ПРИНЯТИЕ РЕШЕНИЙ О ВНЕДРЕНИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ТРАНСФОРМАЦИЯ ИСТОЧНИКОВ НЕКОПИРУЕМЫХ КОНКУРЕНТНЫХ ПРЕИМУЩЕСТВ

Технологии, основанные на искусственном интеллекте (ИИ), все чаще заменяют и дополняют людей в управленческих задачах, таких как принятие решений. Современные технологии искусственного интеллекта способны выполнять когнитивные функции, ранее связанные только с человеческим разумом. Согласно ресурсной концепции фирмы (RBV), когнитивные способности людей являются источником некопируемых конкурентных преимуществ, так как их трудно имитировать, таким образом, технологии ИИ способны менять источники конкурентных преимуществ.

Данное исследование посвящено выявлению факторов, влияющих на решение промышленных компаний о внедрении технологий искусственного интеллекта, а также исследованию взаимосвязи внедрения технологий ИИ с эффектами замещения и/или дополнения когнитивных способностей сотрудников и их влияния на формирование конкурентного преимущества.

Исследование проведено на базе данных 147 промышленных компаний, эмпирические оценки возникновения эффекта замещения при внедрении технологий ИИ и эффекта взаимодополнения проводились при помощи двух моделей: пробит-модели со случайными эффектами (random effect probit) и логит-модели с постоянными эффектами (fixed effect logit), которая позволила оценить внутрифирменную динамику изменения ресурсов при внедрении в бизнес-процесс технологий ИИ, то есть проследить эффект замещения ресурсов при внедрении ИИ.

Полученные результаты показали, что: (1) решение об инвестировании в технологии ИИ зависит от таких факторов, как наличие компетенций для внедрения ИИ, затраты на внедрение новых технологий и уровень текущих затрат в целом по компании, ожидание финансовых и экономических эффектов; (2) решение об инвестициях в ИИ и их интенсивность значительно выше у компаний, ожидающих сокращение времени на выполнение операций, сокращение численности сотрудников за счет уменьшения объема рутинных операций, сокращение затрат на функцию управления персоналом и увеличение скорости разработки и продвижения новых продуктов; (3) наибольшее влияние на формирование некопируемых конкурентных преимуществ оказывает внедрение ИИ в маркетинг и аналитику, разработку и ИТ, продажи и клиентский сервис и разработку новых продуктов; (4) при внедрении ИИ одновременно возникает и эффект замещения, и эффект взаимодополнения, что смещает источники конкурентных преимуществ (несмотря на то что замена традиционных специфических для области когнитивных возможностей человека на многочисленные вычислительные возможности ИИ разрушает существующее преимущество, тем не менее на основе взаимодополнения человеческих и машинных возможностей создаются новые, постоянные некопируемые преимущества). Кроме того, дополнена ресурсная концепция фирмы и показано, что неоднородные несвязанные ресурсы, такие как человек и машина, также могут быть источником уникальных конкурентных преимуществ.

1. Ружанская Л.С., Кузык М.Г., Симачев Ю.В., Федюнина А.А. (2023). Факторы применения сквозных цифровых технологий: вызовы для российских производителей. Вопросы экономики, 9: 5–28.

2. Agrawal A., Gans J.S., Goldfarb A. (2024). Artificial intelligence adoption and system‐wide change. Journal of Economics & Management Strategy, 33(2): 327–337.

3. Agrawal M., Zitnik M., Leskovec J. (2018). Large-scale analysis of disease pathways in the human interactome. In: Рacific Symposium on Biocomputing-2018, 111–122.

4. Argyres N.S., Zenger T.R. (2012). Capabilities, transaction costs, and firm boundaries. Organization Science, 23(6): 1643–1657.

5. Balasubramanian N., Ye Y., Xu M. (2022). Substituting human decision-making with machine learning: Implications for organizational learning. Academy of Management Review, 47(3): 448–465.

6. Barney J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1): 99–120.

7. Berry H., Kaul A., Lee N. (2021). Follow the smoke: The pollution haven effect on global sourcing. Strategic Management Journal, 42(13): 2420–2450.

8. Blakeley G. (2020). The Corona crash: How the pandemic will change capitalism. Verso Books.

9. Blohm I., Antretter T., Sirén C., Grichnik D., Wincent J. (2022). It’s a peoples game, isn’t it?! A comparison between the investment returns of business angels and machine learning algorithms. Entrepreneurship Theory and Practice, 46(4): 1054–1091.

10. Brynjolfsson E., McAfee A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. WW Norton & Company.

11. Chamorro-Premuzic T., Polli F., Dattner B. (2019). Building ethical AI for talent management. Harvard Business Review, 21: 1–15.

12. Choudhury P., Starr E., Agarwal R. (2020). Machine learning and human capital complementarities: Experimental evidence on bias mitigation. Strategic Management Journal, 41(8): 1381–1411.

13. Davenport T.H., Kirby J. (2016). Just how smart are smart machines? MIT Sloan Management Review, 57(3): 21.

14. Efron B. (1979). Bootstrap methods: Another look at the jackknife. Annals of Statistics, 7(1): 1–26.

15. Helfat C.E., Peteraf M.A. (2015). Managerial cognitive capabilities and the microfoundations of dynamic capabilities. Strategic Management Journal, 36(6): 831–850.

16. Kunc M.H., Morecroft J.D. (2010). Managerial decision making and firm performance under a resource‐based paradigm. Strategic Management Journal, 31(11): 1164–1182.

17. Levinthal D.A., Wu B. (2010). Opportunity costs and non‐scale free capabilities: Profit maximization, corporate scope, and profit margins. Strategic Management Journal, 31(7): 780–801.

18. Mairesse J., Robin S. (2009). Innovation and Productivity: A Firm-level Analysis for French Manufacturing and Services using CIS3 and CIS4 data (1998–2000 and 2002–2004). Paris, CREST-ENSAE.

19. Milgrom P., Roberts J. (1990). Rationalizability, learning, and equilibrium in games with strategic complementarities. Econometrica: Journal of the Econometric Society, 1255–1277.

20. Murray A., Rhymer J.E.N., Sirmon D.G. (2021). Humans and technology: Forms of conjoined agency in organizations. Academy of Management Review, 46(3): 552–571.

21. Newbert S.L. (2007). Empirical research on the resource‐based view of the firm: Аn assessment and suggestions for future research. Strategic Management Journal, 28(2): 121–146.

22. Noonan R. (2017). STEM Jobs: 2017 Update. ESA Issue Brief 02–17, US Department of Commerce.

23. Peteraf M.A., Bergen M.E. (2003). Scanning dynamic competitive landscapes: А market‐based and resource‐based framework. Strategic Management Journal, 24(10): 1027–1041.

24. Polidoro Jr.F., Toh P.K. (2011). Letting rivals come close or warding them off? The effects of substitution threat on imitation deterrence. Academy of Management Journal, 54(2): 369–392.

25. Rai A., Constantinides P., Sarker S. (2019). Next generation digital platforms: Тoward human-AI hybrids. Mis Quarterly, 43(1): iii-ix.

26. Raisch S., Krakowski S. (2021). Artificial intelligence and management: The automation-augmentation paradox. Academy of Management Review, 46(1): 192–210.

27. Shrestha Y.R., Ben-Menahem S.M., Von Krogh G. (2019). Organizational decision-making structures in the age of artificial intelligence. California Management Review, 61(4): 66–83.

28. Stadler C., Helfat C.E., Verona G. (2021). Technology usage and organizational performance in multi-unit firms transferring knowledge by transferring individuals: Innovative technology usage and organizational performance in multi-unit firms. Organization Science, Tuck School of Business Working Paper, 3779743.

29. Topol E.J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1): 44–56.

30. Verganti R., Vendraminelli L., Iansiti M. (2020). Innovation and design in the age of artificial intelligence. Journal of Product Innovation Management, 37(3): 212–227.

31. Wernerfelt B., Montgomery C.A. (1988). Tobin’s q and the importance of focus in firm performance. The American Economic Review, 246–250.

32. Wilson H.J., Daugherty P.R. (2018). Collaborative intelligence: Humans and AI are joining forces. Harvard Business Review, 96(4): 114–123.