاء الاصطناعي المستدام وأهمية الاستثمار المالي والبنية التحتية التكنولوجية المحدثة لتنفيذ الذكاء الاصطناعي الأخضر بنجاح. بالإضافة إلى ذلك، تسهم البحث في النقاش الأوسع حول البنوك الخضراء من خلال تقديم أدلة تجريبية حول تأثير الذكاء الاصطناعي الأخضر على نتائج الاستدامة، مما يوفر خارطة طريق لدمج استراتيجيات مدفوعة بالذكاء الاصطناعي مع الأهداف البيئية في قطاع البنوك.
القيود
تقدم الدراسة عدة قيود تؤثر على تعميم وعمق نتائجها. أولاً، البحث محصور جغرافيًا في الهند ويعتمد على استجابات إدراكية من محترفي البنوك، مما قد لا يعكس الاتجاهات الأوسع في الأسواق الناشئة الأخرى. كما أن التركيز على قطاع الخدمات المالية، وخاصة البنوك، يحد أيضًا من الرؤى حول اعتماد الذكاء الاصطناعي الأخضر في صناعات أخرى مثل التأمين والطاقة واللوجستيات والتصنيع. يجب أن تهدف الأبحاث المستقبلية إلى مقارنة التطبيقات عبر القطاعات وأنماط الاعتماد عبر مناطق مختلفة، مثل جنوب آسيا وأوروبا، مع فحص الاتجاهات الطولية في أداء الاستدامة المدفوع بالذكاء الاصطناعي.
بالإضافة إلى ذلك، قد يؤدي تجميع نتائج الاستدامة المختلفة في بنية كامنة واحدة (SO) إلى إخفاء التأثيرات التفاضلية على مقاييس البيئة والمجتمع والحوكمة (ESG)، وتقليل الكربون، وكفاءة الطاقة. يمكن أن تستفيد الدراسات المستقبلية من تفكيك هذه النتائج لتحليل أكثر دقة. يقيّد التصميم المقطعي للدراسة الاستدلال السببي؛ لذلك، يُوصى باستخدام أساليب طولية أو تجريبية لالتقاط الديناميات الزمنية بشكل أفضل وتأسيس علاقات سببية أقوى. لتعزيز القوة التفسيرية للأبحاث المستقبلية، يُقترح دمج متغيرات مثل نضج حوكمة الذكاء الاصطناعي ومؤشرات ESG الخاصة بالقطاع. علاوة على ذلك، تؤكد النتائج على ضرورة وجود أطر تنظيمية مصممة خصيصًا في الهند، بما في ذلك تطوير مدونة ممارسة للذكاء الاصطناعي الأخضر من قبل بنك الاحتياطي الهندي (RBI) ومتطلبات إفصاح موسعة عن ESG من قبل هيئة الأوراق المالية والبورصات الهندية (SEBI). أخيرًا، يجب أن تستخدم التحقيقات المستقبلية بيانات متعددة المستويات أو بيانات السلاسل الزمنية ودمج مقاييس إدراكية مع مقاييس فنية للتحقق من ادعاءات الاستدامة بشكل أكثر قوة.
DOI: https://doi.org/10.3389/frai.2025.1692763
PMID: https://pubmed.ncbi.nlm.nih.gov/41602317
Publication Date: 2026-01-12
Author(s): Sarath Chandran M. C. et al.
Primary Topic: Green IT and Sustainability
Overview
The research paper examines the integration of Artificial Intelligence (AI) in India’s banking sector, emphasizing the concept of “Green AI,” which prioritizes energy efficiency and sustainability. By extending the Technology-Organization-Environment (TOE) and Technology Acceptance Model (TAM) frameworks to include sustainability factors, the study analyzes data from 412 professionals in leading banks using Structural Equation Modeling (SEM). Key findings indicate that Banking Infrastructure (β = 0.419), Financial Investment (β = 0.401), and Competitive Pressure (β = 0.329) are the primary drivers of Green AI adoption, while factors like Regulatory Influence (β = 0.147) and Perceived Usefulness (β = 0.129) have lesser impacts. The adoption of Green AI is positively correlated with sustainability outcomes (β = 0.446), suggesting that structural readiness can lead to significant environmental benefits.
In conclusion, the study highlights that as banks face the challenges of digitalization and sustainability, Green AI emerges as a crucial strategy for sustainable banking. It underscores the importance of robust infrastructure, financial investment, and competitive responsiveness over mere perceptions of usefulness or ease of use. The findings advocate for a strategic reorientation of Green AI as a governance tool for sustainability, necessitating alignment between IT infrastructure and environmental, social, and governance (ESG) targets. Additionally, the paper calls for tailored regulatory frameworks in India to support the adoption of Green AI, including specific mandates for energy audits and carbon scoring, thereby enhancing compliance with international sustainability goals. Such measures are essential for fostering institutional transformation, particularly in public sector banks with legacy systems, and ensuring that digital advancements contribute to national climate objectives.
Introduction
The introduction of the research paper highlights the transformative impact of Artificial Intelligence (AI) in the banking sector, particularly in enhancing operational efficiency, customer service, and decision-making. However, it raises concerns regarding the substantial computational power required by traditional AI models, which contributes to environmental degradation. The emergence of “Green AI,” which emphasizes energy-efficient AI models and eco-friendly computing, is presented as a necessary response to mitigate the carbon footprint associated with AI deployment in banking. The paper notes that while AI adoption in Indian banks is on the rise, driven by both public and private sector initiatives, the integration of sustainability practices remains inconsistent and under-researched.
The study aims to fill existing gaps in understanding how Indian banks are adopting Green AI, particularly in relation to regulatory compliance and sustainability objectives. It compares the approaches of public sector banks, which are often policy-driven, with those of private sector banks, which may prioritize innovation. The research will assess the challenges and opportunities associated with Green AI adoption, considering factors such as regulatory frameworks, technological infrastructure, and energy consumption. By employing a modified Technology-Organization-Environment (TOE) framework alongside the Technology Acceptance Model (TAM), the study seeks to provide insights into the structural and behavioral drivers influencing Green AI adoption in the Indian banking context, ultimately aiming to align AI initiatives with broader climate action goals.
Methods
The study employs a quantitative research design to investigate the factors influencing the adoption of Green AI among Indian banks, as outlined by Sharma et al. (2024). Utilizing a cross-sectional survey methodology, the research focuses on data collection related to AI adoption, regulatory compliance, and sustainability practices. Grounded in the Technology-Organization-Environment (TOE) framework, the study systematically examines how technological, organizational, and environmental factors contribute to Green AI adoption. To test the causal relationships between sustainability outcomes and Green AI adoption, Structural Equation Modeling (SEM) is employed, which is well-suited for confirming theoretical models and analyzing interrelationships among multiple constructs (Shrestha et al., 2023).
Data collection involved a standardized questionnaire featuring closed-ended Likert-scale items, enabling a measurable assessment of key variables such as regulatory influence, technological feasibility, and competitive pressures. This structured approach enhances the reliability, objectivity, and comparability of the responses. For transparency in construct operationalization and adherence to established measurement standards, a complete list of the survey items used for each construct is provided in Appendix Table 1A.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables that illustrate the outcomes of the study. The results are often compared against the hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report on specific metrics, such as mean values, standard deviations, or p-values, to support their conclusions. Additionally, any observed trends or patterns in the data are discussed, providing insights into the implications of the findings. Overall, the results serve as a foundation for the subsequent discussion and interpretation of the research outcomes.
Discussion
The discussion section of the paper addresses the adoption of Green AI in Indian banking, focusing on several research questions that explore the extent of this adoption, differences between public and private sector banks, the influence of regulatory policies, and the technological barriers faced. The study extends the Technology-Organization-Environment (TOE) and Technology Acceptance Model (TAM) frameworks by incorporating sustainability factors such as carbon-aware investments and Environmental, Social, and Governance (ESG) pressures. Key findings indicate that banking infrastructure and financial commitment are significant drivers of Green AI adoption, which mediates the relationship between these drivers and sustainability outcomes. This research is particularly relevant for stakeholders, including banking executives and policymakers, as it provides insights into best practices and regulatory challenges while suggesting actionable recommendations aligned with India’s Net Zero 2070 commitments.
The study highlights that while public sector banks often adhere to government mandates, they face constraints due to legacy systems and lower investment levels. In contrast, private banks are more proactive in digital transformation, although the extent of their Green AI strategies remains unclear. The findings emphasize the necessity for regulatory frameworks that support sustainable AI practices and the importance of financial investment and updated technological infrastructure for successful Green AI implementation. Additionally, the research contributes to the broader discourse on green banking by offering empirical evidence on the impact of Green AI on sustainability outcomes, thus providing a roadmap for integrating AI-driven strategies with environmental goals in the banking sector.
Limitations
The study presents several limitations that affect the generalizability and depth of its findings. Firstly, the research is geographically confined to India and relies on perceptual responses from banking professionals, which may not reflect broader trends in other emerging markets. The focus on the financial services sector, particularly banking, also limits insights into the adoption of Green AI in other industries such as insurance, energy, logistics, and manufacturing. Future research should aim to compare cross-sector applications and adoption patterns across different regions, such as South Asia and Europe, while also examining longitudinal trends in AI-driven sustainability performance.
Additionally, the aggregation of various sustainability outcomes into a single latent construct (SO) may obscure differential impacts on environmental, social, and governance (ESG) metrics, carbon reduction, and energy efficiency. Future studies could benefit from disaggregating these outcomes for a more nuanced analysis. The cross-sectional design of the study restricts causal inference; thus, longitudinal or experimental approaches are recommended to better capture temporal dynamics and establish stronger cause-and-effect relationships. To enhance the explanatory power of future research, it is suggested to incorporate variables such as AI governance maturity and sector-specific ESG indicators. Furthermore, the findings underscore the necessity for tailored regulatory frameworks in India, including the development of a green AI code of practice by the Reserve Bank of India (RBI) and expanded ESG disclosure requirements by the Securities and Exchange Board of India (SEBI). Lastly, future investigations should utilize multi-level or time-series data and integrate perceptual measures with technical metrics to validate sustainability claims more robustly.