Artificial Intelligence in small businesses: factors influencing its adoption intention

Abstract

Uma convergência de fatores possibilitou avanços sem precedentes no campo da Inteligência Artificial (IA). Por exemplo, novas técnicas permitem que um algoritmo aprenda em poucas horas a jogar um jogo de videogame ou de tabuleiro ao nível de um jogador profissional, sem a necessidade de nenhuma programação prévia relativa às regras do jogo ou a estratégia a ser adotada. Com isso, atividades desempenhadas por humanos treinados, por dependerem de processos cognitivos elaborados, se tornaram alvos de uma nova onda de automação. Assim, espera-se uma considerável magnitude dos impactos da IA na sociedade, nas organizações e nos negócios. Dentre outros impactos, estima-se que ocorrerão mudanças nos modelos de negócios, nos mecanismos econômicos, na gestão, na produtividade, e na natureza do trabalho que poderão colocar em risco 47% dos empregos nos EUA e quase 80% em países em desenvolvimento. No contexto de empresas pequenas, que são vitais para nossa economia, tais implicações e oportunidades tem sido pouco discutido, com poucos grupos de pesquisa no Brasil dedicados ao tema. De fato, pequenas empresas representaram em torno de 99% dos negócios, 60% dos empregos, e 27% do PIB no Brasil em 2017. Assim, para contribuir com esse debate, este estudo teve como objetivo principal a identificação dos fatores que influenciam a intenção de adoção de sistemas de informação baseados em aplicações de IA em pequenas empresas no Brasil. O método misto foi utilizado como metodologia, com a execução de uma pesquisa qualitativa com 43 participantes para a identificação dos fatores de influência na intenção de adoção, onde 5 fatores foram identificados (expectativa de performance, expectativa de esforço, influência social, condições facilitadoras, e auto eficácia), seguida de uma pesquisa quantitativa para a testar uma extensão da teoria unificada da aceitação e uso da tecnologia (UTAUT) que os incorpore. Utilizando-se amostra de 363 participantes, as hipóteses baseadas na influência dos 5 fatores foram aceitas. Além disso, testes de mediação revelaram que a auto eficácia e a influência social mediam o efeito dos outros 3 fatores na intenção de adoção. Finalmente, uma relação de moderação foi encontrada para o tamanho da empresa sobre o efeito da auto eficácia e influência social na intenção de adoção. O modelo encontrado explica 48% da variância da intenção de adoção, atingindo uma generalização para diferentes tamanhos de empresa. Com isso, o presente estudo reduz a lacuna em estudos de adoção de tecnologia em pequenas empresas e a adoção de IA em empresas, suportando acadêmicos e gestores em futuras investigações e tomadas de decisões na área.

A convergence of factors enabled unprecedented advances in the field of Artificial Intelligence (AI). For example, new techniques allow an algorithm to learn in a few hours to play a video game or board game at the level of a professional player, without the need for any prior programming of the game rules or the strategy to be adopted. Thus, activities performed by trained humans, because they depend on elaborated cognitive processes, have been targeted by a new wave of automation. Thus, a considerable magnitude of the impacts of AI is expected in society, organizations, and business. Among other impacts, it is estimated that changes will occur in business models, economic mechanisms, management, productivity, and the nature of the work that could put at risk 47% of jobs in the U.S. and nearly 80% in developing countries. Such implications and opportunities have been little discussed in academia, and only a few research groups in Brazil have been investigating the topic. Paradoxically, the shortage is even more pronounced in small businesses, which are vital for our economy. They accounted for around 99% of the business, 60% of jobs, and 27% of GDP in Brazil in 2017. Thus, to contribute to this debate, the present research proposition's main goal was to identify the factors influencing the intention of adopting IA-based information systems in small companies in Brazil. The mixed-method approach was adopted, where qualitative research was executed with 43 participants and identified five factors influencing the adoption intention (performance expectation, effort expectation, facilitating conditions, social influence, and self-efficacy), followed by quantitative research to test an extension of the unified theory of acceptance and use of technology (UTAUT) incorporating those factors. The hypotheses based on the influence of the five factors were accepted using a sample of 363 participants. In addition, mediation tests revealed that self-efficacy and social influence mediate the effect of the other three factors on the adoption intention. Finally, a moderation relationship was found for the company's size on the effect of self-efficacy and social influence on the adoption intention. The model explains 48% of the variance of the adoption intention, reaching a generalization for different business sizes. Therefore, the present study helps reduce the gap in studies related to technology adoption in small businesses and the adoption of AI-based technologies in companies, supporting academics and managers in future investigations and decision-making in the field.