Interrogating the Economic, Environmental, and Social Impact of Artificial Intelligence and Big Data in Sustainable Entrepreneurship
Notice bibliographique
Résumé
ABSTRACT Artificial intelligence and big data are increasingly being integrated into sustainable entrepreneurship practices. Yet, conventional literature often neglects to critically examine their economic, environmental, and social implications. We conducted a systematic literature review to understand when, how, and for whom artificial intelligence and big data in sustainable entrepreneurship generate value. Our findings suggest that the three dimensions of sustainability—economic, environmental, and social—should be examined through a tri‐level impact prism: the immediate efficiency or transparency gains firms report; the hidden or temporally deferred costs that accumulate; and—notably—the distributional consequences that determine who reaps the benefits and who inherits the burdens. Direct benefits can evolve into costs over time and, if neglected, may reinforce injustices that rebound and erode future gains. Whether the broader trajectory settles on the virtuous or vicious side of that loop depends on five boundary conditions: organizational capabilities, technological maturity, socio‐cultural values, sectoral and regulatory context, and temporal dynamics. Our study advances theory by extending the triple‐bottom‐line lens into a reflexive impact‐by‐cost framework—one that foregrounds rebound effects and justice considerations, injects power, path dependency, and distributional conflict into socio‐technical transition debates, and recasts contingency and dynamic capabilities theories around shifting cost and justice configurations.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».