پژوهش های کارآفرینی و نوآوری

پژوهش های کارآفرینی و نوآوری

نقش هوش مصنوعی در کارخانه‌ها و تأثیر آن بر مدیریت نوآورانه: یک تحلیل ساختاری

نوع مقاله : مقاله پژوهشی

نویسندگان
سلمان متوسلی 1
بهروز طهماسب کاظمی 2
مهدی رجبیون 3
1 گروه مدیریت تکنولوژی، دانشکده مدیریت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 گروه مدیریت صنعتی، عضو مدعو واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.
3 گروه بازرگانی، گمرک و کارآفرینی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران شمال، تهران، ایران.
10.22034/eir.2025.495125.1142
چکیده

هدف:این پژوهش با هدف طراحی و تبیین نقش هوش مصنوعی در کارخانه‌ها و بررسی تأثیر آن بر مدیریت نوآورانه انجام شد.

روش: تحلیل مضمون برای شناسایی شاخص‌ها و مولفه‌های اصلی مرتبط با هوش مصنوعی و مدل‌سازی ساختاری تفسیری (ISM) جهت سطح‌بندی و تحلیل روابط میان متغیرها بود. داده‌ها از15مصاحبه خبرگان جمع‌آوری و تحلیل شدند.در تحلیل مضمون از 170کدباز39کد اولیه استخراج و در قالب 10مضمون سازمان‌دهنده دسته‌بندی و به یک مضمون فراگیر با عنوان "هوش مصنوعی در کارخانه و اثر آن بر مدیریت نوآورانه" منتهی شدند.

یافته ‌ها:مولفه‌های شناسایی‌شده شامل ابزارهای هوش مصنوعی صنعتی ، زنجیره تأمین شناختی ، ارائه خدمات به مشتریان ، رباتی‌سازی فرآیند تولید ، مدیریت داده ، مدیریت کیفیت ، بهینه‌سازی بهره‌وری ، بهبود پایداری تولید ، افزایش انعطاف‌پذیری و توسعه نیروی کار بودند. ماتریس خودتعاملی ساختاری (SSIM) برای تحلیل ISM تشکیل و سطح‌بندی متغیرها نشان داد که متغیرهایی نظیر ابزارهای هوش مصنوعی صنعتی و مدیریت داده به‌عنوان متغیرهای مستقل، بیشترین تأثیر گذاری و بهره‌وری و بهبود پایداری تولید به‌عنوان متغیرهای وابسته بیشترین تأثیرپذیری را داشتند. همچنین زنجیره تأمین شناختی و مدیریت کیفیت به عنوان متغیرهای پیوندی شناسایی شدند و تحلیل MICMAC متغیرهای مستقل به‌عنوان عوامل کلیدی و متغیرهای پیوندی به‌عنوان رابط‌های اساسی در تعاملات سیستمی معرفی شدند.

نتایج:استفاده هوشمندانه از فناوری‌های مبتنی بر هوش مصنوعی می‌تواند منجر به بهبود کیفیت، بهره‌وری، کاهش هزینه‌ها، بهینه‌سازی زنجیره تأمین و افزایش انعطاف‌پذیری در فرآیندهای تولیدی کارخانه‌ها شود. مدل ارائه‌شده در این پژوهش می‌تواند مبنای تصمیم‌گیری مدیران صنایع تولیدی برای پیاده‌سازی مؤثر فناوری‌های مرتبط باشد.
کلیدواژه‌ها
کلید واژه ها: هوش مصنوعی (AI)
مدیریت نوآورانه
مدل‌سازی ساختاری تفسیری (ISM)
ابزارهای هوش مصنوعی صنعتی
بهینه‌سازی فرآیند تولید

موضوعات

عنوان مقاله English

The Role of Artificial Intelligence in Factories and Its Impact on Innovative Management: A Structural Analysis

نویسندگان English

Salman Motevaseli 1
Behroz Tahmasebkazemi 2
Mahdi Rajabiun 3
1 Department of Technology Management, Faculty of Management, Islamic Azad University Science and Research Branch, Tehran, Iran
2 Department of Entrepreneurship Department, Faculty of Social Sciences, Razi University, Kermanshah, Iran.
3 Department of Commerce, Customs, and Entrepreneurship, Faculty of Management, North Tehran Branch, Islamic Azad University, Tehran, Iran.
چکیده English

Objective: This study was conducted with the aim of designing and explaining the role of artificial intelligence in factories and examining its impact on innovative management.

Method: Thematic analysis was used to identify the main indicators and components related to artificial intelligence and interpretive structural modeling (ISM) was used to classify and analyze the relationships between variables. Data were collected and analyzed from 15 expert interviews. In thematic analysis, 39 initial codes were extracted from 170 open codes and categorized into 10 organizing themes, leading to an overarching theme titled "Artificial Intelligence in the Factory and Its Impact on Innovative Management".

Findings: The identified components included industrial artificial intelligence tools, cognitive supply chain, customer service, production process robotization, data management, quality management, productivity optimization, improving production sustainability, increasing flexibility, and workforce development. Structural self-interaction matrix (SSIM) for ISM analysis and variable ranking showed that variables such as industrial AI tools and data management as independent variables had the greatest impact and productivity and improved production sustainability as dependent variables had the greatest impact. Also, cognitive supply chain and quality management were identified as linked variables, and MICMAC analysis introduced independent variables as key factors and linked variables as essential interfaces in system interactions.

Results: Intelligent use of AI-based technologies can lead to improved quality, productivity, cost reduction, supply chain optimization, and increased flexibility in factory production processes. The model presented in this study can be the basis for decision-making by manufacturing industry managers for the effective implementation of related technologies.

کلیدواژه‌ها English

Keywords: Artificial Intelligence (AI)
Innovative Management
Interpretive Structural Modeling (ISM)
Industrial AI Tools
Production Process Optimization
Braun, V., & Clarke, V. (2022). Conceptual and design thinking for thematic analysis. Qualitative psychology, 9(1), 3.
Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. WW Norton & company.
Brynjolfsson, E., & Mcafee, A. (2017). Artificial intelligence, for real. Harvard business review, 1, 1-31.
Dagnaw, G. (2020). Artificial intelligence towards future industrial opportunities and challenges.
Daugherty, P. R., & Wilson, H. J. (2018). Human+ machine: Reimagining work in the age of AI. Harvard Business Press.
Davenport, T. H., Brynjolfsson, E., McAfee, A., & Wilson, H. J. (2019). Artificial intelligence: The insights you need from Harvard Business Review. Harvard Business Press.
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard business review, 96(1), 108-116.
deMarrais, K. B., & Lapan, S. D. (2003). Qualitative interview studies: Learning through experience. In Foundations for research (pp. 67-84). Routledge.
Drucker, P., & Maciariello, J. (2014). Innovation and entrepreneurship. Routledge.
Feigenbaum, E. A. (1977). The art of artificial intelligence: Themes and case studies of knowledge engineering.
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.
Hirschberg, J., & Manning, C. D. (2015). Advances in natural language processing. Science, 349(6245), 261-266.
Ito, A., Ylipää, T., Gullander, P., Bokrantz, J., Centerholt, V., & Skoogh, A. (2021). Dealing with resistance to the use of Industry 4.0 technologies in production disturbance management. Journal of Manufacturing Technology Management, 32(9), 285-303.
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.
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.
Mariani, M. M., Machado, I., & Nambisan, S. (2023). Types of innovation and artificial intelligence: A systematic quantitative literature review and research agenda. Journal of Business Research, 155, 113364.
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.
Rai, R., Tiwari, M. K., Ivanov, D., & Dolgui, A. (2021). Machine learning in manufacturing and industry 4.0 applications. In (Vol. 59, pp. 4773-4778): Taylor & Francis.
Rane, N. L., Paramesha, M., Choudhary, S. P., & Rane, J. (2024). Artificial intelligence, machine learning, and deep learning for advanced business strategies: a review. Partners Universal International Innovation Journal, 2(3), 147-171.
Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson.
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 ….
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.
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.
Wang, R. Y. (1998). A product perspective on total data quality management. Communications of the ACM, 41(2), 58-65.
Warfield, J. N. (1974). Developing interconnection matrices in structural modeling. IEEE Transactions on Systems, Man, and Cybernetics(1), 81-87.