طراحی مدل استقرار هوش مصنوعی در فرآیندهای تأمین و تولید: مطالعۀ موردی یک شرکت تولید‎‍کنندۀ محصولات مخابراتی

1- مقدمه

زنجیره‌های تأمین جهانی، به‌ویژه در صنایع تولیدی با شبکه‌های تأمین پیچیده، با چالش‌هایی در زمینۀ طراحی شبکه، تأمین جهانی، لجستیک و واکنش به تغییرات محیطی و سیاستی مواجه‌اند (Cohen & Lee, 2020). در این میان، صنعت تولید محصولات مخابراتی به‎‍دلیل تغییرات شتابان فناوری، کوتاه‌شدن چرخۀ عمر محصولات، تنوع قطعات و مواد اولیه و وابستگی به تأمین‌کنندگان بین‌المللی، از زمینه‌های پیچیده و پویای مدیریت زنجیرۀ تأمین به شمار می‌رود. هر نوع اختلال در فرآیند‎‍های تأمین و تولید صنایع پیشرفته، به قیمت از دست رفتن سهم بازار تمام می‎‍شود؛ از این رو مدیران این صنایع، همواره به‎‍دنبال راهکارهای‎‍ عملیاتی برای ارتقای بهره‎‍وری و چابکی سازمانی‎‍اند. تجربۀ شرکت‎‍های پیشرو نشان داده است که نوآوری در پذیرش فناوری‎‍های نوین، مزیت رقابتی پایدار ایجاد می‎‍کند.

هوش مصنوعی با زیر‎‍شاخه‎‍هایی مانند یادگیری ماشین و بینایی کامپیوتری، امکان استخراج بینش از داده‎‍های عظیم صنعتی را فراهم کرده است. در حوزۀ تأمین، الگوریتم‎‍های پیشرفته باعث افزایش دقت پیش‎‍بینی تقاضا و کاهش هزینه‎‍های انبارداری می‎‍شوند. همچنین در بخش تولید، سیستم‎‍های مبتنی بر یادگیری عمیق قادر به بازرسی دقیق محصولات و پیش‎‍بینی خرابی تجهیزات‎‍اند. با این حال‎‍ طبق شواهد، بسیاری از سازمان‎‍ها در پیاده‎‍سازی موفق هوش مصنوعی با چالش مواجه‎‍اند. البته بخش عمدۀ این چالش‎‍ها نه به دلایل فنی، به عوامل فرهنگی و سازمانی مربوط می‎‍شود.

مطالعات پیشین در سه دسته جای می‎‍گیرند: دستۀ اول مرور‎‍های کلان‎‍نگرند که فاقد عمق اجرایی‎‍اند؛ دستۀ دوم مطالعات کمی‎‍اند که فرضیه‎‍های از پیش تعیین شده را بدون توجه به بافت سازمانی می‎‍آزمایند و دستۀ سوم به فهرست‎‍کردن موانع اکتفا می‎‍کنند و تعامل آنها را نشان نمی‎‍دهند. ضعف مشترک آنها، فقدان مدلی پویا و فرآیندی است. این شکاف در صنعت مخابرات ایران، که با تحریم و فرهنگ بومی مواجه است، بیشتر احساس می‎‍شود؛ بنابراین این پژوهش، مدل بومی استقرار هوش مصنوعی را در فرآیند‎‍های تأمین و تولید یک شرکت مخابراتی‎‍ طراحی می‎‍کند.

2- مبانی نظری و پیشینۀ پژوهش

2-1 کاربرد‎‍های هوش مصنوعی در فرآیند‎‍های تأمین و تولید

2-1-1 تعاریف و مفاهیم

هوش مصنوعی ‎‍یکی از تأثیر‎‍گذار‎‍ترین فناوری‎‍های عصر حاضر و حوزه‎‍ای وسیع از علوم کامپیوتر است که‎‍ به ساخت ماشین‎‍ها و سیستم‎‍های هوشمندی روی می‎‍آورد که قادر به انجام وظایفی‎‍اند که به‎‍طور معمول به هوش انسانی نیاز دارند(Russell & Norvig, 2020) . این وظایف شامل یادگیری، استدلال حل مسئله، درک زبان طبیعی، تشخیص الگو و تصمیم‎‍گیری است. در سال‎‍های اخیر، پیشرفت‎‍های چشمگیر در یادگیری ماشین^[i] و یادگیری عمیق^[ii]، که از زیر‎‍شاخه‎‍های هوش مصنوعی‎‍اند، افق‎‍های تازه‎‍ای را برای کارکردهای صنعتی این ‎‍فناوری گشوده است. یادگیری ماشین، این امکان را می‎‍دهد که سیستم‎‍ها از داده‎‍ها یاد بگیرند و بهبود یابند. یادگیری عمیق نیز زیر‎‍شاخه‎‍ای از یادگیری ماشین، با استفاده از شبکه‎‍های عصبی مصنوعی با لایه‎‍های متعدد، ویژگی‎‍های پیچیده را از داده‎‍های خام استخراج می‎‍کند که این امر به پیشرفت‎‍های شگرفی در حوزه‎‍هایی مانند بینایی کامپیوتری و پردازش زبان طبیعی منجر شده است.

2-1-2 کاربردهای هوش مصنوعی در فرآیند‎‍های تأمین

فرآیند‎‍های تأمین یک زیر‎‍مجموعه و بخش عملیاتی از زنجیرۀ تأمین است. فرآیند تأمین تنها به وظیفۀ خرید و تدارکات مربوط می‎‍شود؛ یعنی اینکه مواد، قطعات یا خدمات مورد نیاز برای تولید، چگونه و از کجا تهیه شود. هوش مصنوعی با قابلیت‎‍های تحلیلی و پیش‎‍بینی خود، در چابک‎‍سازی و هوشمند‎‍سازی فرآیند‎‍های تأمین تحول‎‍ عمیقی ایجاد می‎‍کند؛ برای مثال در حوزه‎‍هایی به شرح ذیل:

- پیش‎‍بینی تقاضا و مدیریت موجودی: الگوریتم‌های یادگیری ماشین و به‌ویژه شبکه‌های عصبی بازگشتی با حافظۀ بلندمدت[iii] برای بهبود پیش‌بینی تقاضا و تحلیل داده‌های سری زمانی به کار می‎‍روند (Wang et al., 2016; Bandara et al., 2020). علاوه بر روش‎‍های مذکور، پژوهش‌های کاربردی نشان می‌دهند که هوش مصنوعی‎‍ با تحلیل داده‌های عملیاتی و پشتیبانی از تصمیم‌گیری، به بهبود برنامه‌ریزی، مدیریت موجودی و دیگر فعالیت‌های زنجیرۀ تأمین کمک کند (Helo & Hao, 2022). در همین زمینه، اسپیلیوتیس[iv] (2023)‎‍، ‎‍روش‌های پیش‌بینی سری‌های زمانی مبتنی بر روش‌های آماری، یادگیری ماشین و یادگیری عمیق را بررسی و ضمن تبیین مزایا و محدودیت‌های هر‎‍یک، دربارۀ شرایطی بحث کرده است که در آن این روش‌ها عملکرد بهتری دارند.

- انتخاب و ارزیابی تأمین‎‍کنندگان: انتخاب تأمین‌کنندۀ مناسب با در نظر گرفتن معیارهای متعدد و گاهی متضاد ازجمله قیمت، کیفیت، زمان تحویل، ریسک و پایداری، یک مسئلۀ تصمیم‌گیری چندمعیاره و پیچیده است (Govindan et al., 2015). در این زمینه، هوش مصنوعی با فراهم‌کردن قابلیت تحلیل حجم زیادی از داده‌ها و پشتیبانی از تصمیم‌گیری، در توسعه و بهبود فرایندهای ارزیابی و انتخاب تأمین‌کنندگان به کار می‎‍رود.

2-1-3 کاربرد‎‍های هوش مصنوعی در فرآیند‎‍های تولید

هوش مصنوعی به‎‍عنوان مغز متفکر، تحول‎‍ عمیق برای رسیدن به تولید هوشمند^[v] است. تولید هوشمند نیز به معنای ادغام عمیق فناوری‎‍های دیجیتال و فیزیکی برای ایجاد کارخانه‎‍هایی منعطف، کار‎‍آمد و خود بهینه‎‍ساز است. در همین راستا، کوزیاک[vi] (2023)‎‍‎‍ یکی از پژوهش‎‍های اخیر، بر نقش کلیدی مدل‎‍های پیش‎‍بینی‎‍کننده در تحقق تولید دیجیتال تأکید کرده و چالش‎‍های پیش رو از‎‍جمله پیچیدگی مدل‎‍ها، تفسیر‎‍پذیری نتایج و امکان استفادۀ مجدد از مدل‎‍ها را در شرایط مختلف تولیدی بررسی کرده است. حوزه‎‍های کاربرد هوش مصنوعی در فرآیند‎‍های تولید به شرح ذیل است:

-برنامه‎‍ریزی و زمان‎‍بندی تولید پویا: سیستم‌های مبتنی بر هوش مصنوعی، به‌ویژه یادگیری تقویتی، با در نظر گرفتن محدودیت‌های منابع و شرایط زمان‌بندی، به بهینه‌سازی برنامه‌ریزی و زمان‌بندی تولید کمک می‎‍کنند (Waschneck et al., 2018).

-بهینه‎‍سازی فرآیند‎‍های تولید و مصرف انرژی: الگوریتم‌های هوش مصنوعی در تحلیل داده‌های تولید و بهینه‌سازی برخی فرآیندهای تولیدی به کار می‎‍روند و از این طریق به بهبود کارایی تولید کمک می‎‍کنند (Li et al., 2017).

-کنترل کیفیت خودکار و بازرسی مبتنی بر بینایی ماشین^[vii]: سیستم‌های بینایی کامپیوتری مبتنی بر شبکه‌های عصبی عمیق برای تشخیص و شناسایی خودکار اشیا و الگوهای تصویری به کار می‎‍روند و از این قابلیت در توسعۀ سامانه‌های بازرسی خودکار در محیط‌های صنعتی بهره گرفته می‎‍شود (Ren et al., 2017).

-نگهداری و تعمیرات پیش‎‍بینانه^[viii]: توقف ناگهانی خطوط تولید در صنایع با سرمایه‎‍گذاری بالا، هزینه‎‍های سر‎‍سام‎‍آوری را به‎‍همراه دارد. این رویکرد با استفاده از داده‎‍های حسگرها مانند ارتعاش، دما و جریان و الگوریتم‎‍های یادگیری ماشین و یادگیری عمیق، الگوهای مرتبط با وضعیت سلامت و خرابی تجهیزات را شناسایی می‎‍کند و از آنها برای پشتیبانی از نگهداری و تعمیرات پیش‌بینانه و در برخی کاربردها، برآورد زمان باقی‌مانده تا خرابی استفاده می‎‍شود (Zhao et al., 2019; Susto et al., 2015).

2-3 مرور و بررسی پژوهش‎‍های پیشین و تبیین شکاف تحقیقاتی

مروری نظام‎‍مند و انتقادی بر مهم‎‍ترین تحقیقات انجام‎‍شده در حوزۀ کاربرد هوش مصنوعی در فرآیند‎‍های تأمین و تولید، با هدف ترسیم دقیق مرز‎‍های دانش موجود و جایگاه پژوهش حاضر، انجام شد. براساس مرور انجام‎‍شده، پژوهش‎‍های پیشین در سه دسته به شرح ذیل طبقه‎‍بندی می‎‍شود:

2-3-1 مطالعات کلان‎‍نگر و مرورهای سیستماتیک

جان و همکاران^[ix] (2023)، پِرِس و همکاران^[x] (2020) و جاگاتیسپِرومال و همکاران[xi] (2022) با بررسی گستردۀ پیشینۀ موجود، روند‎‍های تحقیقاتی، طبقه‎‍بندی کاربرد‎‍ها، چالش‎‍ها و فرصت‎‍های پیش روی هوش مصنوعی را در صنعت 4.0 بررسی کرده‎‍اند؛ برای مثال، جان و همکاران (2023) در مرور نظام‎‍مند خود نشان دادند که کاربرد‎‍های هوش مصنوعی در صنایع مختلف بسیار متنوع است؛ اما میزان پذیرش و بلوغ در بخش‎‍های مختلف به‎‍طور درخور توجهی متفاوت است. این مطالعات نشان می‌دهند که اگرچه بسیاری از چالش‌های استفاده‎‍شده از هوش مصنوعی در صنایع مختلف مشترک‌اند، الزامات و راهکارهای اجرایی به ویژگی‌های صنعت، سازمان و زمینه پیاده‌سازی وابسته‎‍اند. این یافته، ضرورت طراحی مدل بومی و بافت‎‍محور را در پژوهش حاضر‎‍ تقویت می‎‍کند. نقطۀ قوت این دسته از مطالعات، ارائۀ نقشۀ جامع از حوزه و شناسایی متغیر‎‍های بالقوه است؛ اما نقطۀ ضعف آنها‎‍ ارائه‎‍نکردن یک مدل عملیاتی معتبر است که روابط میان متغیر‎‍ها را در یک بافت خاص ‎‍نشان می‎‍دهد.

2-3-2 مطالعات کمی و تأثیر‎‍سنجی

در این دست، پژوهشگران با استفاده از روش‎‍های پیمایشی و تحلیل داده‎‍های جمع‎‍آوری‎‍شده، فرضیه‎‍هایی دربارۀ تأثیر هوش مصنوعی بر متغیرهای عملکردی را می‎‍آزمایند؛ برای مثال، لی و همکاران^[xii] (2024) با استفاده از داده‎‍های پانلی شرکت‎‍های پذیرفته‎‍شده در بورس چین طی سال‎‍های 2012 تا 2022، نشان دادند که سطح استفاده از هوش مصنوعی به‎‍طور معناداری قابلیت نوآوری فناورانه شرکت‎‍ها را افزایش می‎‍دهد. فَرمَنِش و همکاران[xiii] (2025) در پژوهشی بر‎‍ کسب و کار‎‍های کوچک و متوسط در ترکیه، بر نقش تعدیل‎‍گر هوش مصنوعی‎‍ در رابطۀ بین منابع مالی و مزیت رقابتی پایدار تأیید کردند. این پژوهش‎‍ها شواهد تجربی محکمی مبنی بر ارزش‎‍آفرینی هوش مصنوعی ارائه می‎‍دهند و سرمایه‎‍گذاری در حوزۀ هوش مصنوعی را توجیه می‎‍کنند. با این حال، این پژوهش‎‍ها با تمرکز بر آزمون فرضیه‎‍های‎‍ از پیش تعیین شده، عمق لازم برای درک چگونگی و چرایی این روابط را در یک بافت خاص ندارند. به عبارتی، آنها به سؤال «‎‍آیا هوش مصنوعی مؤثر است؟‎‍» پاسخ می‎‍دهند؛ اما به سؤالِ «چگونه باید هوش مصنوعی را ‎‍برای این شرکت خاص‎‍ به کار گرفت تا مؤثر باشد؟‎‍» پاسخی نمی‌دهند؛ بنابراین ما در پژوهش حاضر‎‍ به‎‍دنبال پاسخ به سؤال دوم هستیم.

2-3-3 مطالعات متمرکز بر موانع و عوامل سازمانی

این دسته از پژوهش‎‍ها، بر شناسایی موانع و چالش‎‍های پیش روی پیاده‎‍سازی هوش مصنوعی و صنعت 4.0 متمرکز شده‎‍اند؛ برای مثال، راج و همکاران^[xiv] (2020) با رویکردی مقایسه‎‍ای در کشورهای مختلف، موانع فنی، سازمانی، مالی و انسانی را در سطح جهانی و مولر و همکاران^[xv] (2018) ‎‍ عوامل محرک و بازدارنده را با تأکید بر مفاهیم پایداری بررسی کردند. در همین زمینه، باریانیس و همکاران[xvi] (2019) نشان می‌دهند که به‌کارگیری هوش مصنوعی در مدیریت ریسک زنجیرۀ تأمین، علاوه بر ملاحظات فنی، مستلزم توجه به الزامات و چالش‌های سازمانی است. این پژوهش‎‍ها نشان می‎‍دهند که در کنار موانع فنی، عوامل سازمانی، انسانی، مالی و مدیریتی نیز نقش مهمی در پذیرش و پیاده‌سازی فناوری‌های صنعت 4.0 و هوش مصنوعی دارند. با این حال، این دسته از پژوهش‎‍ها عمدتاً لیستی از موانع را ارائه می‎‍دهند و مدل فرآیندی مشخصی ارائه نمی‎‍کنند که نشان دهد این عوامل چگونه با هم تعامل می‎‍کنند و در مراحل مختلف پیاده‎‍‎‍سازی چه اولویتی دارند‎‍.

2-3-4 شکاف پژوهشی و نوآوری پژوهش حاضر

با جمع‎‍بندی و تحلیل انتقادی مطالعات پیشین، شکاف پژوهشی شناسایی‎‍شده که این پژوهش به‎‍دنبال پر‎‍کردن آن است، عبارت است از:‎‍ وجودنداشتن یک مدل پارادایمی یکپارچه، بومی و بافت‎‍محور برای استقرار هوش مصنوعی در فرآیند‎‍های تأمین و تولید‎‍ که با یک روش‌شناسی ترکیبی متوالی اکتشافی (کیفی-کمی) و از‎‍طریق مطالعۀ موردی عمیق در یک شرکت تولیدی محصولات مخابراتی ایرانی، طراحی و اعتبار‎‍سنجی شده باشد. به بیان دیگر، نوآوری این پژوهش در تلفیق هم‎‍زمان ویژگی‎‍ها به شرح ذیل است:

الف-روش‎‍شناسی ترکیبی: بهره‎‍گیری از نقاط قوت روش کیفی، اعم از اکتشاف عمیق و بافت‎‍محور و روش کمی اعم از اعتبارسنجی و تعمیم‎‍پذیری نسبی به‎‍طور هم‎‍زمان؛

ب-روش کیفی نظام‎‍مند: استفاده از نظریۀ داده‎‍بنیاد با رویکرد اشتراوس و کوربین که به‎‍دلیل داشتن چارچوب تحلیلی مشخص (مدل پارادایمی)، برای طراحی مدل‎‍های فرآیندی و علی در حوزه‎‍های پیچیدۀ مدیریتی بسیار مناسب است؛

ج-مطالعۀ موردی عمیق: تمرکز بر یک شرکت واقعی و کاوش در تجربیات و دیدگاه‎‍های ذی‎‍نفعان اصلی آن برای دستیابی به مدلی ریشه‎‍دار در واقعیت؛

د-تمرکز بر صنعت خاص مخابرات: توجه به ویژگی‎‍ها و الزامات منحصر‎‍به‎‍فرد این صنعت با فناوری پیشرفته و حساس؛

ه-بومی‎‍سازی در بافت ایران: در نظر گرفتن شرایط خاص اقتصادی، تحریمی، فرهنگی، نیروی انسانی و زیر‎‍ساختی شرکت‎‍های ایرانی.

نکتۀ مهم این است که نوآوری این پژوهش تنها به‎‍کارگیری چارچوب اشتراوس و کوربین نیست. آنچه این پژوهش را از مطالعات پیشین مشابه متمایز می‎‍کند، روابط خاص و بافت‎‍محوری است که از دل میدان پژوهش بیرون آمده‎‍اند. به عبارت دیگر، ما به‎‍دنبال تأیید مدل‎‍های موجود در یک بافت جدید نبودیم و سعی کردیم مدلی ریشه‎‍دار را در واقعیت‎‍های همان شرکت کشف کنیم؛ سپس آن را با اعتبارسنجی کمی، قدرت تبیین و کاربرد‎‍پذیری سنجیدیم. این رویکرد، هم از اعتبار علمی و هم از قابلیت کاربست عملی برخوردار است.

3- روش‎‍شناسی تحقیق

3-1 رویکرد کلی پژوهش: ترکیبی متوالی اکتشافی

با توجه به ماهیت پیچیده، چندبعدی و زمینه‎‍محور مسئلۀ تحقیق (استقرار هوش مصنوعی) و هدف نهایی پژوهش (طراحی و اعتبارسنجی یک مدل بومی و عملیاتی)، این پژوهش از یک طرح تحقیق ترکیبی از نوع متوالی اکتشافی^[xvii] تبعیت می‎‍کند (Creswell & Plano Clark, 2017) در‎‍واقع، محقق ابتدا از‎‍طریق یک کاوش عمیق و کیفی، مؤلفه‎‍ها، مقوله‎‍ها و روابط میان آنها را در بافت طبیعی و واقعی شرکت، شناسایی و آنها را در قالب یک مدل پارادایمی اولیه ارائه می‎‍کند (فاز کیفی). در ادامه، با استفاده از روش کمی پیمایش و به‎‍کارگیری مدل‎‍سازی معادلات ساختاری^[xviii] با رویکرد واریانس‎‍محور یا حداقل مربعات جزئی^[xix]، روابط کشف‎‍شده در مدل پارادایمی اولیه را می‎‍سنجد و اعتبار‎‍سنجی کمّی می‎‍کند (فاز کمّی). از طرفی، یافته‎‍های فاز کیفی، مبنای طراحی ابزار و جهت‎‍دهی به پرسش‎‍های تحقیق را در فاز کمّی‎‍ تشکیل می‎‍دهد. شکل 1، روند کلی اجرای پژوهش را به تصویر می‎‍کشد.

به سه دلیل اصلی، روش نظریۀ داده‎‍بنیاد برای فاز کیفی انتخاب شد:

الف-مدل‎‍های عمومی مدیریت فناوری، عمق لازم برای تبیین پیچیدگی‎‍های استقرار هوش مصنوعی را در شرایط خاص (مانند تحریم و فرهنگ سازمانی ویژه‎‍) ندارند؛

ب-استقرار هوش مصنوعی، فرآیندی پویا و سیستمی است. رویکرد نظام‎‍مند اشتراوس و کوربین با مدل پارادایمی (شامل شش بعد‎‍ شرایط علی، پدیده‎‍محوری، شرایط زمینه‎‍ای، شرایط مداخله‎‍گر، راهبردها و پیامد‎‍ها) به دسته‎‍بندی و نمایش این پیچیدگی کمک می‎‍کند. خروجی فاز کیفی (مدل پارادایمی اولیه) برگرفته از مصاحبه‎‍هاست؛

ج-خروجی نظریۀ داده‎‍بنیاد فقط توصیفی نیست، چارچوبی نظری و آزمون‎‍پذیر را نیز برای فاز کمی فراهم می‎‍کند. به عبارت دیگر نظریۀ داده‎‍بنیاد، یک راهبرد قدرتمند برای تولید نظریه‎‍ای است که قابلیت تبدیل به یک مدل آزمون‎‍پذیر کمی را داشته باشد.

شکل 1‎‍- روند کلی اجرای پژوهش ترکیبی متوالی اکتشافی

1. Fig.1- Overall Process of the Sequential Exploratory Mixed-Methods Research

3-2 فاز کیفی‎‍: طراحی مدل پارادایمی اولیه

3-2-1 جامعه، نمونه‎‍گیری و ابزار گرد‎‍آوری داده‎‍ها

جامعۀ پژوهش در فاز کیفی شامل کلیۀ مدیران ارشد و میانی و کارشناسان خبره، که با فرآیند‎‍های تأمین و تولید آشنایی عمیق داشتند، و همچنین متخصصان مدیریت فناوری اطلاعات در شرکت‎‍ مطالعه‎‍شده بود. برای انتخاب مصاحبه‎‍شوندگان، از روش نمونه‎‍گیری هدفمند با تکنیک گلوله‎‍برفی استفاده شد. معیار اصلی انتخاب مصاحبه‎‍شوندگان، عمق اطلاعات آنها دربارۀ موضوع پژوهش بود. فرآیند نمونه‎‍گیری و مصاحبه تا رسیدن به اشباع نظری ادامه یافت. پس از انجام 26 مصاحبه، شرایط حاصل شد. میانگین مدت‎‍زمان هر مصاحبه 45 دقیقه بود. ابزار اصلی گرد‎‍آوری داده‎‍ها، مصاحبۀ نیمه‎‍ساختار‎‍یافتۀ عمیق بود. برای این منظور، یک راهنمای مصاحبه حاوی پرسش‎‍های کلی و ابعاد شش‎‍گانۀ مدل پارادایمی طراحی شد. البته این راهنما به‎‍عنوان یک چارچوب منعطف، به محقق اجازه می‎‍داد تا براساس سمت و سوی پاسخ‎‍های هر مشارکت‎‍کننده، پرسش‎‍های عمیق‎‍تری را مطرح کند. در انتها، مصاحبه‎‍های انجام‎‍شده مکتوب شد.

3-2-2 فرآیند تحلیل داده‎‍های کیفی

داده‎‍های کیفی با استفاده از نظریۀ داده‎‍بنیاد نظام‎‍مند (رویکرد اشتراوس و کوربین) تحلیل و طی سه مرحله، کد‎‍گذاری باز، محوری و انتخابی انجام شد.

الف-کدگذاری باز: در این مرحله، مفاهیم موجود در متون مصاحبه، شناسایی و کد‎‍گذاری شد؛

ب-کد‎‍گذاری محوری: در این مرحله، مفاهیم مشابه در قالب مقوله‎‍های محوری (همان ابعاد شش‎‍گانۀ مدل پارادایمی) دسته بندی شد؛

ج-کدگذاری انتخابی: در این مرحلۀ نهایی، مقوله‎‍ها حول یک پدیده‎‍محوری اصلی، یکپارچه‎‍سازی و روابط بین آنها به‎‍منظور شکل‎‍دهی نهایی مدل پارادایمی تکمیل می‎‍شود.

3-3 فاز کمی: اعتبار‎‍سنجی مدل پارادایمی اولیه

3-3-1 جامعه، نمونه‎‍گیری و ابزار گرد‎‍آوری داده‎‍ها

جامعۀ آماری فاز کمی، کلیۀ مدیران و کارشناسان مرتبط با حوزه‎‍های تأمین، تولید، برنامه‎‍ریزی و فناوری اطلاعات شرکت مطالعه‎‍شده بود. با توجه به ماهیت اکتشافی مدل و حجم نمونۀ در دسترس، 100 پرسش‌نامه گردآوری و تحلیل شد. قاعدۀ ده‌ برابری PLS-SEM تنها یک راهنمای اولیه برای بررسی کفایت حجم نمونه در نظر گرفته شد ‎‍(Barclay et al., 1995)؛ اما با این حال، حجم نمونۀ نهایی 100 نفر به‎‍صورت تصادفی انتخاب شد تا دقت برآوردها افزایش یابد. ابزار گرد‎‍آوری داده‎‍ها، پرسش‎‍نامۀ محقق ساخته‎‍ای حاوی 17 سؤال با طیف لیکرت (پنج‎‍ گزینه‎‍ای) بود که سؤالات آن براساس مقوله‎‍های فاز کیفی استخراج شد. روایی صوری و محتوایی پرسش‎‍نامه با نظر خبرگان و پایایی با محاسبۀ آلفای کرونباخ (بیشتر از 0.7) تأیید شد. تحلیل داده‎‍ها با نرم‎‍افزار SmartPLS در دو مرحلۀ ارزیابی مدل اندازه‎‍گیری (پایایی و روایی سازه‎‍ها) و مدل ساختاری (آزمون فرضیه‎‍ها با روش بوت استرپ) انجام شد.

3-3-2 روش تحلیل داده‎‍های کمی

انتخاب یک روش برای تحلیل داده‎‍ها در این مرحله، نقش مهمی در اعتبار نهایی یافته‎‍ها دارد. روش مدل‎‍سازی معادلات ساختاری[xx]  به‎‍دلیل قابلیت‎‍های منحصر به فردی چون الف-بررسی هم‎‍زمان روابط چند‎‍گانه؛ ب-محاسبۀ خطای اندازه‎‍گیری متغیرها؛ ج-آزمون برازش کل مدل و د-امکان تحلیل مدل‎‍های پیچیده با متغیر‎‍های واسطه‎‍ای و تعدیل‎‍گر، به یکی از پر‎‍کاربرد‎‍ترین روش‎‍های تحلیل کمی در علوم اجتماعی و رفتاری تبدیل شده است (Hair et al., 2022)؛ بنابراین با توجه به رویکرد اکتشافی-کاربردی این پژوهش و هدف اصلی آن که طراحی و اعتبار‎‍یابی یک مدل پارادایمی بومی برای استقرار هوش مصنوعی در یک شرکت تولیدی محصولات مخابراتی است، روش مدل‎‍سازی معادلات ساختاری در این پژوهش به کار رفت. در حوزۀ مدل‎‍سازی معادلات ساختاری، دو رویکرد اصلی برای تحلیل داده‎‍های کمی وجود دارد که هر‎‍کدام مبتنی بر مبانی متمایزی‎‍اند: الف-رویکرد مبتنی بر واریانس یا حداقل مربعات جزئی[xxi]؛ ب-رویکرد مبتنی بر کوواریانس‎‍محور^[xxii] که با توجه به هدف توسعه‎‍ای پژوهش، حجم نمونۀ در دسترس (100 نفر) و‎‍ نرمال‎‍نبودن داده‎‍های لیکرت، رویکرد واریانس‎‍محور برای این پژوهش مناسب‎‍تر تشخیص داده شد.

4- یافته‎‍های پژوهش

4-1 یافته‎‍های کیفی‎‍: مدل پارادایمی استقرار هوش مصنوعی

پس از انجام مراحل کد‎‍گذاری باز و محوری، مقوله‎‍ها براساس ابعاد (سازه‎‍های) مدل پارادایمی اشتراوس و کوربین شناسایی و سازمان‎‍دهی شدند. پدیدۀ محوری، قصد رفتاری شرکت برای استقرار هوش مصنوعی تعیین شد. این بعد از مدل پارادایمی، گویای عزم و تمایل واقعی شرکت برای تخصیص منابع، تغییر فرآیند‎‍ها و اجرای استقرار هوش مصنوعی فراتر از شعار است و در اقدامات ملموس سازمان نمود دارد. جدول 1، مقوله‎‍ها را به‎‍همراه تعریف عملیاتی آنها و نمونه‎‍هایی از مفاهیم و کد‎‍های باز تشکیل‎‍دهنده، در چارچوب مدل پارادایمی نشان می‎‍دهد.

                                                                   ii.            جدول 1- شش سازۀاصلی مدل پارادایمی اولیه پژوهش

1. Table 1- The Six Main Constructs of the Initial Paradigm Model of the Research

در مرحلۀ کد‎‍گذاری انتخابی، به‎‍طور مستقیم‎‍ از تحلیل دقیق محتوای مصاحبه‎‍ها و شناسایی الگو‎‍های ‎‍پرتکرار در مصاحبه‎‍ها، روابط در مدل اولیۀ پارادایمی پژوهش ترسیم شد. به عبارت دیگر، مدل اولیۀ پارادایمی ترسیم‎‍شده، بازنمایی گرافیکی از شبکۀ روابط علّی است که به‎‍طور نظام‎‍مند از تحلیل عمیق داده‎‍های کیفی و تجارب زیستۀ کنشگران اصلی شرکت استخراج شده است. این مدل در شکل 2 نشان داده شده است. شواهدی از مصاحبه‎‍های استفاده‎‍شده برای ترسیم روابط در این مدل، به شرح ذیل است:

الف-یک مدیر ارشد تولید بیان می‎‍کرد: «‎‍به خاطر فشار رقابتی شدید ]‎‍شرایط علّی‎‍[ و با توجه به اینکه زیر ساخت داده‎‍هایمان هنوز آماده نیست ]‎‍شرایط زمینه‎‍ای [، تصمیم گرفتیم به‎‍جای یک پروژۀ بزرگ و پر‎‍هزینه، با یک پایلوت کوچک در بخش کنترل کیفیت شروع کنیم ]‎‍راهبرد‎‍[.‎‍» این گفت‌وگو به‎‍وضوح رابطۀ علّی را از شرایط علی و همچنین شرایط زمینه‎‍ای را به راهبردها نشان می‎‍داد.

ب-یک کارشناس ارشد مدیریت فناوری اطلاعات می‎‍گفت: «‎‍متأسفانه با وجود اینکه مدیریت ارشد خیلی پیگیر است ]‎‍شرایط زمینه‎‍ای‎‍[، به‎‍دلیل کمبود شدید نیروی متخصص و بودجه ]‎‍شرایط مداخله‎‍گر‎‍[، پروژه‎‍ها خیلی کند پیش می‎‍روند و بعضاً متوقف می‎‍شوند.‎‍» این اظهار‎‍نظر به‎‍روشنی بر تأثیر مستقیم و بازدارندۀ شرایط مداخله‎‍گر بر قصد رفتاری و موفقیت راهبردها دلالت داشت.

ج-همچنین، تأکید مکرر مصاحبه‎‍شوندگان بر اینکه «‎‍تا وقتی نتیجۀ مثبت یک پروژه را با چشم خود نبینیم و اعداد و ارقام کاهش هزینه را مشاهده نکنیم ]‎‍پیامدها[ ، نمی‎‍توانیم برای پروژۀ بعدی بودجه بگیریم و توجیه کنیم ]‎‍قصد رفتاری‎‍[.‎‍»، مبنای اصلی رابطۀ تأثیر‎‍گذار پیامد‎‍ها بر قصد رفتاری را تشکیل داد.

د-دیگر موضوع اینکه‎‍ مصاحبه‎‍شوندگان مکرر اظهار داشتند‎‍: «‎‍نیاز به کاهش هزینه ]‎‍شرایط علّی‎‍[ در شرایط محدودیت بودجه ]شرایط مداخله‎‍گر‎‍[‎‍، ما را به‎‍سمت انتخاب راهبرد شروع با یک پروژه پایلوت کوچک ]‎‍راهبرد‎‍‎‍[ سوق داد‎‍»، موجب شکل‎‍گیری رابطۀ علّی از ]‎‍شرایط علّی[‎‍‎‍ به ]‎‍راهبرد‎‍ها‎‍[ با نقش تعدیل‎‍گری شرایط مداخله‎‍گر در مدل شد.

                                                                                   iii.            شکل 2- مدل پارادایمی اولیۀ پژوهش

1. Fig. 2- The Initial Paradigm Model of the Research

4-2 یافته‎‍های کمی‎‍: آزمون مدل و فرضیه‎‍ها

4-2-1 ارزیابی مدل اندازه‌گیری

پس از جمع‎‍آوری 100 پرسش‎‍نامۀ تکمیل‎‍شده، داده‎‍ها براساس نرم‎‍افزار SmartPLS تحلیل شد. ابتدا مدل اندازه‎‍گیری (بیرونی) ارزیابی شد تا از پایایی و روایی سازه‎‍ها اطمینان حاصل شود. ارزیابی مدل اندازه‎‍گیری نشان داد که همۀ سازه‎‍ها از پایایی ترکیبی[xxiii] (CR) و آلفای کرونباخ بالاتر 76/0 و شاخص میانگین واریانس استخراج‌‎‍شده[xxiv] (AVE) (معیار ارزیابی روایی همگرا) بالاتر از 55/0 برخوردارند. همچنین روایی واگرا با معیار Fornell-Larcker تأیید شد (مقادیر قطری بزرگ‎‍تر از مقادیر غیر قطری). جدول 2، خلاصه‎‍ای از شاخص‎‍های پایایی و روایی همگرا را نشان می‎‍دهد. جدول 3 روایی واگرا را نشان می‏دهد.

                                                                 iv.            جدول 2- نتایج پایایی و روایی همگرا مدل اندازه‌گیری

1. Table 2- Results of Reliability and Convergent Validity of the Measurement Model

                                                                    v.            جدول 3‎‍- نتایج پایایی و روایی همگرا مدل اندازه‌گیری

1. Table 3- Results of Reliability and Convergent Validity of the Measurement Model

4-2-2 ارزیابی مدل ساختاری و آزمون فرضیه‎‍‌ها

مدل ساختاری پژوهش با استفاده از روش حداقل مربعات جزئی و از‎‍طریق نرم‎‍افزار SmartPLSو با آزمون بوت استرپینگ[xxv] با 5000 نمونه‎‍ ارزیابی شد. هدف از این ارزیابی، بررسی معناداری روابط بین سازه‎‍ها و آزمون فرضیه‎‍های پژوهش بود. فرضیه‎‍ها با آمارۀ t بزرگ‎‍تر از 96/1 و سطوح معناداری[xxvi] کمتر از 05/0 پذیرفته می‎‍شوند. نتایج حاصل از تحلیل مسیر و آزمون فرضیه‎‍ها در جدول 4 ارائه شده است.

                                                                  vi.            جدول 4- نتایج حاصل از تحلیل مسیر و آزمون فرضیه ها

1. Table 4- Results of Path Analysis and Hypothesis Testing

4-2-3 تحلیل یافته‌های کمّی (بازگشت به ریشه‎‍های کیفی)

الف-اثر تعدیل‎‍گری شرایط مداخله‎‍گر بر تأثیر مستقیم شرایط علی بر راهبرد‎‍ها: معنادار‎‍بودن اثر تعدیل‎‍گری با ضریب مسیر 165/0- و آمارۀ t برابر 304/2 نشان می‎‍دهد که شرایط مداخله‎‍گر (‎‍احتمالاً محدودیت بودجه یا کمبود نیروی انسانی متخصص‎‍)، شدت رابطۀ بین شرایط علی و راهبردها را تنظیم می‎‍کند. علامت منفی نشان می‎‍دهد که در سطوح بالای شرایط مداخله‎‍گر، تأثیر شرایط علی بر راهبرد‎‍ها کاهش می‎‍یابد؛ یعنی در شرکت‎‍هایی که بودجه‎‍های نا‎‍محدودی دارند، تأثیر محرک‎‍های بیرونی (مثل ورود رقبای جدید یا نیاز به کاهش هزینه) بر انتخاب راهبرد‎‍ها کمرنگ‎‍تر می‎‍شود؛ زیرا شرکت براساس یک برنامۀ از پیش تعیین شده و نه صرفاً واکنش به محرک‎‍های بیرونی عمل می‎‍کند؛

ب-تأثیر راهبرد‎‍ها بر پیامد‎‍ها: با توجه به ضریب مسیر 448/0 و آمارۀ t برابر 069/7، تأثیر راهبرد‎‍ها بر پیامد‎‍ها تأیید می‎‍شود. این یافته نشان‎‍دهندۀ آن است که انتخاب و اجرای صحیح راهبرد‎‍ها، بر دستیابی به نتایج ملموس (کاهش هزینه، بهبود کیفیت، افزایش چابکی) مؤثر است. این یافته به مدیران اعلام می‎‍دارد چنانچه راهبرد‎‍های درستی اتخاذ کنند، نتایج درخور توجهی عایدشان خواهد شد؛

ج-‎‍تأثیرنداشتن شرایط زمینه‎‍ای بر راهبرد‎‍ها: با توجه به آمارۀ t برابر 749/1که کمتر از 96/1 است، فرضیۀ تأثیر شرایط زمینه‎‍ای بر راهبرد‎‍ها رد می‎‍شود. این یافته به معنای بی‎‍اهمیتی شرایط زمینه‎‍ای (‎‍مانند فرهنگ سازمانی، حمایت مدیریت) نیست، بلکه به نظر می‎‍رسد در بافت شرکت‎‍ مطالعه‎‍شده، این شرایط‎‍ جزء پیش‎‍نیاز‎‍ها و بستر‎‍های اساسی‎‍اند، نه عواملی که به‎‍طور مستقیم‎‍ راهبرد‎‍ها را شکل می‎‍دهند. ممکن است وجود یک فرهنگ داده‎‍محور و حمایت مدیریت ارشد، شرط لازم برای اجرای هر‎‍گونه راهبردی باشد؛ اما لزوماً تعیین‎‍کنندۀ نوع خاصی از راهبرد نیست؛

د-تأثیر شرایط علی و مداخله‎‍گر بر راهبرد‎‍ها: هر دو مسیر با ضرایب 485/0 و 470/0 و آمارۀ t به ترتیب 762/6 و 327/7 معنادارند. این یافته نشان می‎‍دهد که هم محرک‎‍های اولیه (شرایط علی) و هم موانع و تسهیل‎‍کننده‎‍ها (شرایط مداخله‎‍گر) به‎‍طور مستقیم بر نوع و شدت راهبرد‎‍های انتخاب‎‍شده از سوی شرکت تأثیرگذار است. نکتۀ تأمل‎‍پذیر این است که آمارۀ t بالاتر برای شرایط مداخله‎‍گر است و اهمیت ویژۀ مدیریت موانع داخلی را نشان می‎‍دهد؛

ه-تأثیر شرایط مداخله‎‍گر بر قصد رفتاری: با توجه به ضریب مسیر 16/0 و آمارۀ t برابر 728/2، تأثیر شرایط مداخله‎‍گر بر قصد رفتاری تأیید می‎‍شود. این یافته نشان می‎‍دهد که شرایط مداخله‎‍گر (مانند کمبود نیروی متخصص، محدودیت بودجه، تحریم‎‍ها) به‎‍طور مستقیم‎‍ باعث دلسردی مدیران و کاهش قصد آنها برای سرمایه‎‍گذاری در پروژه‎‍های بلند‎‍پروازانه می‎‍شود؛

و-تأثیر قوی پیامد‎‍ها بر قصد رفتاری: این رابطه با ضریب مسیر 746/0 و آمارۀ t برابر 090/17 قوی‎‍ترین رابطه در مدل است. این یافته نشان می‎‍دهد که مشاهدۀ نتایج مثبت، تأثیر تعیین‎‍کننده و انکار‎‍ناپذیری بر تداوم و توسعۀ هوش مصنوعی دارد. این یک حلقۀ تقویت ایجاد می‎‍کند، موفقیت‎‍های اولیه، حمایت‎‍های بعدی را جلب و پروژه‎‍های جدید را تسهیل می‎‍کند. به نظر می‎‍رسد در شرکت ‎‍مطالعه‎‍شده، شروع یک پروژه منوط به مشاهدۀ نتایج مثبت در پروژۀ مشابه قبلی است.

5-بحث

5-1 تحلیل و تفسیر یافته‎‍ها در چارچوب نظری و پیشینۀ پژوهش

این پژوهش با هدف طراحی و اعتبار‎‍سنجی مدل بومی برای استقرار هوش مصنوعی در فرآیند‎‍های تأمین و تولید یک شرکت تولید‎‍کنندۀ محصولات مخابراتی در ایران انجام شد. یافته‎‍های پژوهش، ضمن تأیید بسیاری از مفاهیم موجود، بینش‎‍های جدید و ارزشمندی را دربارۀ پیچیدگی‎‍ها و ظرافت‎‍های این پدیده در بافت خاص صنعت و کشور ارائه می‎‍دهد. در ادامه، این موضوع را شرح می‎‍دهیم.

5-1-1 تأثیر شرایط علّی و مداخله‌گر بر راهبرد‎‍ها

تأثیر معنادار شرایط علّی بر راهبرد‎‍ها با یافته‎‍های پژوهش‎‍های پیشین همسو است که بر نقش محرک‎‍هایی نظیر فشار رقابتی، نیاز به کاهش هزینه و پیچیدگی محیطی در پذیرش نوآوری تأکید داشتند‎‍ (Müller et al., 2018; Raj et al., 2020). این یافته نشان می‎‍دهد که حرکت شرکت‎‍ها به‎‍سمت هوش مصنوعی تنها از روی کنجکاوی یا تمایل به مدرن‎‍سازی نیست، دلیل عمدۀ این حرکت، پاسخ به فشار‎‍های واقعی محیط رقابتی و نیاز‎‍های عملیاتی است. نکتۀ درخور‎‍ توجه این است که آمارۀ t بالاتر برای شرایط مداخله‎‍گر در مقایسه با شرایط علی است. این یافته‎‍ نشان می‎‍دهد که حتی اگر انگیزه‎‍های قوی (شرایط علی) برای حرکت وجود داشته باشد، وجود موانعی مانند کمبود نیروی متخصص، محدودیت‎‍های مالی و مقاومت سازمانی (شرایط مداخله‎‍گر) به‎‍طور چشمگیری بر نوع، مقیاس و سرعت اجرای راهبرد‎‍ها تأثیر می‎‍گذارد.

5-1-2 ایجاد زیرساخت‎‍‌های زمینه‌ای به‎‍عنوان پیش‌نیاز

به نظر می‎‍رسد شرایط زمینه‎‍ای در شرکت‎‍ مطالعه‎‍شده، پیش‎‍نیاز حیاتی و بستر اساسی است، نه عواملی که راهبرد‎‍ها را به‎‍طور مستقیم شکل می‎‍دهند؛ بنابراین، بنا به یافته‎‍های مصاحبه‎‍ها، پیشنهاد می‎‍شود‎‍ مدیران این شرکت به موازات اجرای پروژه‎‍های پایلوت (اتخاذ راهبرد مناسب)، زیر‎‍ساخت‎‍های حاکمیت داده، یکپارچه‎‍سازی سیستم‎‍ها و حمایت مستمر مدیریت ارشد را نیز تقویت کنند.

5-1-3 زنجیرۀ ارزش‌آفرینی: راهبرد‎‍ها، پیامد‎‍ها و قصد رفتاری

تأثیر معنادار راهبرد‎‍ها بر پیامد‎‍ها و سپس تأثیر قوی پیامد‎‍ها بر قصد رفتاری، یک زنجیرۀ منطقی و حیاتی را در مدل شکل می‎‍دهد. این یافته نشان می‎‍دهد که اجرای درست راهبرد‎‍های مناسب، به نتایج ملموس و ارزشمندی مانند کاهش هزینه‎‍ها، بهبود کیفیت و افزایش چابکی منجر می‎‍شوند؛ اما نکتۀ درخور توجه این است که تأثیر این پیامد‎‍های مثبت بر قصد رفتاری شرکت برای استمرار توسعۀ هوش مصنوعی است. دلون و مکلین^[xxvii] (2003) در به‌روزرسانی مدل موفقیت سیستم‌های اطلاعاتی، میان کیفیت سیستم، کیفیت اطلاعات، کیفیت خدمات، استفاده/قصد استفاده، رضایت کاربر و منافع حاصل از سیستم روابط مفهومی برقرار می‌کنند. با تعمیم این چارچوب به زمینۀ پژوهش حاضر، استدلال می‎‍شود که ممکن است ادراک منافع حاصل از به‌کارگیری هوش مصنوعی با قصد تداوم استفاده از آن ارتباط داشته باشد.

5-1-4 تأثیر مستقیم شرایط مداخله‌گر بر قصد رفتاری

تأثیر شرایط مداخله‎‍گر بر قصد رفتاری، به‎‍طور مستقیم بر روحیه، انگیزه و عزم سازمان برای ادامۀ مسیر تأثیر می‎‍گذارند؛ برای مثال، کمبود شدید نیروی متخصص (یک شرط مداخله‎‍گر) ممکن است باعث دلسردی مدیران و کاهش قصد آنها برای سرمایه‎‍گذاری در پروژه‎‍های پر‎‍ریسک هوش مصنوعی شود؛ بنابراین این یافته بر لزوم توجه ویژۀ مدیران به مدیریت فعالانۀ این دسته از عوامل تأکید می‎‍کند؛ زیرا آنها به‎‍عنوان شتاب‎‍دهنده یا ترمز اصلی حرکت شرکت عمل می‎‍کنند.

5-2 دستاوردهای عملیاتی و راهکارهای پیشنهادی برای مدیران صنعت

براساس مدل معتبر‎‍شده و تحلیل یافته‎‍ها، راهکارهای عملیاتی مشخصی برای مدیران شرکت‎‍ مطالعه‎‍شده به‎‍منظور تسهیل و تسریع در استقرار موفق هوش مصنوعی به شرح ذیل ارائه می‎‍شود. این راهکار‎‍ها در دیگر شرکت‎‍ها با فناوری پیشرفته در کشور ایران برای استقرار هوش مصنوعی به کار گرفته می‎‍شود.

5-2-1 استراتژی پایلوت ‌محور: از ایده تا اثبات مفهوم

با توجه به تأثیر راهبرد‎‍ها بر پیامد‎‍ها و سپس تأثیر قوی پیامد‎‍ها بر قصد رفتاری، مهم‎‍ترین توصیه به مدیران آن است که به‎‍جای راه‎‍اندازی پروژه‎‍های بزرگ، پر‎‍هزینه و بلند‎‍پروازانه (که ریسک شکست بالایی دارند)، راهبرد پایلوت‎‍محور را در پیش گیرند؛ یعنی الف-یک یا دو حوزۀ عملیاتی مشخص و محدود (مثلاً پیش‎‍بینی تقاضا برای یک خط محصول خاص، یا کنترل کیفیت یک قطعۀ بحرانی) انتخاب شوند که پتانسیل بالایی برای بهبود با هوش مصنوعی دارند؛ ب-یک پروژۀ پایلوت با اهداف روشن، دامنۀ محدود و شاخص ارزیابی عملکرد دقیق (مانند درصد بهبود دقت پیش‎‍بینی، درصد کاهش ضایعات) تعریف و اجرا شود؛ ج-تیم پروژه از ترکیب متخصصان فنی (داده‎‍کاو، برنامه‎‍نویس) و کارشناسان خبرۀ عملیاتی (از واحد‎‍های تأمین و تولید) تشکیل شود تا مطمئن شویم راه‎‍حل متناسب با نیاز واقعی است؛ د-نتایج پروژۀ پایلوت به‌دقت مستندسازی و به‎‍صورت شفاف و کمی به اطلاع ذی‎‍نفعان کلیدی (به‎‍ویژه مدیران ارشد) رسانده شود. موفقیت این پایلوت، موتور محرک‎‍ قوی در ایجاد اعتماد، جلب حمایت بیشتر و تقویت قصد رفتاری شرکت برای اجرای پروژه‎‍های بزرگ‎‍تر هوش مصنوعی خواهد شد.

5-2-2 مدیریت فعالانۀ شرایط مداخله‌گر: سرمایۀ انسانی، منابع و فرهنگ

با توجه به تأثیر شرایط مداخله‎‍گر بر راهبرد‎‍ها و قصد رفتاری، مدیران باید توجه ویژه‎‍ای به این شرایط داشته باشند؛ بنابراین پیشنهاد می‎‍شود:

الف-با توجه به اینکه کمبود منابع انسانی متخصص به‎‍عنوان یک شرط مداخله‎‍گر جدی مطرح شده است، راهکار‎‍های توانمندسازی نیروی موجود از‎‍طریق سرمایه‎‍گذاری هدفمند در آموزش و یا جذب استعداد‎‍های جدید پیشنهاد می‎‍شود؛

ب-مدیریت مالی و بودجه: تعیین ردیف بودجه برای پروژه‎‍های تحول دیجیتال و هوش مصنوعی در بودجۀ سالیانه شرکت و تدوین طرح‎‍های توجیهی این پروژه‎‍ها؛

ج-مدیریت تغییر و فرهنگ‎‍سازی: اجرای برنامه‎‍های منظم اطلاع‎‍رسانی و آموزش برای کاهش مقاومت کارکنان و ارتقای سواد دیجیتال در شرکت. دربارۀ تأثیر هوش مصنوعی بر مشاغل شرکت با تأکید بر همکاری انسان و ماشین، نه جایگزینی کامل، شفاف‎‍سازی شود. از طرفی کارکنان در فرآیند‎‍های طراحی و اجرای پروژه‎‍ها مشارکت داده شوند.

5-2-3 ایجاد چرخۀ بازخورد مثبت

مدیران شرکت، سیستمی را در سطوح مختلف سازمانی برای اندازه‎‍گیری و گزارش‎‍دهی نتایج پروژه‎‍های استقرار هوش مصنوعی طراحی کنند و‎‍ گزارش‎‍های شفاف از دستاورد‎‍ها (کاهش هزینه، افزایش کیفیت) را به‎‍طور منظم با تمام ذی‎‍نفعان به اشتراک بگذارند تا حمایت آنها برای پروژه‎‍های بعدی جلب و قصد رفتاری سازمان برای تداوم این مسیر تقویت شود. این چرخۀ بازخورد مثبت، موتور محرکۀ تحول دیجیتال در شرکت خواهد بود.

6- نتیجه‎‍گیری

در این پژوهش، مدلی بافت‎‍محور برای استقرار هوش مصنوعی در فرآیند‎‍های تأمین و تولید یک شرکت تولید‎‍کنندۀ محصولات مخابراتی در ایران طراحی و اعتبار‎‍سنجی شد. پژوهش با رویکرد ترکیبی متوالی اکتشافی انجام شد و در فاز کیفی، با استفاده از نظریۀ داده‎‍بنیاد نظام‎‍مند (اشتراوس و کوربین) و انجام 26 مصاحبۀ نیمه‎‍ساختار‎‍یافته، مقوله‎‍های اصلی در قالب مدل پارادایمی شناسایی شدند. در فاز کمی، با روش مدل‎‍سازی معادلات ساختاری و تحلیل 100 پرسش‎‍نامه، روابط مدل آزمون شد.

نتایج عمده نشان داد که شرایط علی و مداخله‎‍گر، تأثیر معناداری بر راهبرد‎‍ها دارند، راهبردها بر پیامد‎‍ها تأثیر مثبت دارند و پیامد‎‍ها قوی‎‍ترین تأثیر را بر قصد رفتاری دارند؛ اما شرایط زمینه‎‍ای تأثیر مستقیمی بر راهبرد‎‍ها ندارد و بیشتر نقش پیش‎‍نیاز را ایفا می‎‍‎‍کند. اثر تعدیل‎‍گری شرایط مداخله‎‍گر بر رابطه شرایط علی و راهبرد‎‍ها معنادار است.

نوآوری پژوهش شامل چهار جنبه است: اول، تلفیق روش‎‍شناسی ترکیبی متوالی اکتشافی (کیفی-کمی) که هم به کشف عمیق پدیده در بافت واقعی و هم به اعتبار‎‍سنجی آماری آن روی می‎‍آورد؛ دوم، استفاده از نظریۀ داده‎‍بنیاد نظام‎‍مند (اشتراوس و کوربین) برای طراحی مدل پارادایمی پویا و فرآیندی، برخلاف مطالعات پیشین که تنها لیستی از عوامل یا روابط خطی را ارائه داده‎‍اند؛ سوم، تمرکز بر صنعت خاص محصولات مخابراتی با ویژگی‎‍های منحصر به فرد (چرخۀ عمر کوتاه محصول، پیچیدگی زنجیرۀ تأمین جهانی) که تاکنون مدل بومی استقرار هوش مصنوعی برای آن طراحی نشده بود؛ چهارم، بومی‎‍سازی کامل در بافت ایران با در نظر گرفتن شرایطی چون تحریم‎‍ها، محدودیت‎‍های دسترسی به فناوری، فرهنگ سازمانی بومی و کمبود نیروی انسانی متخصص که مدل‎‍های وارداتی قابلیت پاسخگویی به این شرایط را ندارند.

در پایان، باید به چند محدودیت اساسی در این پژوهش اشاره کرد. مهم‎‍ترین آنها، اتکای تحقیق به یک مطالعۀ موردی عمیق، اما در یک شرکت خاص است که دامنۀ تعمیم‎‍پذیری یافته‎‍ها به دیگر صنایع و زمینه‎‍های سازمانی متفاوت را با احتیاط مواجه می‎‍کند. افزون بر این، داده‎‍های فاز کمی پژوهش به‎‍صورت مقطعی گرد‎‍آوری شده‎‍اند؛ در‎‍نتیجه امکان ردیابی تحول و تکامل پویای مدل در گذر زمان و شناسایی حلقه‎‍های بازخورد پویا در این پژوهش میسر نبوده است. همچنین، متغیر‎‍های تعدیل‎‍گر در سطح کلان محیطی، از قبیل سیاست‎‍های حمایتی دولت، شدت و نوع تحریم‎‍ها و یا سطح بلوغ دیجیتال کشور، به‎‍صورت مجزا در این مدل آزمون نشده‎‍اند. با توجه به محدودیت‎‍های یاد‎‍شده، پیشنهاد می‎‍شود پژوهشگران آینده با انجام مطالعات تطبیقی در چندین شرکت از صنایع گوناگون مانند خودروسازی، دارویی و پتروشیمی، قابلیت تعمیم مدل حاضر را به بوتۀ آزمون بگذارند. همچنین‎‍ طراحی پژوهش‎‍های طولی، چگونگی تکامل روابط مدل را در طول زمان و ظهور پویایی‎‍های جدید را آشکار می‎‍کند. در‎‍نهایت، بررسی نقش تعدیل‎‍گری متغیرهای کلان محیطی نظیر تحریم‎‍ها، مشوق‎‍های دولتی و بلوغ دیجیتال، درک عمیق‎‍تری را از بافت‎‍محوری مدل استقرار هوش مصنوعی فراهم می‎‍آورد.

با نگاه به کل یافته‎‍ها، آنچه این پژوهش را از مطالعات مشابه متمایز می‎‍کند، تنها مدل ارائه‎‍شده نیست، نظریه‎‍ای است که از دل داده‎‍ها بیرون آمده است. نتایج نشان می‎‍دهد که در شرکت‎‍های تولیدی ایران، استقرار هوش مصنوعی یک فرآیند خطی نیست، بلکه یک چرخه است. در این چرخه، محرک‎‍های بیرونی مثل فشار رقبا و نیاز به کاهش هزینه، همراه با موانع درونی مثل کمبود بودجه و نیروی متخصص، با هم راهبرد‎‍های شرکت را شکل می‎‍دهند؛ اما حلقۀ کلیدی این فرآیند، جایی است که موفقیت‎‍های کوچک و ملموس، موتور محرکۀ حرکت بعدی می‎‍شوند. در شرایطی مثل تحریم و کمبود منابع، این دستاورد‎‍های عینی‎‍اند که اعتماد مدیران را جلب و عزم آنها را برای سرمایه‎‍گذاری بیشتر تقویت می‎‍کنند. این یافته، نقش راهبرد‎‍های پایلوت‎‍محور و مدیریت تغییر براساس شواهد را در سازمان‎‍های ایرانی، بیش از هر عامل دیگری پر‎‍رنگ می‎‍کند.

[i] Machine Learning

[ii] Deep Learning

[iii] Long Short-Term Memory (LSTM)

[iv] Spiliotis

[v] Smart Manufacturing

[vi] Kusiak

[vii] Machine Vision

[viii] Predictive Maintenance (PdM)

[ix] Jan et al.

[x] Peres et al.

[xi] Jagatheesaperumal et al

[xii] Li et al.

[xiii] Farmanesh et al.

[xiv] Raj et al.

^[xv] Müller et al.

^[xvi] Baryannis et al.

[xvii] Sequential Exploratory Design

[xviii] Structural Equation Modeling (SEM)

[xix] Partial Least Squares (PLS)

[xx] Structural Equation Modeling (SEM)

[xxi] Partial Least Squares Structural Equation Modeling (PLS-SEM)

[xxii] Covariance-Based Structural Equation Modeling (CB-SEM)

[xxiii] Composite Reliability

[xxiv] Average Variance Extracted

[xxv] Bootstrapping

[xxvi] p-values

[xxvii] DeLone & McLean