هوش مصنوعی مولد در فرایندهای مدیریتی: ظرفیتها و الزامات اخلاقی
کلمات کلیدی:
هوش مصنوعی مولد, مدیریت هوشمند, تصمیمگیری دادهمحور, اخلاق هوش مصنوعی, شفافیت الگوریتمی, عدالت دادهایچکیده
هدف: هدف این پژوهش بررسی نظاممند ظرفیتها، چالشها و الزامات اخلاقی هوش مصنوعی مولد در فرایندهای مدیریتی است تا چارچوبی جامع برای بهرهگیری مسئولانه و مؤثر از این فناوری در سازمانها ارائه دهد.
روشها و مواد: پژوهش حاضر از نوع مروری کیفی است و دادهها از طریق مرور نظاممند ۱۲ مقاله علمی منتخب در حوزه هوش مصنوعی مولد و مدیریت جمعآوری شدهاند. انتخاب مقالات بر اساس معیارهای ارتباط موضوعی، اعتبار علمی و تازگی انجام گرفت و تحلیل دادهها با رویکرد استقرایی و با استفاده از نرمافزار Nvivo نسخه ۱۴ صورت پذیرفت. فرایند کدگذاری در سه مرحلهی باز، محوری و انتخابی انجام شد تا مضامین اصلی و زیرمضامین مرتبط شناسایی گردد.
یافتهها: نتایج تحلیل کیفی نشان داد که هوش مصنوعی مولد سه ظرفیت کلیدی در مدیریت دارد: ارتقای تصمیمگیری دادهمحور، افزایش بهرهوری سازمانی و تسهیل نوآوری راهبردی. در عین حال، چالشهایی مانند کمبود زیرساختهای فنی، سوگیری الگوریتمی، مقاومت سازمانی، و ابهامات حقوقی مانع از استقرار کامل آن میشوند. یافتهها همچنین بر ضرورت تدوین چارچوبهای اخلاقی تأکید دارند که شامل شفافیت الگوریتمی، پاسخگویی انسانی، عدالت دادهای و حفظ حریم خصوصی است.
نتیجهگیری: هوش مصنوعی مولد میتواند به عنوان ابزاری تحولآفرین در مدیریت عمل کند، مشروط بر آنکه استفاده از آن در بستر اصول اخلاقی، آموزش انسانی و نظارت سازمانی صورت گیرد. دستیابی به توازن میان کارایی فناورانه و مسئولیت اخلاقی، عامل کلیدی در بهرهگیری پایدار و انسانی از این فناوری در تصمیمگیریهای مدیریتی است.
دانلودها
مراجع
Andersen, M., & Gade, S. (2024). AI-generated creativity and the redefinition of authorship: Legal and ethical perspectives. Journal of Intellectual Property Law, 31(2), 145–168.
Binns, R. (2022). Fairness and machine learning: Limitations and challenges. ACM Computing Surveys, 54(11), 1–37.
Borges, A., Krus, A., & Tronto, R. (2023). Ethical AI frameworks in organizational decision-making. Journal of Business Ethics, 189(3), 541–559.
Brynjolfsson, E., & McAfee, A. (2023). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W.W. Norton & Company.
Cihon, P., Maas, M., & Kemp, L. (2023). Governing generative AI: Risks, responsibilities, and regulation. AI & Society, 38(4), 965–982.
Coeckelbergh, M. (2021). AI ethics. MIT Press.
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
Davenport, T. H., Guha, A., Grewal, D., & Bressgott, T. (2023). How generative AI is transforming marketing and customer experience. Harvard Business Review, 101(5), 78–89.
Dwivedi, Y. K., Hughes, L., & Rana, N. (2023). Generative AI for managers: Applications, implications, and opportunities. International Journal of Information Management, 74, 102583.
Dwivedi, Y. K., Hughes, L., Kar, A., Baabdullah, A. M., & Raghavan, V. (2024). Responsible AI and organizational transformation in the era of generative models. Government Information Quarterly, 41(1), 102693.
Floridi, L. (2023). The ethics of artificial intelligence: Principles, challenges, and opportunities. Oxford University Press.
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1), 1–17.
Goodfellow, I., Bengio, Y., & Courville, A. (2020). Deep learning. MIT Press.
Goodman, B. (2023). AI transparency and data governance: Challenges for ethical implementation. AI Ethics, 9(2), 333–349.
دانلودها
گاهشمار انتشار
- ارسال
- بازنگری
- پذیرش
