DOI: https://doi.org/10.1016/j.technovation.2024.103017
تاريخ النشر: 2024-05-29
المؤلف: Marija Čubrić وآخرون
الموضوع الرئيسي: التكنولوجيا المالية، التمويل الجماعي، المالية الرقمية
نظرة عامة
تستكشف هذه الورقة البحثية تطوير الابتكارات المعتمدة على الذكاء الاصطناعي (AI) داخل الشركات الصغيرة والمتوسطة في مجال التكنولوجيا المالية (FinTech)، مع معالجة الفجوة بين المفهوم والمنتج في تطوير المنتجات الجديدة. من خلال الأدلة التجريبية التي تم جمعها من المقابلات، ومنتديات الممارسين، والمستندات العامة، يحدد المؤلفون نهجين متميزين للابتكار في الذكاء الاصطناعي، والتي يتم تصنيفها لاحقًا إلى أربعة تكوينات لعملية التطوير. تعتمد هذه التكوينات على عوامل مثل مرحلة تطوير الأعمال، الاعتماد على منصات الطرف الثالث، توفر البيانات، مستويات الاستثمار، مرونة المنظمة، والجدة. تعمل تصنيف العملية الناتجة كأداة تشخيصية للشركات الصغيرة والمتوسطة في مجال التكنولوجيا المالية التي تهدف إلى الاستفادة من الابتكار في الذكاء الاصطناعي بشكل فعال.
تساهم الدراسة في الأدبيات من خلال توسيع نظرية الطوارئ لإنشاء إطار نظري جديد يوضح ديناميكيات الابتكار في الذكاء الاصطناعي في الشركات الصغيرة والمتوسطة في مجال التكنولوجيا المالية. تسلط الضوء على الأسباب التي تجعل من إمكانيات الذكاء الاصطناعي تعطيل الشركات القائمة وخلق خدمات جديدة لم تتحقق بالكامل، حتى في السياقات المدعومة جيدًا. تؤكد النتائج على أهمية فهم تكوينات العمليات المختلفة وآثارها على تنفيذ الذكاء الاصطناعي. لا تقدم التصنيف والنموذج النظري المقترح رؤى للممارسين فحسب، بل توفر أيضًا أساسًا للبحث المستقبلي في آليات عمليات الابتكار التكنولوجي، مع التأكيد على الحاجة إلى مزيد من التحقق التجريبي عبر سياقات متنوعة.
مقدمة
تستكشف مقدمة هذه الدراسة عمليات تطوير المنتجات والابتكار في الذكاء الاصطناعي داخل الشركات الصغيرة والمتوسطة في مجال التكنولوجيا المالية في مونتريال، كندا، وهي مركز عالمي بارز للذكاء الاصطناعي. تهدف البحث إلى تحديد العوامل الرئيسية التي يمكن أن تسرع هذه العمليات وتقلل من فجوة المفهوم والمنتج، وهي ظاهرة موثقة جيدًا في أدبيات الابتكار. بينما كان القطاع المالي من أوائل المتبنين للذكاء الاصطناعي، تركز الدراسات الحالية بشكل أساسي على المنظمات الكبيرة، مما يترك فجوة في فهم التحديات والممارسات الفريدة للشركات الصغيرة والمتوسطة، لا سيما في سياق تطوير منتجات الذكاء الاصطناعي.
تستخدم الدراسة نهجًا مختلطًا، حيث يتم جمع البيانات من خلال مقابلات شبه منظمة مع خبراء الصناعة، ورؤى من منتدى التكنولوجيا المالية الكندي، وتحليل مواقع الشركات ذات الصلة وتقارير وسائل الإعلام. يمكّن هذا الجمع الشامل للبيانات من تطوير تصنيف جديد لعمليات الابتكار، والذي يمكن أن يوجه الشركات الصغيرة والمتوسطة في تقييم مراحل تطويرها وأهدافها المستقبلية. بالإضافة إلى ذلك، تقدم البحث نموذجًا نظريًا قائمًا على نظرية الطوارئ يميز بين السلوكيات المدفوعة بالموارد والمدفوعة بالأهداف في الابتكار في الذكاء الاصطناعي، مع تسليط الضوء على الدور الحاسم للبيانات على التكنولوجيا في هذه العمليات. على الرغم من الإمكانية التي يوفرها الذكاء الاصطناعي لتمكين الشركات الصغيرة والمتوسطة، تشير النتائج إلى أن العديد منها لا تزال متأخرة عن المؤسسات الأكبر في الاستفادة من الذكاء الاصطناعي لتحقيق ميزة تنافسية، مما يبرز الحاجة إلى مزيد من الاستكشاف للحواجز أمام اعتماد الذكاء الاصطناعي بشكل فعال في القطاع المالي.
الطرق
في هذا البحث، تم جمع البيانات من خلال بحث منهجي عن منصات الذكاء الاصطناعي والتكنولوجيا المالية الكندية، مما أسفر عن قائمة أولية تضم 238 شركة خاصة نشطة في مونتريال. بعد تطبيق معايير الاختيار التي تركزت على قدرات الذكاء الاصطناعي والتكنولوجيا المالية، تم تقليص القائمة إلى 46 شركة. أدت التقييمات الإضافية إلى استبعاد 16 شركة بسبب محدودية تكامل الذكاء الاصطناعي/التكنولوجيا المالية وشركتين إضافيتين بناءً على الحجم، مما أسفر في النهاية عن عينة من 28 شركة للتحليل. كانت هذه العينة تتكون من 16 شركة ناشئة و12 شركة أكثر نضجًا، تعمل بشكل أساسي في سياقات B2B داخل القطاعين المالي وتكنولوجيا المعلومات. أظهرت الشركات مجموعة من قدرات الذكاء الاصطناعي، بما في ذلك معالجة اللغة الطبيعية (NLP) وتعلم الآلة (ML)، مما يسهل وظائف تكنولوجيا مالية متنوعة مثل إدارة الأصول والامتثال للمخاطر.
لتعميق التحليل، تم إجراء 12 مقابلة شبه منظمة مع صانعي القرار الرئيسيين من ست شركات مختارة، إلى جانب خبراء الصناعة. قدمت هذه المقابلات، التي استمرت لمدة إجمالية قدرها 596 دقيقة، رؤى نوعية حول عمليات الابتكار داخل نظام الذكاء الاصطناعي في مونتريال. تم دعم البيانات بمعلومات تم جمعها من منتدى التكنولوجيا المالية الكندية، والذي شمل عروضًا ومقابلات مع ممثلين من 17 من الشركات الـ 28. كانت منهجية جمع البيانات الشاملة، التي تضمنت مثلث المصادر واعتبارات أخلاقية صارمة، تهدف إلى تعزيز صلاحية وموثوقية النتائج، مما يساهم في تصنيف عمليات الابتكار في الذكاء الاصطناعي.
النتائج
في هذا القسم، يحلل المؤلفون عمليات الابتكار في الذكاء الاصطناعي عبر منظمات مختلفة، مع تحديد أنواع متميزة ومساراتها، كما هو ملخص في تصنيف (الجدول 7) ونموذج نظري جديد (الشكل 4). يبرز التحليل مجموعتين رئيسيتين من العمليات: “البيانات أولاً” و”الذكاء الاصطناعي أولاً”. تركز مجموعة “البيانات أولاً” على الالتزام بالموارد من خلال تجميع مجموعات بيانات كبيرة، تليها أنشطة تحديد الأهداف التي تهدف إلى تعزيز تفاعل العملاء وكفاءة العمليات. تتميز هذه المجموعة باستثمار أقل في الذكاء الاصطناعي ومشاركة أبطأ في الابتكار، وتتكون من الشركات الناشئة المبكرة والشركات المتنامية المدفوعة بالبيانات في مجال التكنولوجيا المالية. على العكس من ذلك، تبدأ مجموعة “الذكاء الاصطناعي أولاً” بتحديد الأهداف، مع التركيز على تطبيقات الذكاء الاصطناعي الفورية لأتمتة العمليات، مما يؤدي إلى تنفيذ أسرع ومعدلات نجاح أعلى، كما يتضح من مقاييس مثل قيمة الاستثمار وتفاعل العملاء.
تشير النتائج إلى أن مسار الابتكار في الذكاء الاصطناعي في الشركات الصغيرة والمتوسطة في مجال التكنولوجيا المالية يتأثر بمستوى تطوير الأعمال والاستثمار في الذكاء الاصطناعي. غالبًا ما تشارك الشركات الناجحة مبكرًا مع الذكاء الاصطناعي، مستفيدة من البيانات الداخلية للأتمتة، مما يعزز قدراتها في سوق تنافسية. يقترح المؤلفون إطارًا لتطوير الابتكار في الذكاء الاصطناعي يسمح للشركات الناشئة ببناء قدراتها في البيانات تدريجيًا مع التركيز على الأتمتة. بالإضافة إلى ذلك، تقدم الدراسة طوارئ جديدة ذات صلة بالابتكار في الذكاء الاصطناعي، مثل أحجام البيانات ومراحل تطوير الأعمال، وتوضح الطوارئ الموجودة في سياق تكنولوجيا الذكاء الاصطناعي. يؤكد التحليل على الدور الحاسم للبيانات كمورد في الابتكار في الذكاء الاصطناعي، مميزًا إياها عن الابتكارات التكنولوجية الأخرى، ويبرز أهمية معالجة المتطلبات التنظيمية في عملية التطوير.
المناقشة
تناقش قسم المناقشة من الورقة البحثية الفجوة بين المفهوم والمنتج في الابتكار التكنولوجي، لا سيما في سياق الذكاء الاصطناعي (AI) داخل الشركات الصغيرة والمتوسطة (SMEs). تمثل هذه الفجوة التحديات التي تواجهها المنظمات في الانتقال من إثبات المفهوم إلى منتج قابل للتطبيق، وهي عملية مليئة بالشكوك وغالبًا ما تؤدي إلى نتائج غير ناجحة. تسلط الأدبيات الضوء على أنه بينما كانت نماذج تطوير المنتجات الجديدة التقليدية (NPD)، مثل نموذج Stage-Gate، قد وجهت الابتكار في المنظمات الأكبر، قد لا تكون فعالة بنفس القدر بالنسبة للشركات الصغيرة والمتوسطة، التي غالبًا ما تتطلب نهجًا أكثر تكرارًا وموارد محدودة. تؤكد الورقة على الحاجة إلى عمليات NPD مصممة خصيصًا تأخذ في الاعتبار الخصائص الفريدة لتقنيات الذكاء الاصطناعي، التي تختلف بشكل كبير عن تطوير البرمجيات التقليدية بسبب اعتمادها على منهجيات مدفوعة بالبيانات.
تستكشف القسم أيضًا دور الذكاء الاصطناعي في قطاع التكنولوجيا المالية (FinTech)، مشيرة إلى أنه بينما زاد اعتماد الذكاء الاصطناعي بشكل كبير، لا سيما خلال جائحة COVID-19، تواجه العديد من الشركات الصغيرة والمتوسطة حواجز مثل الموارد المحدودة والبنية التحتية. تحدد الدراسة فجوة في فهم كيفية تطوير الشركات الصغيرة والمتوسطة لمنتجات الذكاء الاصطناعي والعوامل التي يمكن أن تسرع هذا الابتكار. لمعالجة ذلك، يقترح المؤلفون إطارًا مفاهيميًا قائمًا على نظرية الطوارئ، التي تفترض أن عمليات الابتكار يجب أن تتكيف لتناسب عوامل سياقية محددة، بما في ذلك ظروف السوق وحجم المنظمة. تركز أسئلة البحث على عمليات تطوير الذكاء الاصطناعي في الشركات الصغيرة والمتوسطة في مجال التكنولوجيا المالية والعوامل التنظيمية التي تؤثر على تسريع الابتكار، بهدف تقديم رؤى يمكن أن تعزز فعالية تطوير منتجات الذكاء الاصطناعي في هذا القطاع.
القيود
تُعزى قيود هذه الدراسة بشكل أساسي إلى التحيز المحتمل الناتج عن وجود باحث واحد يقود جمع البيانات والتحليل. لتخفيف هذا الخطر، حدد البحث التحيزات المحتملة في وقت مبكر وشارك في مناقشات منتظمة مع مؤلف ثانٍ لضمان التوافق مع النظريات والممارسات ذات الصلة. تم اعتبار تعقيد نهج جمع البيانات متعدد الطرق ضروريًا بسبب الطبيعة المتطورة بسرعة لقطاع الذكاء الاصطناعي في التكنولوجيا المالية (AIFT)، والتي تم تسليط الضوء عليها من خلال التغييرات الكبيرة في الشركات العينة بعد فترة وجيزة من انتهاء الدراسة.
تشمل اتجاهات البحث المستقبلية الحاجة إلى مزيد من التحقق التجريبي من النموذج النظري الذي تم تطويره في هذه الدراسة، لا سيما عبر مجموعة أوسع من الشركات والسياقات. بدأ المؤلفون بالفعل في توسيع أبحاثهم إلى مدن رئيسية أخرى في أوروبا لاستكشاف التشابهات والاختلافات الإقليمية. بالإضافة إلى ذلك، يُوصى بمزيد من التحقيق في العمليات المختلفة ومسارات تنفيذ الذكاء الاصطناعي في الخدمات المالية، مما قد يعزز فهم عمليات الابتكار المدعومة بالذكاء الاصطناعي في مجال التكنولوجيا المالية. قد يؤدي استخدام منطق التأثير-السببية في الدراسات المستقبلية إلى تقديم رؤى قيمة حول عمليات الابتكار داخل الشركات الصغيرة والمتوسطة (SMEs). أخيرًا، يمكن أن تسهم إقامة روابط بين عمليات الابتكار المحددة وأداء الأعمال من خلال استبيانات واسعة النطاق بشكل كبير في تقدم نظرية وممارسة AIFT.
DOI: https://doi.org/10.1016/j.technovation.2024.103017
Publication Date: 2024-05-29
Author(s): Marija Čubrić et al.
Primary Topic: FinTech, Crowdfunding, Digital Finance
Overview
This research paper investigates the development of Artificial Intelligence (AI)-based innovations within FinTech SMEs, addressing the concept-product gap in new product development. Through empirical evidence gathered from interviews, practitioners’ forums, and public documents, the authors identify two distinct approaches to AI innovation, which are further categorized into four development process configurations. These configurations are contingent upon factors such as the business development stage, reliance on third-party platforms, data availability, investment levels, organizational agility, and novelty. The resulting process typology serves as a diagnostic tool for FinTech SMEs aiming to leverage AI innovation effectively.
The study contributes to the literature by extending contingency theory to create a new theoretical framework that elucidates the dynamics of AI innovation in FinTech SMEs. It highlights the reasons why the potential of AI to disrupt established firms and create new services has not been fully realized, even in well-supported contexts. The findings underscore the importance of understanding different process configurations and their implications for AI implementation. The proposed typology and theoretical model not only offer insights for practitioners but also provide a foundation for future research into the mechanisms of technological innovation processes, emphasizing the need for further empirical validation across diverse contexts.
Introduction
The introduction of this study investigates the AI product development and innovation processes within FinTech SMEs in Montreal, Canada, a prominent global hub for AI. The research aims to identify key factors that can accelerate these processes and reduce the concept-product gap, a well-documented phenomenon in innovation literature. While the financial sector has been an early adopter of AI, existing studies predominantly focus on large organizations, leaving a gap in understanding the unique challenges and practices of SMEs, particularly in the context of AI product development.
The study employs a mixed-methods approach, gathering data through semi-structured interviews with industry experts, insights from a Canadian FinTech forum, and analysis of relevant company websites and media reports. This comprehensive data collection enables the development of a new typology of innovation processes, which can guide SMEs in assessing their development stages and future goals. Additionally, the research introduces a theoretical model based on contingency theory that distinguishes between resource-driven and goal-driven behaviors in AI innovation, highlighting the critical role of data over technology in these processes. Despite the potential for AI to empower SMEs, the findings indicate that many still lag behind larger institutions in leveraging AI for competitive advantage, underscoring the need for further exploration of the barriers to effective AI adoption in the financial sector.
Methods
In this research, data collection was conducted through a systematic search of Canadian AI and FinTech platforms, resulting in an initial list of 238 active private businesses in Montreal. After applying selection criteria focused on AI and FinTech capabilities, the list was narrowed down to 46 companies. Further evaluations led to the exclusion of 16 firms due to limited AI/FinTech integration and two additional firms based on size, ultimately yielding a sample of 28 companies for analysis. This sample comprised 16 startups and 12 more mature firms, predominantly operating in B2B contexts within the financial and IT sectors. The firms exhibited a range of AI capabilities, including natural language processing (NLP) and machine learning (ML), facilitating various FinTech functions such as asset management and risk compliance.
To deepen the analysis, 12 semi-structured interviews were conducted with key decision-makers from six selected firms, alongside industry experts. These interviews, lasting a total of 596 minutes, provided qualitative insights into the innovation processes within the Montreal AIFT ecosystem. The data was supplemented by information gathered from the Canada FinTech Forum, which included presentations and interviews with representatives from 17 of the 28 firms. The comprehensive data collection approach, which included triangulation of sources and rigorous ethical considerations, aimed to enhance the validity and reliability of the findings, ultimately contributing to a typology of AI innovation processes.
Results
In this section, the authors analyze AI innovation processes across various organizations, identifying distinct types and their trajectories, as summarized in a typology (Table 7) and a new theoretical model (Fig. 4). The analysis highlights two primary process groups: ‘Data-first’ and ‘AI-first.’ The ‘Data-first’ group emphasizes resource commitment through the accumulation of large datasets, followed by goal-setting activities aimed at enhancing customer engagement and operational efficiency. This group is characterized by lower AI investment and slower innovation engagement, comprising early startups and growing data-driven FinTech firms. Conversely, the ‘AI-first’ group initiates with goal-setting, focusing on immediate AI applications to automate processes, leading to faster implementation and higher success rates, as evidenced by metrics such as investment value and customer engagement.
The findings suggest that the trajectory of AI innovation in FinTech SMEs is influenced by the level of business development and investment in AI. Successful firms often engage early with AI, leveraging internal data for automation, which enhances their capabilities in a competitive market. The authors propose a framework for AI innovation development that allows startups to gradually build their data capabilities while focusing on automation. Additionally, the study introduces new contingencies relevant to AI innovation, such as data volumes and business development stages, and clarifies existing ones in the context of AI technology. The analysis underscores the critical role of data as a resource in AI innovation, distinguishing it from other technological innovations, and highlights the importance of addressing regulatory requirements in the development process.
Discussion
The discussion section of the research paper addresses the concept-product gap in technological innovation, particularly in the context of artificial intelligence (AI) within small and medium-sized enterprises (SMEs). This gap represents the challenges organizations face in transitioning from proof of concept to a deployable product, a process fraught with uncertainties and often unsuccessful outcomes. The literature highlights that while traditional new product development (NPD) models, such as the Stage-Gate model, have guided innovation in larger organizations, they may not be as effective for SMEs, which often require more iterative and resource-constrained approaches. The paper emphasizes the need for tailored NPD processes that account for the unique characteristics of AI technologies, which differ significantly from conventional software development due to their reliance on data-driven methodologies.
The section further explores the role of AI in the financial technology (FinTech) sector, noting that while AI adoption has surged, particularly during the COVID-19 pandemic, many SMEs face barriers such as limited resources and infrastructure. The study identifies a gap in understanding how SMEs develop AI products and the factors that can accelerate this innovation. To address this, the authors propose a conceptual framework grounded in contingency theory, which posits that innovation processes should be adapted to fit specific contextual factors, including market conditions and organizational size. The research questions focus on the development processes of AI in FinTech SMEs and the organizational factors that influence innovation acceleration, aiming to provide insights that could enhance the effectiveness of AI product development in this sector.
Limitations
The limitations of this study are primarily attributed to the potential bias introduced by having a single researcher lead the data collection and analysis. To mitigate this risk, the research identified potential biases early on and engaged in regular discussions with a second author to ensure alignment with relevant theories and practices. The complexity of the multi-method data collection approach was deemed necessary due to the rapidly evolving nature of the AI in financial technology (AIFT) sector, which was highlighted by the significant changes in the sample firms shortly after the study concluded.
Future research directions include the need for more empirical validation of the theoretical model developed in this study, particularly across a broader range of firms and contexts. The authors have already begun expanding their research to other major cities in Europe to explore regional similarities and differences. Additionally, further investigation into the various processes and trajectories of AI implementation in financial services is recommended, which could enhance the understanding of AI-enabled innovation processes in FinTech. Employing effectuation-causation logic in future studies may yield valuable insights into the innovation processes within small and medium enterprises (SMEs). Lastly, establishing connections between the innovation processes identified and business performance through large-scale surveys could significantly contribute to the advancement of AIFT theory and practice.