اخبار و اعلانات

 آمار

تعداد نشریات38
تعداد شماره‌ها1,414
تعداد مقالات10,145
تعداد مشاهده مقاله11,989,600
تعداد دریافت فایل اصل مقاله6,987,652
خدامی, سهیلا, افشارپور, مهسا. (1405). تاثیر قابلیت هوش مصنوعی بر عملکرد سازمانی در شرکت های دانش بنیان. پدافند الکترونیکی و سایبری, (), -. doi: 10.47176/SMOK.2026.1979
سهیلا خدامی; مهسا افشارپور. "تاثیر قابلیت هوش مصنوعی بر عملکرد سازمانی در شرکت های دانش بنیان". پدافند الکترونیکی و سایبری, , , 1405, -. doi: 10.47176/SMOK.2026.1979
خدامی, سهیلا, افشارپور, مهسا. (1405). 'تاثیر قابلیت هوش مصنوعی بر عملکرد سازمانی در شرکت های دانش بنیان', پدافند الکترونیکی و سایبری, (), pp. -. doi: 10.47176/SMOK.2026.1979
خدامی, سهیلا, افشارپور, مهسا. تاثیر قابلیت هوش مصنوعی بر عملکرد سازمانی در شرکت های دانش بنیان. پدافند الکترونیکی و سایبری, 1405; (): -. doi: 10.47176/SMOK.2026.1979

تاثیر قابلیت هوش مصنوعی بر عملکرد سازمانی در شرکت های دانش بنیان

مدیریت راهبردی دانش سازمانی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 27 خرداد 1405
نوع مقاله: مقاله پژوهشی با اصالت
شناسه دیجیتال (DOI): 10.47176/SMOK.2026.1979
نویسندگان
سهیلا خدامی* 1؛ مهسا افشارپور2
1دانشیار گروه مدیریت بازرگانی دانشکده مدیریت دانشگاه خوارزمی ، تهران، ایران
2دانشجوی (دکتری) مدیریت بازاریابی، دانشکده مدیریت، دانشگاه خوارزمی، تهران، ایران.
تاریخ دریافت: 22 آبان 1404،  تاریخ بازنگری: 09 دی 1404،  تاریخ پذیرش: 31 اردیبهشت 1405 
چکیده
هدف: در عصر تحولات فناورانه و اقتصاد دانش‌بنیان، با وجود سرمایه‌گذاری گسترده در حوزه هوش مصنوعی، تنها تعداد محدودی از سازمان‌ها به بازده مطلوب دست یافته‌اند که نشان‌دهنده نقش کلیدی توانمندی سازمانی در بهره‌برداری مؤثر از این فناوری است. هدف این پژوهش بررسی مکانیسم تأثیر قابلیت هوش مصنوعی بر عملکرد سازمانی با میانجی‌گری خلاقیت سازمانی، مدیریت هوش مصنوعی، توانایی یادگیری سازمانی و چابکی سازمانی در شرکت‌های دانش‌بنیان بود.
روش پژوهش: این مطالعه از نوع توصیفی-پیمایشی و با رویکرد کمّی و قیاسی انجام شد. جامعه آماری شامل مدیران ارشد شرکت‌های دانش‌بنیان ثبت‌شده در معاونت توسعه شرکت‌های دانش‌بنیان بود. با استفاده از آزمون توان آماری (خطای 5% و توان 95%)، حجم نمونه 100 نفر تعیین و نمونه‌گیری به روش در دسترس انجام شد. داده‌ها با پرسشنامه استاندارد متشکل از 34 گویه بر اساس مقیاس لیکرت پنج درجه‌ای جمع‌آوری شد. شاخص‌های آلفای کرونباخ و پایایی مرکب بالاتر از 0.7 و میانگین واریانس استخراج‌شده بالاتر از 0.5، اعتبار و پایایی ابزار را تأیید کردند. تحلیل داده‌ها با روش مدل‌سازی معادلات ساختاری و نرم‌افزار SmartPLS نسخه 4 انجام شد.
یافته‌ها: یافته‌ها نشان داد که توانمندی هوش مصنوعی از طریق چهار مکانیسم درون‌سازمانی خلاقیت، مدیریت هوش مصنوعی، یادگیری و چابکی بر عملکرد سازمانی تأثیر غیرمستقیم می‌گذارد. در میان متغیرهای میانجی، چابکی سازمانی قوی‌ترین تأثیر را بر عملکرد داشت، در حالی که مدیریت هوش مصنوعی ضعیف‌ترین تاثیر را نشان داد. همچنین، تمامی روابط مسیرهای پیشنهادی از نظر آماری معنادار بودند و مدل ارائه‌شده از برازش و قدرت پیش‌بینی مناسبی برخوردار بود.
نتیجه‌گیری: نتایج پژوهش نشان می دهد که موفقیت شرکت‌های دانش‌بنیان در بهره‌برداری از هوش مصنوعی صرفاً به دسترسی به فناوری محدود نمی‌شود، بلکه مستلزم هماهنگی همزمان در سه حوزه منابع ملموس (زیرساخت فناورانه و داده)، غیرملموس (فرهنگ نوآوری و حمایت مدیریتی) و انسانی (مهارت‌های فنی و توانایی یادگیری) است. به‌ویژه، تقویت چابکی سازمانی به‌عنوان موتور اصلی تبدیل قابلیت‌های هوش مصنوعی به عملکرد ملموس، ضرورت توسعه ساختارهای پاسخگو، سیستم‌های تصمیم‌گیری لحظه‌ای و فرآیندهای یادگیری پویا را آشکار می‌سازد.
اصالت/ارزش: این پژوهش با ارائه یک چارچوب تحلیلی یکپارچه، گامی فراتر از مطالعات پیشین برمی‌دارد؛ چراکه برخلاف ادبیات موجود که عمدتاً بر روابط دوتایی یا متغیرهای میانجی را به‌صورت جداگانه بررسی کرده‌اند، برای نخستین بار مکانیسم‌های درون‌سازمانی مؤثر در رابطه هوش مصنوعی و عملکرد را به‌صورت همزمان و در یک مدل سیستماتیک تحلیل می‌کند. این رویکرد ضمن پرکردن شکاف نظری در درک ماهیت غیرمستقیم و چندبُعدی این رابطه، با تمرکز بر شرکت‌های دانش‌بنیان، به‌عنوان بازوهای اصلی اقتصاد دانش‌بنیان و زمینه‌های ایده‌آل برای بهره‌برداری از فناوری‌های پیشرفته، ابعاد کاربردی پژوهش را غنی می‌سازد. همچنین، یافته‌های آن چارچوبی عملیاتی و مبتنی بر شواهد فراهم می‌کند تا مدیران بتوانند سرمایه‌گذاری در هوش مصنوعی را از سطح فناوری صرف فراتر برده و از طریق تقویت همزمان زیرساخت‌های مدیریتی، فرهنگ نوآوری، توانمندی‌های انسانی و انعطاف‌پذیری سازمانی، آن را به مزیت رقابتی پایدار تبدیل کنند.
کلیدواژه‌ها
چابکی سازمان؛ خلاقیت سازمان؛ عملکرد سازمان؛ قابلیت هوش مصنوعی؛ مدیریت هوش مصنوعی؛ یادگیری سازمانی
عنوان مقاله [English]
The Impact of Artificial Intelligence ability on firm Performance in Knowledge-Based Firms
نویسندگان [English]
Soheila Khoddami1؛ Mahsa Afsharpour2
1Associate Professor of Business Management Department, Faculty of Management, Kharazmi University, Tehran, Iran
2Ph.D student of business Management, Management Faculty, Kharazmi University
چکیده [English]
Purpose:
In the contemporary landscape defined by rapid digital transformation and the ascendancy of knowledge-based economies,artificial intelligence (AI) is almost universally heralded as a transformative force capable of driving organizational innovation and enhancing competitive performance. Despite this pervasive optimism and substantial corporate investments, a persistent and puzzling "AI productivity paradox" endures, wherein a significant majority of organizations fail to realize meaningful economic returns from their AI initiatives. This research directly confronts this critical gap between investment and return. It proposes and tests a novel, integrated model that investigates how a firm's "AI ability"—conceptualized as its integrated, organization-wide capacity to develop, deploy, and leverage AI systems—ultimately enhances firm performance. This relationship is posited to operate through four key, interrelated organizational mechanisms: enhanced firm creativity, robust AI management, sustained organizational learning, and heightened organizational agility. The study is theoretically grounded in the Resource-Based View (RBV) of the firm, which it extends by conceptualizing AI ability not as a mere standalone technological tool, but as a dynamic, higher-order organizational capability. This capability is argued to emerge from the synergistic and deliberate alignment of three distinct resource categories: tangible resources (e.g., advanced data infrastructure, sophisticated algorithms, and scalable computing platforms), intangible resources (e.g., a supportive innovation culture, strategic commitment from leadership, and ethical governance frameworks), and human capital (e.g., deep technical expertise, data literacy, and collaborative cross-functional skills). To provide a focused and policy-relevant context, this study concentrates on knowledge-based firms operating within Iran. These firms are recognized as strategic pillars of the national science and technology policy and are considered the primary implementers of the national vision for building a resilient, knowledge-driven economy, as articulated by the Supreme Leader, thereby making them a critical and relevant population for this investigation.
Design/methodology/approach: This study employed a quantitative, descriptive-analytical, cross-sectional survey design with an explanatory aim: to test hypothesized relationships.This applied research employs a quantitative, descriptive-survey design with a deductive approach. The target population comprises senior managers (CEOs, CTOs, innovation directors) of knowledge-based companies registered with Iran’s Vice-Presidency for Science and Technology Development. Using G*Power 3.1 (α = 0.05, power = 0.95, medium effect size f² = 0.09), the minimum required sample size was calculated at 84; to enhance model stability and generalizability, it was expanded to 100 respondents selected via non-probability convenience sampling—a pragmatic choice given accessibility constraints in this specialized context. Data were collected through a standardized 34-item questionnaire using a five-point Likert scale, measuring six latent constructs: AI ability (10 items), firm creativity (3), AI management (3), organizational learning (8), organizational agility (6), and firm performance (4). The instrument demonstrated strong reliability (Cronbach’s alpha and composite reliability > 0.70) and validity (average variance extracted > 0.50; Fornell-Larcker criterion satisfied). Data analysis was conducted using Partial Least Squares Structural Equation Modeling (PLS-SEM) in SmartPLS 4, selected for its robustness with non-normal data, complex mediation models, and predictive capabilities.
Findings: The analysis supports all eight proposed hypotheses. AI capability is found to significantly enhance firm creativity, strengthen AI management systems, foster organizational learning, and promote organizational agility. Among these, the strongest influence of AI capability is observed on organizational learning, followed by organizational agility and firm creativity, with AI management showing the weakest—but still significant—effect.
Furthermore, all four mediators positively affect firm performance. Organizational agility demonstrates the most substantial impact on performance, followed by firm creativity, organizational learning, and AI management, respectively. These results collectively indicate that while AI capability contributes directly to performance through multiple pathways, its influence is most powerfully channeled through agility and learning, underscoring the essential role of organizational enablers in translating technical AI potential into tangible business outcomes.
Research limitations/implications: This study has several limitations that offer avenues for future research. First, the sample is confined to Iranian knowledge-based firms; thus, findings may not generalize to non-knowledge-intensive firms, public-sector organizations, or international contexts. Future studies should replicate this model across diverse institutional and cultural settings. Second, the use of convenience sampling, while practical, may introduce selection bias and limit representativeness. Third, data rely solely on self-reported measures (e.g., managerial assessments of performance), which may be susceptible to common method bias, social desirability, or subjective interpretation. Future research could triangulate with objective indicators such as financial reports, innovation metrics, or AI implementation logs. Fourth, the cross-sectional design precludes causal inference and dynamic analysis; longitudinal or experimental designs are recommended to capture how these relationships evolve over time and respond to external shocks. Finally, the model does not account for contextual moderators such as industry volatility, regulatory environment, or digital maturity, which may condition the strength of the proposed paths.
Practical implications: For practitioners, this research offers a holistic roadmap for effective AI adoption. Firms should move beyond technology-centric strategies and simultaneously strengthen three resource domains: (1) tangible-robust data infrastructure, scalable AI tools, and secure computing platforms; (2) intangible- a culture of experimentation, ethical AI governance, strategic alignment, and managerial commitment; and (3) human-upskilling talent in data literacy, fostering cross-functional collaboration, and embedding continuous learning. Given the pivotal role of organizational agility, managers are advised to design flexible team structures, implement real-time analytics for decision-making, and embed AI into agile workflows. For example, dynamic pricing, rapid production line adjustments, and real-time marketing personalization can be automated using AI. Additionally, firms should institutionalize AI management by creating roles such as Chief AI Officer and establishing governance frameworks for data ethics and model lifecycle management. Policymakers can support this ecosystem through AI talent development programs, national data-sharing platforms, and regulatory sandboxes tailored to knowledge-based enterprises.
Originality/value: This study makes three key contributions. Theoretically, it extends the Resource-Based View and dynamic capabilities framework by reconceptualizing AI not as a static technological asset but as a dynamic, socially embedded organizational capability that emerges from the integration of tangible, intangible, and human resources. Methodologically, it is the first to simultaneously model the interdependent mediating roles of firm creativity, AI management, organizational learning, and organizational agility in the AI ability–firm performance relationship—moving beyond the fragmented, pairwise analyses that dominate existing literature. Contextually, it focuses on knowledge-based firms as strategic instruments of national innovation policy in Iran, thereby linking micro-level organizational behavior with macro-level science and technology strategy in an emerging economy. This contextual grounding responds to recent calls for non-Western, policy-sensitive AI research and enriches global discourse with insights from the Global South. Ultimately, the study provides an evidence-based, actionable framework for transforming AI investments into sustainable competitive advantage through systemic capability development, offering both theoretical depth and practical relevance for scholars, managers, and policy makers alike.
کلیدواژه‌ها [English]
AI ability, Firm creativity, AI management, Organizational learning, Organizational agility, Firm performance
مراجع
آمار
تعداد مشاهده مقاله: 34