نقش هوش مصنوعی در تصمیمگیریهای مدیریتی: از داده تا سیاست
کلمات کلیدی:
هوش مصنوعی, تصمیمگیری مدیریتی, دادهمحوری, حکمرانی الگوریتمی, سیاستگذاری سازمانی, تحلیل مضمونچکیده
هدف: هدف پژوهش حاضر بررسی نقش هوش مصنوعی در تحول تصمیمگیریهای مدیریتی از سطح تحلیل داده تا طراحی و اجرای سیاستهای کلان سازمانی است.
مواد و روشها: پژوهش حاضر از نوع مروری کیفی با رویکرد تحلیل مضمون است. دادهها از طریق مرور نظاممند دوازده مقاله علمی منتشرشده در حوزه هوش مصنوعی و مدیریت در دهه اخیر گردآوری شدند. معیارهای انتخاب منابع شامل تمرکز مستقیم بر نقش هوش مصنوعی در تصمیمسازی، برخورداری از چارچوب نظری مشخص، و ارائه شواهد تجربی یا تحلیلی معتبر بود. تحلیل دادهها با استفاده از نرمافزار Nvivo نسخه ۱۴ و با انجام کدگذاری باز، محوری و انتخابی تا مرحله اشباع نظری انجام شد.
یافتهها: نتایج تحلیل مضمون نشان داد که نقش هوش مصنوعی در تصمیمگیریهای مدیریتی در سه محور اصلی قابل تبیین است: ۱) هوش مصنوعی بهعنوان ابزار تصمیمسازی دادهمحور که دقت و پیشبینیپذیری تصمیمات را افزایش میدهد؛ ۲) تحول نقش مدیران در عصر هوش مصنوعی و ضرورت تلفیق قضاوت انسانی با تحلیل الگوریتمی؛ و ۳) گسترش کاربرد هوش مصنوعی در سیاستگذاری و حکمرانی داده برای ایجاد تصمیمات پویا، شفاف و پاسخگو. یافتهها بیانگر آن است که هوش مصنوعی موجب تغییر پارادایم از تصمیمگیری شهودی به تصمیمسازی مبتنی بر شواهد شده و ماهیت نقش مدیران را از کنترلکننده به رهبر دادهمحور دگرگون ساخته است.
نتیجهگیری: بر اساس نتایج، هوش مصنوعی نهتنها ابزار تحلیلی بلکه بستری برای بازتعریف مفاهیم رهبری، اخلاق تصمیمگیری و سیاستگذاری در سازمانها است. توسعه چارچوبهای اخلاقی، آموزش مدیران در زمینه سواد داده و ایجاد نظامهای شفاف تصمیمسازی از الزامات ورود به عصر مدیریت هوشمند محسوب میشود.
دانلودها
مراجع
Agrawal, A., Gans, J., & Goldfarb, A. (2019). Prediction machines: The simple economics of artificial intelligence. Harvard Business Review Press.
Brynjolfsson, E., & McAfee, A. (2017). Machine, platform, crowd: Harnessing our digital future. W. W. Norton & Company.
Bryson, J. J. (2020). The artificial intelligence of the ethics of artificial intelligence: An introductory overview for law and regulation. Technology and Regulation, 2020(1), 1–13.
Bughin, J., Seong, J., Manyika, J., Chui, M., & Joshi, R. (2018). Notes from the AI frontier: Modeling the impact of AI on the world economy. McKinsey Global Institute.
Buolamwini, J., & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of Machine Learning Research, 81, 1–15.
Daugherty, P. R., & Wilson, H. J. (2018). Human + machine: Reimagining work in the age of AI. Harvard Business Review Press.
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1), 1–15.
Ghasemaghaei, M. (2020). Big data analytics capability and firm performance: The mediating role of decision quality. Information & Management, 57(8), 103-121.
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399.
Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260.
Makridakis, S. (2021). The forthcoming artificial intelligence (AI) revolution: Its impact on society and firms. Futures, 128, 102528.
Milani, S., Broumandnia, A., & Elahi, S. (2023). The impact of artificial intelligence on strategic policy-making: Toward adaptive governance. AI & Society, 38(2), 523–538.
Mittelstadt, B. D., Russell, C., & Wachter, S. (2019). Explaining explanations in AI. Proceedings of the Conference on Fairness, Accountability, and Transparency (FAT), 279–288.
Mökander, J., & Floridi, L. (2021). Ethics-based auditing to develop trustworthy AI. Minds and Machines, 31(2), 323–327.
Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, 46(1), 192–210.
Ransbotham, S., Kiron, D., Gerbert, P., & Reeves, M. (2021). Expanding AI’s impact with organizational learning. MIT Sloan Management Review.
Samek, W., & Müller, K. R. (2019). Towards explainable artificial intelligence. In Explainable AI: Interpreting, Explaining and Visualizing Deep Learning (pp. 5–22). Springer.