The effects of artificial intelligence on human resource activities and the roles of the human resource triad: opportunities and challenges
Notice bibliographique
Résumé
Introduction: This study analyzes the existing academic literature to identify the effects of artificial intelligence (AI) on human resource (HR) activities, highlighting both opportunities and associated challenges, and on the roles of employees, line managers, and HR professionals, collectively referred to as the HR triad. Methods: We employed the scoping review method to capture and synthesize relevant academic literature in the AI-human resource management (HRM) field, examining 27 years of research (43 peer-reviewed articles are included). Results: Based on the results, we propose an integrative framework that outlines the five primary effects of AI on HR activities: task automation, optimized HR data use, augmentation of human capabilities, work context redesign, and transformation of the social and relational aspects of work. We also detail the opportunities and challenges associated with each of these effects and the changes in the roles of the HR triad. Discussion: This research contributes to the ongoing debate on AI-augmented HRM by discussing the theoretical contributions and managerial implications of our findings, along with avenues for future research. By considering the most recent studies on the topic, this scoping review sheds light on the effects of AI on the roles of the HR triad, enabling these key stakeholders to better prepare for this technological change. The findings can inform future academic research, organizations using or considering the application of AI in HRM, and policymakers. This is particularly timely, given the growing adoption of AI in HRM activities.
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 | 0,047 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,011 |
| Communication savante | 0,014 | 0,012 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».