TOE-Framework in AI adoption:  a qualitative analysis of Sicilian SMEs

Кьяра АВАРЕЛЛО; Антонія КАВА; Вероніка МАРОЦЦО; Андреа НУЧІТА

doi:10.31617/1.2025(163)10

Автор(и)

Кьяра АВАРЕЛЛО Університет Мессіни https://orcid.org/0009-0002-1204-7407
Антонія КАВА Університет Мессіни https://orcid.org/0000-0003-2497-6203
Вероніка МАРОЦЦО Університет Мессіни https://orcid.org/0000-0003-2781-5464
Андреа НУЧІТА Університет Мессіни https://orcid.org/0000-0001-6257-5529

DOI:

https://doi.org/10.31617/1.2025(163)10

Ключові слова:

штучний інтелект (ШІ), малі та середні підприємства, структура TOE, цифрова трансформація, якісне дослідження, регіональні інновації

Анотація

Це дослідження аналізує фактори, що сприяють та перешкоджають впровадженню штучного інтелекту (ШІ) серед малих
та середніх підприємств (МСП) на Сицилії, висвітлюючи взаємодію технологічних, організаційних та екологічних факторів у периферійному регіональному контексті. Використовуючи якісний дизайн, було проведено вісім напівструктурованих глибинних інтервʼю
з менеджерами цифрових та традиційних МСП. Дані були проаналізовані за допомогою моделі "Технологія-Організація-Середовище" (TOE). Результати дослідження виявляють яскраво виражену різницю: цифрові МСП розглядають ШІ як стратегічний актив, який вже інтегрований у повсякденні робочі процеси (наприклад, аналіз коду, маркетинг, адміністративна підтримка), повідомляючи про підвищення продуктивності та перехід до завдань з вищою доданою вартістю; тоді як традиційні МСП вважають ШІ віддаленим або надто складним, посилаючись на низьку обізнаність та нечіткі випадки використання. Організаційна культура та лідерство мають вирішальне значення – підприємницьке середовище, сприятливе для експериментів (часто з виділеними ролями "креативних технологів") прискорюють впровадження, тоді як опір серед діючих співробітників та слабка комунікація змін гальмують прогрес. Обмеження, характерні для Сицилії – фрагментовані стимули, нерівномірна цифрова інфраструктура та обмежені мережі знань, – ще більше гальмують впровадження, створюючи ризик поглиблення цифрового розриву. Дослідження пропонує практичні рекомендації: поетапні пілотні проєкти, орієнтовані на конкретні випадки використання, з чітким управлінням; розвиток лідерських якостей і внутрішніх лідерів; безперервне модульне навчання, а також втручання в екосистему (інноваційні хаби, кластерні ініціативи, цільові ваучери/гранти). Теоретично автори просувають соціально-технічний погляд на консолідацію ШІ, який повʼязує мікроорганізаційну динаміку з територіально вбудованими умовами. В цілому, дослідження надає контекстно-залежні докази та практичні рекомендації для сприяння інклюзивній трансформації малих і середніх підприємств за допомогою ШІ

Біографії авторів

Кьяра АВАРЕЛЛО, Університет Мессіни

доктор філософії (Когнітивна наука), Університет Мессіни

Антонія КАВА, Університет Мессіни

к. н. (Соціологія), доцент Університет Мессіни

Вероніка МАРОЦЦО, Університет Мессіни

к. н. (Бізнес та менеджмент), доцент з менеджменту Університет Мессіни

Андреа НУЧІТА, Університет Мессіни

к. н. (Інформатика), доцент з інформатики Кафедра COSPECS, Університет Мессіни

Посилання

Acemoglu, D., & Restrepo, P. (2018) Artificial intelligence, automation, and work. In The economics of artificial intelligence: An agenda, 197-236. University of Chicago Press. http://www.nber.org/chapters/c14027 https://doi.org/10.2139/ssrn.3098384

Agarwal, V., Mathiyazhagan, K., Malhotra, S., & Saikouk, T. (2022). Analysis of challenges in sustainable human resource management due to disruptions by Industry 4.0: an emerging economy perspective. International Journal of Manpower, 43(2), 513-541. https://doi.org/10.1108/IJM-03-2021-0192

Awan, U., Shamim, S., Khan, Z., Zia, N. U., Shariq, S. M., & Khan, M. N. (2021). Big data analytics capability and decision-making: The role of data-driven insight on circular economy performance. Technological Forecasting and Social Change, (168), 120766. https://doi.org/10.1016/j.techfore.2021.120766

Baabdullah, A. M., Alalwan, A. A., Slade, E. L., Raman, R., & Khatatneh, K. F. (2021). SMEs and artificial intelligence (AI): Antecedents and consequences of AI-based B2B practices. Industrial Marketing Management, (9)8, 255-270. https://doi.org/10.1016/j.indmarman.2021.09.003

Babina, T., Fedyk, A., He, A., & Hodson, J. (2024). Artificial intelligence, firm growth, and product innovation. Journal of financial economics, (15)1, 103745.

https://doi.org/10.1016/j.jfineco.2023.103745

Badghish, S., & Soomro, Y. A. (2024). Artificial intelligence adoption by SMEs to achieve sustainable business performance: application of technology-organization-environment framework. Sustainability, 16(5), 1864. https://doi.org/10.3390/su16051864

Baeshen, Y., Soomro, Y. A., & Bhutto, M. Y. (2021). Determinants of green innovation to achieve sustainable business performance: Evidence from SMEs. Frontiers in Psychology, (12), 767968. https://doi.org/10.3389/fpsyg.2021.767968

Bag, S., Pretorius, J. H. C., Gupta, S., & Dwivedi, Y. K. (2021). Role of institutional pressures and resources in the adoption of big data analytics powered artificial intelligence, sustainable manufacturing practices and circular economy capabilities. Technological Forecasting and Social Change, (163), 120420. https://doi.org/10.1016/j.techfore.2020.120420

Baker, J. (2011). The technology-organization-environment framework. Information Systems Theory: Explaining and Predicting Our Digital Society, (1), 231-245. https://doi.org/10.1007/978-1-4419-6108-2_12

Bakhtiari, S., Breunig, R., Magnani, L., & Zhang, J. (2020). Financial constraints and small and medium enterprises: A review. Economic Record, 96(315), 506-523. https://doi.org/10.1111/1475-4932.12560

Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., ... & Williams, M. D. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International journal of information management, (57), 101994. https://doi.org/10.1016/j.ijinfomgt.2019.08.002

Gherghina, Ș. C., Botezatu, M. A., Hosszu, A., & Simionescu, L. N. (2020). Small and medium-sized enterprises (SMEs): The engine of economic growth through investments and innovation. Sustainability, 12(1), 347. https://doi.org/10.3390/su12010347

Ho, L. T., Gan, C., Jin, S., & Le, B. (2022). Artificial intelligence and firm performance: does machine intelligence shield firms from risks? Journal of risk and financial management, 15(7), 302. https://doi.org/10.3390/jrfm15070302

Khalid, N. (2020). Artificial intelligence learning and entrepreneurial performance among university students: evidence from malaysian higher educational institutions, Journal of Intelligent & Fuzzy Systems, 39(4), 5417-5435. https://doi.org/10.3233/JIFS-189026

Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), 103434. https://doi.org/10.1016/j.im.2021.103434

Rawashdeh, A., Bakhit, M., & Abaalkhail, L. (2023). Determinants of artificial intelligence adoption in SMEs: The mediating role of accounting automation. International Journal of Data and Network Science, 7(1), 25-34. https://doi.org/10.5267/j.ijdns.2022.12.010

Schwaeke, J., Peters, A., Kanbach, D. K., Kraus, S., & Jones, P. (2024). The new normal: The status quo of AI adoption in SMEs. Journal of small business management, 1-35. https://doi.org/10.1080/00472778.2024.2379999

Sestino, A., & De Mauro, A. (2022). Leveraging artificial intelligence in business: Implications, applications and methods. Technology analysis & strategic management, 34(1), 16-29. https://doi.org/10.1080/09537325.2021.1883583

Sun, T. Q., & Medaglia, R. (2019). Mapping the challenges of Artificial Intelligence in the public sector: Evidence from public healthcare. Government information quarterly, 36(2), 368-383. https://doi.org/10.1016/j.giq.2018.09.008

Venkateswarlu, Y., Baskar, K., Wongchai, A., Gauri Shankar, V., Paolo Martel Carranza, C., Gonzáles, J. L. A., & Murali Dharan, A. R. (2022). An Efficient Outlier Detection with Deep Learning‐Based Financial Crisis Prediction Model in Big Data Environment. Computational Intelligence and Neuroscience, (1), 4948947. https://doi.org/10.1155/2022/4948947

Yu, W., Chavez, R., Feng, M., Wong, C. Y., & Fynes, B. (2020). Green human resource management and environmental cooperation: An ability-motivation-opportunity and contingency perspective. International Journal of Production Economics, (219), 224-235. https://doi.org/10.1016/j.ijpe.2019.06.013

Zhang, W., Zuo, N., He, W., Li, S., & Yu, L. (2021). Factors influencing the use of artificial intelligence in government: Evidence from China. Technology in Society, (66), 101675. https://doi.org/10.1016/j.techsoc.2021.101675