Implementing Disruptive Technologies: What Have We Learned?
Notice bibliographique
Résumé
Rich research opportunities lie ahead for scholars interested in building a theory to explain why and how some organizations succeed while others fail in implementing disruptive technologies. As a complex socio-technical process, implementing disruptive technologies represents an endeavor fraught with challenges. Leaders need tools to assess whether implementing a potentially disruptive technology will succeed or fail; planners need a road map to navigate the implementation’s potential stepping-stones and stumbling blocks. Disruptive technology implementation scholarship is rich, has eclectic roots and conflicting findings, but lacks a success theory. To advance such a theory and guide scholars and practitioners, we conducted a structured and systematic literature review, and examined 139 empirical articles published between 1983 and 2020 in leading management and information systems journals. We focused our attention on answering two questions: How do incumbent organizations implement disruptive technologies successfully? How does the implementation of disruptive digital technologies differ from the implementation of other disruptive technologies? We employed a mixed-method approach using three criteria: technological category, challenges to successful implementation, and degree of implementation success. We identified strategic and technical implementation challenges, developed a technology implementation framework, and advanced propositions that together provide a current disruptive technology implementation success theory pending further testing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,053 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,020 | 0,043 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».