Artificial intelligence adoption and revenue growth in European SMEs: synergies with IoT and big data analytics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The conventional notion that adopting Artificial Intelligence (AI) positively affects firm performance is often confronted with various examples of failures. In this context, large-scale empirical evidence of the economic performance implications of adopting AI is poor, especially in the context of Small and Medium Sized Enterprises (SMEs). Drawing upon the Resource-Based View and the Digital Complementary Asset literature, we assessed whether the adoption of AI affects SMEs’ revenue growth. Design/methodology/approach First, we examine the relationship between the adoption of AI and SMEs’ revenue growth. Second, we assess whether AI complements the Internet of Things (IoT) and Big Data Analytics (BDA). We use firm-level data from the European Commission in 2020 on 11,429 European SMEs (Flash Eurobarometer 486). Findings Among the key findings, we found that ceteris paribus, the adoption of AI positively affects SMEs’ revenue growth and, in conjunction with IoT and BDA, appears to be even more beneficial. Originality/value Our results suggest that AI fosters SME growth, especially in combination with IoT and BDA. Thus, SME managers should be aware of the positive impacts of investments in AI and make decisions accordingly. Likewise, policymakers are aware of the positive effects of SMEs’ reliance on AI, so they may design policies and funding schemes to push this digitalization of SMEs further.
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.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle