Implementation of artificial intelligence project, quality internal and external supply chain integration, responsiveness for operational performance in manufacturing
Notice bibliographique
Résumé
This paper analyzes the effect of Artificial Intelligence (AI) implementation projects on the operational performance of manufacturing companies in Indonesia, considering the mediating role of quality internal integration, quality external integration, and supply chain responsiveness. This study uses a quantitative research approach, utilizing a survey method, with 109 manufacturing companies in Java and Bali that have adopted AI technology in their production processes. Data processing was carried out using the Partial Least Squares (PLS) approach. The results indicate that the AI implementation project has a significant impact on both internal quality integration and external quality integration but does not directly affect supply chain responsiveness or operational performance. Quality internal integration is proven to be a key variable that significantly affects quality external integration, supply chain responsiveness, and operational performance. Meanwhile, quality external integration has a significant effect on supply chain responsiveness but not on operational performance directly. Additionally, supply chain responsiveness has been proven to positively contribute to improving operational performance. The conceptual model developed in this study successfully demonstrates a multi-layered influence path from AI implementation project to operational performance through quality integration and supply chain responsiveness. This study highlights the importance of synergy between AI technology and internal and externally integrated quality management systems in achieving operational excellence in the manufacturing sector. These findings expand the theoretical understanding of the strategic role of AI in the context of supply chain and operational quality.
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 ».