Utafiti huu unapinga kupima utayari wa mashirika kwa akili bandia kwa wastani wa alama za maeneo tofauti kama teknolojia, data na utawala, na badala yake unauchunguza kupitia modeli ya ukamilishanaji inayotegemea kufanya kazi kwa pamoja kwa mchakato, data na matumizi. Mtafiti ametumia modeli ya constant elasticity of substitution yenye ubadilishanaji mdogo, tatizo la uwekezaji lenye bajeti, mapendekezo mawili ya kihisabati, mfano wa uwekezaji wa nambari na kalibresheni ya data sintetiki. Matokeo makuu ya modeli ni kwamba thamani ya AI inayopatikana inaweza kuzuiwa zaidi na kipengele dhaifu kuliko uwezo wa wastani, na gharama za inference zinapopungua mchanganyiko bora wa uwekezaji unaweza kuhamia zaidi kwenye matumizi ya shirika. Hata hivyo, kazi hii ni ripoti ya kinadharia ya kabla ya peer review, isiyotegemea data halisi za kampuni na inayoliacha kadirio la msingi kwa utafiti wa baadaye.

Modeli inafafanua vipengele vitatu tofauti lakini vinavyokamilishana. Mchakato unawakilisha jinsi kazi inavyoundwa ili AI iweze kuingizwa katika workflow; data inawakilisha miundombinu ya taarifa inayozalishwa na kutumiwa na workflow hiyo; matumizi yanawakilisha uwezo wa wafanyakazi na wasimamizi kutumia mfumo mara kwa mara katika maamuzi halisi. Uwezo wa matumizi pia umegawanywa katika vipimo vitano vinavyoonekana: ujumuishaji katika workflow, uwajibikaji wa maamuzi, matumizi ya kitabia, ulinganifu wa motisha na mwendelezo wa utawala.

Katika mfano wa nambari wa utafiti, viwango vya mchakato na data ni 0,80, huku kiwango cha matumizi kikiwa 0,30. Fahirisi ya utayari ya kujumlisha inaonyesha kampuni iko katika kiwango cha 0,63, kwa maneno mengine iko tayari kwa takriban theluthi mbili. Katika umbo la Leontief, ambapo kipengele dhaifu ndicho kinachozuia thamani, thamani inayopatikana ni 0,30 tu. Uwekezaji wa ziada wa jumla wa 0,30 unapogawanywa sawa kati ya vipengele vitatu, thamani inayopatikana huongezeka hadi 0,40; uwekezaji wote unapopelekwa kwenye matumizi ambayo ndiyo bottleneck, thamani huongezeka hadi 0,60. Ingawa chaguo zote mbili huongeza fahirisi ya kujumlisha kwa namna ile ile hadi 0,73, katika modeli thamani inayopatikana ya mkakati wa pili ni yüzde 50 juu kuliko ya mkakati wa kwanza.

Mtafiti pia anapendekeza kwamba gharama zinazotegemea sana teknolojia, kama ufikiaji wa modeli na inference, zinapopungua, sehemu bora ya bajeti ya utayari inayotengwa kwa matumizi ya shirika itaongezeka. Matokeo haya hayamaanishi kwamba uwekezaji wa mchakato na data utakuwa bila gharama kabisa. Gharama za kazi za shirika kama ujumuishaji, uaminifu, usalama, uhandisi wa data na usanifu wa mchakato zitaendelea kuwepo. Mabadiliko katika modeli yanategemea tu dhana kwamba uwezo wa modeli na miundombinu inayopatikana kutoka nje unakuwa nafuu kwa kasi zaidi kuliko mabadiliko ya shirika.

Kwa mtazamo wa Uturuki: Modeli inatoa mfumo unaoweza kufanyiwa utafiti kwa kampuni na taasisi za umma nchini Uturuki zinazowekeza katika AI ya shirika, ili badala ya kuangalia tu alama za ufikiaji wa modeli, miundombinu ya wingu au jukwaa la data, zipime kwa pamoja matumizi halisi katika workflow, umiliki wa maamuzi, matumizi endelevu ya wafanyakazi na uimara wa utawala. Kabla ya kutumika nchini Uturuki, viashiria vya mchakato, data na matumizi vinapaswa kufafanuliwa kulingana na muundo wa biashara wa ndani; vitengo au use cases tofauti vinavyotumia miundombinu ile ile ya teknolojia vinapaswa kufuatiliwa kwa muda; uwezo wa matumizi kabla ya AI unapaswa kupimwa kabla thamani haijatokea, na sekta, ukubwa wa kampuni, kanuni na ukomavu wa data vinapaswa kudhibitiwa. Utafiti huu hauwezi kutumiwa kuhitimisha kwamba matumizi ndiyo kikwazo kikubwa katika kila kampuni nchini Uturuki, kwamba kiwango fulani cha uwekezaji ndicho bora, au kwamba bajeti ya matumizi itatoa faida fulani ya kifedha.

Swali kuu la utafiti ni lipi?

Swali kuu la utafiti ni kama utayari wa AI wa shirika unapaswa kupimwa kama wastani wa uwezo huru, au kama mfumo unaoundwa na vipengele vinavyokamilishana ambavyo lazima vifanye kazi pamoja.

Tathmini za kawaida za utayari huweka alama tofauti kwa maeneo kama ubora wa data, ukomavu wa jukwaa, ufikiaji wa modeli, vipaji, usalama na utawala. Alama hizi hubadilishwa kuwa kiwango cha pamoja na wastani wake kuchukuliwa. Fahirisi kama hiyo inadhania kwamba alama ya juu katika eneo moja inaweza kufidia alama ya chini katika eneo jingine.

Utafiti unasema dhana hii inaweza kuwakilisha vibaya thamani halisi ya AI ndani ya kampuni. Kampuni yenye jukwaa imara la data na modeli za hali ya juu inaweza kushindwa kupata thamani inayotarajiwa ikiwa wafanyakazi hawatumii mfumo katika workflow halisi, uwajibikaji wa maamuzi haujawekwa, au mchakato haujaundwa upya. Alama ya juu ya teknolojia inaweza kufidia alama ya chini ya matumizi katika wastani wa kihisabati, lakini haiiondoi bottleneck katika mazingira ya uzalishaji.

Kwa nini utafiti ni muhimu?

Kwa sababu namna ya kupima huathiri maamuzi ya uwekezaji, kupima utayari vibaya si tatizo la kuripoti tu. Kampuni ikitambua vibaya kipengele kilicho na upungufu, inaweza kuelekeza bajeti kwenye maeneo yanayoonekana, yanayonunulika kwa urahisi au yanayoongeza alama haraka badala ya bottleneck halisi.

Kulingana na mtafiti, teknolojia na miundombinu ya data huonekana kwa urahisi kupitia mikataba ya wasambazaji, huduma za wingu, ufikiaji wa modeli na ununuzi wa programu. Matumizi yanahitaji kubadilisha michakato ya kazi, kuweka mamlaka ya maamuzi, kubadilisha tabia kwa kudumu na kuhakikisha mifumo ya utawala inafanya kazi. Kazi hizi zinaweza kusonga polepole zaidi na haziwezi kununuliwa tayari kutoka kwa msambazaji mmoja.

Mchango wa utafiti ni kubadilisha ushauri wa kawaida wa usimamizi wa “watu wanapaswa kutumia mfumo” kuwa tatizo la uwekezaji la kihisabati. Modeli inajaribu kuonyesha ni uwekezaji gani una mchango wa marginal ulio juu zaidi katika hali ambapo kipengele cha chini kabisa kinazuia uzalishaji wa thamani.

Ni pengo gani katika fasihi linalolengwa?

Utafiti unasema kwamba fahirisi nyingi za utayari wa AI wa mashirika ni za kujumlisha au zinategemea wastani na haziunganisha moja kwa moja ukamilishanaji kati ya vipengele na ugawaji wa uwekezaji. Mtafiti analenga pengo hili kwa hatua tatu:

1. Kufafanua utayari kama mfumo wa uzalishaji unaokamilishana wenye mchakato, data na matumizi.
2. Kuonyesha kwa tatizo wazi la uboreshaji jinsi bajeti ndogo inavyopaswa kugawanywa kati ya vipengele vitatu.
3. Kufanya dai la bottleneck ya matumizi liweze kukanushwa baadaye kwa data halisi za kampuni au use case kupitia muundo wa empirical.

Utafiti unaweka kikomo cha mchango wake kuwa “nadharia na muundo wa empirical”. Kuunda dataset kutoka kampuni halisi, kukadiria coefficients za modeli na kupima uhusiano wa causal kunaachwa kwa utafiti wa baadaye.

Katika modeli, mchakato, data na matumizi vina maana gani?

Mtafiti anatenganisha hasa mchakato na matumizi. Kuchora workflow mpya na kuweka mfumo ndani yake ni usanifu wa mchakato. Wafanyakazi kufanya kazi kila siku kulingana na workflow mpya, kuingiza matokeo ya AI katika maamuzi na kuendelea kutumia baada ya kipindi cha pilot ni matumizi.

“Kuunda upya workflow” kunaweza kugusa vipengele vyote viwili. Kuunda ramani mpya ni shughuli ya mchakato; watu kufanya kazi kama ilivyoundwa ni shughuli ya matumizi. Tofauti hii huruhusu hatua ya ujenzi na hatua ya uendeshaji kuigwa kama inputs tofauti.

Uwezo wa matumizi una vipimo gani?

Utafiti unapendekeza kwamba vipimo hivi vitano vinaweza kuwa viashiria vya kipengele kimoja cha mtaji wa shirika. Hili linahitaji kuthibitishwa empirically. Vipimo visipokuwa na uhusiano, huenda isiwe sahihi kuvijumlisha matumizi katika fahirisi moja, na kila kipimo kinaweza kuhitaji kuigwa kama bottleneck tofauti.

Thamani inayopatikana imeigwaje?

Thamani inayopatikana kutokana na AI ya shirika imefafanuliwa kama function ya pamoja ya vipengele vitatu:

\[ V=f(P,D,A) \]

• \(V\) inawakilisha thamani ya AI inayopatikana.
• \(P\) ni kiwango cha uwezo wa mchakato.
• \(D\) ni kiwango cha uwezo wa data.
• \(A\) ni kiwango cha uwezo wa matumizi.

Vigezo hivi havijapimwa moja kwa moja kwa fedha au kitengo cha kimwili katika utafiti; vimechukuliwa kama viwango vya uwezo vilivyonormalishwa. Katika matumizi ya empirical ya baadaye, \(V\) inaweza kuwakilishwa na vipimo kama ongezeko la tija, kupungua kwa gharama, mchango wa mapato au kupungua kwa cycle time.

Mtazamo wa kujumlisha unachukulia thamani kuwa sawia na \(P+D+A\). Katika hali hiyo athari ya kipengele kimoja haitegemei viwango vya vipengele vingine na cross derivatives ni sifuri. Katika mtazamo wa ukamilishanaji unaopendekezwa, mchango wa kipengele kimoja unategemea hali ya vingine.

Modeli ya constant elasticity of substitution inaeleza nini?

Utafiti umetumia umbo la constant elasticity of substitution kuonyesha ubadilishanaji mdogo:

\[ V= \left[ (\alpha P)^{\rho} + (\beta D)^{\rho} + (\gamma A)^{\rho} \right]^{1/\rho}, \qquad \rho<0 \]

• \(\alpha\) ni uzito wa kiuchumi au kiutendaji wa kipengele cha mchakato.
• \(\beta\) ni uzito wa kipengele cha data.
• \(\gamma\) ni uzito wa kipengele cha matumizi.
• \(\rho\) ni parameter inayoamua kiwango ambacho vipengele vinaweza kuchukua nafasi ya kila kimoja.
• \(\sigma=1/(1-\rho)\) ni elasticity of substitution.

Wakati \(\rho<0\), \(\sigma<1\). Hali hii ina maana kwamba mchakato, data na matumizi haziwezi kuchukua nafasi ya kila moja kwa urahisi. Kampuni haiwezi kufidia kikamilifu uwezo mdogo sana wa matumizi kwa alama kubwa sana za data.

\(\rho\) inapokaribia sifuri, modeli inakaribia umbo la Cobb–Douglas; inapokaribia hasi isiyo na mwisho, inakaribia kikomo cha Leontief ambapo kipengele dhaifu ndicho kinachoamua thamani:

\[ V=\min\{\alpha P,\beta D,\gamma A\} \]

Katika umbo la Leontief, thamani inayopatikana ni sawa na ndogo zaidi kati ya vipengele vitatu vilivyopimwa kwa uzito. Hadi kipengele cha chini zaidi kiboreshwe, uwekezaji wa ziada katika vipengele vingine viwili hauongezi thamani inayopatikana.

Tofauti kati ya ukamilishanaji na ubadilishanaji mdogo ni ipi?

Utafiti unatofautisha ukamilishanaji na hoja kwamba kipengele dhaifu hutoa marginal return kubwa zaidi. Kihisabati, supermodularity ina maana kwamba mchango wa marginal wa kipengele kimoja huongezeka vipengele vingine vinapoimarika. Kulingana na uthibitisho wa ziada wa mtafiti, cross derivatives za CES function ni positive wakati \(\rho<1\).

Hata hivyo, supermodularity pekee haiamui ni kipengele gani kinapaswa kupewa uwekezaji kwanza. Dhana ya ziada inayotoa hitimisho kwamba “kipengele cha chini zaidi kina marginal product kubwa zaidi” ni elasticity of substitution kuwa chini ya moja. Matokeo ya bottleneck ya utafiti yanategemea hali hii yenye nguvu zaidi.

Tatizo la uwekezaji limeundwaje?

Viwango vya awali vya uwezo wa kampuni vimefafanuliwa kama \(P_0\), \(D_0\) na \(A_0\). Kampuni huchagua uwekezaji \(I_P\), \(I_D\) na \(I_A\) kwa mchakato, data na matumizi mtawalia:

\[ P=P_0+g_P(I_P),\qquad D=D_0+g_D(I_D),\qquad A=A_0+g_A(I_A) \]

\(g_P\), \(g_D\) na \(g_A\) ni functions zinazoongezeka lakini concave. Uwekezaji unapoongezeka uwezo husika huongezeka; hata hivyo, athari ya kila uwekezaji wa ziada katika kipengele kile kile inaweza kupungua.

Kizuizi cha jumla cha bajeti ni:

\[ c_PI_P+c_DI_D+c_AI_A\leq B \]

• \(c_P\) ni gharama ya kitengo kimoja cha uwekezaji wa mchakato.
• \(c_D\) ni gharama ya kitengo kimoja cha uwekezaji wa data.
• \(c_A\) ni gharama ya kitengo kimoja cha uwekezaji wa matumizi.
• \(B\) ni bajeti ya jumla ya utayari.

Gharama zinaweza kuonyeshwa kwa sarafu inayopendekezwa na kampuni. Lengo la modeli ni kupata mchanganyiko wa uwekezaji unaoongeza \(V=f(P,D,A)\) hadi kiwango cha juu chini ya kizuizi cha bajeti.

Pendekezo la kwanza linasema nini?

Pendekezo la kwanza linaonyesha kwamba chini ya ubadilishanaji mdogo, kipengele chenye uwezo wa chini zaidi kinaweza kutoa marginal return ya uwekezaji iliyo juu zaidi.

Katika kikomo cha Leontief, bottleneck ni thamani ndogo zaidi kati ya \(\alpha P\), \(\beta D\) na \(\gamma A\). Kwa mfano, kama \(\gamma A\) ni ndogo zaidi kwa wazi, thamani inayopatikana ni sawa na \(\gamma A\). Katika eneo hili mchango wa marginal wa matumizi ni positive, huku mchango wa marginal wa mchakato na data ukiwa sifuri.

Katika hali kama hiyo kuongeza zaidi uwezo wa mchakato au data hakubadilishi minimum. Kuelekeza rasilimali kwenye matumizi huinua bottleneck. Hali hii huendelea hadi vipengele vitatu vilivyopimwa kwa uzito vikikaribiane.

Katika umbo laini la CES, matokeo ni laini zaidi. Chini ya uzito sawa na gharama za uwekezaji zinazolinganishwa, kipengele chenye kiwango cha chini zaidi kina marginal product kubwa zaidi. Elasticity of substitution inapokaribia sifuri, tofauti hii kati ya vipengele huongezeka.

Pendekezo halisemi “wekeza kwenye matumizi” katika kila hali. Kama bottleneck ni data au mchakato, uwekezaji unapaswa kuelekezwa kwanza kwenye kipengele hicho. Pia, uzito tofauti unaweza kubadilisha ni alama gani ghafi inayohesabika kuwa bottleneck halisi.

Mfano wa uwekezaji wa nambari unaonyesha nini?

Viwango vya awali vya kampuni katika utafiti ni:

\[ P_0=0{,}80,\qquad D_0=0{,}80,\qquad A_0=0{,}30 \]

Alama ya utayari ya kujumlisha:

\[ \frac{0{,}80+0{,}80+0{,}30}{3}=0{,}63 \]

Na thamani inayopatikana ya Leontief:

\[ \min\{0{,}80,0{,}80,0{,}30\}=0{,}30 \]

Inadhaniwa kwamba kampuni inaweza kununua ongezeko la jumla la uwezo wa 0,30 kwa gharama sawa za kitengo:

Mikakati miwili ya uwekezaji huleta maendeleo sawa katika fahirisi ya kujumlisha. Katika modeli ya bottleneck, mkakati wa pili unaolenga matumizi hutoa 0,60, huku mgawanyo sawa ukitoa 0,40. Thamani ya 0,60 ni yüzde 50 juu kuliko 0,40.

Matokeo haya si faida ya kifedha ya kampuni halisi. Ni mfano wa maelezo ulioundwa kwa viwango vya kudhaniwa, uzito sawa, gharama sawa na function ya thamani ya Leontief.

Kielelezo 1 kinaeleza nini?

Mhimili wa wima wa Kielelezo 1 unaonyesha kiwango cha uwezo kati ya 0 na 1. Nguzo za mchakato na data zinafika 0,80, na nguzo ya matumizi 0,30. Mstari wa kijivu uliokatika unaonyesha fahirisi ya kujumlisha ya 0,63, na mstari mwekundu unaonyesha thamani ya bottleneck ya 0,30.

Ujumbe mkuu wa grafu ni kwamba alama za juu za mchakato na data zinaweza kuongeza wastani wa kihisabati bila kuondoa kiwango cha chini cha matumizi. Grafu haionyeshi kwamba kampuni halisi lazima zipoteze thamani kwa uwiano huu huu; inaonyesha tu tofauti ya vipimo katika modeli.

Kupungua kwa gharama ya inference kumeingizwaje katika modeli?

Mtafiti anatenganisha gharama zinazotegemea teknolojia na zinazotolewa kutoka nje za vipengele vya mchakato na data na gharama ya kazi ya shirika ya matumizi. Kigezo \(\tau\) kinatumika kuscale gharama ya inference, wingu, ufikiaji wa modeli na utoaji wa jukwaa la data:

\[ c_P(\tau)=\tau c_P,\qquad c_D(\tau)=\tau c_D \]

Gharama ya matumizi \(c_A\) inabaki constant kama gharama ya kazi ya shirika ambayo haipungui kwenye mwelekeo ule ule wa bei ya teknolojia. \(\tau\) inapopungua, sehemu ya teknolojia katika gharama za mchakato na data huwa nafuu.

Utafiti haudai kwamba gharama zote za mchakato na data zitapungua. Gharama za shirika zisizoshuka, kama solution engineering, process design, integration na kazi ya data, zinawakilishwa tofauti kwa \(L_{PD}\).

Pendekezo la pili linasema nini?

Pendekezo la pili linaonyesha kwamba gharama za utoaji zinazotegemea sana teknolojia zinapopungua, sehemu ya bajeti bora ya utayari inayotengwa kwa matumizi huongezeka.

Gharama ya utoaji wa teknolojia ya mchakato na data ili kufikia kiwango cha pamoja cha uwezo imefafanuliwa kama \(T_{PD}\), gharama ya shirika isiyopungua kama \(L_{PD}\), na gharama ya matumizi kama \(T_A\). Gharama ya jumla:

\[ C(v;\tau)=\tau T_{PD}(v)+L_{PD}(v)+T_A(v) \]

Sehemu ya matumizi katika matumizi ya fedha:

\[ s_A(\tau)= \frac{T_A} {T_A+L_{PD}+\tau T_{PD}} \]

\(\tau\) inapopungua, sehemu inayotegemea teknolojia kwenye denominator hupungua na \(s_A\) huongezeka. Derivative ni negative:

\[ \frac{\partial s_A}{\partial \tau} = -\frac{T_AT_{PD}} {\left(T_A+L_{PD}+\tau T_{PD}\right)^2} <0 \]

Inequality hii inaonyesha kwamba \(\tau\) inapoongezeka sehemu ya matumizi hupungua; kwa maneno mengine, gharama ya teknolojia inapopungua sehemu ya matumizi huongezeka.

\(\tau\) inapokaribia sifuri, sehemu ya matumizi hukaribia:

\[ s_A\longrightarrow \frac{T_A}{T_A+L_{PD}} \]

Kama hakuna gharama ya shirika isiyopungua kwa mchakato na data, yaani katika hali ya kikomo \(L_{PD}=0\), sehemu hukaribia moja. Kwa sababu katika kampuni halisi mchakato na data bado vinahitaji kazi ya shirika, hali hii kali haitarajiwi kutokea moja kwa moja.

Kielelezo 2 kinaonyesha nini?

Mhimili wa usawa wa Kielelezo 2 ni kiwango cha gharama ya inference \(\tau\), kinachoshuka kutoka 3 hadi 0 kutoka kushoto kwenda kulia. Mhimili wa wima unaonyesha sehemu ya uwekezaji bora. Mstari wa bluu wa matumizi huongezeka kutoka takriban 0,50 hadi 1,00, huku mstari wa kijivu uliokatika wa mchakato na data ukishuka kutoka takriban 0,50 hadi sifuri.

Grafu imetengenezwa kwa kutumia hali ya kikomo \(L_{PD}=0\) na hesabu ya kuinua vipengele vyote vya kampuni ya mfano hadi kiwango cha pamoja cha 0,90. Mistari haijapimwa kutoka data za soko au kampuni. Sehemu ya matumizi kukaribia moja katika grafu haimaanishi shughuli za mchakato na data zitakuwa zisizo muhimu katika maisha halisi.

Utabiri mkuu unaoweza kukanushwa wa utafiti ni upi?

Utabiri mkuu wa mtafiti ni kwamba ufikiaji wa modeli na miundombinu ya AI unapofanana zaidi kati ya kampuni, sehemu kubwa zaidi ya tofauti katika thamani ya AI inayopatikana itaelezwa na uwezo wa matumizi ya shirika.

Utabiri huu unazalisha matarajio matatu tofauti:

• Conditional coefficient ya uwezo wa matumizi kwenye thamani inayopatikana inapaswa kuwa positive.
• Ufikiaji wa teknolojia unapoenea, coefficient ya matumizi inapaswa kuongezeka kwa muda.
• Return ya matumizi inapaswa kuwa kubwa zaidi wakati uwezo wa mchakato na data ni mkubwa.

Utabiri huu haujapimwa kwa data halisi katika utafiti. Mtafiti anauwasilisha kama madai yaliyowekwa mapema na yanayoweza kukanushwa kwa utafiti wa empirical wa baadaye.

Modeli ya kwanza ya empirical iliyopendekezwa imeundwaje?

Uhusiano wa thamani inayopatikana na matumizi, ufikiaji wa teknolojia-data na vigezo vya kudhibiti umependekezwa kwa namna hii:

\[ Value_{it} = \beta_0 +\beta_1 Adoption_{it} +\beta_2 TechData_{it} +\beta_3 X_{it} +\varepsilon_{it} \]

• \(Value_{it}\) ni thamani ya AI inayopatikana ya kampuni \(i\) katika muda \(t\).
• \(Adoption_{it}\) ni kiashiria cha uwezo kitakachoundwa kutoka vipimo vitano vya matumizi.
• \(TechData_{it}\) ni viashiria vya ufikiaji wa teknolojia na data.
• \(X_{it}\) ni vigezo vya kudhibiti kama sekta, ukubwa wa kampuni na vingine vinavyofanana.
• \(\varepsilon_{it}\) ni error term inayojumuisha sababu zisizoonekana.

Matarajio makuu ni \(\beta_1>0\). Mtafiti anasema fahirisi ya matumizi inaweza kubadilishwa kuwa alama moja kwa first principal component, lakini vipimo vitano vidogo vinapaswa pia kuchunguzwa tofauti.

Equation hii ya linear haimaanishi kwamba modeli ya kinadharia inachukulia vipengele kuwa additive. Katika identification strategy iliyopendekezwa, mchakato na data hushikiliwa takriban constant na marginal effect ya matumizi katika viwango hivyo hupimwa.

Ukamilishanaji utapimwaje moja kwa moja?

Ukamilishanaji unaweza kupimwa moja kwa moja kwa kutumia interaction terms kati ya matumizi na mchakato na data:

\[ \begin{aligned} Value_{it} =&\ \beta_0 +\beta_1 Adoption_{it} +\beta_2 TechData_{it}\\ &+\beta_3(Adoption\times Process)_{it}\\ &+\beta_4(Adoption\times Data)_{it} +\beta_5X_{it} +\varepsilon_{it} \end{aligned} \]

Utabiri wa ukamilishanaji wa modeli ni:

\[ \beta_3>0,\qquad \beta_4>0 \]

Interaction positive zitaonyesha kwamba mchango wa matumizi katika thamani unaongezeka mchakato au data zinapokuwa imara zaidi. Hypothesis ya additive separability ni \(\beta_3=\beta_4=0\).

Jaribio la kimuundo lenye nguvu zaidi ni kukadiria CES function kwa nonlinear least squares na kuchunguza kama elasticity of substitution ni \(\sigma<1\). Threshold au minimum function pia inaweza kukadiriwa kama modeli mbadala.

Thamani inayopatikana inaweza kufuatiliwa kwa vipimo gani?

Utafiti unapendekeza kuepuka kipimo cha “return on investment iliyorekebishwa kwa matumizi”, kwa sababu kipimo kama hicho kinaweza kufanya matumizi yawe independent variable na pia sehemu ya hesabu ya outcome. Kiwango ambacho pilots huenda production pia kwa kiasi kikubwa ni outcome ya matumizi na kinaweza kuwa tatizo kwa sababu hiyo kama dependent variable kuu.

Kwa nini identification strategy inaelekea kwenye use cases ndani ya kampuni?

Kulinganisha use cases tofauti za AI ndani ya kampuni moja kunaweza kushikilia kwa kawaida sehemu ya ufikiaji wa teknolojia na ukomavu wa data platform kuwa constant. Ikiwa kati ya miradi miwili ya kampuni inayotumia miundombinu ile ile mmoja unazalisha thamani kubwa na mwingine ndogo, uhusiano wa tofauti hiyo na ujumuishaji wa workflow, umiliki wa maamuzi au tabia ya matumizi unaweza kuchunguzwa kwa uwazi zaidi.

Katika kulinganisha kampuni tofauti, sekta, ukubwa, mtaji, ubora wa data na mikataba ya teknolojia vinaweza kutofautiana sana. Kwa hiyo, utafiti unapendekeza kulinganisha kampuni katika sekta ile ile na za ukubwa unaofanana, au kama chaguo lenye nguvu zaidi, kuunda panel ya use cases ndani ya kampuni.

Tatizo kuu la causality ni reverse causality. Miradi inayozalisha thamani inaweza kujenga utawala na mechanisms za ownership zilizo bora baada ya kufanikiwa. Katika hali hiyo matumizi ya juu yanaweza kuwa outcome ya thamani badala ya sababu yake. Kupima uwezo wa matumizi kabla thamani haijatokea kutapunguza tishio hili.

Kalibresheni sintetiki imeandaliwaje?

Utafiti umeunda regimes mbili sintetiki za kampuni ili kuonyesha kama muundo wa kipimo unaopendekezwa unaweza kurejesha pattern iliyodhaniwa. Kila regime ina kampuni 4.000.

Katika hesabu sintetiki, mchakato na data hazijawakilishwa kama variables tofauti; zimeunganishwa katika variable moja ya ufikiaji wa teknolojia-data \(T\). Kwa hiyo simulation haithibitishi kila kipengele cha muundo wa inputs tatu kivyake.

Matokeo ya kalibresheni sintetiki ni yapi?

Katika regime ya kabla ya commoditization, ambapo ufikiaji wa teknolojia unasambaa kwa upana kati ya kampuni, sehemu ya matumizi katika variance iliyoelezwa ni takriban 0,37. Usambazaji wa ufikiaji wa teknolojia unapobanwa, sehemu hii huongezeka hadi takriban 0,86.

Thamani hizi si makadirio ya kampuni halisi. Zinaonyesha tu kwamba tofauti za ufikiaji wa teknolojia kati ya kampuni zinapopunguzwa, variance decomposition inaweza kutoa sehemu kubwa zaidi kwa matumizi.

Mtafiti anaeleza wazi kwamba sehemu ya matokeo haya ni mechanical. Usambazaji wa independent variable unapobanwa kwa makusudi, cross-sectional variance inayoweza kueleza hupungua kwa kawaida. Kwa hiyo, jaribio lenye nguvu zaidi si mabadiliko ya variance share pekee. Coefficient ya matumizi lazima ibaki positive na kubwa kiuchumi, na interactions za matumizi–mchakato na matumizi–data lazima ziwe positive.

Utafiti unaweza kuwa na uhalali mdogo zaidi kwa kampuni zipi?

Modeli haiondoi hali hizi. Wakati kipengele cha chini zaidi kilichopimwa kwa uzito ni mchakato au data, hoja kwa kawaida inapendekeza uwekezaji kwenye kipengele hicho. Dhana kuu ya utafiti ni kwamba katika sehemu kubwa ya kampuni zilizopo, uwezo wa modeli unapoenea, matumizi yatazidi kuwa bottleneck mara nyingi zaidi.

Kiashiria cha sehemu ya gharama katika utafiti kinapaswa kufasiriwaje?

Mtafiti anapendekeza kwamba kama sehemu ya gharama za deployment ya AI inayokwenda kwenye ufikiaji wa modeli, inference na miundombinu ya data platform ni takriban nusu au zaidi, kampuni inaweza bado kuwa katika regime iliyozuiwa na teknolojia.

Kama sehemu hii ni takriban robo au chini, gharama za shirika kama solution engineering, process redesign na change work zinaweza kuwa zimekuwa dominant.

Thresholds za yüzde 50 na yüzde 25 hazijakadiriwa empirically. Ni thresholds za makadirio na za maelezo zilizotolewa ili kufanya variable inayoweza kuhesabiwa kutoka vitabu vya gharama vya kampuni iwe concrete zaidi.

Ni mtazamo gani unapendekezwa kwa usimamizi wa kampuni?

Pendekezo kuu la matumizi ni kwamba shughuli za matumizi zisichukuliwe kama kazi ya pembeni ya “change management” inayoanza baada ya mfumo wa kiufundi kukamilika. Ujumuishaji wa workflow, umiliki wa maamuzi, incentives na utawala endelevu vinapaswa kuundwa kama kazi za uhandisi zenye owners, budgets, performance metrics na service levels.

Pendekezo la pili ni kwamba utayari hauwezi kutangazwa kwa checklist pekee. Utayari halisi huonekana wakati mchakato unafanya kazi na data halisi na watumiaji halisi wanaingiza output katika maamuzi.

Pendekezo la tatu ni kwamba majaribio katika kiwango cha mtumiaji na enterprise deployment yachukuliwe si kama washindani, bali kama hatua zinazofuatana. Majaribio hufichua matumizi gani ni muhimu kweli; enterprise deployment hulenga kufanya matumizi yaliyochaguliwa yawe ya kudumu, salama na yafanye kazi kwa uangalizi mdogo.

Utafiti unapendekeza mfuatano wa utekelezaji wa “kwanza mchakato, kisha ulinganishaji wa data, halafu kuongeza kazi autonomous au agent-based”. Mtafiti anasisitiza kwamba hili si theorem iliyotolewa kihisabati kutoka modeli static, bali intuition ya shambani inayolingana na mantiki ya ukamilishanaji.

Nguvu za utafiti ni zipi?

• Unabadilisha utayari wa AI wa shirika kutoka mjadala wa jumla wa usimamizi kuwa modeli wazi ya thamani na uwekezaji.
• Unafafanua mchakato, data na matumizi bila kuvichanganya.
• Unatenganisha wazi majukumu tofauti ya supermodularity na masharti ya ubadilishanaji mdogo.
• Unaonyesha kihisabati ni chini ya assumptions zipi matokeo ya bottleneck yanatumika.
• Unaonyesha kwa mfano wa nambari kwa nini fahirisi ya kujumlisha haiwezi kutofautisha mikakati miwili tofauti ya uwekezaji.
• Unatoa modeli wazi ya gharama inayounganisha kupungua kwa gharama za teknolojia na mchanganyiko wa bajeti.
• Unaeleza dai kuu kwa coefficients, interactions na structural parameters zinazoweza kukanushwa.
• Hauchukulii mabadiliko ya mechanical katika variance share kama ushahidi wa kutosha peke yake na unatenganisha tests zenye nguvu zaidi.
• Unajadili wazi reverse causality, mapungufu ya kipimo na mipaka ya scope.

Mapungufu makuu ya utafiti ni yapi?

• Hakuna data halisi za kampuni, wafanyakazi au use case zilizotumiwa.
• Dhana kuu ya bottleneck ya matumizi haijakadiriwa empirically.
• Causality haijapimwa na reverse causality inabaki tishio kuu.
• Uzito wa kiuchumi wa mchakato, data na matumizi haujulikani.
• Umuhimu wa matumizi unategemea uzito \(\gamma\).
• Matokeo ya marginal return sifuri katika pendekezo la kwanza yanahusu kikomo cha Leontief.
• Matokeo laini ya CES yanategemea masharti ya ziada kama uzito sawa na gharama zinazolinganishwa.
• Pendekezo la pili limethibitishwa chini ya ongezeko la linear la uwezo, target constant na cost decomposition maalumu.
• Kalibresheni sintetiki inaunganisha mchakato na data katika variable moja ya teknolojia-data.
• Mabadiliko makuu kati ya regimes sintetiki ni upana wa usambazaji wa variable ya teknolojia.
• Sehemu kubwa ya viashiria vya matumizi vinahitaji kupimwa kwa survey au usage logs na vinaweza kuwa na measurement error.
• Thresholds za asilimia yüzde 50 na yüzde 25 za sehemu ya gharama si matokeo yaliyokadiriwa.
• Hakuna repository wazi ya simulation script; imesemwa inaweza kushirikiwa kwa ombi.
• Utafiti haujapitia peer review.

Utafiti unaunga mkono nini?

• Katika value function yenye ubadilishanaji mdogo, kipengele dhaifu kinaweza kuwa na marginal return ya uwekezaji iliyo juu zaidi.
• Katika kikomo cha Leontief, uwekezaji kwenye vipengele visivyo bottleneck hauongezi thamani inayopatikana kama bottleneck haijabadilika.
• Alama ya utayari ya kujumlisha inaweza kushindwa kutofautisha mikakati ya uwekezaji yenye total score ile ile lakini thamani inayopatikana tofauti.
• Chini ya cost structure maalumu, gharama ya utoaji wa teknolojia inapopungua, sehemu bora ya matumizi katika matumizi ya fedha huongezeka.
• Regression na interaction design iliyopendekezwa inaweza kufanya dai la bottleneck ya matumizi liwe testable data halisi zinapopatikana.
• Kalibresheni sintetiki inaonyesha kwamba usambazaji wa ufikiaji wa teknolojia unapobana, sehemu ya matumizi katika variance iliyoelezwa inaweza kuongezeka.

Utafiti hauthibitishi nini?

• Haudhibitishi kwamba matumizi ndiyo kipengele cha uwezo wa chini zaidi katika kila kampuni.
• Hauonyeshi kwamba thamani inayopatikana katika kampuni halisi huamuliwa hasa na minimum function.
• Hauonyeshi kwamba uwekezaji kwenye matumizi utatoa return kubwa zaidi kuliko mchakato au data kila wakati.
• Haudai kwamba ufikiaji wa modeli, integration, usalama na miundombinu ya data si muhimu tena.
• Haudhibitishi kwamba sehemu fulani ya bajeti ya matumizi ni optimum kwa mashirika yote.
• Hauonyeshi kwamba tofauti ya yüzde 50 katika mfano wa nambari itaonekana katika kampuni halisi.
• Hauonyeshi kwamba matokeo sintetiki ya yüzde 37 na yüzde 86 ni makadirio ya uchumi halisi.
• Haudhibitishi kwamba uhusiano kati ya matumizi na thamani ni causal.
• Hauonyeshi kwamba wafanyakazi kutumia AI pekee kutaboresha ubora, usalama au matokeo ya kifedha.
• Hauna data kuhusu viwango vya sasa vya utayari au matumizi ya AI katika kampuni za Uturuki.

Mbinu na Matokeo ya Utafiti

Muundo wa kiufundi wa utafiti

Dhana za modeli na athari zake kwenye matokeo

Muhtasari wa mapendekezo mawili formal

Mfano wa kulinganisha uwekezaji

Vipimo vinavyopendekezwa kwa utafiti wa empirical wa baadaye

Matokeo ya kalibresheni sintetiki

Ujumbe mkuu wa grafu

• Kielelezo 1: Kinaonyesha kwamba hata mchakato na data zikiwa juu, matumizi ya chini yanaweza kuzuia thamani inayopatikana. Mstari wa wastani wa kijivu uliokatika ni 0,63, na mstari mwekundu wa bottleneck ni 0,30.
• Kielelezo 2: Kinaonyesha kwamba inference cost scale inaposhuka kutoka 3 hadi sifuri, katika modeli ya kikomo sehemu ya uwekezaji wa matumizi huongezeka kutoka takriban 0,50 hadi 1,00.
• Jedwali 1: Linaonyesha kwamba mikakati miwili ya uwekezaji inayofikia alama ile ile ya kujumlisha inaweza kutoa matokeo tofauti katika complementary value function.

Muhtasari wa kiwango cha ushahidi

Dokezo la Chanzo na Mbinu

Jina kamili la awali la utafiti: The Adoption Bottleneck: A Complementarity Model of Enterprise AI Value Capture

Mwandishi: Gaston Besanson.

Mpangilio wa waandishi: Utafiti una mwandishi mmoja.

Taarifa ya mchango sawa: Hakuna mwandishi mwingine au taarifa ya mchango sawa.

Mwandishi wa mawasiliano: Hakuna alama tofauti ya corresponding author katika maandishi. Gaston Besanson ndiye mwandishi pekee na ndiye mwandishi wa mawasiliano katika rekodi ya SSRN.

Uhusiano wa taasisi: Universidad Torcuato Di Tella, Buenos Aires, Argentina.

DOI:10.2139/ssrn.6939458

Jukwaa la uchapishaji au preprint: SSRN.

Kiungo rasmi cha chanzo:Rekodi ya utafiti ya SSRN

Tarehe ya maandishi: Juni 2026.

Tarehe ya rekodi ya SSRN: 30 Juni 2026.

Jarida: Jina la jarida lililopitia peer review au kukubaliwa na jarida halijathibitishwa.

Mchapishaji wa awali: Hakuna taarifa ya mchapishaji kwa publication ya mwisho iliyopitia peer review.

Aina ya chanzo: Ripoti ya utafiti yenye modeling ya kinadharia, empirical research design na kalibresheni sintetiki; preprint.

Hali ya peer review: Utafiti huu ni preprint ambayo haijapitia peer review; matokeo yanapaswa kusomwa kwa kuzingatia kikomo hiki.

Hali ya data halisi: Hakuna data halisi za kampuni, wafanyakazi au use case zilizochambuliwa katika utafiti.

Hali ya data sintetiki: Katika kila moja ya regimes mbili za kudhaniwa, kampuni 4.000 sintetiki zimeundwa; ordinary least squares na Shapley/LMG variance decomposition zimetumika.

Programu na ufikiaji wa code: Imeelezwa kwamba synthetic calibration script inaweza kushirikiwa kwa ombi, lakini hakuna kiungo cha open code repository kilichotolewa.

Ufadhili: Hakuna taarifa ya ufadhili katika toleo lililopakiwa.

Mgongano wa maslahi: Hakuna taarifa wazi ya mgongano wa maslahi katika toleo lililopakiwa.

Maelezo haya ya Kiswahili yameandaliwa kwa msingi wa modeli ya kinadharia, equations za kihisabati, mapendekezo, proofs, mfano wa nambari, kalibresheni sintetiki, Jedwali 1 na matokeo ya kuona katika Vielelezo 1–2 vya utafiti wa kurasa 14 uliopakiwa. Hakuna matokeo ya kampuni halisi, causal effect, mafanikio ya kibiashara au return on investment ambayo hayapo katika utafiti yaliyoongezwa. Vyanzo vya nje vilitumika tu kuthibitisha kibibliografia title, author, institution, DOI, tarehe ya rekodi ya SSRN na publication status.

Matokeo yenye nguvu zaidi ya utafiti ni kwamba chini ya assumptions maalumu za kihisabati, uhusiano wa bottleneck na sehemu ya uwekezaji katika complementary inputs umetolewa formally. Kikomo muhimu zaidi ni kutokuwepo kwa primary empirical estimate kuhusu kiwango ambacho matumizi ya shirika yanaeleza thamani halisi ya kampuni.

Thamani 0,30, 0,40 na 0,60 katika mfano wa uwekezaji wa nambari si performance ya kampuni halisi. Variance shares za takriban yüzde 37 na yüzde 86 katika kalibresheni sintetiki pia si observational findings. Thamani hizi zinaonyesha tu mechanism ya modeli na tabia ya empirical design iliyopendekezwa chini ya parameters fulani.

Kabla modeli haijatumika nchini Uturuki au nchi nyingine, vipimo vya mchakato, data na matumizi vinapaswa kuthibitishwa kulingana na miundo ya shirika ya ndani; uwezo wa matumizi unapaswa kupimwa kabla thamani haijatokea; use cases zinazolinganishwa ndani ya kampuni ile ile zinapaswa kufuatiliwa kwa muda; na interactions za ukamilishanaji zinapaswa kukadiriwa kwa data halisi.