Araştırmacılar İtalya, İspanya, Portekiz, Fas ve Tunus'taki üretim işletmelerinden elde edilen verileri kullanarak yalın üretim, yapay zekâ ve sürdürülebilirlik arasındaki ilişkiyi test etmiştir. Nihai örneklem 528 firmadan oluşmaktadır. İşletmeler otomotiv, elektronik, makine ve ekipman, kimya ve ilaç üretimi alt sektörlerini kapsamaktadır. Veriler Ocak-Haziran 2024 döneminde toplanmış ve analizde Partial Least Squares Structural Equation Modeling (PLS-SEM) kullanılmıştır.

Yalın üretimin ekonomik sürdürülebilirlikle ilişkisi için standartlaştırılmış yol katsayısı β=0,72, ekolojik sürdürülebilirlik için β=0,65 ve sosyal sürdürülebilirlik için β=0,59 olarak raporlanmıştır. Üç ilişkinin tamamında \(p<0,001\)'dir. Araştırmacılar ayrıca yapay zekânın yalın üretim-sürdürülebilirlik ilişkisini güçlendiren moderasyon etkisini β=0,48, p<0,001 olarak bildirmiştir.

Model ekonomik sürdürülebilirlik değişkenindeki varyansın %62'sini, ekolojik sürdürülebilirlikte %54'ünü ve sosyal sürdürülebilirlikte %48'ini açıklamaktadır. Yazarların yorumuna göre gerçek zamanlı izleme, tahmine dayalı analitik, IoT tabanlı veri toplama ve otomasyon gibi yapay zekâ yetenekleri; yalın üretimin israf azaltma, kaynak kullanımını iyileştirme ve sürekli geliştirme hedeflerini daha dinamik hale getirebilir.

Bununla birlikte çalışma kesitseldir ve kullanılan temel değişkenler şirket temsilcilerinin anket yanıtlarından türetilmiştir. Bu tasarım güçlü istatistiksel ilişkiler gösterebilir ancak tek başına yapay zekânın yalın üretim aracılığıyla sürdürülebilirliği nedensel olarak artırdığını kanıtlamaz. Ayrıca örnekleme ve raporlama bölümünde anket sayısı, yanıt oranı ve H1 güven aralığı açısından kaynak içi tutarsızlıklar bulunmaktadır.

Türkiye açısından: Araştırmada Türkiye'den firma bulunmamaktadır. Sonuçlar Güney Avrupa ile Fas ve Tunus'taki belirli üretim işletmelerinden elde edilmiştir. Türkiye'deki otomotiv, makine, elektronik, kimya veya ilaç üreticileri için model ilgi çekici olmakla birlikte; işletme büyüklüğü, dijital olgunluk, enerji maliyetleri, tedarik yapısı, AI yatırımı, çalışan yetkinlikleri ve mevzuat ortamı farklı olabileceğinden katsayıların Türkiye'ye doğrudan aktarılması doğru değildir. Türkiye'deki geçerlilik, yerel bir örneklem ve aynı ölçüm modeliyle ayrıca sınanmalıdır.

Yalın üretim ile sürdürülebilirlik neden birlikte incelendi?

Yalın üretim yaklaşımının temel amacı müşteriye değer katmayan faaliyetleri ve kaynak kayıplarını azaltmaktır. Çalışmada özellikle tam zamanında üretim (Just-in-Time, JIT), çekme sistemi, Kaizen ve israf azaltma uygulamaları öne çıkarılmaktadır.

Sürdürülebilirlik ise yalnız işletmenin mali performansıyla sınırlandırılmamış; ekonomik, ekolojik ve sosyal olmak üzere üçlü sonuç yapısıyla ele alınmıştır. Ekonomik boyut maliyet ve operasyonel verimliliği, ekolojik boyut kaynak ve çevresel etkiyi, sosyal boyut ise çalışan refahı, çalışma ortamı ve toplumsal sorumluluğu kapsamaktadır.

Araştırmacıların temel savı, iki yaklaşımın ortak bir mantığa sahip olmasıdır: yalın üretim gereksiz stok, bekleme, hata, fazla işlem ve kaynak kaybını azaltmaya çalışırken sürdürülebilir üretim de kaynak verimliliği ve çevresel yükün azaltılmasını hedefler.

Yapay zekâ burada neyin yerine geçiyor?

Çalışmanın kavramsal modelinde yapay zekâ yalın üretimin yerine geçen bir teknoloji değildir. Yapay zekâ bir moderatör olarak modellenmiştir.

Moderasyon, bir değişkenin iki başka değişken arasındaki ilişkinin büyüklüğünü değiştirmesi anlamına gelir. Araştırmanın önerdiği yapı basitleştirilmiş biçimde şöyledir:

Yalın üretim → sürdürülebilirlik

ve yapay zekâ kullanımı arttığında bu ilişkinin daha güçlü hale geldiği öne sürülmektedir.

Araştırmacılar bu mekanizmayı iki teorik çerçeveyle temellendirmektedir. Dinamik Yetenekler Teorisi, işletmelerin değişen koşulları algılama, fırsatlara yanıt verme ve operasyonlarını yeniden yapılandırma kabiliyeti üzerinde durmaktadır. Sosyo-Teknik Sistemler Teorisi ise teknik araçların çalışanlar, iş süreçleri ve örgütsel kültürle birlikte değerlendirilmesi gerektiğini vurgulamaktadır.

AI yalın üretimi nasıl güçlendirebilir?

Makalede dört temel mekanizma öne çıkmaktadır.

• Tahmine dayalı bakım: Sensör ve makine verilerinin analiz edilerek olası arızaların gerçekleşmeden önce tahmin edilmesi; plansız duruşların azaltılması.
• Gerçek zamanlı izleme: Enerji, makine performansı, emisyon ve üretim göstergelerinin sürekli takip edilmesi.
• Üretim planlama: Talep değişimleri veya tedarik kesintilerine göre programların daha dinamik biçimde ayarlanması.
• Tedarik zinciri optimizasyonu: Büyük veri ve analitik kullanılarak stok, lojistik ve kaynak kullanım kararlarının desteklenmesi.

Bu mekanizmalar araştırmanın anket modelinde tek tek nedensel deneyler olarak sınanmamıştır. Bunlar, yapay zekâ moderatörünün teorik ve uygulamalı açıklaması olarak kullanılmaktadır.

Çalışmanın örneklemi nasıl dağılıyor?

Firma büyüklüğüne göre 176 işletme 50–249 çalışana, 234 işletme 250–999 çalışana ve 118 işletme en az 1000 çalışana sahiptir. Böylece örneklem ağırlıklı olarak orta ölçekli üretim işletmelerinden oluşmaktadır.

Katılımcıların %40,5'i operasyon veya tesis yöneticisi, %18,6'sı sürdürülebilirlik yöneticisi, %16,5'i üretim sorumlusu, %14,4'ü kalite yöneticisi ve %10'u üst düzey yöneticidir.

Hangi sektörler incelendi?

Çalışmanın yöntem bölümünde işletmelerin beş üretim alt sektöründen geldiği belirtilmektedir:

• otomotiv: %32,
• elektronik: %24,
• makine ve ekipman: %19,
• kimya: %15,
• ilaç: %10.

Firmaların araştırmaya dahil edilmesi için en az 50 çalışana sahip olması, belirli bir süre yalın uygulamalarla çalışmış olması ve üretimde en az bir yapay zekâ teknolojisi kullandığını bildirmesi gibi ön koşullar uygulanmıştır.

Dört araştırma hipotezi

Araştırmanın modelinde dört hipotez sınanmıştır:

• H1: Yalın üretim ekonomik sürdürülebilirlikle pozitif ilişkilidir.
• H2: Yalın üretim ekolojik sürdürülebilirlikle pozitif ilişkilidir.
• H3: Yalın üretim sosyal sürdürülebilirlikle pozitif ilişkilidir.
• H4: Yapay zekâ, yalın üretim ile sürdürülebilirlik arasındaki ilişkiyi güçlendiren bir moderatördür.

Doğrudan etkiler ne kadar güçlü çıktı?

Ekonomik sürdürülebilirlik için β=0,72 ile en yüksek doğrudan yol katsayısı raporlanmıştır. Ekolojik sürdürülebilirlik için katsayı β=0,65 ve sosyal sürdürülebilirlik için β=0,59'dur. Üç sonuç da istatistiksel olarak anlamlıdır.

Bu katsayıların “%72 ekonomik iyileşme” anlamına gelmediği önemlidir. Standartlaştırılmış yol katsayısı, yapısal modelde değişkenler arasındaki ilişkinin yönünü ve göreli büyüklüğünü gösterir; yüzde performans artışı değildir.

AI moderasyon etkisi

Yapay zekâ moderasyon etkisi için kaynak β=0,48, bootstrap %95 güven aralığı [0,40; 0,55], t=6,45 ve \(p<0,001\) raporlamaktadır.

Araştırmacılar bunu, AI kullanımının yüksek olduğu işletmelerde yalın uygulamalar ile sürdürülebilirlik sonuçları arasındaki pozitif ilişkinin güçlendiği biçiminde yorumlamaktadır.

Bu katsayı H1–H3'teki doğrudan yol katsayılarından farklı bir istatistiksel rolü temsil ettiği için Verianla Live grafiğinde aynı bar grubuna eklenmemiştir.

Model sürdürülebilirlik sonuçlarının ne kadarını açıklıyor?

R² değerleri modelin ekonomik sürdürülebilirlikte gözlenen varyansın %62'sini, ekolojik sürdürülebilirlikte %54'ünü ve sosyal sürdürülebilirlikte %48'ini açıkladığını göstermektedir. Bütün Q² değerlerinin pozitif olması, çalışmanın kullandığı PLS-SEM değerlendirme yaklaşımında modelin öngörüsel ilgisine ilişkin destek olarak yorumlanmıştır.

Etki büyüklükleri ne gösterdi?

Bu sonuçlar araştırmacıların yalnız istatistiksel anlamlılığa değil, ilişkilerin pratik büyüklüğüne de bakmaya çalıştığını göstermektedir.

Ölçüm modeli güvenilir miydi?

Çalışmada kullanılan temel yapıların Cronbach alfa değerleri 0,82 ile 0,90 arasında, bileşik güvenilirlik değerleri 0,83 ile 0,92 arasında ve AVE değerleri 0,56 ile 0,68 arasında raporlanmıştır.

Ölçüm maddelerinin faktör yüklerinin 0,71–0,88 aralığında olduğu ve tamamının istatistiksel anlamlılık taşıdığı belirtilmiştir.

Ortak yöntem yanlılığı kontrol edildi mi?

Anket verilerinin aynı katılımcılardan gelmesi nedeniyle araştırmacılar ortak yöntem yanlılığını değerlendirmek amacıyla Harman tek faktör testini kullanmıştır. Rotasyonsuz çözümde ilk faktör toplam varyansın %32,4'ünü açıklamış ve araştırmacılar bu değerin %50 eşiğinin altında olması nedeniyle ciddi bir ortak yöntem yanlılığı göstergesi bulunmadığını değerlendirmiştir.

Ayrıca anonimlik ve soru sırasının dengelenmesi gibi prosedürel önlemler kullanıldığı belirtilmiştir.

Model uyumu ve çoklu doğrusal bağlantı

Kaynakta SRMR değeri 0,058 ve NFI değeri 0,91 olarak raporlanmıştır. Tahmin değişkenlerinin VIF değerleri 1,08–2,34 arasında kalmıştır. Araştırmacılar bu sonuçlara dayanarak ciddi multicollinearity sorunu bulunmadığını belirtmektedir.

Lean değişkeni için VIF 2,34, AI için 2,18 ve lean-AI etkileşim terimi için 1,56 bildirilmiştir.

Kontrol değişkenleri sonuçları değiştirdi mi?

Firma büyüklüğü, sektör ve ülke yapısal modele kontrol değişkenleri olarak dahil edilmiştir. Kaynakta firma büyüklüğünün ekonomik sürdürülebilirlik üzerinde küçük bir pozitif etkisi bulunduğu (yaklaşık 0,09; p<0,05), ancak ekolojik ve sosyal sonuçlarda anlamlı olmadığı belirtilmektedir.

Kimya alt sektöründe ekolojik sürdürülebilirlik için küçük bir etki raporlanmış; ülke karşılaştırmalarında Fas ve Tunus'taki firmaların AI kullanım seviyelerinin görece daha düşük olduğu ifade edilmiştir. Bununla birlikte H1–H4 ilişkilerinin kontrol değişkenleri eklendiğinde anlamlılığını ve yaklaşık büyüklüğünü koruduğu belirtilmektedir.

Çalışmanın pratik önerileri

Araştırmacılar üç uygulama alanını özellikle vurgulamaktadır:

1. Plansız duruşları ve kaynak kaybını azaltmak için AI destekli tahmine dayalı bakımın önceliklendirilmesi.
2. Enerji ve malzeme akışlarını gerçek zamanda izlemek için IoT sensörleri ve analitik panoların kullanılması.
3. Çalışanların veri okuryazarlığı ve AI sistemlerini kullanma yetkinliklerinin geliştirilmesi.

Çalışma ayrıca AI yatırımlarının yüksek başlangıç maliyeti, nitelikli çalışan eksikliği ve siber güvenlik risklerini önemli uygulama engelleri olarak tanımlamaktadır.

Kaynak içindeki örneklem tutarsızlığı

Çalışmanın veri toplama açıklamasında aynı süreç için birbiriyle tam uyuşmayan sayılar bulunmaktadır. Önce yaklaşık 1200 potansiyel firmadan 680'inin kriterleri karşıladığı ve 680 firmanın tamamının davet edildiği belirtilmektedir. Daha sonra 700 anket dağıtıldığı ve 540 anketin geri döndüğü yazılmıştır.

Kaynak bu 540 dönüş için %90 yanıt oranı vermektedir; ancak 540/700 oranı yaklaşık %77,1'dir. Eğer payda 680 davet edilen firma kabul edilirse oran yaklaşık %79,4 olur. Bu nedenle %90 ifadesi verilen diğer sayılarla matematiksel olarak uyuşmamaktadır.

Nihai analiz örneklemi 528 olduğundan 540 geri dönüşten 12 kaydın nasıl dışlandığı veya kullanılmaz kabul edildiği de ayrıntılı bir katılımcı akış tablosuyla açıklanmamıştır. Bu Verianla metninde sayıların hiçbiri sessizce değiştirilmemiştir.

H1 güven aralığındaki sorun

Tablo 5'te H1 için standartlaştırılmış katsayı β=0,72 olarak verilirken %95 bootstrap güven aralığı [0,57; 0,71] biçimindedir. Aynı parametre için nokta tahmininin raporlanan güven aralığının dışında kalması beklenmez.

Bu nedenle β=0,72 değeri ile güven aralığından hangisinin hatalı olduğu kaynak üzerinden belirlenememektedir. Makaledeki ana sonuç anlatılırken raporlanan β ve p değeri korunmuş, hatalı görünme ihtimali bulunan güven aralığı kesinleştirilerek yeniden yazılmamıştır.

“Robust regression” ile PLS-SEM farkı

Özette çalışma “robust regression model” kullandığını söylerken yöntem bölümü SmartPLS üzerinden PLS-SEM, reflektif ölçüm modelleri, bootstrap ve yapısal yol analizi tarif etmektedir. Bulgular da β yol katsayıları, R², Q², SRMR, NFI ve f² üzerinden raporlanmıştır.

Dolayısıyla çalışmanın ayrıntılı yöntem ve sonuç bölümlerine göre ana istatistiksel çerçeve PLS-SEM'dir. “Robust regression” ifadesi kaynak içi terminoloji tutarsızlığı olarak değerlendirilmelidir.

Çalışmanın desteklediği sonuçlar

• İncelenen 528 üretim firmasında yalın üretim göstergeleri ekonomik, ekolojik ve sosyal sürdürülebilirlik göstergeleriyle pozitif ilişkilidir.
• Ekonomik sürdürülebilirliğe giden standartlaştırılmış yol katsayısı üç doğrudan ilişki arasında en yüksektir.
• AI etkileşim terimi pozitif ve istatistiksel olarak anlamlıdır; kaynak bunu AI'nin yalın-sürdürülebilirlik ilişkisini güçlendirmesi olarak yorumlamaktadır.
• Modelin açıkladığı varyans ekonomik sürdürülebilirlik için %62, ekolojik için %54 ve sosyal için %48 olarak raporlanmıştır.
• Ölçüm yapılarının raporlanan Cronbach alfa, CR ve AVE değerleri çalışmanın kullandığı kabul eşiklerini karşılamaktadır.

Çalışmanın kanıtlamadığı sonuçlar

• AI yatırımı yapan her üretim tesisinin sürdürülebilirlik performansının otomatik olarak artacağı kanıtlanmamıştır.
• β=0,72 değeri ekonomik performansın %72 arttığı anlamına gelmez.
• Kesitsel anket tasarımı AI'nin sürdürülebilirlik performansındaki iyileşmenin kesin nedeni olduğunu tek başına göstermez.
• Sonuçların üretim dışındaki hizmet veya kamu sektörlerine aynı katsayılarla genellenebileceği gösterilmemiştir.
• Türkiye'deki işletmeler için aynı sonuçların elde edileceği sınanmamıştır.
• Belirli bir AI algoritmasının, sensör sisteminin veya robotik platformun diğerlerinden üstün olduğu test edilmemiştir.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Çalışma nicel ve kesitsel bir anket araştırmasıdır. Veriler Ocak-Haziran 2024 arasında İtalya, İspanya, Portekiz, Fas ve Tunus'taki üretim işletmelerinden toplanmıştır.

Örnekleme yöntemi amaçlı örneklemedir. Firmalar sektör birliklerinin üye listeleri, Orbis Europe ticari şirket veri tabanı ve önceki Industry 4.0 projelerindeki katılımcılar üzerinden belirlenmiştir.

Dahil edilme ölçütleri

• Üretim sektöründe faaliyet göstermek.
• Otomotiv, elektronik, makine/ekipman, kimya veya ilaç alt sektörlerinden birinde bulunmak.
• En az 50 çalışana sahip olmak.
• Yalın üretim uygulamaları konusunda belirli deneyime sahip olmak.
• Üretim süreçlerinde en az bir AI teknolojisi kullandığını bildirmek.
• Belirlenen beş ülkeden birinde faaliyet göstermek.

Anket ölçeği

Katılımcılar ifadeleri 1="Kesinlikle katılmıyorum" ile 5="Kesinlikle katılıyorum" arasında değişen beşli Likert ölçeğiyle değerlendirmiştir.

Temel yapılar:

• Yalın üretim ilkeleri: israf azaltma, JIT, çekme sistemi ve Kaizen gibi uygulamalar.
• Sürdürülebilirlik hedefleri: ekonomik, ekolojik ve sosyal sonuçlar.
• AI teknolojileri: tahmine dayalı analitik, izleme, tahmin, analiz, optimizasyon, otomasyon ve etkileşim.

Ölçekler literatürdeki mevcut çalışmalardan uyarlanmış; İngilizce olmayan uygulamalar için çeviri ve geri çeviri yapılmış ve ölçek 15 sektör profesyoneli/akademisyen ile ön testten geçirilmiştir.

PLS-SEM analizi

Çalışmada PLS-SEM kullanılmasının gerekçesi keşfedici araştırma yapısı, moderasyon etkisi içeren modelin karmaşıklığı ve dağılım varsayımlarına ilişkin görece esneklik olarak açıklanmaktadır.

Modelde bütün yapılar reflektif olarak tanımlanmıştır.

Ölçüm modeli kriterleri

Yapısal model ve hipotez sonuçları

H1'in kaynakta verilen %95 güven aralığı [0,57; 0,71] olup β=0,72 ile tutarsızdır. H2 için [0,57; 0,71], H3 için [0,51; 0,66] ve H4 için [0,40; 0,55] raporlanmıştır.

Bootstrap ve öngörü değerlendirmesi

Katsayıların değerlendirilmesinde 5000 yeniden örnekleme içeren bootstrap uygulanmıştır. Kaynakta Q² değerlerinin ekonomik, ekolojik ve sosyal sürdürülebilirlik için sırasıyla 0,58, 0,50 ve 0,44 olduğu belirtilmektedir.

Model uyum göstergeleri

Kaynak RMS theta=0,12 değerini “0,12 sorun eşiğinin altında” olarak nitelendirmektedir. Sayısal olarak değer eşit olduğundan bu ifade kaynakta raporlandığı biçimiyle değerlendirilmelidir.

Kontrol değişkenleri

Modelde firma büyüklüğü, endüstri alt sektörü ve ülke kontrol değişkenleri olarak kullanılmıştır. Firma büyüklüğü çalışan sayısının logaritmasıyla; sektör ve ülke ise dummy değişkenlerle modellenmiştir. Otomotiv sektör, İtalya ise ülke için referans kategoridir.

Kullanılan yazılımlar

• Yapısal model: SmartPLS
• Tanımlayıcı istatistikler: SPSS
• Grafiksel gösterim: Python ve Tableau

Çalışmanın temel metodolojik sınırları

Birinci sınırlılık kesitsel tasarımdır. Değişkenler aynı zaman döneminde ölçüldüğünden uzun vadeli değişim ve nedensel yön tam olarak gösterilemez.

İkinci sınırlılık amaçlı örneklemedir. Çalışmaya zaten yalın üretim ve AI kullanımı konusunda belirli deneyime sahip firmaların dahil edilmesi, sonuçların hiç AI kullanmayan veya yalın olgunluğu düşük tüm üretim işletmelerine genellenmesini sınırlar.

Üçüncü sınırlılık araştırmanın yalnız üretim sektörünü kapsamasıdır. Hizmet sektörü ve kamu kuruluşları için sonuçlar ayrıca test edilmelidir.

Dördüncü sınırlılık firma uygulamalarının yönetici anketleri üzerinden ölçülmesidir. Çalışmada doğrudan üretim hattından enerji tüketimi, hurda, karbon emisyonu, duruş süresi veya maliyet gibi nesnel operasyonel veri serileri kullanılarak aynı model doğrulanmamıştır.

Beşinci olarak, kaynak içindeki örneklem ve güven aralığı tutarsızlıkları raporlanan metodolojik sonuçların dikkatle yorumlanmasını gerektirir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Artificial Intelligence: Accelerating Innovation in Sustainable Lean Production Systems

Yazarlar: Mustapha Jebor; Hanaa Hachimi; Ikhlef Jebbor; Hayet Benhamida; Zoubida Benmamoun.

Yazar sıralaması: Kaynakta verilen sıra aynen korunmuştur.

Eş katkı/eş birinci yazarlık: Kaynakta eş katkı veya eş birinci yazarlık bildirimi bulunmamaktadır.

Sorumlu yazar: Mustapha Jebor.

Kurumsal bağlantılar: Laboratory of Advanced Systems Engineering, National School of Applied Sciences ENSA, Ibn Tofail University Campus, Kenitra, Morocco; College of Engineering and Computing, Liwa University, Abu Dhabi, United Arab Emirates; College of Business, Liwa University, Abu Dhabi, United Arab Emirates.

Kaynak türü ve hakemlik: Administrative Sciences dergisinde yayımlanmış hakemli özgün ampirik araştırma makalesidir.

Dergi: Administrative Sciences

Cilt / sayı / makale numarası: 16 / 4 / 178

Yayın yılı: 2026

Alınma tarihi: 29 Aralık 2025

Revizyon tarihi: 8 Mart 2026

Kabul tarihi: 31 Mart 2026

Yayın tarihi: 7 Nisan 2026

DOI: 10.3390/admsci16040178

Yayınevi: MDPI, Basel, Switzerland.

Resmî kaynak bağlantısı:Administrative Sciences / MDPI resmî makale sayfası

Lisans: Creative Commons Attribution 4.0 International (CC BY 4.0).

Finansman: Yazarlar araştırmanın dış finansman almadığını bildirmiştir.

Etik kurul: Yazarlar, araştırmanın hassas veya kimliği belirlenebilir kişisel veri, tıbbi müdahale, biyolojik örnek, özel sağlık bilgisi, savunmasız grup veya aldatma içermeyen anonim örgütsel anket verilerinden oluşması nedeniyle Fas'taki ulusal araştırma ilkeleri ve ilgili akademik uygulamalar kapsamında formel etik kurul onayının gerekli olmadığını belirtmiştir.

Bilgilendirilmiş onam: Çalışma, bütün katılımcılardan bilgilendirilmiş onam alındığını bildirmektedir.

Veri erişilebilirliği: Çalışmanın özgün katkılarının makale içinde yer aldığı, ek soruların sorumlu yazara yöneltilebileceği belirtilmektedir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Yazar katkıları: Kavramsallaştırma Mustapha Jebor; metodoloji Mustapha Jebor, Hanaa Hachimi, Ikhlef Jebbor ve Zoubida Benmamoun; biçimsel analiz Mustapha Jebor ve Zoubida Benmamoun; araştırma Mustapha Jebor, Hanaa Hachimi, Ikhlef Jebbor ve Zoubida Benmamoun; veri kürasyonu Mustapha Jebor; özgün taslak Mustapha Jebor tarafından gerçekleştirilmiştir. Diğer katkılar kaynakta verilen yazar katkısı beyanına göre paylaşılmıştır.

Temel yöntem: Beş ülkeden üretim firmalarının beşli Likert anket verileri üzerinde reflektif ölçüm modeli kullanan PLS-SEM analizi; moderasyon testi; 5000 örneklemli bootstrap; firma büyüklüğü, sektör ve ülke kontrol değişkenleri.

Önemli kaynak içi raporlama notları: Özet “robust regression” ifadesini kullanmasına karşın yöntem ve sonuç bölümleri PLS-SEM tarif etmektedir. 700 anketten 540 dönüş için verilen %90 yanıt oranı matematiksel olarak uyuşmamaktadır. Önce 680 uygun firmanın davet edildiği belirtilmesi de 700 anket ifadesiyle tam olarak açıklanmamaktadır. Nihai N=528'e geçişin dışlama akışı ayrıntılı olarak verilmemiştir. Ayrıca H1 için β=0,72 değeri, aynı satırda bildirilen [0,57; 0,71] güven aralığının dışındadır. Bu değerler Verianla tarafından değiştirilmemiş, kaynak içi tutarsızlıklar açık biçimde korunmuştur.

Bu Verianla içeriğinin araştırma yöntemi, örneklem bilgileri, katsayıları, model sonuçları ve yorum sınırları yalnız incelenen çalışmaya dayanmaktadır. Dış kaynak yalnız bibliyografik kayıt ve derginin hakemlik statüsünün doğrulanması amacıyla kullanılmıştır.

Çalışma güçlü ve istatistiksel olarak anlamlı ilişkiler raporlasa da kesitsel anket tasarımı, amaçlı örnekleme ve öz-bildirime dayalı yapı nedeniyle sonuçlar nedensel deney kanıtı olarak yorumlanmamalıdır. Çalışmanın önerdiği AI destekli yalın üretim yaklaşımının nesnel enerji, emisyon, hurda, maliyet veya üretkenlik göstergelerinde zaman içinde yarattığı etkilerin ayrıca boylamsal veya deneysel çalışmalarla doğrulanması gerekir.