Artificial intelligence adoption for pharmaceutical salesforce performance: a case study in Kuwait
Notice bibliographique
Résumé
Purpose The research aims to investigate the factors influencing the adoption of artificial intelligence (AI) in pharmaceutical industry companies, specifically focusing on its impact on salesforce performance. Design/methodology/approach We collected research data from pharmaceutical industry companies, specifically the salesforce teams, using a valid and reliable questionnaire. Descriptive data analysis was used to summarize the participants’ demographic characteristics, and inferential data analysis employed partial least squares structural equation modeling (PLS-SEM) to assess the reliability and validity of the measurement model and the relationships between variables. Findings About 176 questionnaires were completed, and only 169 were deemed complete and used for data analysis. This study reveals a significant relationship between pharmaceutical salesforce performance and AI adoption (a path coefficient of 0.647, a p-value of 0.000 and an R2 of 0.584). Supervisory support and career development emerged as the essential variables of pharmaceutical salesforce performance, with the strongest relationship to AI adoption, as indicated by a path coefficient of 0.434 and a p-value of 0.000. Practical implications Based on the results of this study, supervisory support drives AI adoption, underscoring the importance of leaders during technological transformations. Supervisors help minimize employees’ opposition to change by providing concise direction, training and persuasion. By providing clear guidance, training and persuasion, supervisors decrease employee resistance to change. This supports community socioeconomic growth by enhancing patient care and access to healthcare, especially in underserved areas. Originality/value This paper is the first to link salesforce performance and AI adoption in pharmaceutical companies.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».