طراحی و اعتبارسنجی مدل آمادگی هوش مصنوعی در بانکداری مبتنی بر فناوری های مالی: شواهدی از بانک های خصوصی شهر تهران

استقرار اثربخش هوش مصنوعی در بانکداری صرفا به دسترسی به الگوریتم ها و زیرساخت های فناورانه وابسته نیست، بلکه نیازمند مجموعه ای هماهنگ از قابلیت های فنی، سازمانی و فرهنگی در سطح بانک است. با وجود افزایش سرمایه گذاری بانک ها در فناوری های هوشمند، هنوز چارچوب تجربی منسجمی برای سنجش آمادگی درون سازمانی بانک ها و تبیین چگونگی تبدیل این آمادگی به استفاده عملیاتی از هوش مصنوعی، به ویژه در صنعت بانکداری ایران، ارائه نشده است. بر همین اساس، پژوهش حاضر با هدف طراحی و اعتبارسنجی مدل آمادگی هوش مصنوعی در بانکداری مبتنی بر فناوری های مالی انجام شده است. در این مدل، با بهره گیری از منطق سطح سازمانی چارچوب فناوری–سازمان–محیط و رویکرد قابلیت های سازمانی، و با تمرکز بر عوامل درون سازمانی، سه بعد آمادگی فنی، آمادگی سازمانی و آمادگی فرهنگی به عنوان پیشایندهای استفاده عملیاتی از هوش مصنوعی در نظر گرفته شده اند. پژوهش حاضر از نظر هدف، کاربردی و از نظر روش، کمی، توصیفی–همبستگی و مقطعی است. داده ها از طریق پرسشنامه و از ۱۵۰ نفر از مدیران، کارشناسان ارشد و کارشناسان شاغل در شعب بانک های خصوصی شهر تهران، با استفاده از نمونه گیری غیرتصادفی هدفمند و در دسترس گردآوری شد. برای ارزیابی مدل اندازه گیری و آزمون روابط ساختاری، از مدل سازی معادلات ساختاری مبتنی بر حداقل مربعات جزئی و نرم افزارهای SPSS و SmartPLS استفاده شد. پس از پالایش مدل و حذف گویه IT۳ از سازه آمادگی فنی، بارهای عاملی شاخص های باقی مانده در دامنه ۰.۷۱۰ تا ۰.۹۰۷ قرار گرفت. همچنین، پایایی ترکیبی سازه ها بین ۰.۸۷۸ تا ۰.۹۴۱ و میانگین واریانس استخراج شده بین ۰.۵۴۶ تا ۰.۷۲۹ به دست آمد. نتایج مدل ساختاری نشان داد که آمادگی فنی (P=۰.۰۰۱، t=۳.۲۳۶، β=۰.۳۳۶)، آمادگی سازمانی (P=۰.۰۲۵، t=۲.۲۴۹، β=۰.۲۴۹) و آمادگی فرهنگی (P<۰.۰۰۱، t=۴.۲۹۳، β=۰.۳۳۲) رابطه مثبت و معناداری با استفاده عملیاتی از هوش مصنوعی دارند و در مجموع ۷۰.۲ درصد از واریانس آن را تبیین می کنند. در میان این ابعاد، آمادگی فرهنگی بیشترین اندازه اثر را داشت (f۲=۰.۱۵۴). یافته های توصیفی نیز نشان داد که میانگین آمادگی فنی (۲.۷۹) و آمادگی سازمانی (۲.۷۷) پایین تر از نقطه میانی مقیاس پنج درجه ای است؛ در مقابل، میانگین آمادگی فرهنگی (۳.۰۶) و استفاده از هوش مصنوعی (۳.۱۴) اندکی بالاتر از نقطه میانی قرار دارد. تمایز میان آمادگی فنی و آمادگی سازمانی در سطح مرزی ارزیابی شد (=۰.۸۹۸HTMT) و معیار فورنل–لارکر برای این جفت سازه به طور کامل برقرار نبود. بر اساس این یافته ها، آمادگی هوش مصنوعی در بانکداری ماهیتی چندبعدی دارد و توسعه زیرساخت های فنی، تقویت حکمرانی و حمایت سازمانی، و ایجاد اعتماد و فرهنگ تصمیم گیری داده محور باید به صورت هم زمان در برنامه های تحول دیجیتال بانک ها دنبال شود. با این حال، با توجه به مقطعی بودن طرح پژوهش، نمونه گیری غیرتصادفی و ماهیت ادراکی داده ها، یافته های پژوهش صرفا بیانگر روابط ساختاری در چارچوب مدل نظری هستند و نمی توان از آن ها برای استنتاج علیت زمانی استفاده کرد.

کلیدواژه ها:

آمادگی هوش مصنوعی ، استفاده عملیاتی از هوش مصنوعی ، بانکداری مبتنی بر فین تک ، آمادگی فنی ، آمادگی سازمانی ، آمادگی فرهنگی ، مدل سازی معادلات ساختاری