ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

РОЗДІЛИ САЙТУ

Інтелектуальна бізнес-діагностика на основі штучного інтелекту для прогнозної оцінки організаційної стійкості в цифровій трансформації
Зварич О. І., Кафка С. М.

Zvarych, Olena I., and Kafka, Sofiia M. (2025) “The AI-Enhanced Intelligent Business Diagnostics for Predictive Assessment of Organizational Resilience in Digital Transformation.” Business Inform 10:57–57.
https://doi.org/10.32983/2222-4459-2025-10-57-57

Розділ: Менеджмент і маркетинг

Стаття написана англійською мовою
Завантажень/переглядів: 0

УДК 658.012.2:658.012.32:004.8

Анотація:
Завдання статті – розробити теоретичну концепцію трансформації організаційної стійкості через ШІ-опосередковану бізнес-діагностику. Традиційні теорії динамічних здібностей, адаптивної спроможності та організаційного навчання не пояснюють організації, де алгоритми приймають критичні рішення, машини навчаються з досвіду, а штучні агенти взаємодіють з людьми. Стаття являє собою систематичний огляд 120+ статей провідних журналів (2015–2025), концептуальний аналіз для розробки теоретичних конструкцій, синтез теорії динамічних здібностей, організаційного навчання, комп’ютерних наук для створення інтегративної концепції. У висновках введено «алгоритмічну рефлективність» – здатність організації пізнавати себе через обчислювальні процеси, що одночасно формують організаційну реальність. Ідентифіковано три парадокси ШІ-посиленої стійкості: прозорість через непрозорість (ясність через алгоритмічну незрозумілість); автономія через залежність (незалежність через технологічну залежність); стабільність через плинність (зміни створюють мета-стабільність). Розроблено модель гібридного людино-машинного інтелекту з емерджентними властивостями. Також розроблено 13 емпірично верифікованих тверджень, що стосуються організаційної адаптації, трансформації управлінської суб’єктності та алгоритмічної конкуренції. Граничні умови: цифрова інфраструктура, культурна прийнятність алгоритмів, пороги масштабу. Потрібна емпірична операціоналізація, нові методології (обчислювальна етнографія, алгоритмічний аудит). Практичне значення статті полягає в тому, що організаціям рекомендовано розвивати алгоритмічне врядування замість прямого контролю, інвестувати в навички створення смислів для тлумачення ШІ-аналітики, проєктувати системи для виникнення людино-машинної взаємодії. Керівники еволюціонують від тих, хто приймає рішення, до їх творців та організаторів спільної роботи. Оригінальність даної роботи полягає в тому, що вперше було концептуалізовано організаційну стійкість як емерджентну властивість людино-машинної взаємодії, а не людську здатність. Запропоновано нову онтологію організаційного знання, що виходить за поділ людина-машина, теоретизуючи гібридний інтелект як результат інтеграції. Парадоксальна логіка ШІ-посиленої стійкості кидає виклик лінійним моделям адаптації, вимагає переосмислення теорії менеджменту для епохи гібридних організацій.

Ключові слова: штучний інтелект, організаційна стійкість, бізнес-діагностика, алгоритмічна рефлексивність, стратегічний менеджмент, організаційний розвиток, цифрова трансформація, управлінські інновації.

Бібл.: 55.

Зварич Олена Ігорівна – доктор економічних наук, доцент, професор, кафедра менеджменту і маркетингу, Карпатський національний університет імені Василя Стефаника (вул. Шевченка, 57, Івано-Франківськ, 76018, Україна)
Email: [email protected]
Кафка Софія Михайлівна – доктор економічних наук, професор, професор, кафедра менеджменту та бізнес-адміністрування, Карпатський національний університет імені Василя Стефаника (вул. Шевченка, 57, Івано-Франківськ, 76018, Україна)
Email: [email protected]

Список використаних у статті джерел

Faraj S., Pachidi S., Sayegh K. Working and organizing in the age of the learning algorithm. Information and Organization. 2018. Vol. 28. Iss. 1. P. 62–70. DOI: https://doi.org/10.1016/j.infoandorg.2018.02.005
von Krogh G. Artificial intelligence in organizations: New opportunities for phenomenon-based theorizing. Academy of Management Discoveries. 2018. Vol. 4. No. 4. P. 404–409. DOI: https://doi.org/10.5465/amd.2018.0084
Raisch S., Krakowski S. Artificial Intelligence and Management: The Automation-Augmentation Paradox. Academy of Management Review. 2021. Vol. 46. No. 1. P. 192–210. DOI: https://doi.org/10.5465/amr.2018.0072
Sturm T., Gerlach J. P., Pumplun L. et al. Coordinating human and machine learning for effective organizational learning. MIS Quarterly. 2021. Vol. 45. No. 3. P. 1581–1602. DOI: https://doi.org/10.25300/MISQ/2021/16543
Linnenluecke M. K. Resilience in Business and Management Research: A Review of Influential Publications and a Research Agenda. International Journal of Management Reviews. 2017. Vol. 19. Iss. 1. P. 4–30. DOI: https://doi.org/10.1111/ijmr.12076
Williams T. A., Gruber D. A., Sutcliffe K. M. et al. Organizational Response to Adversity: Fusing Crisis Management and Resilience Research Streams. Academy of Management Annals. 2017. Vol. 11. No. 2. P. 733–769. DOI: https://doi.org/10.5465/annals.2015.0134
Teece D. J. Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal. 2007. Vol. 28. Iss. 13. P. 1319–1350. DOI: https://doi.org/10.1002/smj.640
Teece D., Pisano G., Shuen A. Dynamic Capabilities and Strategic Management. Strategic Management Journal. 1997. Vol. 18. Iss. 7. P. 509–533. DOI: https://doi.org/10.1002/(SICI)1097-0266(199708)18:7<509::AID-SMJ882>3.0.CO;2-Z
Levinthal D. A., Marino A. Three Facets of Organizational Adaptation: Selection, Variety, and Plasticity. Organization Science. 2015. Vol. 26. Iss. 3. P. 743–755. DOI: https://doi.org/10.1287/orsc.2014.0956
Teece D. J., Peteraf M., Leih S. Dynamic Capabilities and Organizational Agility: Risk, Uncertainty, and Strategy in the Innovation Economy. California Management Review. 2016. Vol. 58. No. 4. P. 13–35. DOI: https://doi.org/10.1525/cmr.2016.58.4.13
Cyert R. M., March J. G. A behavioral theory of the firm. Englewood Cliffs, NJ: Prentice-Hall, 1963. 332 p.
Duchek S. Organizational resilience: A capability-based conceptualization. Business Research. 2020. Vol. 13. P. 215–246. DOI: https://doi.org/10.1007/s40685-019-0085-7
Shrestha Y. R., Ben-Menahem S. M., von Krogh G. Organizational Decision-Making Structures in the Age of Artificial Intelligence. California Management Review. 2019. Vol. 61. Iss. 4. P. 66–83. DOI: https://doi.org/10.1177/0008125619862257
Vial G. Understanding digital transformation: A review and a research agenda. Journal of Strategic Information Systems. 2019. Vol. 28. Iss. 2. P. 118–144. DOI: https://doi.org/10.1016/j.jsis.2019.01.003
Hanelt A., Bohnsack R., Marz D., Antunes Marante C. A Systematic Review of the Literature on Digital Transformation: Insights and Implications for Strategy and Organizational Change. Journal of Management Studies. 2021. Vol. 58. Iss. 5. P. 1159–1197. DOI: https://doi.org/10.1111/joms.12639
Eisenhardt K. M. Building Theories from Case Study Research. Academy of Management Review. 1989. Vol. 14. No. 4. P. 532–550. DOI: https://doi.org/10.5465/amr.1989.4308385
Berends H., Antonacopoulou E. Time and Organizational Learning: A Review and Agenda for Future Research. International Journal of Management Review. 2014. Vol. 16. Iss. 4. P. 437–453. DOI: https://doi.org/10.1111/ijmr.12029
Introna L. D. Algorithms, Governance, and Governmentality: On Governing Academic Writing. Science, Technology, & Human Values. 2016. Vol. 41. Iss. 1. P. 17–49. DOI: https://doi.org/10.1177/0162243915587360
Mikalef P., Boura M., Lekakos G., Krogstie J. Big data analytics and firm performance: Findings from a mixed-method approach. Journal of Business Research. 2019. Vol. 98. P. 261–276. DOI: https://doi.org/10.1016/j.jbusres.2019.01.044
Burrell J. How the machine ’thinks’: Understanding opacity in machine learning algorithms. Big Data & Society. 2016. Vol. 3. No. 1. DOI: https://doi.org/10.1177/2053951715622512
Pasquale F. The Black Box Society: The secret Algorithms that Control Money and Information. Cambridge, MA: Harvard University Press, 2015. 311 p. DOI: https://doi.org/10.4159/harvard.9780674736061
Kellogg K. C., Valentine M. A., Christin A. Algorithms at Work: The New Contested Terrain of Control. Academy of Management Annals. 2020. Vol. 14. No. 1. P. 366–410. DOI: https://doi.org/10.5465/annals.2018.0174
Daugherty P. R., Wilson H. J. Human + machine: Reimagining work in the age of AI. Boston : Harvard Business Review Press, 2018. 264 p.
Jarzabkowski P., Le J. K., Van de Ven A. H. Responding to competing strategic demands: How organizing, belonging, and performing paradoxes coevolve. Strategic Organization. 2013. Vol. 11. Iss. 3. P. 245–280. DOI: https://doi.org/10.1177/1476127013481016
Marcus G., Davis E. Rebooting AI: Building artificial intelligence we can trust. New York : Pantheon, 2019. 288 p.
Pearl J., Mackenzie D. The Book of Why: The New Science of Cause and Effect. New York : Basic Books, 2018. 432 p.
Hinton G. Deep Learning – A Technology with the Potential to Transform Health Care. JAMA. 2018. Vol. 320. Iss. 11. P. 1101–1102. DOI: https://doi.org/10.1001/jama.2018.11100
Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks. 2015. Vol. 61. P. 85–117. DOI: https://doi.org/10.1016/j.neunet.2014.09.003
Wamba S. F., Gunasekaran A., Akter S., Ren S. J. F. et al. Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research. 2017. Vol. 70. P. 356–365. DOI: https://doi.org/10.1016/j.jbusres.2016.08.009
Muller O., Fay M., vom Brocke J. The Effect of Big Data and Analytics on Firm Performance: An Econometric Analysis Considering Industry Characteristics. Journal of Management Information Systems. 2018. Vol. 35. Iss. 2. P. 488–509. DOI: https://doi.org/10.1080/07421222.2018.1451955
Duan Y., Cao G., Edwards J. S. Understanding the impact of business analytics on innovation. European Journal of Operational Research. 2020. Vol. 281. Iss. 3. P. 673–686. DOI: https://doi.org/10.1016/j.ejor.2018.06.021
Zuboff S. The Age of Surveillance Capitalism: The Fight for a Human Future at the New Frontier of Power. New York : PublicAffairs, 2019. 704 p.
Brynjolfsson E., McElheran K. The Rapid Adoption of Data-Driven Decision-Making. American Economic Review. 2016. Vol. 106. Iss. 5. P. 133–139. DOI: https://doi.org/10.1257/aer.p20161016
Iansiti M., Lakhani K. R. Competing in the Age of AI: Strategy and Leadership when Algorithms and Networks Run the World. Boston : Harvard Business Review Press, 2020. 280 p.
Agrawal A., Gans J., Goldfarb A. Prediction Machines: The Simple Economics of Artificial Intelligence. Boston : Harvard Business Review Press, 2018. 272 p.
Nambisan S., Wright M., Feldman M. The digital transformation of innovation and entrepreneurship: Progress, challenges and key themes. Research Policy. 2019. Vol. 48. Iss. 8. Art. 103773. DOI: https://doi.org/10.1016/j.respol.2019.03.018
Ross J. W., Beath C. M., Mocker M. Designed for Digital: How to Architect Your Business for Sustained Success. Cambridge, MA : The MIT Press, 2019. 208 p.
Moeuf A., Pellerin R., Lamouri S. et al. The industrial management of SMEs in the era of Industry 4.0. International Journal of Production Research. 2018. Vol. 56. Iss. 3. P. 1118–1136. DOI: https://doi.org/10.1080/00207543.2017.1372647
Hofstede G. Culture’s Consequences: Comparing Values, Behaviors, Institutions and Organizations Across Nations. 2nd ed. Thousand Oaks, CA : Sage, 2003. 616 p.
House R. J., Hanges P. J., Javidan M., Dorfman P. W., Gupta V. (Eds.). Culture, Leadership, and Organizations: The GLOBE Study of 62 Societies. Thousand Oaks, CA : Sage, 2004. 848 p.
Kaminski M. E. The Right to Explanation, Explained. Berkeley Technology Law Journal. 2019. Vol. 34. Iss. 1. P. 189–218. DOI: https://doi.org/10.15779/Z38TD9N83H
Selbst A. D., Powles J. Meaningful information and the right to explanation. International Data Privacy Law. 2017. Vol. 7. Iss. 4. P. 233–242. DOI: https://doi.org/10.1093/idpl/ipx022
Mitleton-Kelly E., Paraskevas A., Day C. (Eds.). Handbook of research methods in complexity science: Theory and applications. Cheltenham : Edward Elgar Publishing, 2018. DOI: https://doi.org/10.4337/9781785364426
Aguinis H., Bakker R. M. Time is of the essence: Improving the conceptualization and measurement of time. Human Resource Management Review. 2021. Vol. 31. Iss. 2. Art. 100763. DOI: https://doi.org/10.1016/j.hrmr.2020.100763
Langley A., Tsoukas H. Introduction: Process theorizing and perspectives on process and organization. In: The SAGE. Handbook of Process Organization Studies. London : SAGE Publications, 2017. DOI: https://doi.org/10.4135/9781473957954.n1
Schad J., Lewis M.W., Raisch S., Smith W.K. Paradox research in management science: Looking back to move forward. Academy of Management Annals. 2016. Vol. 10, No. 1. P. 5-64. DOI: https://doi.org/10.5465/19416520.2016.1162422
Aguinis H., Gottfredson R. K., Culpepper S. A. Best-Practice Recommendations for Estimating Cross-Level Interaction Effects Using Multilevel Modeling. Journal of Management. 2013. Vol. 39. Iss. 6. P. 1490–1528. DOI: https://doi.org/10.1177/0149206313478188
Hitt M. A., Beamish P. W., Jackson S. E., Mathieu J. E. Building Theoretical and Empirical Bridges Across Levels: Multilevel Research in Management. Academy of Management Journal. 2007. Vol. 50. No. 6. P. 1385–1399. DOI: https://doi.org/10.5465/amj.2007.28166219
Orlikowski W. J., Scott S. V. Exploring Material-Discursive Practices. Journal of Management Studies. 2015. Vol. 52. Iss. 5. P. 697–705. DOI: https://doi.org/10.1111/joms.12114
Hine C. Ethnography for the Internet: Embedded, Embodied and Everyday. London : Bloomsbury Academic, 2015. 229 p.
Raji I. D., Smart A., White R. N. et al. Closing the AI accountability gap: Defining an end-to-end framework for internal algorithmic auditing. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency. 2020. P. 33–44. DOI: https://doi.org/10.1145/3351095.3372873
An L., Grimm V., Sullivan A., Turner B. L. et al. Challenges, tasks, and opportunities in modeling agent-based complex systems. Ecological Modelling. 2021. Vol. 457. Art. 109685. DOI: https://doi.org/10.1016/j.ecolmodel.2021.109685
Railsback S. F., Grimm V. Agent-Based and Individual-Based Modeling: A Practical Introduction. 2nd ed. Princeton : Princeton University Press, 2019. 360 p.
Grieves M., Vickers J. Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems. In: Transdisciplinary Perspectives on Complex Systems. Cham : Springer, 2017. P. 85–113. DOI: https://doi.org/10.1007/978-3-319-38756-7_4
Creswell J. W., Plano Clark V. L. Designing and conducting mixed methods research. 3rd ed. Thousand Oaks, CA : Sage, 2018. 520 p.

ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

ІНФОРМАЦІЯ

План наукових конференцій

НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»

Матеріали на сайті розміщені на умовах ліцензії Creative Commons Attribution 4.0 International CC BY-SA.

Написати вебмастеру