پیوندهای مفید
آمار
| تعداد نشریات | 32 |
| تعداد شماره‌ها | 601 |
| تعداد مقالات | 5,864 |
| تعداد مشاهده مقاله | 8,835,700 |
| تعداد دریافت فایل اصل مقاله | 6,473,457 |
پیشایندها و پیامدهای پذیرش هوش مصنوعی در صنعت بانکداری | ||
| پژوهشنامه مدیریت اجرایی | ||
| دوره 17، شماره 34، اسفند 1404، صفحه 193-213 اصل مقاله (726.79 K) | ||
| نوع مقاله: فناوری(سیستم اطلاعاتی مدیریت، مدیریت دانش، برون سپاری، سیاستگذاری فناوری، انتقال فناوری، اکوسیستم فناوری، تجاری‌سازی فناوری، فناوری‌های پیشرفته، . . . ) | ||
| شناسه دیجیتال (DOI): 10.22080/jem.2026.31429.4039 | ||
| نویسندگان | ||
| فاطمه فدائی اسلام1؛ عباسعلی رستگار* 2؛ هوشمند باقری قره بلاغ3 | ||
| 1دانشجوی کارشناسی ارشد، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان | ||
| 2استاد، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران. | ||
| 3استادیار گروه مدیریت بازرگانی، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران | ||
| تاریخ دریافت: 15 فروردین 1405، تاریخ بازنگری: 27 تیر 1405، تاریخ پذیرش: 12 مهر 1405 | ||
| چکیده | ||
| گسترش فناوری‌های دیجیتال، به‌ویژه هوش مصنوعی، تحولات گسترده‌ای در صنعت بانکداری ایجاد کرده است؛ بااین‌حال، باوجود سرمایه‌گذاری‌های صورت‌گرفته در نظام بانکی ایران، چارچوبی منسجم و مبتنی بر شواهد تجربی برای تبیین پیشایندها و پیامدهای پذیرش هوش مصنوعی در سطح سازمانی بانک‌ها وجود ندارد و اغلب مطالعات داخلی، کاربردها یا موانع این فناوری را به‌صورت پراکنده بررسی کرده‌اند. این خلأ نظری و تجربی، ضرورت انجام پژوهشی اکتشافی را در بستر واقعی یک بانک ایرانی آشکار می‌سازد. ازاین‌رو، هدف پژوهش حاضر، شناسایی و تبیین پیشایندها و پیامدهای پذیرش هوش مصنوعی در بانک ملت است. این پژوهش از نظر ماهیت، کیفی و از نظر هدف، کاربردی است و با رویکرد نظریه داده‌بنیاد انجام شده است. برای اجرای نظریه داده‌بنیاد، از رویکرد نظام‌مند اشتراوس و کوربین استفاده شد. داده‌های پژوهش از طریق مصاحبه‌های نیمه‌ساختاریافته با خبرگان، مدیران و متخصصان حوزه فناوری اطلاعات و بانکداری در شعب بانک ملت شهر سمنان گردآوری شد. نمونه‌گیری به‌صورت هدفمند انجام گرفت و فرایند گردآوری داده‌ها تا دستیابی به اشباع نظری ادامه یافت؛ درنهایت، ۱۰ مصاحبه مورد تحلیل قرار گرفت. تحلیل داده‌ها با استفاده از نرم‌افزار MAXQDA و بر اساس مراحل کدگذاری باز، محوری و انتخابی انجام شد. نتایج تحلیل داده‌ها به استخراج ۴۴ کد باز، ۱۷ مقوله فرعی و ۷ مقوله اصلی منجر شد. این مقوله‌ها عبارت‌اند از: تحول در خدمات و عملیات بانکی، الزامات فنی و زیرساختی، مزایای راهبردی و رقابتی، ملاحظات امنیتی و اخلاقی، مدیریت تغییر و منابع انسانی، چالش‌های پیاده‌سازی و افق آینده و نوآوری. یافته‌ها نشان داد که مزایای راهبردی و رقابتی، به‌عنوان محرک‌های اصلی پذیرش هوش مصنوعی، عمل می‌کنند؛ درحالی‌که زیرساخت‌های فنی، آمادگی منابع انسانی و حمایت مدیریتی، به‌عنوان شرایط زمینه‌ای، نقش مهمی در موفقیت این فرایند دارند. همچنین، ملاحظات امنیتی و اخلاقی و چالش‌های فنی و انسانی، ازجمله عوامل مداخله‌گر در پذیرش این فناوری، شناسایی شدند. نتایج پژوهش نشان می‌دهد که پذیرش هوش مصنوعی در بانک ملت، مستلزم هم‌راستایی زیرساخت‌های فناورانه، آمادگی سازمانی، توانمندی منابع انسانی و چارچوب‌های نظارتی مناسب است. تحقق این شرایط می‌تواند زمینه تحول در خدمات بانکی، افزایش بهره‌وری عملیاتی و تقویت مزیت رقابتی بانک‌ها را فراهم سازد و مسیر حرکت به‌سوی بانکداری هوشمند و داده‌محور را تسریع کند. | ||
| کلیدواژه‌ها | ||
| هوش مصنوعی؛ پذیرش فناوری؛ نظریه داده‌بنیاد؛ بانکداری هوشمند | ||
| موضوعات | ||
| فناوری | ||
| عنوان مقاله [English] | ||
| Antecedents and Consequences of Artificial Intelligence Adoption in Banking Industry | ||
| نویسندگان [English] | ||
| Fatemeh Fadaei-Eslam1؛ Abbasali Rastgar2؛ Hooshmand Bagheri Garbollagh3 | ||
| 1Master's student, Faculty of Economics, Management and Administrative Sciences, Semnan University, Semnan, Iran. | ||
| 2Professor, Faculty of Economics, Management and Administrative Sciences, Semnan University, Semnan, Iran. | ||
| 3Assistant Professor, Department of Business Management, Faculty of Economics, Management, Urmia University, Urmia, Iran | ||
| چکیده [English] | ||
| Rapid advancements in emerging technologies, particularly artificial intelligence (AI), have fundamentally transformed banking service delivery methods. However, the adoption and implementation of AI is a multidimensional phenomenon, influenced by a wide range of technological, organizational, human, and environmental factors. The purpose of this study is to identify and analyze the antecedents and consequences of AI adoption in Bank Mellat. This research adopts a qualitative and exploratory approach and is conducted within an interpretive paradigm using grounded theory methodology. Research data were collected through semi-structured interviews with experts, managers, and specialists who have relevant experience in AI applications at Bank Mellat branches in Semnan city. Purposeful sampling was employed, and data collection continued until theoretical saturation was achieved, resulting in ten interviews. Data analysis was carride out using MAXQDA software through open, axial, and selective coding procedures. The findings led to the extraction of 44 open codes, 17 subcategories, and 7 main categories that explain different dimensions of AI adoption in banking. The results indicate that factors such as technical and information infrastructure, legal and regulatory requirements, organizational culture, human and technical challenges, and strategic and competitive advantages play a decisive role in the successful adoption and implementation of AI in Bank Mellat. The findings of this study provide a scientific basis for banking managers and financial policymakers to design a digital transformation roadmap and advance smart banking initiatives. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Intelligence, Technology Adoption, Grounded Theory, Smart Banking | ||
| مراجع | ||
|
Abbasi, F. (2025). Adoption of artificial intelligence capabilities in digital banking and fintech with emphasis on digital marketing and service personalization. Quarterly of New Research in Management and Accounting, undefined(undefined). https://civilica.com/doc/2281265 [In Persian] AL-Dosari, K., Fetais, N., & Kucukvar, M. (2022). Artificial Intelligence and Cyber Defense System for Banking Industry: A Qualitative Study of AI Applications and Challenges. In Cybernetics and Systems (Vol. 55, Issue 2, pp. 302–330). https://doi.org/10.1080/01969722.2022.2112539 AL-Dosari, K., Fetais, N., & Kucukvar, M. (2024). Artificial Intelligence and Cyber Defense System for Banking Industry: A Qualitative Study of AI Applications and Challenges. In Cybernetics and Systems (Vol. 55, Issue 2, pp. 302–330). https://doi.org/10.1080/01969722.2022.2112539 Alrsheedi, A., & P. Iskandar, Y. H. (2025). Key factors influencing fintech adoption among Saudi banks: a conceptual framework. Humanities and Social Sciences Communications, 12(1), 1194. https://doi.org/10.1057/s41599-025-05532-1 Arner, D. W., Buckley, R. P., Zetzsche, D. A., & Veidt, R. (2020). Sustainability, FinTech and financial inclusion. European Business Organization Law Review, 21(1), 7–35. Baffour Gyau, E., Appiah, M., Gyamfi, B. A., Achie, T., & Naeem, M. A. (2024). Transforming banking: Examining the role of AI technology innovation in boosting banks financial performance. International Review of Financial Analysis, 96, 103700. https://doi.org/https://doi.org/10.1016/j.irfa.2024.103700 Byambaa, O., Yondon, C., Rentsen, E., Darkhijav, B., & Rahman, M. (2025). An empirical examination of the adoption of artificial intelligence in banking services: the case of Mongolia. Future Business Journal, 11(1), 76. https://doi.org/10.1186/s43093-025-00504-y Castelnovo, A. (2024). Towards responsible ai in banking: Addressing bias for fair decision-making. ArXiv Preprint ArXiv:2401.08691. Chen, X.-Q., Ma, C.-Q., Ren, Y.-S., Lei, Y.-T., Huynh, N. Q. A., & Narayan, S. (2023). Explainable artificial intelligence in finance: A bibliometric review. Finance Research Letters, 56, 104145. Dang, Q., & Li, G. (2025). Unveiling trust in AI: the interplay of antecedents, consequences, and cultural dynamics. AI & SOCIETY. https://doi.org/10.1007/s00146-025-02477-6 Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 319–340. Dearing, J. W. (2009). Applying Diffusion of Innovation Theory to Intervention Development. Research on Social Work Practice, 19(5), 503–518. https://doi.org/10.1177/1049731509335569 Douglas, D. D. (2024). The Transformative Impact of AI in Finance and Banking. Journal of Investment, Banking and Finance, 2(1), 01–08. https://doi.org/10.33140/jibf.02.01.06 Eftekhari-Sinijani, S. Sh., Roosta, A., & Naami, A. (2021). Investigating the impact of factors affecting financial technology adoption by bank customers: A case study of Pasargad Bank. Scientific and Research Quarterly of Investment Knowledge, 10(38), 135–153. https://sanad.iau.ir/Journal/jik/Article/842736 [In Persian] Famili, R., Roosta, A., & Ahmadi Sharif, M. (2024). Organizational transformation through artificial intelligence technologies and marketing strategies in the banking industry. Personal Development and Organizational Transformation, 2(1 SE-Articles), 1–16. https://doi.org/10.61838/kman.jpdot.180 [In Persian] Fares, O., Butt, I., & Lee, S. (2022). Utilization of artificial intelligence in the banking sector: a systematic literature review. Journal of Financial Services Marketing, 28. https://doi.org/10.1057/s41264-022-00176-7 Goodell, J. W., Kumar, S., Lim, W. M., & Pattnaik, D. (2021). Artificial intelligence and machine learning in finance: Identifying foundations, themes, and research clusters from bibliometric analysis. Journal of Behavioral and Experimental Finance, 32, 100577. Ikhsan, R. B., Fernando, Y., Prabowo, H., Yuniarty, Gui, A., & Kuncoro, E. A. (2025). An empirical study on the use of artificial intelligence in the banking sector of Indonesia by extending the TAM model and the moderating effect of perceived trust. Digital Business, 5(1), 100103. https://doi.org/https://doi.org/10.1016/j.digbus.2024.100103 Isa-Abadi, A. (2024). Artificial intelligence and legal transformations in the banking system: From supervision to regulatory compliance. Journal of Accounting and Economic Sciences Research, 8(31), 15. https://www.magiran.com/paper/2816116 [In Persian] Johnson, K., Pasquale, F., & Chapman, J. (2019). Artificial intelligence, machine learning, and bias in finance: toward responsible innovation. Fordham L. Rev., 88, 499. Karimi-Kasbi, R., & Mousavi, S. (2024). Investigating the infrastructure for implementing artificial intelligence in Iran's banking industry. In Proceedings of the First National Conference on Accounting and Business Management in the Digital World (p. 18). https://civilica.com/doc/2117513 [In Persian] Lazo, M., & Ebardo, R. (2023). Artificial Intelligence Adoption in the Banking Industry: Current State and Future Prospect. Journal of Innovation Management, 11. https://doi.org/10.24840/2183-0606_011.003_0003 Marikyan, D., & Papagiannidis, S. (2025). Technology acceptance model. In S. Papagiannidis (Ed), TheoryHub Book. https://doi.org/10.4018/978-1-59140-792-8.ch038 Mhlongo, N., Kunjal, D., & Muzindutsi, P.-F. (2025). The influence of Fintech innovations on bank competition and performance in South Africa. Modern Finance, 3(2), 1–12. https://doi.org/10.61351/mf.v3i2.252 Moradian, F., & Behvar, Sh. (2024). Barriers to artificial intelligence adoption in banking services: A case study of Iran. Journal of Technology Development Management, 12(3), 9–34. https://doi.org/10.22104/jtdm.2024.6977.3334 [In Persian] Noreen, U., Shafique, A., Ahmed, Z., & Ashfaq, M. (2023). Banking 4.0: Artificial intelligence (AI) in banking industry & consumer’s perspective. Sustainability, 15(4), 3682. Rahman, M., Ming, T. H., Baigh, T. A., & Sarker, M. (2023). Adoption of artificial intelligence in banking services: an empirical analysis. In International Journal of Emerging Markets (Vol. 18, Issue 10, pp. 4270–4300). https://doi.org/10.1108/IJOEM-06-2020-0724. Ridzuan, N. N., Masri, M., Anshari, M., Fitriyani, N. L., & Syafrudin, M. (2024). AI in the Financial Sector: The Line between Innovation, Regulation and Ethical Responsibility. In Information (Vol. 15, Issue 8). https://doi.org/10.3390/info15080432 Ris, K., Stankovic, Z., & Avramovic, Z. (2020). Implications of Implementation of Artificial Intelligence in the Banking Business with Correlation to the Human Factor. Journal of Computer and Communications, 08(11), 130–144. https://doi.org/10.4236/jcc.2020.811010 Schrank, J. (2025). The impact of artificial intelligence on behavioral intentions to use mobile banking in the post-COVID-19 era. Frontiers in Artificial Intelligence, Volume 8-. https://doi.org/10.3389/frai.2025.1649392 Taghipour, Z., & Moradhasel, N. (2020). The role of artificial intelligence in modern banking. In Proceedings of the First International Conference on Challenges and Innovative Solutions in Industrial Engineering, Management, and Accounting. https://civilica.com/doc/1045627 [In Persian] Tao, R., Su, C.-W., Xiao, Y., Dai, K., & Khalid, F. (2021). Robo advisors, algorithmic trading and investment management: Wonders of fourth industrial revolution in financial markets. Technological Forecasting and Social Change, 163, 120421. Vuković, D. B., Dekpo-Adza, S., & Matović, S. (2025). AI integration in financial services: a systematic review of trends and regulatory challenges. Humanities and Social Sciences Communications, 12(1), 562. https://doi.org/10.1057/s41599-025-04850-8 | ||
|
آمار تعداد مشاهده مقاله: 0 تعداد دریافت فایل اصل مقاله: 1 |
||