ارزیابی تأثیر سیستم‌های تصمیم‌گیر مبتنی بر هوش مصنوعی بر چابکی سازمانی و عملکرد عملیاتی در صنایع خودروسازی
کلمات کلیدی:
هوش مصنوعی, سیستم تصمیم‌گیر, چابکی سازمانی, عملکرد عملیاتی, صنعت خودروچکیده
هدف پژوهش حاضر ارزیابی تأثیر سیستم‌های تصمیم‌گیر مبتنی بر هوش مصنوعی بر چابکی سازمانی و عملکرد عملیاتی در صنایع خودروسازی و قطعات خودرو در شهر تهران بود. این پژوهش با رویکرد کمی و طرح توصیفی-همبستگی مقطعی انجام شد. جامعه پژوهش را مدیران و کارشناسان فعال در صنایع خودروسازی و قطعات خودرو در شهر تهران تشکیل دادند و بر اساس فرمول کوکران، 384 نفر با روش نمونه‌گیری در دسترس انتخاب شدند. داده‌ها با استفاده از پرسشنامه استاندارد مبتنی بر طیف پنج‌درجه‌ای لیکرت جمع‌آوری شد. روایی صوری و محتوایی ابزار به تأیید متخصصان رسید و روایی همگرا و واگرا و پایایی سازه‌ها نیز با استفاده از میانگین واریانس استخراج‌شده، پایایی ترکیبی و معیار فورنل-لارکر بررسی شد. داده‌ها در SPSS توصیف و فرضیه‌ها با مدل‌سازی معادلات ساختاری مبتنی بر حداقل مربعات جزئی در SmartPLS 3 آزمون شدند. نتایج استنباطی نشان داد سیستم تصمیم‌گیر مبتنی بر هوش مصنوعی تأثیر مثبت، مستقیم و معناداری بر چابکی سازمانی داشت (β=0.821، p<0.001) و تأثیر آن بر عملکرد عملیاتی نیز مثبت و معنادار بود (β=0.383، p=0.024). مقدار R² برای چابکی سازمانی 0.674 و برای عملکرد عملیاتی 0.147 بود. همچنین اندازه اثر مسیر هوش مصنوعی به چابکی سازمانی 0.892 و به عملکرد عملیاتی 0.172 به دست آمد. مقادیر Q² برای چابکی سازمانی و عملکرد عملیاتی به‌ترتیب 0.418 و 0.083 بود و شاخص GoF برابر با 0.531، برازش قوی مدل را نشان داد. سیستم‌های تصمیم‌گیر مبتنی بر هوش مصنوعی می‌توانند به‌عنوان یک قابلیت راهبردی، به‌ویژه از طریق تقویت سرعت پاسخگویی، انعطاف‌پذیری و کیفیت تصمیم‌گیری، چابکی سازمانی را به‌طور چشمگیری ارتقا دهند و در عین حال عملکرد عملیاتی را نیز بهبود بخشند؛ بنابراین، سرمایه‌گذاری هدفمند در توسعه و ادغام این سیستم‌ها در فرایندهای مدیریتی و عملیاتی صنعت خودرو می‌تواند به افزایش سازگاری، کارایی و رقابت‌پذیری سازمان‌ها کمک کند.
دانلودها
مراجع
Askarpour, M., Kokaly, S., & Ramesh, S. (2024). An Exploration of Agile Methods in the Automotive Industry: Benefits, Challenges and Opportunities (arXiv (Cornell University), Issue. http://arxiv.org/abs/2409.12676
Babu, M. M., Akter, S., Rahman, M., Billah, M. M., & Hack-Polay, D. (2022). The role of artificial intelligence in shaping the future of Agile fashion industry. Production Planning & Control. https://doi.org/10.1080/09537287.2022.2060858
Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D., Giannakis, M., Foropon, C. R. H., Roubaud, D., & Hazen, B. T. (2019). Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism: A study of manufacturing organisations. International Journal of Production Economics, 212, 107599. https://doi.org/10.1016/j.ijpe.2019.107599
Garikapati, D., & Shetiya, S. S. (2024). Autonomous Vehicles: Evolution of Artificial Intelligence and the Current Industry Landscape. Big Data and Cognitive Computing, 8(4), 42. https://doi.org/10.3390/bdcc8040042
Graham, O., & Nelson, J. (2025). Revolutionizing Manufacturing: Artificial Intelligence Role in Enhancing Operational Performance (Preprints.org, Issue. https://doi.org/10.20944/preprints202504.0755.v1
Karabegović, I. (2026). COLLABORATIVE ROBOTICS AND ARTIFICIAL INTELLIGENCE IN THE AUTOMOTIVE INDUSTRY: SMART ASSEMBLY AND AUTOMATED QUALITY CONTROL. Academic Journal. https://doi.org/10.24874/cmvm2026.il3
Mantouzi, S., & Youssef, S. (2025). The Role of AI-Driven Decision Support Systems (DSS) in Enhancing Organizational Performance. In Advances in computational intelligence and robotics book series. https://doi.org/10.4018/979-8-3373-1737-3.ch012
Mohammed, A., Bambale, S., & Abdullahi, U. (2025). AI-Driven Decision-Making in Leadership: Balancing Automation and Human Judgment for Optimal Organizational Performance. journal of Economics And Administrative Sciences. https://doi.org/10.33095/hv149002
Naqvi, S., Naqvi, S., Rehman, A., & Sayed, B. (2025). AI-driven Decision-Making Models for Strategic Management: A Comprehensive Framework for Organizational Excellence in the Digital Era. Journal of Independent Studies and Research - Computing. https://doi.org/10.31645/jisrc.25.23.2.2
Okafor, C., Wedraogo, L., Essandoh, S., Sakyi, J., Ibrahim, A., & Ogunwale, O. (2025). AI-Driven Decision-Making and Its Impact on Business Performance. Journal of Frontiers in Multidisciplinary Research. https://doi.org/10.54660/.jfmr.2023.4.2.286-299
Peres, R. S., Jia, X., Lee, J., Sun, K., Colombo, A. W., & Barata, J. (2020). Industrial Artificial Intelligence in Industry 4.0 - Systematic Review, Challenges and Outlook. IEEE Access, 8, 89752-89771. https://doi.org/10.1109/access.2020.3042874
Perțicaș, D. (2026). AI-Driven Decision Making in Companies: Opportunities and Barriers. In Contributions to finance and accounting. https://doi.org/10.1007/978-3-032-22737-9_8
Pešić, S., Savkovic, B., & Ćulibrk, J. (2026). BIBLIOMETRIC TRENDS OF ARTIFICIAL INTELLIGENCE AND HUMAN RESOURCE TRANSFORMATION IN AUTOMOTIVE INDUSTRY CONTEXTS. Academic Journal. https://doi.org/10.21428/92f19a8b.ba0a2842
Rowwad, A., & Almomani, M. (2025). The effect of corporate governance in driving organizational performance to AI-driven decision making. Humanities and Social Sciences Letters. https://doi.org/10.18488/73.v14i1.4545
Savitha, M., & Cholli, N. G. (2024). Agile Methodologies In The Automotive Industry: A Comprehensive Survey. IOSR Journal of Mechanical and Civil Engineering, 21(5), 30-35. https://doi.org/10.9790/1684-2105023035
Tamtam, F., Yacoubi, L., & Tourabi, A. (2023). Analyzing critical success factors for a successful implementation of artificial intelligence in agile industry 4.0. Academic Journal. https://doi.org/10.1145/3584871.3584910
Wang, Y., Fu, W., Zhang, Y., Wang, D., Gu, Y., Wang, W., Xu, H., Ge, X., Ye, C., Fang, J., Su, L., Wang, J., Wen, H., Zhang, X., & Feng, R. (2024). Constructing and implementing a performance evaluation indicator set for artificial intelligence decision support systems in pediatric outpatient clinics: an observational study. Scientific reports. https://doi.org/10.1038/s41598-024-64893-w
دانلودها
گاه‌شمار انتشار
- ارسال
- بازنگری
- پذیرش
شماره
نوع مقاله
مجوز
حق نشر 2025 Nima Kiani
این پروژه تحت مجوز بین المللی Creative Commons Attribution-NonCommercial 4.0 می باشد.
