DOI: https://doi.org/10.1108/jkm-03-2024-0262
تاريخ النشر: 2024-11-18
المؤلف: Luna Leoni وآخرون
الموضوع الرئيسي: البيانات الضخمة وذكاء الأعمال
نظرة عامة
تستكشف هذه الورقة البحثية اعتماد الذكاء الاصطناعي (AI)، وخاصة الذكاء الاصطناعي التوليدي، ضمن عمليات إدارة المعرفة (KM) وتأثيره اللاحق على اتخاذ القرارات التنظيمية. تستند الدراسة إلى ثلاثة أسئلة بحثية رئيسية: آليات اعتماد الذكاء الاصطناعي في إدارة المعرفة، والعوامل المؤثرة على هذا الاعتماد، وتأثيرات الذكاء الاصطناعي على اتخاذ القرار. من خلال مقابلات شبه منظمة مع 52 خبيرًا في إدارة المعرفة والذكاء الاصطناعي من منظمات خاصة كبيرة في الغالب، أجرى المؤلفون تحليلًا موضوعيًا مختلطًا، مما أسفر عن إطار عمل جديد يوضح العلاقة الثنائية—سواء كانت خطية أو عكسية—بين الذكاء الاصطناعي، وعمليات إدارة المعرفة، واتخاذ القرار، بالإضافة إلى تحديد 20 عاملًا يؤثر على اعتماد الذكاء الاصطناعي.
تقدم النتائج تداعيات عملية للمديرين، حيث تقدم إجراءً منهجيًا من ست خطوات لتعزيز اتخاذ القرار من خلال دمج الذكاء الاصطناعي في عمليات إدارة المعرفة. بينما تقدم الدراسة مساهمات نظرية كبيرة ورؤى عملية، فإنها تعترف بالقيود مثل الاختيار غير التمثيلي للمقابلات والطبيعة النوعية للبحث. يُشجع على الدراسات المستقبلية استخدام الأساليب الكمية، والنهج الطولية، والتحليلات المقارنة عبر قطاعات مختلفة لاستكشاف ديناميكيات الذكاء الاصطناعي في إدارة المعرفة وتأثيراتها على اتخاذ القرار بشكل أكبر. يؤكد المؤلفون على أهمية وجهة نظر تعاونية ومتعددة التخصصات في الأبحاث المستقبلية لتحسين التعاون بين الإنسان والذكاء الاصطناعي وتعليم المستخدمين بشكل فعال حول أدوات الذكاء الاصطناعي، مع التحذير أيضًا من التفاؤل المفرط في ممارسات اعتماد الذكاء الاصطناعي.
مقدمة
تسلط مقدمة الورقة البحثية الضوء على التحديات التي تواجهها المنظمات في إدارة الحجم المتزايد من البيانات التي يتم توليدها في البيئات المعاصرة. بينما زادت القدرة على جمع البيانات بشكل كبير، فإن حوالي 55% منها يبقى “مظلمًا”، مما يشير إلى أنه غير مستغل بشكل كافٍ بسبب نقص الوعي أو الفهم (Splunk، 2019). تستلزم هذه الحالة إعادة تقييم عمليات إدارة المعرفة (KM)، حيث أن الطرق التقليدية غير كافية لمعالجة وتحليل كميات كبيرة من البيانات بشكل فعال. يُقترح دمج الذكاء الاصطناعي (AI) كحل لتعزيز إدارة المعرفة من خلال تحسين اتخاذ القرار وأداء المنظمة من خلال تحسين استخدام البيانات (Dragićević et al.، 2022؛ Mikalef وGupta، 2021).
على الرغم من الفوائد المعترف بها للذكاء الاصطناعي في إدارة المعرفة، هناك فجوات كبيرة في الأدبيات المتعلقة بتنفيذه والتحديات المرتبطة به. ركزت الدراسات السابقة بشكل أساسي على إمكانيات الذكاء الاصطناعي في مجالات محددة من إدارة المعرفة، مما أدى إلى نقص استراتيجيات شاملة لدمجه واستكشاف غير كافٍ لتأثيره على العاملين في المعرفة (Budhwar et al.، 2022). تهدف الورقة إلى معالجة هذه الفجوات من خلال استكشاف اعتماد الذكاء الاصطناعي التوليدي ضمن عمليات إدارة المعرفة، وتحديد العوامل التي تؤثر على هذا الاعتماد، وتقييم تأثيراته على اتخاذ القرار التنظيمي. تستخدم الدراسة مقابلات شبه منظمة مع خبراء من 52 منظمة، مما يؤدي إلى تطوير إطار عمل أصلي يوضح الترابطات بين الذكاء الاصطناعي وإدارة المعرفة واتخاذ القرار، بالإضافة إلى إرشادات إدارية لتعزيز النتائج التنظيمية.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. يتناول تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتقييم النتائج. استخدمت الدراسة إطارًا كميًا، مع استخدام أدوات إحصائية لضمان موثوقية وصدق النتائج.
تم تجنيد المشاركين بناءً على معايير محددة مسبقًا، مما يضمن عينة تمثيلية ذات صلة بأسئلة البحث. شمل جمع البيانات أدوات وبروتوكولات موحدة، تم اختبارها بدقة لضمان الاتساق. تضمن التحليل أساليب إحصائية متقدمة، مثل تحليل الانحدار واختبار الفرضيات، لاستخلاص استنتاجات ذات مغزى من البيانات.
بشكل عام، تم تصميم المنهجية لتوفير إطار عمل قوي لاستكشاف أهداف البحث، مع الانتباه الدقيق لتقليل التحيز وزيادة دقة النتائج. تسهم النتائج المستمدة من هذا النهج المنهجي بشكل كبير في الجسم المعرفي القائم في هذا المجال.
المناقشة
تؤكد قسم المناقشة في الورقة البحثية على الدور المحوري للذكاء الاصطناعي (AI) في تعزيز عمليات إدارة المعرفة (KM) داخل المنظمات. مع مواجهة المنظمات لزيادة حجم البيانات وتعقيدها، تُعترف تقنيات الذكاء الاصطناعي بقدرتها على تبسيط تحديد واكتساب وإنشاء وتخزين ومشاركة وتطبيق المعرفة، مما يحسن في النهاية من قدرات اتخاذ القرار. لا يسرع دمج الذكاء الاصطناعي في عمليات إدارة المعرفة من نشر المعرفة فحسب، بل يمكّن أيضًا المنظمات من اتخاذ قرارات أكثر اطلاعًا وفي الوقت المناسب من خلال الاستفادة من التحليلات التنبؤية والأتمتة الذكية. ومع ذلك، بينما يتم الاعتراف بالفوائد المحتملة للذكاء الاصطناعي في إدارة المعرفة، لا يزال هناك فجوة كبيرة في الدراسات التجريبية التي تستكشف بشكل شامل تطبيق الذكاء الاصطناعي عبر جميع عمليات إدارة المعرفة.
تحدد الورقة سؤالين بحثيين رئيسيين: (RQ1) كيف يتم اعتماد الذكاء الاصطناعي التوليدي ضمن عمليات إدارة المعرفة، و(RQ2) ما العوامل التي تؤثر على اعتماد الذكاء الاصطناعي في هذه العمليات. تكشف بيانات المقابلات من خبراء إدارة المعرفة والذكاء الاصطناعي عبر 52 منظمة أن اعتماد الذكاء الاصطناعي مدفوع بفوائده التشغيلية والمعرفية، مثل تحسين الكفاءة، وتحسين تجربة العملاء، وإدارة المخاطر بشكل أفضل. ومع ذلك، لا تزال التحديات قائمة، بما في ذلك مقاومة المنظمات، والحاجة إلى موظفين مؤهلين، والقلق بشأن تحيز البيانات والخصوصية. تؤكد النتائج على ضرورة أن تزرع المنظمات بيئة داعمة لدمج الذكاء الاصطناعي، مما يبرز أهمية الالتزام الإداري وإقامة واجهة تعاونية بين الإنسان والآلة لتعظيم فعالية الذكاء الاصطناعي في عمليات اتخاذ القرار.
DOI: https://doi.org/10.1108/jkm-03-2024-0262
Publication Date: 2024-11-18
Author(s): Luna Leoni et al.
Primary Topic: Big Data and Business Intelligence
Overview
This research paper investigates the adoption of artificial intelligence (AI), particularly generative AI, within knowledge management (KM) processes and its subsequent impact on organizational decision-making. The study is guided by three primary research questions: the mechanisms of AI adoption in KM, the factors influencing this adoption, and the effects of AI on decision-making. Through semi-structured interviews with 52 KM and AI experts from predominantly private, large organizations, the authors conducted a mixed thematic analysis, resulting in a novel framework that illustrates the dual relationship—both linear and retroactive—between AI, KM processes, and decision-making, alongside identifying 20 factors that affect AI adoption.
The findings provide practical implications for managers, offering a six-step systematic procedure to enhance decision-making through AI integration in KM processes. While the study presents significant theoretical contributions and practical insights, it acknowledges limitations such as the non-representative selection of interviewees and the qualitative nature of the research. Future studies are encouraged to employ quantitative methods, longitudinal approaches, and comparative analyses across different sectors to further explore the dynamics of AI in KM and its implications for decision-making. The authors emphasize the importance of a collaborative and interdisciplinary perspective in future research to optimize human-AI collaboration and effectively educate users on AI tools, while also cautioning against excessive optimism in AI adoption practices.
Introduction
The introduction of the research paper highlights the challenges organizations face in managing the increasing volume of data generated in contemporary settings. While the capacity to collect data has surged, approximately 55% remains “dark,” indicating that it is underutilized due to a lack of awareness or understanding (Splunk, 2019). This situation necessitates a reevaluation of knowledge management (KM) processes, as traditional methods are inadequate for effectively processing and analyzing vast amounts of data. The integration of artificial intelligence (AI) is proposed as a solution to enhance KM by improving decision-making and organizational performance through better data utilization (Dragićević et al., 2022; Mikalef and Gupta, 2021).
Despite the recognized benefits of AI in KM, there are significant gaps in the literature regarding its implementation and the associated challenges. Previous studies have primarily focused on AI’s potential in specific KM areas, leaving a lack of comprehensive strategies for its integration and insufficient exploration of its impact on knowledge workers (Budhwar et al., 2022). The paper aims to address these gaps by investigating the adoption of generative AI within KM processes, identifying factors that influence this adoption, and assessing its effects on organizational decision-making. The research employs semi-structured interviews with experts across 52 organizations, leading to the development of an original framework that elucidates the interconnections between AI, KM, and decision-making, along with managerial guidelines for enhancing organizational outcomes.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods used to evaluate the results. The study utilized a quantitative framework, employing statistical tools to ensure the reliability and validity of the findings.
Participants were recruited based on predetermined criteria, ensuring a representative sample relevant to the research questions. Data collection involved standardized instruments and protocols, which were rigorously tested for consistency. The analysis incorporated advanced statistical methods, such as regression analysis and hypothesis testing, to derive meaningful conclusions from the data.
Overall, the methodology was designed to provide a robust framework for exploring the research objectives, with careful attention to minimizing bias and maximizing the accuracy of the results. The findings derived from this methodological approach contribute significantly to the existing body of knowledge in the field.
Discussion
The discussion section of the research paper emphasizes the pivotal role of artificial intelligence (AI) in enhancing knowledge management (KM) processes within organizations. As organizations face increasing data volumes and complexity, AI technologies are recognized for their ability to streamline the identification, acquisition, creation, storage, sharing, and application of knowledge, ultimately improving decision-making capabilities. The integration of AI into KM processes not only accelerates knowledge dissemination but also enables organizations to make more informed and timely decisions by leveraging predictive analytics and intelligent automation. However, while the potential benefits of AI in KM are acknowledged, there remains a significant gap in empirical studies that comprehensively explore AI’s application across all KM processes.
The paper identifies two primary research questions: (RQ1) how generative AI is adopted within KM processes, and (RQ2) what factors influence AI adoption in these processes. Interview data from KM and AI experts across 52 organizations reveal that AI adoption is driven by its operational and cognitive benefits, such as enhanced efficiency, improved customer experience, and better risk management. However, challenges persist, including organizational resistance, the need for qualified personnel, and concerns regarding data bias and privacy. The findings underscore the necessity for organizations to cultivate a supportive environment for AI integration, emphasizing the importance of managerial commitment and the establishment of a collaborative human-machine interface to maximize the effectiveness of AI in decision-making processes.