AI-Driven Business Model Innovation and TRIAD-AI in South Asian SMEs: Comparative Insights and Implications
Notice bibliographique
Résumé
Artificial Intelligence (AI) is a transformational force reshaping business processes, financial decision-making, and enabling firms to create, deliver and capture value more effectively. While large corporations in South Asian countries, particularly Bangladesh, India, Pakistan and Sri Lanka have started leveraging AI to drive Business Model Innovation (BMI), Small and Medium Enterprises (SMEs) continue to face significant challenges. These include limited infrastructure, poor bandwidth penetration, unreliable electricity, weak institutional capacity and governance immaturity, along with ethics and compliance concerns. These challenges hinder SMEs from fully exploiting AI-driven BMI and reduce their financial resilience and competitiveness in increasingly digital and globalised markets. This paper examines how South Asian countries are adopting AI technologies in SMEs by comparing patterns and variations in adoption, capability, ethics, risks, compliance, and financial outcomes. The paper proposes a tailored, actionable framework, called TRIAD (Target, Restructure, Integrate, Accelerate, and Democratise)-AI, designed to address technical, organisational and institutional challenges that shape AI-driven BMI across South Asian SMEs and to meet regional and global SME needs. The framework integrates the best practices from global AI leaders such as China, Estonia and Singapore, emphasising responsible AI adoption through robust ethics and compliance standards, and risk management, and offering practical guidance for South Asian SMEs. By adopting this framework, South Asian countries can gain a competitive advantage, enhance operational efficiency, support GDP growth across the region and ensure adherence to all relevant international AI standards for responsible, sustainable, and financially sound innovation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».