Threats or Opportunities? Enhancing Business Performance in the Era of Generative AI
Notice bibliographique
Résumé
Despite Generative AI’s emerging prominence in the business community, its nascent nature presents uncertainties that impede its broader adoption as a disruptive technology. This paper investigates two pertinent conundrums with theoretical and managerial implications. The first pertains to the potential tension surrounding the adoption of Generative AI: is it financially viable for organizations to adopt Generative AI? Organizations might be reluctant to invest without clear financial benefits. The second concerns the role of complementary assets in amplifying the financial benefits brought about Generative AI. In response to these concerns, we conducted a randomized field experiment with a global online tutoring and learning platform. The study yielded three primary findings. First, we not only find a positive spillover effect of Generative AI on existing services, dampening the concern that Generative AI may supplant a firm’s existing services but also support the presence of complementary assets such as an idiosyncratic proprietary database amplifying the beneficial impact of Generative AI. Second, Generative AI increases advertising impression revenues, an effect that is further magnified when used in conjunction with the unique proprietary database. Third, our analysis shows that these effects are enduring, which implies that the proprietary database is an integral, socially complex, and causally ambiguous resource, instrumental in fostering a sustainable competitive edge. We conclude by affirming that our findings align with and contribute to the resource-based view of the firm and the dynamic capabilities perspective.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».