Steering Organizational Change in an AI-Driven World: An Adaptive Leadership Framework for Digital Transformation
Notice bibliographique
Résumé
Abstract: In today’s fast-paced and technologically advanced business environment, organizations are under considerable pressure to integrate artificial intelligence (AI) tools to maintain competitiveness and enhance performance (Vial, 2019; Haenlein and Kaplan, 2021). However, such integration often encounters resistance, primarily due to poor communication, cultural misalignment, and lack of employee involvement (Tabrizi et al., 2019; Hiatt, 2020). This paper investigates the case of a mid-sized firm facing these very challenges during its AI adoption journey. Using the Leading Complex Change framework, the study explores how environmental conditions, internal structures, and leadership behavior interact to either enable or hinder transformation (Kane et al., 2021). Through a synthesis of scholarly research and practitioner insights, the paper proposes a hybrid change management strategy that combines structured models like ADKAR with adaptive leadership techniques. This blended approach emphasizes continuous learning, inclusive engagement, and psychological safety, which together foster higher levels of employee commitment and organizational agility. The findings offer a pragmatic blueprint with broad applicability for organizations navigating similar AI-driven transformations (Nguyen et al., 2022; Garvin and Malhotra, 2023). Keywords: Artificial Intelligence (AI), ADKAR Model, Mid-Sized Enterprises, Digital Capability Building, Organizational Agility, AI Implementation Challenges
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».