دانلود مقاله نوآوری دیجیتال و اثرات هوش مصنوعی بر تحقیق و توسعه شرکت ها
چکیده
مقدمه
پیشینه نظری: هوش مصنوعی و مدیریت نوآوری
روش
نتایج و تجزیه و تحلیل
بحث
نتیجه گیری
منابع
Abstract
Introduction
Theoretical background: artificial intelligence and innovation management
Method
Results and analysis
Discussion
Conclusion
References
چکیده
دیجیتالی شدن بسیاری از مفروضات زیربنای تحقیق در مورد مدیریت نوآوری را تغییر داده است. در مراحل اولیه بررسی چگونگی برجسته شدن مدیریت نوآوری دیجیتال، نیاز به مطالعات بیشتر در این زمینه وجود دارد. تحقیقات قبلی در مورد نحوه استفاده شرکت ها از هوش مصنوعی بین اتوماسیون و افزایش فعالیت های انسانی تمایز قائل شده است. در این مقاله، چگونگی اجرای هوش مصنوعی توسط شرکت ها در تحقیق و توسعه را بررسی می کنیم. با استفاده از یک پایگاه خبری بین‌المللی شامل 956 مقاله از 122 روزنامه منتشر شده در سال 2020، متوجه می‌شویم که هوش مصنوعی عمدتاً برای تقویت فعالیت‌های انسانی (55٪) در تحقیق و توسعه، به جای خودکار کردن امور (11٪) استفاده می‌شود. ما تفاوت‌هایی را در بخش‌هایی مشاهده می‌کنیم که اتوماسیون در دولت، فناوری اطلاعات و ارتباطات (ICT) و فناوری و نرم‌افزار رایج‌تر است. کدگذاری سیستماتیک ما نشان می‌دهد که هوش مصنوعی در درجه اول برای تحقیق و توسعه اکتشاف (64٪) به جای بهره برداری (5٪) استفاده می شود. بر اساس این یافته‌ها، نتیجه می‌گیریم که تحقیق و توسعه از هوش مصنوعی به جای تقویت بازارها و فعالیت‌های محصول موجود، در درجه اول بر بازارها و حوزه‌های عملیاتی جدید متمرکز است. علاوه بر این، به جای جایگزینی، نیروی انسانی را افزایش می دهد. از این رو، به نظر نمی رسد از دست دادن شغل مرتبط با هوش مصنوعی در تحقیق و توسعه رخ دهد.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Digitalization has altered many assumptions underpinning research on innovation management. At the early innings of exploring how digital innovation management stands out, there is a need for further studies in this area. Previous research on how firms use artificial intelligence has distinguished between automation and augmentation of human activities. In this paper, we explore how firms implement artificial intelligence within research and development. Utilizing an international news database spanning 956 articles from 122 newspapers published in 2020, we find that artificial intelligence is primarily adopted to augment human activities (55%) within research and development, rather than to automate matters (11%). We observe differences across sectors where automation is more common in government, information and communication technology (ICT), and technology and software. Our systematic coding shows that artificial intelligence is primarily adopted for exploration research and development (64%), rather than exploitation (5%). Based on these findings, we conclude that research and development from artificial intelligence primarily focuses on novel markets and areas of operations, rather than enhancing existing product markets and activities. Moreover, it augments human labor rather than replaces it; hence, job losses related to artificial intelligence do not seem to be taking place within research and development.
Introduction
How does digitalization affect the ways firms organize and manage their innovation processes? With digitalization, innovation is no longer a delimited phenomenon with a central locus of agency that is bounded by space and time. Therefore, scholars increasingly explore digital innovation management as a new avenue for research. Previous studies have highlighted the effects of digital technologies on innovation agents, such as organizations or individuals (Nambisan et al., 2017).
This paper addresses one such aspect of the interrelationship between innovation management and digitalization, namely how and to what extent artificial intelligence (AI) results in the automation or augmentation of research and development (R&D) work. A recent paper on whether AI results in automation or augmentation draws on paradox theory and argues that these two effects are not necessarily mutually exclusive, but rather interdependent over time and across functions (Raisch and Krakowski, 2021). These findings emphasize the importance of looking more closely at AI's effects on innovation management and R&D to find out whether this is also the case in such a setting.
Conclusion
The purpose of this paper was to investigate the effects of AI on firms’ R&D. Specifically, we studied whether AI is adopted in R&D efforts for automation or augmentation and whether it is applied for exploitation or exploration purposes. We compared the results across different sectors of the economy. Taken together, our results contribute to existing literature on this issue (e.g., Raisch and Krakowski, 2021) by presenting empirical illustrations of how the interplay between AI and R&D activities manifest across industries and by showing how AI is being used by organizations worldwide in the context of innovation processes and firms’ R&D.