SMEs' use of AI for new product development: Adoption rates by application and readiness-to-adopt
Notice bibliographique
Résumé
Artificial Intelligence (AI) is poised to transform all aspects of business, and with it, new product development (NPD). Pioneering companies that are early adopters of AI for NPD have reaped substantial rewards, seeing notable reductions in development timelines and a heightened pace of innovation. These are larger firms like Siemens, GE, Nestle, and Pfizer; but what about the more typical or smaller firm? To address this question, we surveyed Irish small-to-medium-sized enterprises (SMEs), organized by the Innovation and Research Development Group (IRDG) in Ireland. This article unveils the study's findings, shedding light on the current implementation status of AI across 13 crucial applications in NPD. It also delves into the SMEs' intentions to adopt AI in their NP processes in the foreseeable future, along with the improvements that AI has already brought. Importantly, the study also focuses on SMEs' readiness to adopt AI for NPD, the most important metrics gauging readiness, and possible causes of hesitancy to adopt AI. SMEs in the study have not implemented AI across any of the 13 possible application areas in NPD to a great extent, and the intent-to-adopt is also not strong. Performance results from deploying AI in NPD to date are modest, averaging about 27 % improvement on each of the five KPIs. Further, SMEs' readiness-to-adopt AI for NPD reveals that they are not strongly committed to moving ahead with AI in NPD for a variety of reasons, including the high costs of acquiring AI; challenges in building a strong business case; cybersecurity and IP risks; and recent AI failures. The urgency to act and embrace AI in NPD becomes evident as we uncover the immense potential it holds for propelling businesses into a future of enhanced productivity, efficiency, and innovation. • AI has many potential applications and benefits for NPD, but few SMEs have adopted AI for NPD. • Readiness to adopt AI is lacking among SMEs – no management commitment, a lack of trust, and no demonstrated value. • SMEs must start the AI journey now or be left behind. The AI wave will crest before the end of this decade. • Firms should follow a proven technology adoption and deployment map, much like the RAPID process.
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 | 0,005 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».