هوش مصنوعی در کارخانه و اثر آن بر مدیریت نوآورانه

نوع مقاله : مقالات پژوهشی آمیخته

نویسندگان

1 گروه مدیریت تکنولوژی، دانشکده مدیریت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 گروه مدیریت صنعتی، دانشکده مدیریت، عضو مدعو دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران .

3 گروه مدیریت بازرگانی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران.

10.22059/jed.2025.393558.654514

چکیده

هدف:

این پژوهش با هدف بررسی تأثیر ابزارها و فناوری‌هایی که مبتنی بر هوش مصنوعی هستند بر مدیریت نوآوری در کارخانه‌ها و محیط‌های صنعتی صورت گرفته است. در جهان امروز که فضایی رقابتی و بازار هایی پویا دارد، سازمان‌هایی موفق‌ترهستند که بتوانند به‌سرعت با تغییرات محیطی خود را سازگار کرده و ظرفیت های خود را در نوآوری تقویت نمایند. یکی از اصلی‌ترین پیشران‌های تحول در صنایع مدرن، فناوری هوش مصنوعی میباشد که دارای قابلیت تحلیل داده‌های کلان، یادگیری از الگوها، و ارائه راهکارهای هوشمند است و می‌تواند در تمامی مراحل فرایند نوآوری نقش‌آفرینی کند. این پژوهش با هدف شناسایی حوزه‌های کلیدی اثرگذاری هوش مصنوعی بر نوآوری، بررسی ارتباط میان مدیریت و عوامل فناورانه و در نهایت ارائه مدلی مفهومی برای تبیین این تأثیرات صورت گرفته است. مدل پیشنهادی ارائه شده به مدیران کمک می‌کند تا با شناخت دقیق‌تر از چالش ها ، مزایا و عوامل موفقیت در حوزه هوش مصنوعی، استراتژی‌های نوآورانه سازمان خود را بهینه‌سازی کنند .

روش:

این تحقیق از نوع کاربردی بوده و از شیوه توصیفی-پیمایشی به انجام در آمده است. جامعه آماری افراد متشکل از مدیران، کارشناسان و متخصصان شاغل در صنایع مختلف کشور ایران بوده که در زمینه نوآوری سازمانی و فناوری‌های دیجیتال دارای تجربه هستند. برای جمع آوری این داده‌ها، از یک پرسشنامه استاندارد و دارای روایی و پایایی تأییدشده میباشد استفاده شد که میان ۳۱۷ نفر توزیع و تکمیل گردید. در تحلیل داده‌ها، ابتدا از نرم‌افزار SPSS برای تحلیل توصیفی استفاده شد و پس از آن نرم‌افزار SmartPLS برای مدل‌سازی معادلات ساختاری بر پایه روش حداقل مربعات جزئی (PLS-SEM) بهره گرفته شده است. برای ارزیابی اعتبار مدل نهایی، شاخص‌هایی مانند پایایی ترکیبی، آلفای کرونباخ، روایی همگرا و واگرا، میانگین واریانس استخراج‌شده (AVE) و ضریب تعیین (R²) مورد بررسی قرار گرفته شد.

یافته‌ها:

یافته‌های این تحقیق نشان میدهد که ابزارهای هوش مصنوعی تأثیرات بسیار مثبت و قابل‌توجهی بر مدیریت نوآورانه در محیط‌های صنعتی و کارخانه ها دارند. از جمله مهم‌ترین این اثرات می‌توان به بهبود سرعت و دقت تصمیم‌گیری، شناسایی سریع‌تر نیازهای بازار، ارتقاء بهره‌وری نیروی انسانی و کاهش هزینه‌های توسعه محصول اشاره کرد. علاوه بر این موارد استفاده از الگوریتم‌های هوشمند مسبب افزایش انعطاف‌پذیری سیستم‌های تولیدی در مواجهه با نوسانات تقاضا میشود و زمینه‌ساز نوآوری با سرعتی بالاتر در طراحی محصولات شده است. ضریب تعیین مدل معادل ۳۱ درصد محاسبه شد که نشان‌دهنده توان نسبتاً مطلوب مدل در تبیین متغیرهای وابسته میباشد. روابط میان متغیرها از لحاظ آماری معنادار بوده و پایایی سازه‌ها نیز در سطح قابل قبول تأیید شده‌ است. نتایج حاصله نشان دهنده آن است که ترکیب فناوری‌های هوشمند با مدیریت خلاقانه، می‌تواند موتور محرک نوآوری در کارخانه‌ها باشد.

نتیجه:

پژوهش حاضر بر نقش راهبردی هوش مصنوعی به‌عنوان یکی از اصلی‌ترین عوامل تحول‌آفرین در مدیریت نوآوری تأکید میکند . در دنیای صنعتی امروز که شاهد عبور از عصر چهارم به پنجم میباشیم ، سازمان‌ها برای بقا و رقابت‌پذیری نیازمند بازاندیشی در رویکردهای سنتی خود میباشند و استفاده از فناوری‌های نوین، به‌ویژه هوش مصنوعی، مسیر مناسبی برای آغاز این تحول است. نتایج این تحقیق نشان می‌دهد که ادغام موفق فناوری هوش مصنوعی با سیاست‌های مدیریتی می‌تواند منجر به افزایش انعطاف پذیری ، خلاقیت، و حتی توان پاسخ‌گویی سریع سازمان به تغییرات محیطی شود. در پایان، پیشنهاد می‌شود مدیران با نگاهی استراتژیک، آینده نگر و بلند مدت به موضوع هوش مصنوعی و نوآوری نگاه شود و سرمایه‌گذاری در این حوزه میبایست به عنوان یکی از اولویت‌های کلیدی خود در نظر بگیرند .

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Artificial Intelligence in the Factory and Its Effect on Innovative Management

نویسندگان [English]

  • Salman Motevaseli 1
  • Behrooz tahmasebkazemi 2
  • Mahdi rajabiun 3
1 Department of Technology Management, Faculty of Management, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 Department of Industrial Management, Invited Member, Tehran Central Branch, Islamic Azad University, Tehran, Iran.
3 Department of Business, Customs and Entrepreneurship, Faculty of Management, Islamic Azad University, North Tehran Branch, Tehran, Iran.
چکیده [English]

Objective:

This study aims to investigate the impact of AI-based tools and technologies on innovation management in factories and industrial environments. In today's competitive world with dynamic markets, organizations that can quickly adapt to environmental changes and strengthen their innovation capabilities are more successful. One of the main drivers of change in modern industries is AI technology, which has the ability to analyze big data, learn from patterns, and provide intelligent solutions and can play a role in all stages of the innovation process. This study aims to identify key areas of AI's impact on innovation, examine the relationship between management and technological factors, and ultimately provide a conceptual model to explain these effects. The proposed model helps managers optimize their organization's innovative strategies by more accurately understanding the challenges, benefits, and success factors in the field of AI.

Method:

This research is of an applied type and was conducted using a descriptive-survey method. The statistical population consisted of managers, experts, and specialists working in various industries in Iran who have experience in the field of organizational innovation and digital technologies. To collect this data, a standard questionnaire with confirmed validity and reliability was used, which was distributed and completed by 317 people. In data analysis, SPSS software was first used for descriptive analysis, and then SmartPLS software was used for structural equation modeling based on the partial least squares method (PLS-SEM). To evaluate the validity of the final model, indicators such as composite reliability, Cronbach's alpha, convergent and divergent validity, average variance extracted (AVE), and coefficient of determination (R²) were examined.

Findings:

The findings of this study show that artificial intelligence tools have very positive and significant effects on innovative management in industrial environments and factories. Among the most important of these effects are the improvement of decision-making speed and accuracy, faster identification of market needs, improvement of human resource productivity, and reduction of product development costs. In addition, the use of intelligent algorithms increases the flexibility of production systems in the face of demand fluctuations and has paved the way for faster innovation in product design. The coefficient of determination of the model was calculated to be 31%, which indicates the relatively favorable power of the model in explaining the dependent variables. The relationships between the variables are statistically significant and the reliability of the constructs has also been confirmed at an acceptable level. The results indicate that the combination of intelligent technologies with creative management can be the driving force of innovation in factories.

Conclusion:

The present study emphasizes the strategic role of artificial intelligence as one of the main transformative factors in innovation management. In today's industrial world, which is witnessing the transition from the fourth to the fifth era, organizations need to rethink their traditional approaches to survive and be competitive, and the use of new technologies, especially artificial intelligence, is a good way to start this transformation. The results of this research show that the successful integration of artificial intelligence technology with management policies can lead to increased flexibility, creativity, and even the ability of the organization to respond quickly to environmental changes. In conclusion, it is suggested that managers should look at the issue of artificial intelligence and innovation with a strategic, forward-looking and long-term perspective and should consider investment in this area as one of their key priorities.

کلیدواژه‌ها [English]

  • Artificial Intelligence
  • Innovation Management
  • Structural Equation Modeling
  • Partial Least Squares
  • Data Analysis

مراجع

Motevaseli, S., Tahmaseb Kazemi, B., & Rajabiun, M. (2025). The role of artificial intelligence in factories and its impact on innovative management: A structural analysis. Journal of Entrepreneurship and Innovation Research, 3(4), 111-128. [In Persian] https://journal.iransaei.ir/article_214689.html
Ab Hamid, M. R., Sami, W., & Sidek, M. M. (2017). Discriminant validity assessment: Use of Fornell & Larcker criterion versus HTMT criterion. Journal of physics: Conference series, https://doi.org/10.1088/1742-6596/890/1/012163
Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. WW Norton & company. https://wwnorton.com/books/The-Second-Machine-Age/
Brynjolfsson, E., & Mcafee, A. (2017). Artificial intelligence, for real. Harvard business review, 1, 1-31. https://hbr.org/2017/04/artificial-intelligence-for-the-real-world
Byrne, B. M. (2010). Structural equation modeling with AMOS: basic concepts, applications, and programming (multivariate applications series). New York: Taylor & Francis Group, 396(1), 7384. https://doi.org/10.4324/9780203805534
Cha, J. (1994). Partial least squares. Adv. Methods Mark. Res, 407, 52-78.
Cheung, G. W., Cooper-Thomas, H. D., Lau, R. S., & Wang, L. C. (2024). Reporting reliability, convergent and discriminant validity with structural equation modeling: A review and best-practice recommendations. Asia Pacific Journal of Management, 41(2), 745-783. https://doi.org/10.1007/s10490-023-09926-0
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. Peerj computer science, 7, e623. https://doi.org/10.7717/peerj-cs.623
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. psychometrika, 16(3), 297-334.
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard business review, 96(1), 108-116. https://hbr.org/2018/01/artificial-intelligence-for-the-real-world
Drucker, P., & Maciariello, J. (2014). Innovation and entrepreneurship. Routledge.
Esposito Vinzi, V., & Russolillo, G. (2013). Partial least squares algorithms and methods. Wiley Interdisciplinary Reviews: Computational Statistics, 5(1), 1-19.
Feigenbaum, E. A. (1977). The art of artificial intelligence: Themes and case studies of knowledge engineering. https://scholar.google.com/scholar?q=Feigenbaum+1977+The+art+of+artificial+intelligence
Fernandes, M., Corchado, J. M., & Marreiros, G. (2022). Machine learning techniques applied to mechanical fault diagnosis and fault prognosis in the context of real industrial manufacturing use-cases: a systematic literature review. Applied Intelligence, 52(12), 14246-14280.
Francis, B. A., & Wonham, W. M. (1976). The internal model principle of control theory. Automatica, 12(5), 457-465. https://www.sciencedirect.com/science/article/abs/pii/0005109876900056
Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the academy of marketing science, 43, 115-135.
Hirschberg, J., & Manning, C. D. (2015). Advances in natural language processing. Science, 349(6245), 261-266. https://doi.org/10.1126/science.aaa8685
Javaid, M., Haleem, A., Singh, R. P., & Suman, R. (2022). Artificial intelligence applications for industry 4.0: A literature-based study. Journal of Industrial Integration and Management, 7(01), 83-111. https://doi.org/10.1142/S2424862222500041
Johnson, D. R., Kaufman, J. C., Baker, B. S., Patterson, J. D., Barbot, B., Green, A. E., van Hell, J., Kennedy, E., Sullivan, G. F., & Taylor, C. L. (2023). Divergent semantic integration (DSI): Extracting creativity from narratives with distributional semantic modeling. Behavior Research Methods, 55(7), 3726-3759.
Kaur, P., Stoltzfus, J., & Yellapu, V. (2018). Descriptive statistics. International Journal of Academic Medicine, 4(1), 60-63.
Kelleher, J. D. (2019). Deep learning. MIT press.
Korteling, J., van de Boer-Visschedijk, G. C., Blankendaal, R. A., Boonekamp, R. C., & Eikelboom, A. R. (2021). Human-versus artificial intelligence. Frontiers in artificial intelligence, 4, 622364.
Kusiak, A. (2018). Smart manufacturing. International journal of production Research, 56(1-2), 508-517. https://doi.org/10.1080/00207543.2017.1351644
Leguina, A. (2015). A primer on partial least squares structural equation modeling (PLS-SEM). In: Taylor & Francis.
Lowry, P. B., & Gaskin, J. (2014). Partial least squares (PLS) structural equation modeling (SEM) for building and testing behavioral causal theory: When to choose it and how to use it. IEEE transactions on professional communication, 57(2), 123-146.
Marill, K. A. (2004). Advanced statistics: linear regression, part II: multiple linear regression. Academic emergency medicine, 11(1), 94-102.
Matović, N., & Ovesni, K. (2023). Interaction of quantitative and qualitative methodology in mixed methods research: integration and/or combination. International Journal of Social Research Methodology, 26(1), 51-65.
Osterrieder, P., Budde, L., & Friedli, T. (2020). The smart factory as a key construct of industry 4.0: A systematic literature review. International Journal of Production Economics, 221, 107476. https://doi.org/10.1016/j.ijpe.2019.08.011
Peterson, R. A., & Kim, Y. (2013). On the relationship between coefficient alpha and composite reliability. Journal of applied psychology, 98(1), 194.
Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson. https://www.pearson.com/en-us/subject-catalog/p/artificial-intelligence-a-modern-approach/P200000003218/9780134610993
Rüßmann, M., Lorenz, M., Waldner, M., Engel, P., Harnisch, M., & Justus, J. (2016). The Future of Productivity and Growth in Manufacturing Industries. In: Obtenido de Semantic Scholar: https://www.bcg.com/publications/2015/engineered_products_project_business_industry_4_future_productivity_growth_manufacturing_industries
Sahinler, S., & Topuz, D. (2007). Bootstrap and jackknife resampling algorithms for estimation of regression parameters. Journal of Applied Quantitative Methods, 2(2), 188-199.
Shah, S., Ghomeshi, H., Vakaj, E., Cooper, E., & Fouad, S. (2023). A review of natural language processing in contact centre automation. Pattern Analysis and Applications, 26(3), 823-846.
Simões, A. C., Pinto, A., Santos, J., Pinheiro, S., & Romero, D. (2022). Designing human-robot collaboration (HRC) workspaces in industrial settings: A systematic literature review. Journal of Manufacturing Systems, 62, 28-43.
Şimşek, G. G., & Noyan, F. (2013). McDonald's ωt, Cronbach's α, and generalized θ for composite reliability of common factors structures. Communications in Statistics-Simulation and Computation, 42(9), 2008-2025.
Sudirjo, F. (2023). Marketing Strategy in Improving Product Competitiveness in the Global Market. Journal of Contemporary Administration and Management (ADMAN), 1(2), 63-69.
Sutton, R. S., & Barto, A. G. (1998). Reinforcement learning: an introduction MIT Press. Cambridge, MA, 22447, 10.
Yong, A. G., & Pearce, S. (2013). A beginner’s guide to factor analysis: Focusing on exploratory factor analysis. Tutorials in quantitative methods for psychology, 9(2), 79-94.
فصلنامه علمی پژوهشی توسعه کارآفرینی
دوره 19، شماره 1 - شماره پیاپی 1
اردیبهشت 1405
صفحه 172-198

فایل ها

هم رسانی

ارجاع به این مقاله

آمار