A carregar...
Publicação
From 0 to 100 : AI maturity and business transformation
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 871.94 KB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This thesis investigates how organizations measure the return on investment (ROI) of artificial intelligence (AI) initiatives and which practices and challenges shape this evaluation in practice by drawing on qualitative expert interviews, an extensive review of the academic literature, and an analysis of corporate reporting practices. It is shown that the measurement of artificial intelligence return on investment cannot be reduced to a single metric or evaluation logic, as value creation occurs across multiple organizational levels and includes financial outcomes as well as capability development, learning effects, and strategic positioning. Accordingly, heterogeneous measurement approaches are applied depending on the scope of artificial intelligence implementation and the type of anticipated value. Based on the empirical findings, a framework for artificial intelligence return on investment measurement is developed that differentiates between project-based and organization-wide initiatives as well as between soft and hard return orientations, resulting in four overarching measurement logics. These comprise adoption and fluency scorecards, use-case-specific financial evaluations based on counterfactuals, governance-related value indicators, and enterprise-level artificial intelligence infrastructure economics. Rather than offering a prescriptive solution, the framework provides an integrative lens that structures existing practices and clarifies the conditions under which different measurement approaches are applied. By doing so, the study contributes to the literature on artificial intelligence and strategic management by advancing the understanding of how organizations assess the value of artificial intelligence investments and by deriving practical implications for the design of measurement systems that capture both short-term performance and long-term strategic impact.
Esta dissertação analisa a forma como as organizações medem o retorno sobre o investimento (ROI) de iniciativas de inteligência artificial (IA), com base em entrevistas qualitativas com especialistas, numa revisão da literatura académica e numa análise de práticas de reporte corporativo. Demonstra-se que a medição do ROI em IA não pode ser reduzida a uma métrica única, uma vez que a criação de valor ocorre em diferentes níveis organizacionais e abrange resultados financeiros, desenvolvimento de capacidades, efeitos de aprendizagem e posicionamento estratégico. Em consequência, são adotadas abordagens de medição diferenciadas, consoante o âmbito da implementação da IA e o tipo de valor esperado. Com base nos resultados empíricos, é desenvolvido um enquadramento para a medição do ROI em IA que distingue entre iniciativas baseadas em projetos e iniciativas ao nível organizacional, bem como entre orientações de retorno suave e retorno duro. Dessa distinção resultam quatro lógicas gerais de medição, incluindo scorecards de adoção e fluência, avaliações financeiras específicas por caso de uso baseadas em contrafactuais e indicadores de valor associados à governação e à economia da infraestrutura de IA ao nível empresarial. Em vez de propor uma solução prescritiva, o enquadramento fornece uma perspetiva integradora que estrutura as práticas existentes e clarifica as condições de aplicação das diferentes abordagens, contribuindo para a literatura sobre inteligência artificial e gestão estratégica e permitindo a derivação de implicações práticas para sistemas de medição que captem tanto o desempenho de curto prazo como o impacto estratégico de longo prazo.
Esta dissertação analisa a forma como as organizações medem o retorno sobre o investimento (ROI) de iniciativas de inteligência artificial (IA), com base em entrevistas qualitativas com especialistas, numa revisão da literatura académica e numa análise de práticas de reporte corporativo. Demonstra-se que a medição do ROI em IA não pode ser reduzida a uma métrica única, uma vez que a criação de valor ocorre em diferentes níveis organizacionais e abrange resultados financeiros, desenvolvimento de capacidades, efeitos de aprendizagem e posicionamento estratégico. Em consequência, são adotadas abordagens de medição diferenciadas, consoante o âmbito da implementação da IA e o tipo de valor esperado. Com base nos resultados empíricos, é desenvolvido um enquadramento para a medição do ROI em IA que distingue entre iniciativas baseadas em projetos e iniciativas ao nível organizacional, bem como entre orientações de retorno suave e retorno duro. Dessa distinção resultam quatro lógicas gerais de medição, incluindo scorecards de adoção e fluência, avaliações financeiras específicas por caso de uso baseadas em contrafactuais e indicadores de valor associados à governação e à economia da infraestrutura de IA ao nível empresarial. Em vez de propor uma solução prescritiva, o enquadramento fornece uma perspetiva integradora que estrutura as práticas existentes e clarifica as condições de aplicação das diferentes abordagens, contribuindo para a literatura sobre inteligência artificial e gestão estratégica e permitindo a derivação de implicações práticas para sistemas de medição que captem tanto o desempenho de curto prazo como o impacto estratégico de longo prazo.
Descrição
Palavras-chave
Artificial intelligence Return on investment AI value measurement Digital transformation Strategic management Inteligência artificial Retorno sobre o investimento Medição do valor da IA Transformação digital Gestão estratégica
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC