ISSN 1789-8919
e-ISSN 2786-1562
A mesterséges intelligencia (AI) beépítése a szervezeti menedzsmentbe több évtizeden átívelő folyamat volt, amelyet jelentős mérföldkövek és innovációk jellemeztek. A mesterséges intelligencia területe az 1980-as években gyors fejlődésen ment keresztül a gépi tanulási algoritmusok és a neurális hálózatok bevezetésével, amelyek lehetővé tették a rendszerek számára, hogy tanuljanak az adatokból.
Ezt a fejlesztést a korai AI-kutatás előzte meg, amely a szimbolikus érvelésre és problémamegoldásra összpontosított. Az 1990-es években az AI-alkalmazások az adatbányászati technikák és a szakértői rendszerek eredményeként kerültek előtérbe az üzleti szektorban.
A 2000-es éveket a mesterséges intelligencia-technológiák, például a számítógépes látás és a beszédfelismerés gyors fejlődése jellemezte, amelyek kibővítették kereskedelmi alkalmazásukat. Az elmúlt években a szervezetek képesek voltak megoldani az összetett kihívásokat és ösztönözni az innovációt azáltal, hogy tovább gyorsították a mély tanulás és a megerősítő tanulás elfogadását.
Ez a cikk a menedzsment gyakorlatok alapvető átalakulását vizsgálja a mesterséges intelligencia fejlesztései révén, amelyek javították a működési hatékonyságot, elősegítették az innovációt és a döntéshozatalt. A mesterséges intelligencia forradalmasította a hagyományos irányítási módszereket azáltal, hogy automatizálta a rutinfeladatokat, és előrejelző betekintést kínál.
A szervezetek ma már képesek előre jelezni a piaci trendeket, optimalizálni az erőforrás-allokációt, és mérsékelni a kockázatokat a prediktív analitikai és döntéstámogató rendszerek beépítésével. A mesterséges intelligencia által vezérelt eszközök a fogyasztói interakciók, a munkaerő-tervezés és az együttműködés javításával elősegítették az innovatív kultúrát.
A mesterséges intelligencia üzleti menedzsmentben betöltött szerepe várhatóan tovább fog bővülni, ahogy folyamatosan fejlődik, és ezáltal új paradigmákat hoz létre a stratégiai tervezésben és a szervezeti hatékonyságban.
Al Mansoori, S., Salloum, S. A., & Shaalan, K. (2021). The Impact of Artificial
Intelligence and Information Technologies on the Efficiency of Knowledge Management at Modern Organizations: A Systematic Review. In M. Al-Emran,
K. Shaalan, & A. E. Hassanien (Eds.), Recent Advances in Intelligent Systems and
Smart Applications (pp. 163–182). Springer International Publishing. https://doi.
org/10.1007/978-3-030-47411-9_9
Andronie, M., Lăzăroiu, G., Iatagan, M., Uță, C., Ștefănescu, R., & Cocoșatu, M.
(2021). Artificial Intelligence-Based Decision-Making Algorithms, Internet of
Things Sensing Networks, and Deep Learning-Assisted Smart Process Management
in Cyber-Physical Production Systems. Electronics, 10(20). https://doi.org/10.3390/
electronics10202497
Asatiani, A., Penttinen, E., Rinta-Kahila, T., & Salovaara, A. (2020). Implementation
of automation as distributed cognition in knowledge work organizations: Six
recommendations for managers. In International Conference on Information
Systems. Association for Information Systems.
Aslam, M. (2023). Bridging the Future: Automation and Bots in Enterprise Resource
Planning for Streamlined Operations. Social Sciences Spectrum, 2(1), 120-129.
Baker-Brunnbauer, J. (2021). Management perspective of ethics in artificial intelligence.
AI and Ethics, 1(2), 173–181. https://doi.org/10.1007/s43681-020-00022-3
Botega, L. F. de C., & da Silva, J. C. (2020). An artificial intelligence approach to support
knowledge management on the selection of creativity and innovation techniques.
Journal of Knowledge Management, 24(5), 1107–1130. https://doi.org/10.1108/JKM-
-2019-0559
Brendel, A. B., Mirbabaie, M., Lembcke, T.-B., & Hofeditz, L. (2021). Ethical Management of Artificial Intelligence. Sustainability, 13(4). https://doi.org/10.3390/
su13041974
Chen, H. (1995). Machine learning for information retrieval: Neural networks,
symbolic learning, and genetic algorithms. Journal of the American society
for Information Science, 46(3), 194-216. https://doi.org/10.1002/(SICI)1097-
(199504)46:3<194::AID-ASI4>3.0.CO;2-S
Dempsey, M., Brennan, A., Holzberger, A., & McAvoy, J. (2022). A Review of the Most
Significant Challenges Impacting Conventional Project Management Success.
IEEE Engineering Management Review, 50(3), 193–199. https://doi.org/10.1109/
EMR.2022.3187168
Gargano, M. L., & Raggad, B. G. (1999). Data mining ‐ a powerful information
creating tool. OCLC Systems & Services: International Digital Library Perspectives,
(2), 81–90. https://doi.org/10.1108/10650759910276381
Grosan, C., & Abraham, A. (2011). Rule-Based Expert Systems. In C. Grosan & A.
Abraham (Eds.), Intelligent Systems: A Modern Approach (pp. 149–185). Springer
Berlin Heidelberg. https://doi.org/10.1007/978-3-642-21004-4_7
Iaia, L., Nespoli, C., Vicentini, F., Pironti, M., & Genovino, C. (2024). Supporting the
implementation of AI in business communication: The role of knowledge management. Journal of Knowledge Management, 28(1), 85–95. https://doi.org/10.1108/
JKM-12-2022-0944
Khan, S., & Iqbal, M. (2020). AI-Powered Customer Service: Does it Optimize
Customer Experience? 2020 8th International Conference on Reliability, Infocom
Technologies and Optimization (Trends and Future Directions) (ICRITO), 590–594.
https://doi.org/10.1109/ICRITO48877.2020.9198004
Liao, S.-H., Chu, P.-H., & Hsiao, P.-Y. (2012). Data mining techniques and applications
– A decade review from 2000 to 2011. Expert Systems with Applications, 39(12),
–11311. https://doi.org/10.1016/j.eswa.2012.02.063
Matsuo, Y., LeCun, Y., Sahani, M., Precup, D., Silver, D., Sugiyama, M., Uchibe, E.,
& Morimoto, J. (2022). Deep learning, reinforcement learning, and world models.
Neural Networks, 152, 267–275. https://doi.org/10.1016/j.neunet.2022.03.037
Olaniyi, O., Shah, N. H., Abalaka, A., & Olaniyi, F. G. (2023). Harnessing predictive
analytics for strategic foresight: a comprehensive review of techniques and
applications in transforming raw data to actionable insights. Available at SSRN
http://dx.doi.org/10.2139/ssrn.4635189
Phillips-Wren, G., Daly, M., & Burstein, F. (2021). Reconciling business intelligence,
analytics and decision support systems: More data, deeper insight. Decision Support
Systems, 146, 113560. https://doi.org/10.1016/j.dss.2021.113560
Raparthi, M. (2021). AI-Driven Decision Support Systems for Precision Medicine:
Examining the Development and Implementation of AI-Driven Decision Support
Systems in Precision Medicine. Journal of Artificial Intelligence Research, 1(1), 11–
Rudko, I., Bashirpour Bonab, A., & Bellini, F. (2021). Organizational Structure
and Artificial Intelligence. Modeling the Intraorganizational Response to the AI
Contingency. Journal of Theoretical and Applied Electronic Commerce Research,
(6), 2341–2364. https://doi.org/10.3390/jtaer16060129
Samanpour, A. R., Ruegenberg, A., & Ahlers, R. (2018). The Future of Machine
Learning and Predictive Analytics. In C. Linnhoff-Popien, R. Schneider, & M.
Zaddach (Eds.), Digital Marketplaces Unleashed (pp. 297–309). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-662-49275-8_30
Sony, M., & Naik, S. (2020). Industry 4.0 integration with socio-technical systems
theory: A systematic review and proposed theoretical model. Technology in Society,61, 101248. https://doi.org/10.1016/j.techsoc.2020.101248
Wamba-Taguimdje, S.-L., Fosso Wamba, S., Kala Kamdjoug, J. R., & Tchatchouang
Wanko, C. E. (2020). Influence of artificial intelligence (AI) on firm performance:
The business value of AI-based transformation projects. Business Process Management Journal, 26(7), 1893–1924. https://doi.org/10.1108/BPMJ-10-2019-0411
Yip, K. M.-K. (1991). Understanding complex dynamics by visual and symbolic
reasoning. Artificial Intelligence, 51(1–3), 179–221. https://doi.org/10.1016/0004-
(91)90111-V
Zulaikha, S., Mohamed, H., Kurniawati, M., Rusgianto, S., & Rusmita, S. A. (2020).
Customer predictive analytics using artificial intelligence. The Singapore Economic
Review, 1–12. https://doi.org/10.1142/S0217590820480021
