عنوان مقاله:
چگونه هوش مصنوعی مدیریت نوآوری را متحول می کند - ادراکات و ترجیحات پیاده سازی مبتکران مبتنی بر هوش مصنوعی
How AI revolutionizes innovation management – Perceptions and implementation preferences of AI-based innovators
سال انتشار: 2021
رشته: مدیریت - مهندسی کامپیوتر
گرایش: مدیریت بازرگانی - مدیریت استراتژیک - هوش مصنوعی
دانلود رایگان این مقاله:
دانلود مقاله تحول مدیریت نوآوری
مشاهده سایر مقالات جدید:
2. Theoretical background
2.1. Innovation management Understanding how to manage innovation is fundamental, especially when innovation is crucial for corporate growth and competitive advantage (Ahmed and Shepherd, 2010). The innovation process typically describes the sequence of various activities performed to realize an opportunity and bring an idea to market (Ahmed and Shepherd, 2010; Tidd and Bessant, 2013). In innovation management literature, diverse approaches to manage innovation or broader R&D processes have been attempted, with various stages ranging from idea generation through the implementation and launch of a product (Cooper, 1986; Rogers, 2003; Rothwell, 1994; Tidd and Bessant, 2013) Roberts (2007, p. 36)., states that ’’innovation is composed of two parts: (1) the generation of an idea or invention, and (2) the conversion of that invention into a business or other useful application […] innovation includes all of the stages from the technical invention to final commercialization.” To better represent the complexity as well as the variety of activities within the innovation process, scholars applied a more granulated approach and divided the innovation process into various phases ranging from three to seven phases. Exemplarily, Tidd and Bessant (2013) illustrate an innovation process involving four phases: (1) searching – analyzing the internal and external environment for, and managing relevant signals about, threats and opportunities for innovation; (2) selecting – deciding based on the innovation strategy how the organization can respond to the signals; (3) implementing – pursuing relevant ideas to develop new products and services; (4) learning – building the knowledge base and constantly improving the innovation process through this cycle. Roberts and Frohman (1978), for example, suggest a technological innovation process along seven stages: opportunity recognition, idea formulation, basic/applied research, prototype solution development, standardization, manufacturing, and commercialization Kumar et al. (1996). define five stages: initial projection, commercial evaluation, development, manufacturing launch, and initial commercialization. While innovative organizations adapt their innovation process and define the sequence and granularity of activities, various approaches to managing innovation have been evolved over the years, beginning with simple linear models (first and second generation) to increasingly complex interactive models (fourth-sixth generation) (Ahmed and Shepherd, 2010; Tidd and Bessant, 2013) Table 1. shows the evolution of the innovation model, and the phases further help define the trajectory for future progress in the management of innovation (Rothwell, 1994; Ahmed and Shepherd, 2010; Tidd and Bessant, 2013). Within the first generation (the 1950s) – known as technology-push – new technological opportunities increased productivity among various sectors and industries. Organizations emphasized research and development to further improve products (Rothwell, 1994). As competitive pressure intensified over time, it became clear that technology-push was failing new market environments and the second-generation innovation model – also referred to as the market-pull model – was developed. While the technology-push model emphasized research and development, the market-pull model incorporated the market focus into the innovation process to overcome the technology-push’s blindness to customers’ needs. Within this generation, most companies adapted existing products to meet changing customer requirements.
3. Empirical study
3.1. Research design We assume various perceptions, affordances, constraints, and preferences regarding AI-based innovation management, depending on the context as well as organizational characteristics. Thus, we follow an exploratory and inductive research approach which is useful to generate a rich understanding of new phenomena such as AI-based innovation management (Cockburn et al., 2019), where our knowledge is still limited and where it is difficult to come up with up-front propositions or research hypotheses (Christensen, 2006; Faems, 2020; Jebb et al., 2017; Spector et al., 2014). Nevertheless, our research framework is clearly guided by theoretical insights from innovation management literature, affordance and contingency theory. Our research framework (Fig. 1) consists of three key domains: (1) perceptions – to determine the perceived potential to improve innovation performance through AI-based methods and the importance of AI for various innovation tasks, as well as the current understanding of the impact of AI-based innovation management and perceived barriers and challenges in the innovation units; (2) implementation preferences – to learn more about what role AI plays in the innovation strategy and organizational setup, to measure the investments and resource allocations and identify preferred approaches on skill development; and (3) organizational context – to capture the experience with AI in general, the adoption of AI-based innovation management, the AI expertise in the innovation unit, and the related uncertainty, as well as more general information such as the organizations’ digital maturity, size, and industry. Within this framework, we seek to explore the current usage of AI in innovation management, different implementation preferences, and differences among organizational and contextual configurations by reaching out to AI-savvy innovation managers using a quantitative online survey. In this context, Faems (2020) argues that quantitative data can be a viable source for inductively deriving insights into emerging innovation phenomena and highlights cluster analysis as a promising method in this endeavor. As an inductive approach, cluster analysis determines common patterns in samples where we do not know if and how many groups exist prior to the analysis (Afifi et al., 2003). For researchers in strategic management and management of information systems, it presents a valuable tool to unravel natural groupings and configurations in a research sample given a rigorous implementation of the method and theoretical justification of the solutions (Balijepally et al., 2011; Ketchen and Shook, 1996). Previously, several exploratory studies in the field of innovation management applied cluster analyses to quantitative survey data. Based on innovation-related factors, Hollenstein (2003) grouped firms into different innovation modes and compared the characteristics of the configurations Gruber et al. (2010). identified clusters within technology ventures that deploy different resources and capabilities Block et al. (2015). revealed distinct trademarking motive clusters and investigated their characteristics in a comparison analysis Verbano et al. (2015). explored distinguished open innovation profiles and analyzed them in terms of determinants, performance, contextual factors, barriers, and motivations. Before designing the survey, we conducted semi-structured interviews with eleven innovation managers working in AI-related fields. The interviewees covered a broad range of AI-expertise and covered CEOs, department heads, innovation managers, and IT experts in the fields of AI-based recruitment, health care, and finance, as well as Conversational AI, Emotional AI, computer vision, and applied-AI consultancy. The purpose of the interviews was two-fold: on the one hand, the explorative character of the interviews enabled us to gain a first impression of how innovation managers think about AI for innovation; and on the other hand, the semi-structured interviews allowed us to reflect on the applied theory with insights from practical experiences and helped us to refine and test questions and items used for the subsequent online survey. All constructs and items we applied to operationalize our framework were either derived and adopted from previous studies or inspired by our interviews.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
2. پیشینه نظری
2.1. مدیریت نوآوری درک چگونگی مدیریت نوآوری اساسی است، به ویژه زمانی که نوآوری برای رشد شرکت و مزیت رقابتی حیاتی است (احمد و شپرد، 2010). فرآیند نوآوری معمولاً دنباله ای از فعالیت های مختلف انجام شده برای تحقق یک فرصت و ارائه یک ایده به بازار را توصیف می کند (احمد و شپرد، 2010؛ تید و بسانت، 2013). در ادبیات مدیریت نوآوری، رویکردهای متنوعی برای مدیریت نوآوری یا فرآیندهای تحقیق و توسعه گسترده‌تر، با مراحل مختلف از تولید ایده تا اجرا و راه‌اندازی یک محصول، انجام شده است (کوپر، 1986؛ راجرز، 2003؛ روثول، 1994؛ تید و بسانت، 2013) رابرتز (2007، ص 36)، بیان می کند که «نوآوری از دو بخش تشکیل شده است: (1) تولید یک ایده یا اختراع، و (2) تبدیل آن اختراع به یک تجارت یا سایر کاربردهای مفید. نوآوری شامل تمام مراحل از اختراع فنی تا تجاری سازی نهایی است. برای نشان دادن بهتر پیچیدگی و همچنین تنوع فعالیت‌ها در فرآیند نوآوری، محققان رویکرد گرانول‌تری را به کار بردند و فرآیند نوآوری را به فازهای مختلف از سه تا هفت مرحله تقسیم کردند. به طور مثال، تید و بسانت (2013) یک فرآیند نوآوری را شامل چهار مرحله نشان می‌دهند: (1) جستجو - تجزیه و تحلیل محیط داخلی و خارجی برای، و مدیریت سیگنال‌های مرتبط در مورد تهدیدها و فرصت‌های نوآوری. (2) انتخاب - تصمیم گیری بر اساس استراتژی نوآوری که چگونه سازمان می تواند به سیگنال ها پاسخ دهد. (3) پیاده سازی - پیگیری ایده های مرتبط برای توسعه محصولات و خدمات جدید. (4) یادگیری - ایجاد پایگاه دانش و بهبود مداوم فرآیند نوآوری از طریق این چرخه. رابرتز و فرومن (1978)، برای مثال، یک فرآیند نوآوری فن‌آوری را در 7 مرحله پیشنهاد می‌کنند: شناسایی فرصت، فرمول‌بندی ایده، تحقیقات اساسی/کاربردی، توسعه راه‌حل نمونه اولیه، استانداردسازی، تولید، و تجاری‌سازی کومار و همکاران. (1996). پنج مرحله را تعریف کنید: طرح ریزی اولیه، ارزیابی تجاری، توسعه، راه اندازی تولید و تجاری سازی اولیه. در حالی که سازمان‌های نوآور فرآیند نوآوری خود را تطبیق می‌دهند و توالی و جزئیات فعالیت‌ها را تعریف می‌کنند، رویکردهای مختلفی برای مدیریت نوآوری در طول سال‌ها تکامل یافته‌اند، که از مدل‌های خطی ساده (نسل اول و دوم) شروع می‌شود تا مدل‌های تعاملی پیچیده‌تر (نسل چهارم و ششم). (احمد و شپرد، 2010؛ تید و بسانت، 2013) جدول 1 تکامل مدل نوآوری را نشان می دهد، و مراحل بیشتر به تعیین مسیر پیشرفت آینده در مدیریت نوآوری کمک می کند (راثول، 1994؛ احمد و شفرد، 2010). ؛ تید و بسانت، 2013). در نسل اول (دهه 1950) - که به عنوان فشار فناوری شناخته می شود - فرصت های فناوری جدید باعث افزایش بهره وری در بین بخش ها و صنایع مختلف شد. سازمان ها بر تحقیق و توسعه برای بهبود بیشتر محصولات تاکید کردند (راثول، 1994). با تشدید فشار رقابتی در طول زمان، مشخص شد که فشار فناوری در محیط‌های جدید بازار شکست می‌خورد و مدل نوآوری نسل دوم - که به آن مدل کشش بازار نیز می‌گویند - توسعه یافت. در حالی که مدل فشار فناوری بر تحقیق و توسعه تأکید داشت، مدل کشش بازار تمرکز بازار را در فرآیند نوآوری گنجانید تا بر نابینایی فشار فناوری نسبت به نیازهای مشتریان غلبه کند. در این نسل، اکثر شرکت‌ها محصولات موجود را برای برآورده کردن نیازهای متغیر مشتری تطبیق دادند.
3. مطالعه تجربی
3.1. طراحی تحقیق ما تصورات، توانایی ها، محدودیت ها و ترجیحات مختلفی را در رابطه با مدیریت نوآوری مبتنی بر هوش مصنوعی، بسته به زمینه و همچنین ویژگی های سازمانی، فرض می کنیم. بنابراین، ما یک رویکرد تحقیق اکتشافی و استقرایی را دنبال می‌کنیم که برای ایجاد درک غنی از پدیده‌های جدید مانند مدیریت نوآوری مبتنی بر هوش مصنوعی مفید است (کاکبرن و همکاران، 2019)، جایی که دانش ما هنوز محدود است و رسیدن به آن دشوار است. با گزاره های اولیه یا فرضیه های تحقیق (کریستنسن، 2006؛ فامز، 2020؛ جب و همکاران، 2017؛ اسپکتور و همکاران، 2014). با این وجود، چارچوب تحقیق ما به وضوح توسط بینش های نظری از ادبیات مدیریت نوآوری، تئوری استطاعت و اقتضایی هدایت می شود. چارچوب تحقیقاتی ما (شکل 1) شامل سه حوزه کلیدی است: (1) ادراک - برای تعیین پتانسیل درک شده برای بهبود عملکرد نوآوری از طریق روش‌های مبتنی بر هوش مصنوعی و اهمیت هوش مصنوعی برای وظایف مختلف نوآوری، و همچنین درک فعلی از تأثیر مدیریت نوآوری مبتنی بر هوش مصنوعی و موانع و چالش‌های درک شده در واحدهای نوآوری؛ (2) ترجیحات پیاده سازی - برای یادگیری بیشتر در مورد نقش هوش مصنوعی در استراتژی نوآوری و تنظیم سازمانی، برای اندازه گیری سرمایه گذاری ها و تخصیص منابع و شناسایی رویکردهای ترجیحی در توسعه مهارت. و (3) سازمان زمینه ملی - برای به دست آوردن تجربه با هوش مصنوعی به طور کلی، اتخاذ مدیریت نوآوری مبتنی بر هوش مصنوعی، تخصص هوش مصنوعی در واحد نوآوری، و عدم قطعیت مرتبط، و همچنین اطلاعات عمومی تر مانند بلوغ دیجیتالی سازمان، اندازه، و صنعت. در این چارچوب، ما به دنبال بررسی استفاده فعلی از هوش مصنوعی در مدیریت نوآوری، ترجیحات مختلف پیاده‌سازی، و تفاوت‌های میان پیکربندی‌های سازمانی و زمینه‌ای با دسترسی به مدیران نوآوری با هوش مصنوعی با استفاده از یک نظرسنجی آنلاین کمی هستیم. در این زمینه، فامز (2020) استدلال می‌کند که داده‌های کمی می‌تواند منبع مناسبی برای استخراج بینش استقرایی در مورد پدیده‌های نوآوری در حال ظهور باشد و تجزیه و تحلیل خوشه‌ای را به عنوان روشی امیدوارکننده در این تلاش برجسته می‌کند. به عنوان یک رویکرد استقرایی، تجزیه و تحلیل خوشه ای الگوهای رایج در نمونه هایی را که ما نمی دانیم قبل از تجزیه و تحلیل وجود دارد یا خیر، تعیین می کند (عفیفی و همکاران، 2003). برای محققان در مدیریت استراتژیک و مدیریت سیستم های اطلاعاتی، ابزار ارزشمندی برای بازگشایی گروه بندی ها و پیکربندی های طبیعی در یک نمونه تحقیقاتی با اجرای دقیق روش و توجیه نظری راه حل ها ارائه می کند (Balijepally et al., 2011؛ Ketchen and Shook). ، 1996). پیش از این، چندین مطالعه اکتشافی در زمینه مدیریت نوآوری، تحلیل‌های خوشه‌ای را برای داده‌های نظرسنجی کمی اعمال کردند. بر اساس عوامل مرتبط با نوآوری، هولنشتاین (2003) شرکت‌ها را در حالت‌های مختلف نوآوری گروه‌بندی کرد و ویژگی‌های پیکربندی‌های گروبر و همکاران را مقایسه کرد. (2010). خوشه‌هایی را در سرمایه‌گذاری‌های فناوری شناسایی کرد که منابع و قابلیت‌های متفاوتی را بکار می‌برند. Block et al. (2015). خوشه های انگیزه علامت تجاری متمایز را نشان داد و ویژگی های آنها را در یک تحلیل مقایسه ای Verbano و همکارانش بررسی کرد. (2015). پروفایل های نوآوری باز متمایز را بررسی کرد و آنها را از نظر عوامل تعیین کننده، عملکرد، عوامل زمینه ای، موانع و انگیزه ها تجزیه و تحلیل کرد. قبل از طراحی نظرسنجی، با یازده مدیر نوآوری که در زمینه‌های مرتبط با هوش مصنوعی کار می‌کنند، مصاحبه‌های نیمه‌ساختارمندی انجام دادیم. مصاحبه‌شوندگان طیف وسیعی از تخصص‌های هوش مصنوعی را پوشش دادند و مدیران اجرایی، روسای بخش‌ها، مدیران نوآوری، و کارشناسان فناوری اطلاعات را در زمینه‌های استخدام مبتنی بر هوش مصنوعی، مراقبت‌های بهداشتی و مالی، و همچنین هوش مصنوعی محاوره‌ای، هوش مصنوعی احساسی، بینایی رایانه، پوشش دادند. و مشاوره کاربردی-AI. هدف از مصاحبه ها دو جنبه بود: از یک طرف، ویژگی اکتشافی مصاحبه ها ما را قادر ساخت تا اولین تصور را از نحوه تفکر مدیران نوآوری در مورد هوش مصنوعی برای نوآوری به دست آوریم. و از سوی دیگر، مصاحبه های نیمه ساختاریافته به ما این امکان را داد تا با بینش تجربیات عملی، نظریه کاربردی را تامل کنیم و به ما کمک کرد تا سوالات و موارد مورد استفاده برای نظرسنجی آنلاین بعدی را اصلاح و آزمایش کنیم. تمام ساختارها و مواردی که ما برای عملیاتی کردن چارچوب خود به کار بردیم یا از مطالعات قبلی مشتق شده و اقتباس شده اند یا از مصاحبه های ما الهام گرفته شده اند.
