논문 리뷰 : 디지털 시대에서 인공지능의 전략적 사용

Borges, Aline FS, et al. (2021)

The strategic use of artificial intelligence in the digital era: Systematic literature review and future research directions

Borges, Aline FS, et al. "The strategic use of artificial intelligence in the digital era: Systematic literature review and future research directions." International journal of information management 57 (2021): 102225.

https://ideas.repec.org/a/eee/ininma/v57y2021ics0268401219317906.html

The strategic use of artificial intelligence in the digital

A B S T R A C T 

Artificial Intelligence tools have attracted attention from the literature and business organizations in the last decade, especially by the advances in machine learning techniques.

인공지능 도구들은 지난 10년간 문헌과 비즈니스 조직들로부터 큰 주목을 받았으며, 특히 기계 학습 기술의 발전에 의해 주목받고 있다. 

However, despite the great potential of AI technologies for solving problems, there are still issues involved in practical use and lack of knowledge as regards using AI in a strategic way, in order to create business value.

그러나 문제 해결에 대한 인공지능 기술의 잠재력이 크더라도, 실용적 사용에서의 문제점과 전략적으로 AI를 사용하여 비즈니스 가치를 창출하는 데 대한 지식 부족은 여전히 존재한다. 

In this context, the present study aims to fill this gap by: providing a critical literature review related to the integration of AI to organizational strategy; synthetizing the existing approaches and frameworks, highlighting the potential benefits, challenges and opportunities; presenting a discussion about future research directions.

이러한 맥락에서 본 연구는 AI와 조직 전략의 통합과 관련된 비판적 문헌 검토를 제공하고, 기존 접근 방법과 프레임워크를 종합하며, 잠재적 이점, 도전과 기회를 강조하고, 미래 연구 방향에 대한 논의를 제공하고자 한다. 

Through a systematic literature review, research articles were analyzed.

체계적인 문헌 검토를 통해 연구 논문들이 분석되었다. 

Besides gaps for future studies, a conceptual framework is presented, discussed according to four sources of value creation: (i) decision support; (ii) customer and employee engagement; (iii) automation; and (iv) new products and services.

미래 연구를 위한 격차 외에도 개념적 프레임워크가 제시되었으며, 이는 가치 창출의 네 가지 출처에 따라 논의되었다: (i) 의사 결정 지원, (ii) 고객 및 직원 참여, (iii) 자동화, (iv) 새로운 제품 및 서비스. 

These findings contribute to both theoretical and managerial perspectives, with extensive opportunities for generating novel theory and new forms of management practices.

이러한 발견들은 이론적 및 관리적 관점 모두에 기여하며, 새로운 이론과 경영 실천 방식을 창출할 수 있는 광범위한 기회를 제공한다. 

Keywords: Artificial intelligence, Deep learning, Machine learning, Business strategy, Information technology, Literature review

1. Introduction 

In the digital era, the business world has required shorter response times and more attention to the competitive landscapes, which can change more quickly than ever before (Venkatraman, 2017).

디지털 시대에는 비즈니스 세계에서 더 짧은 응답 시간과 빠르게 변화하는 경쟁 환경에 대한 더 많은 주의가 요구된다 (Venkatraman, 2017). 

In this background, many companies are embracing new technologies aiming to achieve high performance and competitive advantage (Weill & Woerner, 2017).

이러한 배경 속에서 많은 기업들이 높은 성과와 경쟁 우위를 달성하기 위해 새로운 기술을 수용하고 있다 (Weill & Woerner, 2017). 

Among these technologies, Artificial Intelligence has occupied a prominent position (Panetta, 2018) and has attracted attention from both the literature and business organizations.

이 기술들 중에서 인공지능은 두드러진 위치를 차지하고 있으며 (Panetta, 2018), 문헌과 비즈니스 조직들로부터 큰 주목을 받고 있다. 

According to Davenport (2018), the AI may be the technological force with the greatest disruptive potential in evidence nowadays.

Davenport(2018)에 따르면, 인공지능은 오늘날 가장 큰 파괴적 잠재력을 가진 기술력일 수 있다. 

Similarly, for Brynjolfsson and Mcafee (2017), AI is the most important general-purpose technology of our era, particularly with regards to machine learning techniques.

마찬가지로, Brynjolfsson과 Mcafee(2017)는 인공지능이 특히 기계 학습 기술과 관련하여 우리 시대의 가장 중요한 범용 기술이라고 본다. 

The term Artificial Intelligence was first coined in 1956 by McCarthy, which he referred to as “the science and engineering of making intelligent machines” (McCarthy, 1958).

인공지능이라는 용어는 1956년 McCarthy가 처음으로 사용하였으며, 그는 이를 “지능적인 기계를 만드는 과학과 공학”이라고 정의하였다 (McCarthy, 1958). 

Since then, the history of AI has experienced success cycles and periods of mistaken optimism.

그 이후로, 인공지능의 역사는 성공의 사이클과 잘못된 낙관주의의 시기를 겪어왔다. 

From the beginning, based on interesting findings, AI researchers were confident with predictions of their successes in a near future (Russell & Norvig, 2010).

초기부터 흥미로운 발견들을 바탕으로, 인공지능 연구자들은 가까운 미래에 성공할 것이라는 예측에 자신감을 가졌다 (Russell & Norvig, 2010). 

Instead, the evolution of AI was slower than expected and relied on changes in researches directions over time, with phases of new approaches introduction and refinement of existing ones (Russell & Norvig, 2010).

그러나 인공지능의 발전은 예상보다 더디게 진행되었으며, 시간이 지남에 따라 연구 방향의 변화에 의존했고, 새로운 접근 방법의 도입과 기존 방법의 개선 단계를 거쳤다 (Russell & Norvig, 2010). 

However, in the last decade, the huge volume of data in diverse formats being generated faster than ever, demanded the development of new technologies, resulting in an acceleration of technological progress, which includes increasing the computational processing capacity and the development of new AI techniques (Brynjolfsson & McAfee, 2017; Bughin et al., 2017).

그러나 지난 10년 동안 다양한 형식의 방대한 데이터가 그 어느 때보다 빠르게 생성되면서, 새로운 기술 개발이 요구되었고, 이는 기술 발전을 가속화시켰다. 여기에는 계산 처리 용량의 증가와 새로운 AI 기술의 개발이 포함된다 (Brynjolfsson & McAfee, 2017; Bughin et al., 2017). 

With these progresses, companies such as Netflix, Google, Airbnb, Amazon and Uber are able to process large amounts of data with AI and use the results to expand their scope with new products, markets and services (Iansiti & Lakhani, 2020; Venkatraman, 2017).

이러한 발전을 통해 Netflix, Google, Airbnb, Amazon, Uber와 같은 기업들은 AI를 통해 대량의 데이터를 처리하고 그 결과를 바탕으로 새로운 제품, 시장, 서비스로 영역을 확장하고 있다 (Iansiti & Lakhani, 2020; Venkatraman, 2017). 

Considering the competitive scenario of the business world and with high volumes of data, scarce resources and the need for speed in decision-making, many organizations are motivated to adopt AI technologies, mainly by their disruptive potential demonstrated by top digital corporations (Bean, 2019; Chakravorti, Bhalla, & Chaturvedi, 2019; Davenport, 2018; Venkatraman, 2017).

비즈니스 세계의 경쟁 시나리오와 대량의 데이터, 부족한 자원, 의사 결정에서의 신속성이 요구되는 상황을 고려할 때, 많은 조직들은 AI 기술을 도입할 동기를 부여받고 있으며, 이는 주로 주요 디지털 기업들이 보여준 파괴적 잠재력 덕분이다 (Bean, 2019; Chakravorti, Bhalla, & Chaturvedi, 2019; Davenport, 2018; Venkatraman, 2017). 

Aware that the disruption process requires a review of the business strategy, different leaders are reformulating their strategic plans for the insertion of AI technologies (Davenport, 2018).

파괴적 과정이 비즈니스 전략의 재검토를 요구한다는 점을 인식하면서, 다양한 리더들은 AI 기술의 도입을 위해 전략 계획을 재구성하고 있다 (Davenport, 2018). 

However, the literature suggests that more research is necessary to understand the impacts of AI in the business strategies planning and execution (Pappas, Mikalef, Giannakos, Krogstie, & Lekakos, 2018), since there is still little theoretical and empirical evidence on how to create business value with the adoption of AI technologies (Brynjolfsson & Mcafee, 2017; Davenport, 2018; Mikalef, Pappas, Krogstie, & Giannakos, 2018; Mikalef, Boura, Lekakos, & Krogstie, 2019; Pappas et al., 2018; Duan, Edwards, & Dwivedi, 2019; Wilson & Daugherty, 2018).

그러나 문헌은 AI가 비즈니스 전략 계획 및 실행에 미치는 영향을 이해하기 위한 추가 연구가 필요하다고 제안하고 있으며, 이는 AI 기술 채택을 통해 비즈니스 가치를 창출하는 방법에 대한 이론적 및 경험적 증거가 여전히 부족하기 때문이다 (Brynjolfsson & Mcafee, 2017; Davenport, 2018; Mikalef, Pappas, Krogstie, & Giannakos, 2018; Mikalef, Boura, Lekakos, & Krogstie, 2019; Pappas et al., 2018; Duan, Edwards, & Dwivedi, 2019; Wilson & Daugherty, 2018). 

Therefore, this article attempts to address the above research gaps by examining the intersection of the literature about artificial intelligence and business strategy, through a systematic literature review.

따라서 이 논문은 인공지능과 비즈니스 전략에 대한 문헌의 교차점을 체계적인 문헌 검토를 통해 연구 격차를 해결하려고 한다. 

There are several researches that review the literature about AI linked with: medicine (D’Souza, Prema, & Balaji, 2020; Ebrahimighahnavieh, Luo, & Chiong, 2020; Foulquier et al., 2018; Kedra et al., 2019; Wang, Wang, & Lv, 2019; Orgeolet et al., 2020), accounting (Henrique, Sobreiro, & Kimura, 2019; Sezer, Gudelek, & Ozbayoglu, 2020); computer science (Moghekar & Ahuja, 2019; Zheng, Chien, & Wu, 2014; Wang, Chen, Li, & Vargas, 2019) telecommunication (Hassanien, Darwish, & Abdelghafar, 2019; Morocho-Cayamcela, Lee, & Lim, 2019); education (Alenezi & Faisal, 2020); sustainability (Nishant, Kennedy, & Corbett, 2020), impact on the future of industry and society (Dwivedi et al., 2019); and others (Carvalho et al., 2019; Guzman & Lewis, 2020; Li et al., 2019; McKinnel, Dargahi, Dehghantanha, & Choo, 2019; Sharma, Kamble, Gunasekaran, Kumar, & Kumar, 2020).

다양한 연구들이 AI와 연결된 의학(D’Souza, Prema, & Balaji, 2020; Ebrahimighahnavieh, Luo, & Chiong, 2020; Foulquier et al., 2018; Kedra et al., 2019; Wang, Wang, & Lv, 2019; Orgeolet et al., 2020), 회계학 (Henrique, Sobreiro, & Kimura, 2019; Sezer, Gudelek, & Ozbayoglu, 2020); 컴퓨터 과학 (Moghekar & Ahuja, 2019; Zheng, Chien, & Wu, 2014; Wang, Chen, Li, & Vargas, 2019) 통신학 (Hassanien, Darwish, & Abdelghafar, 2019; Morocho-Cayamcela, Lee, & Lim, 2019); 교육학 (Alenezi & Faisal, 2020); 지속가능성 (Nishant, Kennedy, & Corbett, 2020), 산업 및 사회에 미치는 영향 (Dwivedi et al., 2019); 그리고 기타 (Carvalho et al., 2019; Guzman & Lewis, 2020; Li et al., 2019; McKinnel, Dargahi, Dehghantanha, & Choo, 2019; Sharma, Kamble, Gunasekaran, Kumar, & Kumar, 2020) 등에 관한 문헌을 검토한 연구들이 있다. 

In addition, few studies review the literature about AI from an organizational perspective, addressing information management (Pandl, Thiebes, Schmidt-Kraepelin, & Sunyaev, 2020; Zhu, Zhang, & Sun, 2019); decision-making (Duan, Xiu, & Yao, 2019; Ding et al., 2020); sustainable performance evaluation (Souza, Francisco, Piekarski, Prado, & Oliveira, 2019); and the future of work (Wang & Siau, 2019).

또한, 정보 관리(Pandl, Thiebes, Schmidt-Kraepelin, & Sunyaev, 2020; Zhu, Zhang, & Sun, 2019); 의사결정 (Duan, Xiu, & Yao, 2019; Ding et al., 2020); 지속 가능한 성과 평가 (Souza, Francisco, Piekarski, Prado, & Oliveira, 2019); 그리고 미래의 직업(Wang & Siau, 2019)을 다루는 조직적 관점에서 AI에 대한 문헌을 검토한 연구는 거의 없다. 

Thus, to the best of our knowledge, this study differs from those already published by contributing with a systematic literature review that investigates the researches state of the relationship between AI and business strategy, theme not encompassed in the studies above mentioned.

따라서, 우리의 지식에 따르면, 본 연구는 AI와 비즈니스 전략의 관계에 대한 연구 상태를 조사하는 체계적인 문헌 검토를 통해 위에서 언급한 연구들에 포함되지 않은 주제를 다룸으로써 기존 연구와 차별화된다. 

The use of technology by organizations as a strategic tool is not a recent practice (Bharadwaj, El Sawy, Pavlou, & Venkatraman, 2013; Laurindo, 2008; Venkatraman, 2017), but the connection of the AI technologies usage with business strategy becomes significantly more complex in relation to other technologies, since AI applications are able to perform tasks that require cognition and were formerly typically associated with humans (Bean, 2019; Brynjolfsson & Mitchell, 2017; Duan, Xiu et al., 2019; Lichtenthaler, 2020a; Norman, 2017; Wilson & Daugherty, 2018).

조직에서 기술을 전략적 도구로 사용하는 것은 최근의 실천은 아니지만(Bharadwaj, El Sawy, Pavlou, & Venkatraman, 2013; Laurindo, 2008; Venkatraman, 2017), AI 기술의 사용과 비즈니스 전략의 연결은 다른 기술에 비해 상당히 복잡해지며, 이는 AI 응용 프로그램이 인지를 필요로 하는 작업을 수행할 수 있고, 과거에는 일반적으로 인간과 관련된 작업을 수행할 수 있기 때문이다 (Bean, 2019; Brynjolfsson & Mitchell, 2017; Duan, Xiu et al., 2019; Lichtenthaler, 2020a; Norman, 2017; Wilson & Daugherty, 2018). 

In this sense, obtaining value from AI investments is more complex than expected, due the paradox that the same person may have negative or positive attitudes towards AI, depending on the specific situation (Lichtenthaler, 2019).

이러한 맥락에서, AI 투자에서 가치를 창출하는 것은 예상보다 더 복잡하며, 이는 동일한 사람이 특정 상황에 따라 AI에 대해 부정적 또는 긍정적인 태도를 가질 수 있다는 역설 때문이기도 하다 (Lichtenthaler, 2019). 

Thus, the present study aims to investigate and to analyze the literature regarding artificial intelligence and the connection of these technologies with concepts of business strategy in order to:

(i) identify and describe the existing approaches and frameworks which deal with the relationship of AI technologies and business strategy;

(ii) provide a synthesis of potential benefits, challenges and opportunities of the AI strategic usage aligned with business strategy;

(iii) present a discussion about the future research directions.

따라서, 본 연구는 인공지능에 대한 문헌과 이 기술들이 비즈니스 전략 개념과의 연결을 조사하고 분석하여: 

(i) AI 기술과 비즈니스 전략의 관계를 다루는 기존 접근 방식과 프레임워크를 식별하고 설명하며, 

(ii) 비즈니스 전략과 일치하는 AI 전략적 사용의 잠재적 이점, 도전 과제 및 기회를 종합하여, 

(iii) 향후 연구 방향에 대한 논의를 제시하는 것을 목표로 한다. 

2. Theoretical background

This section presents the literature review on the relevant studies related to AI and about the information technology alignment with business strategy, introducing the main definitions of fundamental concepts under the lens of different authors of these areas separately.

본 섹션은 AI와 관련된 연구 및 정보 기술과 비즈니스 전략의 정렬에 대한 문헌 검토를 제시하며, 이 분야의 여러 저자들이 다루는 주요 개념들을 각각 설명한다. 

2.1. Artificial intelligence

Since the 1950s, when McCarthy introduced the term Artificial Intelligence, the AI field has developed in two dimensions: human-centered and rationalist approaches.

1950년대 McCarthy가 인공지능이라는 용어를 도입한 이래로, AI 분야는 인간 중심 접근법과 합리주의적 접근법이라는 두 가지 차원에서 발전해 왔다. 

The human-centered approaches involve hypothesis and experimental validation, being part of the empirical science (Bellman, 1978; Haugeland, 1985; Kurzweil, 1990; Rich & Knight, 1991).

인간 중심 접근법은 가설과 실험적 검증을 포함하며, 이는 경험적 과학의 일부이다 (Bellman, 1978; Haugeland, 1985; Kurzweil, 1990; Rich & Knight, 1991). 

In turn, the rationalist approaches comprise a combination of engineering and mathematics (Charniak & McDermott, 1985; Luger & Stubblefield, 1993; Schalkoff, 1990; Winston, 1970).

반면, 합리주의적 접근법은 공학과 수학의 결합으로 이루어진다 (Charniak & McDermott, 1985; Luger & Stubblefield, 1993; Schalkoff, 1990; Winston, 1970). 

Although AI has ideas, viewpoints and techniques from other areas, we here consider it a field which aims to develop software and hardware able to perform actions that can only be executed with the use of cognition (Bundy, Young, Burstall, & Weir, 1978; Russell & Norvig, 2010).

AI는 다른 분야에서 아이디어, 관점, 기술을 차용하고 있지만, 여기에서는 인지를 통해서만 수행할 수 있는 행동을 할 수 있는 소프트웨어와 하드웨어를 개발하는 분야로 간주한다 (Bundy, Young, Burstall, & Weir, 1978; Russell & Norvig, 2010). 

Therefore, from the rationalist approaches perspective, the field of AI encompasses any technique which enable machines to act by simulating the human behavior to achieve the best result or, in uncertainty scenarios, the best result expected (Russell & Norvig, 2010).

따라서, 합리주의적 접근법의 관점에서 AI 분야는 기계가 인간의 행동을 모방하여 최상의 결과를 달성하거나, 불확실한 시나리오에서 기대되는 최상의 결과를 달성할 수 있게 하는 모든 기술을 포함한다 (Russell & Norvig, 2010). 

In the early days of AI, the major challenge was (and still is) to perform tasks that are easily

solved by a human being, but hard to describe formally in terms of mathematical rules (Abramson, Braverman, & Sebestyen, 1963; Goodfellow, Bengio, & Courville, 2016).

AI 초기에는, 인간이 쉽게 해결할 수 있지만 수학적 규칙으로 공식적으로 설명하기 어려운 작업을 수행하는 것이 주된 도전 과제였다(그리고 여전히 그렇다) (Abramson, Braverman, & Sebestyen, 1963; Goodfellow, Bengio, & Courville, 2016).

The difficulty in explaining this type of task by defining rules indicated that AI techniques needed the capability to extract patterns from data and to acquire their own knowledge (Abramson et al., 1963; Goodfellow et al., 2016; Michie, 1968; Solomonoff, 1985).

이러한 유형의 작업을 규칙으로 정의하여 설명하는 데 어려움이 있다는 것은 AI 기술이 데이터에서 패턴을 추출하고 자체적으로 지식을 획득할 수 있는 능력이 필요하다는 것을 시사했다(Abramson et al., 1963; Goodfellow et al., 2016; Michie, 1968; Solomonoff, 1985).

This ability is known as machine learning (Goodfellow et al., 2016), which enables computer-based applications to automatically detect patterns in data and to act without explicitly being programmed (Murphy, 2012).

이 능력은 머신 러닝으로 알려져 있으며(Goodfellow et al., 2016), 이를 통해 컴퓨터 기반 애플리케이션은 데이터에서 패턴을 자동으로 감지하고 명시적으로 프로그래밍되지 않고도 작동할 수 있다(Murphy, 2012).

Thus, the field of AI has advanced not just in the direction of process rules previously defined by human beings for simulating human behavior to make decisions (as in classical AI algorithms), but also aiming to mimic human learning.

따라서 AI 분야는 인간의 행동을 모방해 결정을 내리기 위한 이전에 인간이 정의한 처리 규칙의 방향으로 발전했을 뿐만 아니라, 인간의 학습을 모방하는 것을 목표로 발전해왔다.

The progress of AI with the development of machine learning algorithms demanded means to map the knowledge acquired from learning process to final predictions.

머신 러닝 알고리즘의 개발과 함께 AI의 발전은 학습 과정에서 획득한 지식을 최종 예측으로 매핑할 수 있는 수단을 요구했다.

This need drove the development of approaches categorized as representation learning, in which features are transformed into an intermediate representation containing useful information (Bengio, Courville, & Vincent, 2013; Witten & Frank, 2016).

이러한 필요성은 유용한 정보를 포함하는 중간 표현으로 특징을 변환하는 표현 학습으로 분류된 접근 방식의 개발을 이끌었다 (Bengio, Courville, & Vincent, 2013; Witten & Frank, 2016).

When representations are expressed in terms of other representations, as in the case of complex concepts, it is necessary to employ deep learning techniques.

복잡한 개념의 경우처럼 표현이 다른 표현으로 나타날 때, 딥러닝 기술을 사용하는 것이 필요하다.

Deep learning is a kind of representation learning that has the power and flexibility to represent the world through a hierarchy of concepts, in which each concept can be defined in relation to simpler concepts (Goodfellow et al., 2016).

딥 러닝은 각각의 개념이 더 간단한 개념과 관련하여 정의될 수 있는 개념의 계층 구조를 통해 세상을 표현할 수 있는 강력하고 유연한 표현 학습의 일종이다(Goodfellow et al., 2016).

It means that deep learning allows computational models to learn representations with diverse levels of abstraction and these models are composed of multiple processing layers (LeCun, Bengio, & Hinton, 2015).

즉, 딥 러닝은 계산 모델이 다양한 추상화 수준의 표현을 학습할 수 있게 하며, 이러한 모델은 여러 처리 계층으로 구성된다 (LeCun, Bengio, & Hinton, 2015).

To summarize, Fig. 1 illustrates the relationship between the AI disciplines.

요약하면, 그림 1은 AI 분야 간의 관계를 설명한다.

Fig. 1. Diagram representing the relationship between AI, machine learning, representation learnin

The diagram shows how deep learning is a kind of representation learning, which is used for many but not all approaches of machine learning, which in turn is considered a kind of AI.

이 다이어그램은 딥 러닝이 표현 학습의 일종이며, 이는 여러 머신 러닝 접근법에 사용되지만 모든 접근법에 해당하지는 않음을 보여준다. 또한 머신 러닝은 AI의 일종으로 간주된다.

The main difference among AI disciplines is the dependence of the human being on establishing rules or defining features to represent a problem.

AI 분야들 간의 주요 차이점은 문제를 표현하기 위한 규칙을 설정하거나 특징을 정의하는 데 있어서 인간의 의존도에 있다.

From the AI layer, human dependence on the learning process decreases towards inner layers.

AI 계층에서부터 학습 과정에 대한 인간의 의존도는 내부 계층으로 갈수록 감소한다.

To exemplify these differences, consider the problem of recommending products to a customer on an e-commerce platform.

이 차이점을 설명하기 위해, 전자 상거래 플랫폼에서 고객에게 제품을 추천하는 문제를 생각해 보자.

An example of classic AI algorithm would be to implement a program based on the rule: if the customer has already made a purchase, then recommend the products most purchased by him.

고전적 AI 알고리즘의 예는 다음 규칙에 기반한 프로그램을 구현하는 것이다: 만약 고객이 이미 구매를 했다면, 그가 가장 많이 구매한 제품을 추천하라.

Classic AI algorithms are built using hand-designed programs containing rules defined by a domain expert human (Goodfellow et al., 2016).

고전적 AI 알고리즘은 도메인 전문가가 정의한 규칙을 포함하는 수작업으로 설계된 프로그램을 사용하여 구축된다 (Goodfellow et al., 2016).

Now, consider a customer that never bought on the platform. The defined rule will fail.

이제 플랫폼에서 한 번도 구매하지 않은 고객을 생각해 보자. 정의된 규칙은 실패할 것이다.

A solution would be to use the age of the customer to perform recommendations based on product category.

해결책으로는 고객의 나이를 사용하여 제품 카테고리에 따라 추천을 수행하는 방법이 있다.

In this case, the age and product category are features defined by a human being.

이 경우, 나이와 제품 카테고리는 인간이 정의한 특징이다.

From these features, more rules could be established by a human specialist based on historical purchase data.

이러한 특징들을 바탕으로, 인간 전문가가 과거 구매 데이터를 기반으로 더 많은 규칙을 설정할 수 있다.

But if the platform has diverse products and many customers, the definition of these rules becomes more difficult.

그러나 플랫폼에 다양한 제품과 많은 고객이 있다면, 이러한 규칙을 정의하는 것이 더욱 어려워진다.

Thus, a machine learning model could be trained from the historical data based on these features.

따라서, 이러한 특징들을 기반으로 과거 데이터를 학습한 머신 러닝 모델을 훈련할 수 있다.

Classic machine learning algorithms are a type of AI that needs a human to hand-design features which will be used by the algorithm to perform a mapping from features by extracting patterns and acquiring their own knowledge (Murphy, 2012).

고전적 머신 러닝 알고리즘은 AI의 일종으로, 인간이 알고리즘에서 사용될 특징을 수작업으로 설계하고, 그 특징을 기반으로 패턴을 추출하고 자체적으로 지식을 획득하여 매핑을 수행해야 한다 (Murphy, 2012).

Resuming the problem of product recommendation, besides the customer age, more features of customers can be important in real world scenarios.

제품 추천 문제로 돌아가면, 고객의 나이 외에도, 실제 세계 시나리오에서는 더 많은 고객 특징들이 중요할 수 있다.

An approach generally used in this kind of problem is clustering the customers using representation learning algorithms.

이러한 문제에서 일반적으로 사용되는 접근법은 표현 학습 알고리즘을 사용하여 고객을 군집화하는 것이다.

Representation learning algorithms are a kind of machine learning, but they start the learning process one step ahead of the classic machine learning algorithms.

표현 학습 알고리즘은 머신 러닝의 일종이지만, 고전적 머신 러닝 알고리즘보다 한 단계 앞서 학습 과정을 시작한다.

Representation learning methods have the capacity to learn from features inputted by a human and they are able to perform a mapping from features (Goodfellow et al., 2016).

표현 학습 방법은 인간이 입력한 특징들로부터 학습할 수 있는 능력을 가지고 있으며, 특징들로부터 매핑을 수행할 수 있다 (Goodfellow et al., 2016).

In the case of clustering the customers, representation learning models can decide the cluster of a client without the human being previously knowing it.

고객을 군집화하는 경우, 표현 학습 모델은 인간이 미리 알지 못한 상태에서 클라이언트의 클러스터를 결정할 수 있다.

However, due to the number of features that exist in real-world contexts, the accuracy of the model could be improved if the features initially defined by the human being are used for the algorithm to map more abstract features.

그러나 실제 세계에서 존재하는 많은 특징들로 인해, 인간이 처음 정의한 특징을 알고리즘이 더 추상적인 특징으로 매핑하는 데 사용한다면 모델의 정확성이 향상될 수 있다.

This is a capability of a deep learning algorithm.

이것이 딥러닝 알고리즘의 능력이다.

Deep learning algorithms are a type of representation learning, and they need the human being to define just simple features.

딥러닝 알고리즘은 표현 학습의 일종이며, 인간이 간단한 특징만 정의해주면 된다.

From these simple features, they can define more abstract features in additional layers of learning and then perform a mapping from features (Goodfellow et al., 2016; LeCun et al., 2015).

이러한 간단한 특징들로부터 추가 학습 계층에서 더 추상적인 특징을 정의할 수 있으며, 그런 다음 특징들로부터 매핑을 수행할 수 있다 (Goodfellow et al., 2016; LeCun et al., 2015).

The term “deep” comes from these additional layers of learning.

‘딥’이라는 용어는 이러한 추가 학습 계층에서 유래한다.

2.2. Artificial intelligence in organizations

In the organizational perspective, the studies proposed in the early phases of AI began to assist the process of decision-making in the mid-1960s (Buchanan & O’Connell, 2006).

조직적 관점에서, AI 초기 단계의 연구들은 1960년대 중반에 의사 결정 과정을 지원하기 시작했다 (Buchanan & O’Connell, 2006).

At that moment, the AI field solved problems that could be described by a list of mathematical formulas (McCarthy & Hayes, 1981; Siklossy, 1970).

당시 AI 분야는 수학적 공식 목록으로 설명할 수 있는 문제들을 해결했다 (McCarthy & Hayes, 1981; Siklossy, 1970).

AI has been used in business since the 1980s, being a target of investments and efforts from many companies to design and to implement computer vision systems, robots, expert systems, besides software and hardware for those purposes (Boden, 1984; Russell & Norvig, 2010).

AI는 1980년대부터 비즈니스에 사용되어 왔으며, 많은 기업들이 컴퓨터 비전 시스템, 로봇, 전문가 시스템뿐만 아니라 이러한 목적을 위한 소프트웨어와 하드웨어를 설계하고 구현하기 위해 투자하고 노력해왔다 (Boden, 1984; Russell & Norvig, 2010).

Moreover, at that time, AI had already begun to be cited as a strategic tool to improve organizational differentiation in a competitive scenario (Holloway, 1983; Porter & Millar, 1985).

더욱이, 당시 AI는 이미 경쟁 시나리오에서 조직의 차별화를 개선하기 위한 전략적 도구로 인용되기 시작했다 (Holloway, 1983; Porter & Millar, 1985).

Until the turn of the millennium, the studies on computer science in the AI field had focused on the algorithms, to create new approaches or to improve the existing ones (Zhuang, Wu, Chen, & Pan, 2017).

밀레니엄 전환기까지 AI 분야에서의 컴퓨터 과학 연구들은 새로운 접근법을 창출하거나 기존의 것들을 개선하기 위해 알고리즘에 초점을 맞추었다 (Zhuang, Wu, Chen, & Pan, 2017).

Yet, since 2001, researchers have suggested that for many AI problems, the challenge was the volume of data, due to the existence of very large databases (Russell & Norvig, 2010).

그러나 2001년 이후로, 많은 AI 문제에서 도전 과제는 매우 큰 데이터베이스의 존재로 인한 데이터 양이라고 연구자들이 제안했다 (Russell & Norvig, 2010).

For this reason, new AI techniques were developed (Brynjolfsson & McAfee, 2017; Zhuang et al., 2017) enabled by the hardware evolution.

이러한 이유로, 하드웨어의 발전으로 새로운 AI 기술들이 개발되었다 (Brynjolfsson & McAfee, 2017; Zhuang et al., 2017).

This technological progress is attributed to the big data phenomenon, characterized by the interplay of technology, methodology, and analysis capacity in order to search, aggregate, and cross-reference large data sets to identify patterns and to obtain insights (Boyd & Crawford, 2012).

이 기술적 진보는 빅 데이터 현상에 기인하며, 이는 기술, 방법론, 분석 능력의 상호작용을 통해 대규모 데이터 세트를 검색, 집계, 상호 참조하여 패턴을 식별하고 통찰력을 얻는 것을 특징으로 한다 (Boyd & Crawford, 2012).

In 2016, the Google DeepMind team presented to the world the real potential of AI technologies with AlphaGo, implemented with deep learning, which is one of the most important advances in machine learning throughout history (Hassabis, Suleyman, & Legg, 2017).

2016년에 Google DeepMind 팀은 딥 러닝으로 구현된 AlphaGo를 통해 AI 기술의 진정한 잠재력을 세계에 선보였으며, 이는 기계 학습 역사상 가장 중요한 발전 중 하나이다 (Hassabis, Suleyman, & Legg, 2017).

AlphaGo is a computer program that plays the ancient game of Go and was trained from human experts moves and reinforcement learning from games of self-play (Silver et al., 2017).

AlphaGo는 고대 게임인 바둑을 두는 컴퓨터 프로그램으로, 인간 전문가의 수와 자가 대국에서의 강화 학습을 통해 훈련되었다 (Silver et al., 2017).

The AlphaGo was not built with rules and does not contain just moves planned by a human being, because the Go search space is enormous and it hinders the evaluation of board positions and moves to predict possibilities as in chess (Silver et al., 2016).

AlphaGo는 규칙에 의해 만들어지지 않았으며, 단순히 인간이 계획한 수만 포함하지 않는다. 왜냐하면 바둑의 탐색 공간은 방대하며, 이는 체스와 마찬가지로 가능성을 예측하기 위해 기물 위치와 수를 평가하는 것을 방해하기 때문이다 (Silver et al., 2016).

Instead, it uses creativity and has the ability to identify and to share new insights about the game, showing how the AlphaGo algorithm is different from traditional AI (Silver et al., 2017).

대신, AlphaGo는 창의성을 사용하며 게임에 대한 새로운 통찰을 식별하고 공유하는 능력을 가지고 있으며, AlphaGo 알고리즘이 기존의 AI와 어떻게 다른지를 보여준다 (Silver et al., 2017).

This ability made it possible for AlphaGo to beat the world champion Lee Sedol in a five-game match, with some moves that challenged millennia of Go wisdom (Hassabis et al., 2017).

이 능력 덕분에 AlphaGo는 5번의 대국에서 세계 챔피언 이세돌을 이길 수 있었고, 몇몇 수는 수천 년의 바둑 지혜에 도전하는 것이었다 (Hassabis et al., 2017).

The rise of AI in recent years and its development in many knowledge fields is due to three key factors: significant volume of data, improved algorithms, and substantially better computational hardware (Brynjolfsson & McAfee, 2017).

최근 몇 년간 AI의 부상과 다양한 지식 분야에서의 발전은 세 가지 주요 요인 덕분이다: 방대한 데이터 양, 개선된 알고리즘, 그리고 실질적으로 더 나은 계산 하드웨어 (Brynjolfsson & McAfee, 2017).

This evolution has attracted the attention of large technology-oriented organizations to AI tools.

이러한 발전은 대규모 기술 지향 조직들이 AI 도구에 주목하게 만들었다.

Thus, companies such as Google, Amazon, Microsoft, Salesforce and IBM started to provide infrastructure for machine learning in the cloud, facilitating the access and use of cognitive technologies (Brynjolfsson & Mcafee, 2017; Davenport, 2018; Marr & Ward, 2019; Venkatraman, 2017).

따라서 Google, Amazon, Microsoft, Salesforce, IBM과 같은 회사들은 클라우드에서 머신 러닝을 위한 인프라를 제공하기 시작했으며, 이를 통해 인지 기술의 접근 및 사용을 용이하게 했다 (Brynjolfsson & McAfee, 2017; Davenport, 2018; Marr & Ward, 2019; Venkatraman, 2017).

Currently, in organizational contexts, AI can be considered a technology that has been introduced as a means of emulating human performance with the potential to draw its own conclusions through learning, which can aid human cognition or even replace humans in tasks that require cognition (Chakravorti et al., 2019).

현재 조직적 맥락에서, AI는 학습을 통해 자체 결론을 도출할 수 있는 잠재력을 지닌 인간의 성능을 모방하는 수단으로 도입된 기술로 간주될 수 있으며, 이는 인간의 인지 활동을 돕거나 인지를 필요로 하는 작업에서 인간을 대체할 수 있다 (Chakravorti et al., 2019).

In general, AI technologies can enable performance improvements in terms of speed, flexibility, customization, scale, innovation, and decision-making (Venkatraman, 2017; Wilson & Daugherty, 2018).

일반적으로, AI 기술은 속도, 유연성, 맞춤화, 규모, 혁신 및 의사결정 측면에서 성능 개선을 가능하게 할 수 있다 (Venkatraman, 2017; Wilson & Daugherty, 2018).

In addition, companies can benefit from the use of AI to generate value in different business dimensions: process automation; gaining insight through data for decision-making; engaging customers and employees; designing and delivering new products and services (Davenport & Harris, 2017; Davenport & Ronanki, 2018; Davenport, 2018; Lyall, Mercier, & Gstettner, 2018; Mikalef et al., 2019; Ransbotham, Gerbert, Reeves, Kiron, & Spira, 2018; Schrage & Kiron, 2018; Westerman, Bonnet, & McAfee, 2014).

또한, 기업들은 다양한 비즈니스 차원에서 가치를 창출하기 위해 AI를 사용하여 이익을 얻을 수 있다. 예를 들어, 프로세스 자동화, 의사결정을 위한 데이터 기반 통찰 획득, 고객 및 직원 참여, 새로운 제품 및 서비스의 설계와 제공 등이 있다 (Davenport & Harris, 2017; Davenport & Ronanki, 2018; Davenport, 2018; Lyall, Mercier, & Gstettner, 2018; Mikalef et al., 2019; Ransbotham, Gerbert, Reeves, Kiron, & Spira, 2018; Schrage & Kiron, 2018; Westerman, Bonnet, & McAfee, 2014).

2.3. The strategic use of technology

In this research context, AI tools are within the Information Technology (IT) field.

이 연구 맥락에서, AI 도구는 정보 기술(IT) 분야에 속한다.

IT involves human, organizational and administrative aspects, as well as encompassing information systems, data processing, software engineering, hardware and software (Keen, 1993; Porter & Millar, 1985).

IT는 인적, 조직적, 행정적 측면을 포함하며, 정보 시스템, 데이터 처리, 소프트웨어 공학, 하드웨어 및 소프트웨어를 포괄한다 (Keen, 1993; Porter & Millar, 1985).

Although a few scholars limit the concept of IT to technological factors, such as Alter (1992), we here consider the definition that also includes issues related to workflow, people and information, as understood by Porter and Millar (1985).

몇몇 학자들은 IT 개념을 기술적 요소로만 제한하지만, 여기서는 Porter와 Millar(1985)가 이해한 바와 같이, 워크플로우, 사람, 정보와 관련된 문제들을 포함하는 정의를 고려한다.

Therefore, IT must be considered “broadly to encompass the information that businesses create and use as well as a wide spectrum of increasingly convergent and linked technologies that process the information” (Porter & Millar, 1985).

따라서 IT는 기업들이 생성하고 사용하는 정보뿐만 아니라 그 정보를 처리하는 점점 더 융합되고 연결된 기술들의 넓은 스펙트럼을 포괄하는 것으로 넓게 고려되어야 한다 (Porter & Millar, 1985).

Despite the rise in the digital era, the role and impact of IT on the organizational context are not recent themes.

디지털 시대의 부상에도 불구하고, IT가 조직적 맥락에 미치는 역할과 영향은 최근의 주제가 아니다.

In the late 1970s, researchers started to discuss the potential of IT to influence organizations’ competition (Benjamin, Rockart, Morton, & Wyman, 1983; Henderson & Venkatraman, 1992; Keen, 1991; King, 1978; McFarlan, 1984; Porter, 1979; Laurindo, 2008; Luftman, Lewis, & Oldach, 1993).

1970년대 후반, 연구자들은 IT가 조직의 경쟁에 미칠 수 있는 잠재력에 대해 논의하기 시작했다 (Benjamin, Rockart, Morton, & Wyman, 1983; Henderson & Venkatraman, 1992; Keen, 1991; King, 1978; McFarlan, 1984; Porter, 1979; Laurindo, 2008; Luftman, Lewis, & Oldach, 1993).

In this direction, some scholars began employing the term “strategic use” to refer to the potential of IT to shape new business strategies or to support existing ones, and to provide value to business (Frangou, Wan, Antony, & Kaye, 1998; Henderson & Venkatraman, 1999; Luftman et al., 1993; McFarlan, 1984; Philip, Gopalakrishnan, & Mawalkar, 1995; Porter & Millar, 1985).

이러한 방향에서, 일부 학자들은 IT가 새로운 비즈니스 전략을 형성하거나 기존 전략을 지원하고, 비즈니스에 가치를 제공할 수 있는 잠재력을 나타내기 위해 ‘전략적 사용’이라는 용어를 사용하기 시작했다 (Frangou, Wan, Antony, & Kaye, 1998; Henderson & Venkatraman, 1999; Luftman et al., 1993; McFarlan, 1984; Philip, Gopalakrishnan, & Mawalkar, 1995; Porter & Millar, 1985).

However, within this subject, there is a historical debate about the firms’ inability to generate value from investments in IT applications, which several authors attribute to the lack of alignment between the business and IT strategies (Bharadwaj et al., 2013; Cancino & Zurita, 2017; Chi, Huang, & George, 2020; Gerow, Grover, Thatcher, & Roth, 2014; Henderson & Venkatraman, 1999; Luftman et al., 1993; Masa’deh & Shannak, 2012; Mattos & Laurindo, 2017; Reich & Benbasat, 1996; Sabherwal & Chan, 2001; Shao, 2019).

그러나 이 주제와 관련해서는 기업들이 IT 애플리케이션에 대한 투자에서 가치를 창출하지 못하는 문제에 대해 역사적인 논쟁이 있으며, 여러 저자들은 이를 비즈니스와 IT 전략 간의 정렬 부족 때문이라고 설명한다 (Bharadwaj et al., 2013; Cancino & Zurita, 2017; Chi, Huang, & George, 2020; Gerow, Grover, Thatcher, & Roth, 2014; Henderson & Venkatraman, 1999; Luftman et al., 1993; Masa’deh & Shannak, 2012; Mattos & Laurindo, 2017; Reich & Benbasat, 1996; Sabherwal & Chan, 2001; Shao, 2019).

Before proceeding with the explanation of the alignment between the business and IT strategies, it is important to understand what these concepts mean.

비즈니스와 IT 전략 간의 정렬에 대한 설명을 진행하기 전에, 이 개념들이 무엇을 의미하는지 이해하는 것이 중요하다.

Within the business domain, the conceptual frame of strategy consists of a large and growing body of multifaceted references that present heterogeneous approaches (Eisenhardt & McDonald, 2020; Hakansson & Snehota, 2006; Mintzberg & Lampel, 1999).

비즈니스 영역에서 전략의 개념적 틀은 이질적인 접근 방식을 제시하는 다면적 참조의 큰 축적물로 구성된다 (Eisenhardt & McDonald, 2020; Hakansson & Snehota, 2006; Mintzberg & Lampel, 1999).

The need for strategy is linked to the existence of competition, although there is a significant difference between natural competition and strategy.

전략의 필요성은 경쟁의 존재와 연결되며, 자연적 경쟁과 전략 간에는 중요한 차이가 있다.

For Henderson (1989), natural competition is determined by probabilities and is evolutionary, while strategy is governed by reason and has a revolutionary character.

Henderson(1989)에 따르면, 자연적 경쟁은 확률에 의해 결정되며 진화적이지만, 전략은 이성에 의해 지배되며 혁명적인 특성을 가진다.

Here, revolutionary means disrupting the natural course of events through deliberate interventions (Henderson, 1989).

여기서 혁명적이라는 의미는 의도적인 개입을 통해 자연스러운 사건의 흐름을 방해하는 것을 의미한다 (Henderson, 1989).

From an organizational perspective, strategy focuses on accelerating the pace of change, aiming to modify the final result, thus benefiting (or value) the firm that performed this intervention (Brandenburger & Stuart, 1996; Porter, 1996; Shimizu, Carvalho, & Laurindo, 2006).

조직적 관점에서 전략은 변화의 속도를 가속화하는 데 중점을 두며, 이 개입을 수행한 기업에 이익(또는 가치)을 주기 위해 최종 결과를 수정하는 것을 목표로 한다 (Brandenburger & Stuart, 1996; Porter, 1996; Shimizu, Carvalho, & Laurindo, 2006).

For some scholars, strategy is the planning of actions that generate competitive advantage for the business and the execution of these actions (Henderson, 1989).

일부 학자들에게 전략은 비즈니스에 경쟁 우위를 제공하는 행동을 계획하고 이를 실행하는 것이다 (Henderson, 1989).

In other words, strategy involves the formulation of a well-structured plan about how to create value for the business and its implementation (Campbell & Alexander, 1997).

즉, 전략은 비즈니스에 가치를 창출하는 방법에 대한 잘 구성된 계획을 수립하고 이를 실행하는 것을 포함한다 (Campbell & Alexander, 1997).

Besides the process of formulation and implementation, strategy can emerge in response to a situation (Mintzberg, 1987).

전략은 수립 및 실행 과정 외에도 상황에 대한 반응으로 나타날 수 있다 (Mintzberg, 1987).

The plan formulation process, which results in the strategic plan (Campbell & Alexander, 1997), encompasses decisions related to competitive, product-market choices (Henderson & Venkatraman, 1999).

전략 계획을 도출하는 계획 수립 과정은 경쟁적, 제품-시장 선택과 관련된 결정을 포함한다 (Henderson & Venkatraman, 1999).

The implementation process, which means strategy execution or strategy implementation (Kaplan & Norton, 2000; Littler, Aisthorpe, Hudson, & Keasey, 2000; Neilson, Martin, & Powers, 2008; Bell, Dean, & Gottschalk, 2010), comprises the choices that concern the structure and capabilities of the enterprise to execute its product-market choices (Henderson & Venkatraman, 1999).

전략 실행 과정은 전략 실행 또는 전략 구현을 의미하며, 기업이 제품-시장 선택을 실행하기 위해 구조와 역량과 관련된 선택을 포함한다 (Kaplan & Norton, 2000; Littler, Aisthorpe, Hudson, & Keasey, 2000; Neilson, Martin, & Powers, 2008; Bell, Dean, & Gottschalk, 2010; Henderson & Venkatraman, 1999).

According to Porter (1996), the core of strategy is to achieve a unique and valuable position, encompassing the selection of a unique arrangement of activities to deliver a unique value arrangement, enabling the company to differentiate itself from its competitors.

Porter(1996)에 따르면, 전략의 핵심은 독특하고 가치 있는 위치를 달성하는 것이며, 독특한 가치를 제공하는 활동 배열을 선택하여 회사를 경쟁사와 차별화할 수 있게 한다.

Thus, a well-defined strategy must encompass these perspectives (Porter & Nohria, 2018).

따라서 잘 정의된 전략은 이러한 관점을 포함해야 한다 (Porter & Nohria, 2018).

The management and business literature also brings concepts pertaining to the strategy theory that categorizes it according to the diversification level of a company.

경영 및 비즈니스 문헌은 또한 전략 이론과 관련된 개념들을 제공하며, 이를 회사의 다각화 수준에 따라 분류한다.

For a diversified company, the strategy has two levels: corporate strategy and business strategy (Porter, 1987; Slack & Michael, 2002; Mintzberg, Ahlstrand, & Lampel, 2000).

다각화된 회사의 경우, 전략은 두 가지 수준으로 나뉜다: 기업 전략과 비즈니스 전략 (Porter, 1987; Slack & Michael, 2002; Mintzberg, Ahlstrand, & Lampel, 2000).

From a corporation perspective, corporate strategy concerns two questions: how the company should manage the range of business units and what businesses the corporation should be in (Porter, 1987).

기업의 관점에서 기업 전략은 두 가지 질문에 중점을 둔다: 회사가 다양한 사업 부문을 어떻게 관리해야 하는지, 그리고 기업이 어떤 사업에 참여해야 하는지에 관한 것이다 (Porter, 1987).

Business strategy is about how to compete in each business (Mintzberg et al., 2000).

비즈니스 전략은 각 사업에서 어떻게 경쟁할 것인지에 관한 것이다 (Mintzberg et al., 2000).

Some scholars consider the concept of business strategy a synonym to competitive strategy, arguing that competitive strategy regards how to generate competitive advantage in each of the businesses in which a corporation competes (Andrews, 2005; Porter, 1987).

일부 학자들은 비즈니스 전략 개념을 경쟁 전략의 동의어로 간주하며, 경쟁 전략은 기업이 경쟁하는 각 사업에서 경쟁 우위를 어떻게 창출할 것인지에 관한 것이라고 주장한다 (Andrews, 2005; Porter, 1987).

However, the literature presents a series of studies that use the term business strategy to refer to strategy in a broad way, covering all the unfolding of the concept from an organizational perspective (Bharadwaj et al., 2013) and this is the definition adopted in this study.

그러나 문헌에서는 비즈니스 전략이라는 용어를 널리 사용하여 조직적 관점에서 개념의 모든 전개를 포함하는 전략을 의미하는 일련의 연구들을 제시하고 있으며, 이는 본 연구에서 채택된 정의이다 (Bharadwaj et al., 2013).

In this regard, business strategy can also be understood as an organizational strategy, which some authors define as the general direction in which the organization chooses to move to achieve its objectives and goals (Bharadwaj et al., 2013; King, 1978; Miles, Snow, Meyer, & Coleman, 1978).

이와 관련하여, 비즈니스 전략은 조직이 목표와 목표를 달성하기 위해 선택한 일반적인 방향으로 이해될 수 있으며, 일부 저자들은 이를 조직 전략이라고 정의한다 (Bharadwaj et al., 2013; King, 1978; Miles, Snow, Meyer, & Coleman, 1978).

The IT strategy has emerged as an unfolding of the business strategy at the functional level and should be expressed in terms of internal and external domains (Henderson & Venkatraman, 1999).

IT 전략은 기능적 수준에서 비즈니스 전략의 전개로 등장했으며, 내부와 외부 도메인 측면에서 표현되어야 한다 (Henderson & Venkatraman, 1999).

The internal domain is related to how the information systems (IS) infrastructure should be designed and managed (Henderson & Venkatraman, 1999).

내부 도메인은 정보 시스템(IS) 인프라가 어떻게 설계되고 관리되어야 하는지와 관련이 있다 (Henderson & Venkatraman, 1999).

The external domain concerns how the firm is positioned technologically in the market domain (Henderson & Venkatraman, 1999).

외부 도메인은 회사가 시장 도메인에서 기술적으로 어떻게 자리 잡고 있는지에 관한 것이다 (Henderson & Venkatraman, 1999).

The term IS strategy is also utilized with the same meaning as IT strategy (Chi et al., 2020; Shao, 2019).

IS 전략이라는 용어도 IT 전략과 동일한 의미로 사용된다 (Chi et al., 2020; Shao, 2019).

According to Henderson and Venkatraman (1999), the alignment between the business and IT strategies is a process of continuous adaptation and transformation that encompasses not only business strategy and IT strategy, but also organization infrastructure and processes, and IT infrastructure and processes.

Henderson와 Venkatraman(1999)에 따르면, 비즈니스 전략과 IT 전략의 정렬은 비즈니스 전략과 IT 전략뿐만 아니라 조직 인프라와 프로세스, IT 인프라와 프로세스를 포함하는 지속적인 적응 및 변형 과정이다.

Against this background, the strategic use of IT can enable the organization to keep up with changes in the competitive scenario (Laurindo, 2008).

이 배경 속에서, IT의 전략적 사용은 조직이 경쟁 상황에서의 변화를 따라잡을 수 있도록 해준다 (Laurindo, 2008).

Several models, theories and methodologies were proposed in the literature focusing on the use of IT aligned with the business strategy and operation (Gerow et al., 2014).

IT를 비즈니스 전략 및 운영과 일치시키는 데 중점을 둔 여러 모델, 이론 및 방법론이 문헌에서 제안되었다 (Gerow et al., 2014).

Gradually, digital technologies have taken a leading position in the business strategies (Bharadwaj et al., 2013; Bughin & Catlin, 2019; Laurindo, 2008; Mattos, Kissimoto, & Laurindo, 2018; Venkatraman, 2017).

점차적으로 디지털 기술은 비즈니스 전략에서 선도적인 위치를 차지하게 되었다 (Bharadwaj et al., 2013; Bughin & Catlin, 2019; Laurindo, 2008; Mattos, Kissimoto, & Laurindo, 2018; Venkatraman, 2017).

However, in the digital age, Bharadwaj et al. (2013) argue that it is necessary to rethink the role of IT strategy.

그러나 디지털 시대에서 Bharadwaj et al.(2013)은 IT 전략의 역할을 재고할 필요가 있다고 주장한다.

Rather than being considered at the functional level and, in many cases, driven by a business strategy, as proposed by (Henderson & Venkatraman, 1992), the IT strategy must be integrated with the business strategy in a comprehensive phenomenon called digital business strategy (or digital strategy), which consists of an organizational strategy planned and executed to take advantage of the digital resources to obtain differential value (Bharadwaj et al., 2013; Venkatraman, 2017).

Henderson & Venkatraman(1992)이 제안한 바와 같이, 기능적 수준에서 고려되고 많은 경우 비즈니스 전략에 의해 구동되는 대신, IT 전략은 디지털 비즈니스 전략(또는 디지털 전략)이라고 불리는 포괄적인 현상에서 비즈니스 전략과 통합되어야 하며, 이는 디지털 자원을 활용하여 차별적 가치를 얻기 위한 조직 전략으로 구성된다 (Bharadwaj et al., 2013; Venkatraman, 2017).

This view of the fusion of IT strategy with business strategy is also advocated by other authors of the literature, who believe that a dynamic synchronization between IT and business must occur to obtain a competitive advantage (Mithas, 2012; Prahalad & Krishnan, 2002; Mithas, Tafti, & Mithell, 2013).

IT 전략과 비즈니스 전략의 융합에 대한 이 관점은 IT와 비즈니스 간의 역동적인 동기화가 경쟁 우위를 얻기 위해 일어나야 한다고 믿는 다른 문헌 저자들에 의해 지지된다 (Mithas, 2012; Prahalad & Krishnan, 2002; Mithas, Tafti, & Mithell, 2013).

Prahalad and Krishnan (2008) highlight the importance of IT-focused applications and the analytic capacity provided by IT tools for building competitive advantages and innovations in the business strategy.

Prahalad와 Krishnan(2008)은 비즈니스 전략에서 경쟁 우위와 혁신을 구축하는 데 있어 IT 도구가 제공하는 분석 능력과 IT 중심 응용 프로그램의 중요성을 강조한다.

Despite the evolution of the theoretical and empirical contributions of studies that address the strategic use of digital technologies, when it comes to AI, it becomes significantly more complex because AI technologies are able to perform tasks that require cognition (Goodfellow et al., 2016; Hassabis et al., 2017).

디지털 기술의 전략적 사용을 다루는 연구의 이론적 및 경험적 기여의 발전에도 불구하고, AI와 관련된 경우 이는 상당히 더 복잡해지는데, AI 기술은 인지 능력이 필요한 작업을 수행할 수 있기 때문이다 (Goodfellow et al., 2016; Hassabis et al., 2017).

This capacity allows firms to radically change the scale, scope, and learning paradigms (Iansiti & Lakhani, 2020), which demonstrate the great potential of AI to provide value to business.

이 능력은 기업이 규모, 범위 및 학습 패러다임을 급격하게 변화시킬 수 있게 하며, 이는 AI가 비즈니스에 가치를 제공할 수 있는 큰 잠재력을 보여준다 (Iansiti & Lakhani, 2020).

Therefore, the strategic use of AI is related to harnessing this potential.

따라서 AI의 전략적 사용은 이 잠재력을 활용하는 것과 관련이 있다.

Despite the technological evolution in the last decade, academics and practitioners have discussed that technology is not the main challenge to adopting AI, but cultural obstacles, process and people (Bean, 2019; Duan, Xiu et al., 2019; Gursoy, Chi, Lu, & Nunkoo, 2019; Khakurel, Penzenstadler, Porras, Knutas, & Zhang, 2018).

지난 10년간의 기술 발전에도 불구하고, 학계와 실무자들은 기술이 AI 채택의 주요 과제가 아니며, 문화적 장애물, 프로세스 및 사람들에 더 큰 문제가 있다고 논의해왔다 (Bean, 2019; Duan, Xiu et al., 2019; Gursoy, Chi, Lu, & Nunkoo, 2019; Khakurel, Penzenstadler, Porras, Knutas, & Zhang, 2018).

To address them, Davenport and Mahidhar (2018) argue that a strategy is necessary that properly includes information, technology components, people, management change and ambitions to transform the enterprise and the business.

이 문제들을 해결하기 위해, Davenport와 Mahidhar(2018)은 정보, 기술 구성 요소, 사람들, 관리 변화 및 기업과 비즈니스를 변화시키려는 야망을 적절히 포함하는 전략이 필요하다고 주장한다. 

Naming the new generation of AI tools as cognitive technologies, the authors refer to that strategy as cognitive strategy (Davenport & Mahidhar, 2018).

새로운 세대의 AI 도구를 인지 기술이라고 명명하며, 저자들은 그 전략을 인지 전략이라고 부른다 (Davenport & Mahidhar, 2018). 

The diagram in Fig. 2 illustrates the connection of IT and Strategy themes considered in this study, from an organizational point of view.

그림 2의 다이어그램은 조직적 관점에서 IT와 전략 주제의 연결을 보여준다. 

Fig. 2. Diagram representing the relationship between strategy concepts from organizational perspe

3. Methodology

Given the changes occurred in the AI field in the last decade, the attention of top corporations for AI tools and the challenges involved in obtaining business value with the use of this type of technology, it is relevant to identify and to summarize the state of the literature about the relationship between AI and business strategy.

지난 10년간 AI 분야에서 발생한 변화, AI 도구에 대한 주요 기업들의 관심, 그리고 이러한 기술을 사용하여 비즈니스 가치를 얻는 데 수반되는 도전 과제들을 감안할 때, AI와 비즈니스 전략 간의 관계에 대한 문헌의 상태를 확인하고 요약하는 것이 중요하다. 

Thus, the following questions emerge:

따라서 다음과 같은 질문들이 떠오른다: 

RQ1 – Is there any evidence of the connection between the business strategy and the use of AI technologies?

RQ1 – 비즈니스 전략과 AI 기술 사용 간의 연결에 대한 증거가 있는가? 

RQ2 – What are the motivations to adopt AI strategically?

RQ2 – AI를 전략적으로 채택하는 동기는 무엇인가? 

RQ3 – What potential advantages have been discussed regarding the strategic use of AI?

RQ3 – AI의 전략적 사용과 관련하여 논의된 잠재적 이점은 무엇인가? 

RQ4 – What impacts and benefits have enterprises received from using AI in the business strategy context?

RQ4 – 비즈니스 전략 맥락에서 AI를 사용함으로써 기업들이 받은 영향과 이점은 무엇인가? 

RQ5 – What knowledge gaps exist in the current literature about the intersection between AI technologies and business strategy that future researches can investigate?

RQ5 – AI 기술과 비즈니스 전략의 교차점에 대한 현재 문헌에서 미래 연구가 조사할 수 있는 지식 격차는 무엇인가?

Considering these questions, this research was conducted using the systematic literature review method, following (Tranfield, Denyer, & Smart, 2003) in combination with Kitchenham (2004) and Kitchenham et al. (2009).

이 질문들을 고려하여, 이 연구는 Tranfield, Denyer, & Smart(2003)와 Kitchenham(2004) 및 Kitchenham et al.(2009)을 결합하여 체계적 문헌 검토 방법을 사용하여 수행되었다. 

As suggested by these authors, the literature review can be subdivided into three main phases: planning the review, conducting the review, and reporting the review. The first two are detailed in this section. The final phase is presented in section 4.

이 저자들이 제안한 대로, 문헌 검토는 검토 계획, 검토 수행, 검토 보고의 세 가지 주요 단계로 세분될 수 있다. 첫 두 단계는 이 절에서 자세히 설명된다. 마지막 단계는 4절에 제시된다. 

This methodology has been used by several studies in the literature on information systems, technology applications, and operational research (Al-Emran, Mezhuyev, Kamaludin, & Shaalan, 2018; Ali, Shrestha, Soar, & Wamba, 2018; Costa, Soares, & de Sousa, 2016; Gupta, Kar, Baabdullah, & Al-Khowaiter, 2018; Lepenioti, Bousdekis, Apostolou, & Mentzas, 2020; Martins, Gonçalves, & Petroni, 2019).

이 방법론은 정보 시스템, 기술 응용 프로그램 및 운영 연구에 관한 여러 연구에서 사용되었다 (Al-Emran, Mezhuyev, Kamaludin, & Shaalan, 2018; Ali, Shrestha, Soar, & Wamba, 2018; Costa, Soares, & de Sousa, 2016; Gupta, Kar, Baabdullah, & Al-Khowaiter, 2018; Lepenioti, Bousdekis, Apostolou, & Mentzas, 2020; Martins, Gonçalves, & Petroni, 2019). 

3.1. Planning the review

Based on the research questions and using the theoretical background of AI, information technology and business strategy domains, this study focused on the following meanings: “artificial intelligence”, “machine learning”, “deep learning”, “representation learning”, “strategic plan”, “emergent strategy”, “strategy execution”, “competitive strategy”, “competitive advantage”, “digital strategy”, “business strategy”, “corporate strategy”, “organizational strategy”, “information technology strategy”, “cognitive strategy” and “strategic use”. In addition to the main concepts, its synonyms were defined.

연구 질문을 바탕으로 AI, 정보 기술 및 비즈니스 전략 도메인의 이론적 배경을 사용하여, 이 연구는 다음과 같은 의미에 중점을 두었다: “인공지능”, “머신러닝”, “딥러닝”, “표현 학습”, “전략 계획”, “긴급 전략”, “전략 실행”, “경쟁 전략”, “경쟁 우위”, “디지털 전략”, “비즈니스 전략”, “기업 전략”, “조직 전략”, “정보 기술 전략”, “인지 전략”, “전략적 사용”. 주요 개념 외에도, 그 동의어가 정의되었다. 

The digital databases considered for this study were Web of Science and Scopus, which were used by multiple researchers in the literature (Agarwal, Kumar, & Goel, 2019; Busalim & Hussin, 2016; Gupta et al., 2018; Rekik, Kallel, Casillas, & Alimi, 2018).

이 연구에서 고려된 디지털 데이터베이스는 Web of Science와 Scopus였으며, 이는 여러 연구자들에 의해 사용되었다 (Agarwal, Kumar, & Goel, 2019; Busalim & Hussin, 2016; Gupta et al., 2018; Rekik, Kallel, Casillas, & Alimi, 2018). 

In line with Kitchenham et al. (2009) and Kitchenham (2004), to investigate the research questions, the following inclusion criteria were established: 

Kitchenham et al.(2009) 및 Kitchenham(2004)에 따라 연구 질문을 조사하기 위해 다음과 같은 포함 기준이 설정되었다: 

(i) journal and conference papers that addressed the intersection between AI and business strategy domain, containing the terms in title, abstract or keywords;
(ii) journal and conference papers written in English;
(iii) journal and conference papers published since 2009, when the relationship between AI technologies and business strategy themes began to gain space in the literature (López-Robles, Otegi-Olaso, Porto Gómez, & Cobo, 2019).

(i) AI와 비즈니스 전략 도메인 간의 교차점을 다룬 논문 및 학술대회 논문으로, 제목, 초록 또는 키워드에 해당 용어가 포함된 논문; 
(ii) 영어로 작성된 논문 및 학술대회 논문; 
(iii) 2009년 이후에 발표된 논문 및 학술대회 논문, 이때 AI 기술과 비즈니스 전략 주제 간의 관계가 문헌에서주목받기 시작했다 (López-Robles, Otegi-Olaso, Porto Gómez, & Cobo, 2019). 

Moreover, the exclusion criterion was defined: (i) papers using the term strategy outside the organizational perspective (such as computational approach, for example).

또한 제외 기준이 정의되었다: (i) 조직적 관점 외에서 전략 용어를 사용하는 논문(예: 계산적 접근 방식). 

For the study quality assessment, the following exclusion criteria were applied: (i) papers with the terms just in abstract cited to present the study context; (ii) full article not available in electronic document.

연구 품질 평가를 위해 다음과 같은 제외 기준이 적용되었다: (i) 연구 맥락을 제시하기 위해 초록에만 용어가 인용된 논문; (ii) 전자 문서에서 전체 기사가 제공되지 않는 경우.  

As recommended by Kitchenham (2004) and Kitchenham et al. (2009), the data extraction process was planned based on the research questions and to highlight differences and similarities between studies’ outcomes.

Kitchenham (2004) 및 Kitchenham et al. (2009)의 권고에 따라, 데이터 추출 과정은 연구 질문에 기반하여 계획되었으며 연구 결과 간의 차이점과 유사점을 강조하는 데 중점을 두었다.

Thus, the following elements were identified: source of publishing; year when the paper was published; author(s); AI technology function in organizational context addressed by paper; strategic aspects of the AI use discussed in the article; motivation of AI strategic use; classification of the AI technology used; research method; impacts and benefits from AI application; research target industry; challenges to AI adoption.

따라서, 다음과 같은 요소들이 확인되었다: 출판 소스; 논문이 발표된 연도; 저자; 논문에서 다룬 조직적 맥락에서의 AI 기술 기능; 논문에서 논의된 AI 사용의 전략적 측면; AI 전략적 사용의 동기; 사용된 AI 기술의 분류; 연구 방법; AI 적용의 영향과 이점; 연구 대상 산업; AI 채택의 도전 과제.

According to Tranfield et al. (2003), Kitchenham (2004), and Kitchenham et al. (2009), the step after the data extraction is the research synthesis.

Tranfield et al. (2003), Kitchenham (2004), 및 Kitchenham et al. (2009)에 따르면, 데이터 추출 후 단계는 연구 통합이다.

In this stage, methods for synthesizing, integrating, and cumulating the findings of different studies can be used.

이 단계에서는 서로 다른 연구의 결과를 통합하고 결합하며 축적하는 방법이 사용될 수 있다.

Therefore, the intersection of the AI and business strategy themes was investigated in light of the perspective of the digital business strategy: the sources of business value creation and capture, proposed by Bharadwaj et al. (2013).

따라서, AI와 비즈니스 전략 주제의 교차점은 Bharadwaj et al. (2013)에 의해 제안된 디지털 비즈니스 전략 관점에서 조사되었다: 비즈니스 가치 창출 및 포착의 원천.

For this, the papers were studied by means of the function exercised by AI application in an organizational context for generating or obtaining business value.

이를 위해, 논문들은 AI 응용이 조직적 맥락에서 비즈니스 가치를 창출하거나 획득하기 위해 수행한 기능을 기준으로 연구되었다.

In addition, AI applications were categorized according to their business dimensions: automation; decision support; customers’ and employees’ engagement; proposition of new products and services (Davenport & Harris, 2017; Davenport & Ronanki, 2018; Davenport, 2018; Lyall et al., 2018; Mikalef et al., 2019; Ransbotham et al., 2018; Schrage & Kiron, 2018; Westerman et al., 2014).

또한, AI 응용은 그 비즈니스 차원에 따라 자동화, 의사결정 지원, 고객 및 직원 참여, 새로운 제품 및 서비스 제안으로 분류되었다 (Davenport & Harris, 2017; Davenport & Ronanki, 2018; Davenport, 2018; Lyall et al., 2018; Mikalef et al., 2019; Ransbotham et al., 2018; Schrage & Kiron, 2018; Westerman et al., 2014).

3.2. Conducing the review

The search was performed using the Web of Science and Scopus scientific databases using the final strings in Table 1.

검색은 Web of Science와 Scopus 과학 데이터베이스를 사용하여 표 1에 제시된 최종 문자열을 바탕으로 수행되었다.

Drawing on the methodological frameworks of Tranfield et al. (2003); Kitchenham (2004); and Kitchenham et al. (2009), the systematic literature review was performed based on a multilevel process to systematically identify and summarize the fragmented literature about the strategic use of AI.

Tranfield et al. (2003); Kitchenham (2004); 및 Kitchenham et al. (2009)의 방법론적 틀에 근거하여, 체계적인 문헌 검토는 AI의 전략적 사용에 대한 단편적인 문헌을 체계적으로 식별하고 요약하는 다단계 프로세스를 기반으로 수행되었다.

Therefore, the selection process comprehended the stages shown in Fig. 3 and followed the procedures described below:

따라서, 선택 과정은 그림 3에 나타난 단계를 포함하며 아래에 설명된 절차를 따랐다:

Fig. 3. Number of papers in each phase of the selection process.

The terms were searched in abstracts, titles, and keywords, without any other constraints.

용어는 초록, 제목 및 키워드에서 검색되었으며, 그 외의 제약 조건은 적용되지 않았다.

In this phase, the following article information was exported: title, authors, abstract, publication year, keywords, source title, document type, and language.

이 단계에서, 다음과 같은 논문 정보가 내보내졌다: 제목, 저자, 초록, 발표 연도, 키워드, 소스 제목, 문서 유형, 언어.

Thus, the articles’ exported metadata were saved on Microsoft Excel spreadsheets and the duplicated studies were eliminated.

따라서, 내보내진 논문의 메타데이터는 Microsoft Excel 스프레드시트에 저장되었고 중복된 연구는 제거되었다.

The inclusion and exclusion criteria were applied.

포함 및 제외 기준이 적용되었다.

The full articles selected were exported and the quality criteria were applied.

전체 선택된 논문들은 내보내졌고 품질 기준이 적용되었다.

Based on the full content of each selected article, the data extraction was performed.

선택된 각 논문의 전체 내용을 기반으로 데이터 추출이 수행되었다.

4. Reporting the review

This section presents the results of the literature review, which were obtained through an analysis process that considered the research methodology detailed in Section 3 (Kitchenham, 2004; Kitchenham et al., 2009; Tranfield et al., 2003).

이 섹션에서는 문헌 리뷰의 결과를 제시하며, 이는 3장에서 자세히 설명된 연구 방법론을 고려한 분석 과정을 통해 도출된 것이다 (Kitchenham, 2004; Kitchenham et al., 2009; Tranfield et al., 2003).

As depicted in Fig. 4, the documents distribution throughout the years shows that there is an exponential growth in the number of papers published in the last two years.

그림 4에서 나타나 있듯이, 지난 2년 동안 발표된 논문 수에서 기하급수적인 증가가 관찰되었다.

Fig. 4. Number of papers published by year.

In addition, an analysis about the sources and authors showed that there is no specific editor, conference, research group, or author in the sample examined.

또한, 출처 및 저자에 대한 분석 결과, 검토된 샘플에서 특정 편집자, 학회, 연구 그룹 또는 저자가 존재하지 않음을 보여주었다.

4.1. AI tools and business strategy

RQ1 regards the existence of evidence about the connection between business strategy and the use of AI technologies.

RQ1은 비즈니스 전략과 AI 기술 사용 간의 연결에 대한 증거의 존재와 관련된다.

Analysing the sample of selected articles from the business strategy perspective, papers considering general business strategy were the most numerous, representing 53.66% (22).

선택된 논문의 샘플을 비즈니스 전략 관점에서 분석한 결과, 일반 비즈니스 전략을 다룬 논문이 가장 많았으며, 전체의 53.66% (22편)를 차지했다.

The use of AI to align IT strategy and business strategy was found in 21.95% (9) of the articles.
IT 전략과 비즈니스 전략을 일치시키기 위한 AI의 사용은 21.95% (9편)의 논문에서 발견되었다.

The IT strategy was discussed by 2.44% (1), while the topic of competitive strategy was addressed by 9.76% (4).
IT 전략은 2.44% (1편)에서 논의되었으며, 경쟁 전략 주제는 9.76% (4편)에서 다루어졌다.

Regarding digital strategy, the theme was cited by 12.2% (5).

디지털 전략에 관해서는 12.2% (5편)에서 이 주제가 언급되었다. Fig. 5 shows these percentages.

Fig. 5. Number of papers of sample studied per business strategy theme.

The literature review of the selected articles through the AI lens shows that techniques of classic AI (or general AI) were addressed by 58.54% (24) of the selected articles.

선택된 논문을 AI의 관점에서 검토한 결과, 전통적 AI(또는 일반 AI) 기술은 선택된 논문의 58.54% (24편)에서 다루어졌다.

The theme of machine learning was the focus of 24.39% (10), while representation learning had the attention of 12.20% (5).
기계 학습 주제는 24.39% (10편)에서 집중적으로 다루어졌으며, 표현 학습은 12.20% (5편)에서 다루어졌다.

Deep learning was addressed by just 4.88% (2).
심층 학습은 단지 4.88% (2편)에서 다루어졌다. These percentages can be observed in Fig. 6.

The sample of selected articles was initially examined according to the themes of the studied fields separately.

선택된 논문의 샘플은 처음에 연구된 분야별로 주제를 나누어 검토되었다.

Therefore, Fig. 7 shows the number of papers mapped by each theme.

따라서, 그림 7은 각 주제별로 매핑된 논문 수를 보여준다.

Fig. 7. Research map of the literature intersection between business strategy and AI

The analysis of the literature intersection between AI and business strategy allowed verifying that the sample selected articles addressed the strategic aspects of AI use to help the decision-making process in the perspective of decision support; to improve stakeholder relationships in both the automation and customer and employee engagement dimensions; and to enable machine-to-machine communication in the dimension of new products and services offering.

AI와 비즈니스 전략 간의 문헌 교차점 분석을 통해 선택된 논문 샘플이 의사결정 지원 관점에서 AI 사용의 전략적 측면을 다루었음을 확인할 수 있었다. 이는 자동화 및 고객과 직원 참여 차원에서 이해관계자 관계를 개선하고, 새로운 제품 및 서비스 제공의 차원에서 기계 간 통신을 가능하게 한다.

Table 2 presents the references belonging to each category, which are discussed in the following subsections.

표 2는 각 범주에 속하는 참고문헌을 제시하며, 이는 다음 하위 섹션에서 논의된다.

From the perspective of the industry explored by the research works analyzed (Fig. 8), most of them addressed the strategic use of AI in multiple contexts and for assisting the decision-making process.

분석된 연구 작업에서 탐구된 산업의 관점에서 (그림 8), 대부분의 논문은 여러 맥락에서 AI의 전략적 사용과 의사결정 과정을 지원하는 데 초점을 맞추었다.

Fig. 8. Number of research works analyzed by industrial context.

The papers that dealt with AI use without applying it to a specific organizational sector focused on AI application design or implementation.

특정 조직 부문에 적용하지 않고 AI 사용을 다룬 논문들은 AI 응용 설계 또는 구현에 중점을 두었다.

4.1.1. Decision making process

Although the use of AI technologies in the decision-making process is a practice that began in the 1960s, most research works presented in the studied literature sample still discuss or cite examples about this theme.

AI 기술의 의사결정 과정에서의 사용은 1960년대에 시작된 관행이지만, 연구된 문헌 샘플에서 발표된 대부분의 연구 작업은 여전히 이 주제에 대한 논의를 하거나 예시를 인용하고 있다.

In this context, one challenge faced by organizations is related to decisions involved in planning the IT systems considering the business strategy goals.

이러한 맥락에서, 조직이 직면하는 한 가지 도전 과제는 비즈니스 전략 목표를 고려하여 IT 시스템을 계획하는 데 관련된 의사결정이다.

Cebeci (2009) and Ali and Xie (2011) proposed the use of AI tools to select the best alternative from a set of options for implementing enterprise resource planning (ERP) systems considering the business strategy perspective and goals.

Cebeci (2009)와 Ali와 Xie (2011)는 비즈니스 전략적 관점과 목표를 고려하여 ERP 시스템을 구현할 옵션 집합 중에서 최선의 대안을 선택하기 위해 AI 도구를 사용할 것을 제안했다.

Cebeci (2009) contributed with the use of the Balanced Scorecard theory (Kaplan & Norton, 1996) to match the ERP package objectives with the business goals, while Ali and Xie (2011) provided critical factors to successfully implement ERP systems.

Cebeci (2009)는 Balanced Scorecard 이론 (Kaplan & Norton, 1996)을 사용하여 ERP 패키지 목표를 비즈니스 목표와 일치시키는 데 기여하였으며, Ali와 Xie (2011)는 ERP 시스템을 성공적으로 구현하기 위한 중요한 요소들을 제시했다.

The design of decision support systems considering the principles of strategic information systems planning was proposed by Kitsios and Kamariotou (2016), through a conceptual framework that can help the decision process towards the business strategy.

Kitsios와 Kamariotou (2016)는 전략적 정보 시스템 계획의 원칙을 고려한 의사결정 지원 시스템 설계를 제안했으며, 이는 비즈니스 전략을 향한 의사결정 과정을 돕는 개념적 프레임워크를 통해 이루어졌다.

The authors implicitly argue about the use of AI for problem recognition tasks and prediction of the most suitable alternative to be implemented.

저자들은 AI를 문제 인식 작업과 가장 적합한 대안 예측을 위해 사용하는 것에 대해 암묵적으로 주장하고 있다.

Thompson et al. (2014) presented a framework that uses AI to identify the most economically beneficial IT infrastructure configuration to ensure that design choices are consistent with the enterprise strategy.

Thompson et al. (2014)은 AI를 사용하여 가장 경제적으로 유익한 IT 인프라 구성을 식별하고 설계 선택이 기업 전략과 일치하도록 하는 프레임워크를 제시했다.

Analytics tools based on AI are part of an important topic in the decision support theme since they provide information and knowledge based on data (Kiron & Schrage, 2019).

AI 기반 분석 도구는 데이터를 기반으로 정보를 제공하므로 의사결정 지원 주제에서 중요한 부분을 차지한다 (Kiron & Schrage, 2019).

In this direction, Demirkan and Delen (2013) proposed a conceptual framework that helps the development and implementation of decision support systems in the cloud, contributing to IT strategy.

이와 관련하여 Demirkan과 Delen (2013)은 클라우드에서 의사결정 지원 시스템의 개발 및 구현을 돕는 개념적 프레임워크를 제안했으며, 이는 IT 전략에 기여한다.

Alternatively, Dąbrowski (2017) idealized an adaptive conceptual framework that uses machine learning to facilitate data-driven decisions and promotes goal-modelling and reasoning as regards IT initiatives.

대안적으로, Dąbrowski (2017)은 기계 학습을 사용하여 데이터 기반 의사 결정을 용이하게 하고 IT 이니셔티브와 관련된 목표 모델링과 추론을 촉진하는 적응형 개념적 프레임워크를 구상했다.

Analogously, the use of AI as part of advanced analytics solutions as a source of value to business was discussed in the literature.

이와 유사하게, AI를 고급 분석 솔루션의 일환으로 사용하여 비즈니스에 가치를 제공하는 방안이 문헌에서 논의되었다.

Nalchigar and Yu (2017) and Harlow (2018) idealized conceptual models that include AI technologies, representation learning, and machine learning techniques to perform classification and prediction tasks with the promise of aligning analytics requirements with the business strategy.

Nalchigar와 Yu (2017) 및 Harlow (2018)은 AI 기술, 표현 학습, 기계 학습 기법을 포함한 개념적 모델을 구상하여 분류 및 예측 작업을 수행하고, 이를 통해 분석 요구 사항을 비즈니스 전략과 일치시키겠다는 목표를 제시했다.

Boselli et al. (2018) proposed the use of representation learning for monitoring and classifying online job advertisements and providing useful information to businesses to make better decisions about the labor market.

Boselli et al. (2018)은 온라인 구인 광고를 모니터링하고 분류하기 위해 표현 학습을 사용하는 것을 제안했으며, 이를 통해 노동 시장에 대한 더 나은 의사 결정을 내리기 위한 유용한 정보를 비즈니스에 제공한다고 주장했다.

Elacio et al. (2020) proposed a model that uses machine learning to manage employee retention.

Elacio et al. (2020)은 기계 학습을 사용하여 직원 유지 관리를 수행하는 모델을 제안했다.

Lichtenthaler (2020a) introduced a conceptual discussion about the organizational advantages in terms of competitiveness obtained from advanced analytics, as a result of combining human intelligence and artificial intelligence.

Lichtenthaler (2020a)는 인간 지능과 인공지능을 결합하여 얻은 고급 분석의 결과로, 경쟁력 측면에서 조직이 얻는 이점에 대해 개념적 논의를 소개했다.

The importance of data-driven decision approaches was also addressed by Janjua and Hussain (2012).

데이터 기반 의사 결정 접근 방식의 중요성은 Janjua와 Hussain (2012)에 의해 또한 다루어졌다.

Using representation learning to resolve tasks of natural language processing and reasoning, the authors proposed a conceptual framework that can be used to develop decision support systems that reason over the data present across enterprise boundaries.

자연어 처리 및 추론 작업을 해결하기 위해 표현 학습을 사용한 저자들은 기업 경계를 넘어 존재하는 데이터를 기반으로 추론하는 의사 결정 지원 시스템을 개발하는 데 사용할 수 있는 개념적 프레임워크를 제안했다.

The predictive analytics field was also tackled by Lee et al. (2012), focusing on the sales forecast problem.

Lee et al. (2012)은 예측 분석 분야에서 주로 판매 예측 문제를 다루었다.

The researchers employed representation learning algorithms in a framework developed for producing daily sales forecasts, which can be a useful tool to enhance business strategies and to increase competitive advantages.

연구자들은 일일 판매 예측을 생성하기 위해 개발된 프레임워크에서 표현 학습 알고리즘을 사용했으며, 이는 비즈니스 전략을 강화하고 경쟁 우위를 높이는 데 유용한 도구가 될 수 있다.

Hsu et al. (2020) addressed the use of AI in predictive analytics applications for operating performance evaluation and forecasting.

Hsu et al. (2020)은 운영 성과 평가 및 예측을 위한 예측 분석 응용 프로그램에서 AI 사용을 다루었다.

Still in the direction of supporting decisions related to sales, but aiming to personalize the service and to recommend products, Song et al. (2017) explored the use of deep learning in a customer recognition application.

여전히 판매와 관련된 의사 결정을 지원하는 방향에서, 서비스의 개인화와 제품 추천을 목표로 Song et al. (2017)은 고객 인식 응용 프로그램에서 심층 학습의 사용을 탐구했다.

The authors proposed a system, composed of software and cameras, which recognize customers in retail physical stores aiming to provide accordingly information to business strategy, enabling changes in sales strategy planning.

저자들은 소프트웨어와 카메라로 구성된 시스템을 제안했으며, 이는 소매점에서 고객을 인식하여 비즈니스 전략에 맞는 정보를 제공하고, 이를 통해 판매 전략 계획에서 변화를 가능하게 한다.

The decision support function of AI-based solutions was also discussed in social responsibility and sustainability themes.

AI 기반 솔루션의 의사결정 지원 기능은 사회적 책임 및 지속 가능성 주제에서도 논의되었다.

Poplawska et al. (2015) introduced a hybrid framework that uses classic AI techniques to guide the decisions about the priority alternative of the company social responsibility program to be implemented for incorporating it into the business strategy.

Poplawska et al. (2015)은 고전적 AI 기법을 사용하여 회사의 사회적 책임 프로그램의 우선 대안을 결정하는 의사결정을 안내하고 이를 비즈니스 전략에 통합하는 하이브리드 프레임워크를 소개했다.

Choy et al. (2016) focused on sustainability and used AI algorithms to define priorities and policies for establishing operation strategies from the identification of business strategies.

Choy et al. (2016)은 지속 가능성에 중점을 두고, AI 알고리즘을 사용하여 비즈니스 전략을 식별한 후 운영 전략을 수립하기 위한 우선순위와 정책을 정의했다.

These operation strategies optimize the chemical products production process conditions aiming to avoid unnecessary energy consumption.

이러한 운영 전략은 불필요한 에너지 소비를 피하기 위해 화학 제품 생산 프로세스 조건을 최적화한다.

Neshat and Amin-Naseri (2015) planned a multi-agent intelligence using a machine-learning algorithm to develop a suitable platform for sustainable energy systems planning, considering the market dynamics and the demand-side interactions via an inter-temporal modification mechanism.

Neshat와 Amin-Naseri (2015)은 지속 가능한 에너지 시스템 계획을 위한 적합한 플랫폼을 개발하기 위해 기계 학습 알고리즘을 사용하여 다중 에이전트 지능을 계획하였으며, 시장 역학과 수요 측 상호작용을 고려하여 시간 간 수정 메커니즘을 통해 이를 구현하였다.

Alternatively, Touati et al. (2017) proposed a model that uses machine learning to predict the output power from solar photovoltaic panels, which enables the strategic planning and management of energy systems under diverse environmental conditions.

대안적으로 Touati et al. (2017)은 태양광 패널의 출력 전력을 예측하기 위해 기계 학습을 사용하는 모델을 제안했으며, 이는 다양한 환경 조건에서 에너지 시스템의 전략적 계획 및 관리를 가능하게 한다.

Suppliers’ management was another topic explored by the literature studied using AI in solutions to support decision.

공급업체 관리 또한 AI를 사용한 의사 결정 지원 솔루션에서 연구된 문헌에서 탐구된 또 다른 주제였다.

In this sense, Cannavacciuolo et al. (2015) combined the use of AI and the aggregation of indicators related to business strategic needs to develop a system to guide companies in the evaluation of suppliers’ portfolios.

이와 관련하여 Cannavacciuolo et al. (2015)은 AI 사용과 비즈니스 전략적 요구와 관련된 지표의 집계를 결합하여 기업이 공급업체 포트폴리오 평가에서 안내할 수 있는 시스템을 개발했다.

The authors adopted the resource-based view paradigm (Prahalad & Hamel, 1990) for enterprise competencies assessment and used an AI algorithm to calculate an indicator associated with all the assessed competencies.

저자들은 기업 역량 평가를 위한 자원 기반 관점 패러다임 (Prahalad & Hamel, 1990)을 채택했으며, 평가된 모든 역량과 관련된 지표를 계산하기 위해 AI 알고리즘을 사용했다.

In the same context of decision support, research from the studied literature discusses the use of AI to support marketing decisions.

의사결정 지원의 같은 맥락에서, 연구된 문헌에서는 마케팅 의사 결정을 지원하기 위해 AI 사용에 대해 논의하고 있다.

Laínez et al. (2010) proposed an approach using classic AI to assist managers in deciding product pricing, advertising investments, and other marketing strategies, as well as production and distribution planning.

Laínez et al. (2010)은 고전적 AI를 사용하여 관리자가 제품 가격 책정, 광고 투자 및 기타 마케팅 전략뿐만 아니라 생산 및 유통 계획을 결정하는 데 도움을 주는 접근 방식을 제안했다.

Miklosik et al. (2019) discussed the important role of intelligent analytical tools in the development and execution of marketing strategies, but the study findings demonstrated the low level of adoption of analytical applications based on machine learning for marketing management.

Miklosik et al. (2019)은 마케팅 전략 개발 및 실행에서 지능형 분석 도구의 중요한 역할을 논의했지만, 연구 결과는 마케팅 관리에서 기계 학습 기반 분석 응용 프로그램의 채택 수준이 낮다는 점을 보여주었다.

The use of social media was addressed by Arora et al. (2020). The researchers designed and implemented a model using machine learning to detect if posts are promoted or organic in order to support marketing by monitoring and analyzing the social media behaviors of competitors (Arora et al., 2020).

소셜 미디어 사용은 Arora et al. (2020)에 의해 다루어졌다. 연구자들은 기계 학습을 사용하여 게시물이 유료로 홍보된 것인지 자연 발생적인 것인지를 감지하는 모델을 설계하고 구현하였으며, 이를 통해 경쟁업체의 소셜 미디어 행동을 모니터링하고 분석하여 마케팅을 지원하였다 (Arora et al., 2020).

Gloor et al. (2020) presented the system “Tribefinder,” an instrument implemented with deep learning, able to identify customers (or potential customers) tribes on Twitter. According to the authors, tribes are groups composed of heterogeneous individuals connected by a shared emotion.

Gloor et al. (2020)은 심층 학습을 적용하여 트위터에서 고객(또는 잠재 고객) 집단을 식별할 수 있는 시스템인 ‘Tribefinder’를 제시하였다. 저자들에 따르면, 집단은 공통된 감정으로 연결된 이질적인 개인들로 구성된 그룹이다.

For Gloor et al. (2020), Tribefinder can contribute to improving firms’ competitive advantage by offering a way to manage their marketing strategy and, consequently, their competitive strategy.

Gloor et al. (2020)에 따르면, Tribefinder는 기업의 마케팅 전략을 관리하는 방법을 제공함으로써 경쟁 전략을 강화하고 경쟁 우위를 높이는 데 기여할 수 있다.

Also thinking of helping the marketing strategy formulation by using AI and data from Twitter, Bello-Orgaz et al. (2020) proposed a practical application to extract, model, and analyze collective behavior on Twitter activity, reflecting the responses of users to both the brand and other users’ actions.

트위터에서 AI와 데이터를 사용하여 마케팅 전략을 수립하는 데 도움을 주기 위해, Bello-Orgaz et al. (2020)은 트위터 활동에서 집단 행동을 추출하고 모델링하며 분석하는 실질적인 응용 프로그램을 제안하였으며, 이는 브랜드와 다른 사용자의 행동에 대한 사용자 반응을 반영한다.

Still regarding marketing strategy, Ching and De Dios Bulos (2019) proposed the use of machine learning applications to assign customer sentiments to online restaurant reviews of the Yelp platform and use this information to suggest business strategies to improve customer experience.

마케팅 전략과 관련하여, Ching과 De Dios Bulos (2019)는 기계 학습 응용 프로그램을 사용하여 Yelp 플랫폼의 온라인 레스토랑 리뷰에 고객 감정을 할당하고 이 정보를 사용하여 고객 경험을 향상시키기 위한 비즈니스 전략을 제안하였다.

Similarly, Luo and Xu (2019) used the same platform and implemented an approach using machine learning to extract the main aspects from online restaurant reviews and assign customer sentiments to those reviews.

유사하게, Luo와 Xu (2019)는 같은 플랫폼을 사용하여 기계 학습을 활용한 접근 방식을 구현하였으며, 온라인 레스토랑 리뷰에서 주요 측면을 추출하고 해당 리뷰에 고객 감정을 할당하였다.

According to Luo and Xu (2019), the proposed approach can help restaurateurs better understand how to meet customers’ needs and maintain competitive advantages.

Luo와 Xu (2019)에 따르면, 제안된 접근 방식은 외식업 경영자들이 고객의 요구를 충족시키고 경쟁 우위를 유지하는 방법을 더 잘 이해하는 데 도움을 줄 수 있다.

4.1.2. Stakeholder relationship

The AI-based applications were also discussed within the (potential) customer relationship theme.

AI 기반 응용 프로그램은 (잠재) 고객 관계 주제 내에서도 논의되었다.

Tienkouw et al. (2011) projected a system to help users easily create their one-day trip schedule using AI to optimize the time at each attraction, considering the total travel time.

Tienkouw et al. (2011)은 사용자가 총 여행 시간을 고려하여 각 명소에서의 시간을 최적화할 수 있도록 AI를 사용하여 쉽게 하루 여행 일정을 만들 수 있도록 돕는 시스템을 설계하였다.

The design of this system was planned based on Porter (1996) concepts of competitive strategy to obtain competitive advantages in terms of cost leadership, differentiation, and market focus.

이 시스템의 설계는 비용 우위, 차별화 및 시장 집중 측면에서 경쟁 우위를 확보하기 위해 Porter (1996)의 경쟁 전략 개념에 기반하여 계획되었다.

Within the medicine domain, Kreps and Neuhauser (2013) analyzed deficiencies in e-health communication programs and proposed the strategic use of general AI to engage patients and suppliers in the interaction with an application called ChronologyMD, which allows collecting observations of patients’ daily living.

의학 분야에서 Kreps와 Neuhauser (2013)은 전자 건강 커뮤니케이션 프로그램의 결함을 분석하고, ChronologyMD라는 응용 프로그램과의 상호작용에서 환자와 공급자를 참여시키기 위한 일반적인 AI의 전략적 사용을 제안하였다. 이는 환자의 일상 생활 관찰 데이터를 수집할 수 있게 한다.

For Kreps and Neuhauser (2013), this information is useful to increase consumer engagement and enhance health outcomes.

Kreps와 Neuhauser (2013)에 따르면, 이 정보는 소비자의 참여를 높이고 건강 결과를 향상시키는 데 유용하다.

The use of AI tools to enhance customer experience by providing better personalization, quality of service, and hassle-free service was discussed by Sujata et al. (2019) and Zaki (2019).

Sujata et al. (2019) 및 Zaki (2019)는 AI 도구를 사용하여 더 나은 개인화, 서비스 품질, 그리고 번거로움 없는 서비스를 제공함으로써 고객 경험을 향상시키는 방안을 논의하였다.

The study of Sujata et al. (2019) introduced a conceptual model to help the alignment between IT strategy and business strategy.

Sujata et al. (2019)의 연구는 IT 전략과 비즈니스 전략의 정렬을 돕는 개념적 모델을 제시하였다.

In the proposed model, the researchers included the strategic use of AI in applications such as sentiment analysis, emotion detection, virtual assistants, chatbots, and content curation lead.

제안된 모델에서 연구자들은 감정 분석, 감정 탐지, 가상 비서, 챗봇, 콘텐츠 큐레이션 리드와 같은 응용 프로그램에서 AI의 전략적 사용을 포함시켰다.

Zaki (2019), on the other hand, presented a conceptual argumentation about the adoption of AI technologies motivated by the aims of customer experience improvement.

반면 Zaki (2019)는 고객 경험 향상을 목표로 한 AI 기술 채택에 관한 개념적 논의를 제시하였다.

Considering the use of AI as a new advertising style for the product of e-channel, Duan et al. (2019) investigated how the AI-push affects the profits of manufacturers and remanufacturers.

e-채널 제품에 대한 새로운 광고 스타일로 AI의 사용을 고려하여, Duan et al. (2019)은 AI 푸시가 제조업체 및 재제조업체의 이익에 어떤 영향을 미치는지 조사하였다.

Miklosik et al. (2019) also addressed the use of AI to automate processes, such as reporting, creating, and optimizing advertising campaigns, and communicating with customers.

Miklosik et al. (2019)은 또한 보고서 작성, 광고 캠페인 생성 및 최적화, 고객과의 커뮤니케이션과 같은 프로세스를 자동화하기 위해 AI 사용을 다루었다.

However, neither study discussed the problems related to consumer–AI interaction.

그러나 두 연구 모두 소비자와 AI 간의 상호작용과 관련된 문제는 논의하지 않았다.

Bhale (2019) explored the autonomous digital assistance theme using AI in chatbots and investigated customer satisfaction from the technology acceptance perspective.

Bhale (2019)는 챗봇에서 AI를 사용하여 자율 디지털 지원 주제를 탐구하였고, 기술 수용 관점에서 고객 만족도를 조사하였다.

According to Bhale (2019), although some researchers argue that customers do not like to realize they are interacting with machines, it is possible to create value for businesses with digital assistance as well as improve customer experience.

Bhale (2019)에 따르면, 일부 연구자들이 고객이 기계와 상호작용하고 있다는 것을 인식하는 것을 좋아하지 않는다고 주장하더라도, 디지털 지원을 통해 비즈니스 가치를 창출하고 고객 경험을 개선하는 것이 가능하다.

Considering firms’ internal domain, the literature reviewed presented conceptual studies.

기업 내부 도메인을 고려할 때, 검토된 문헌은 개념적 연구를 제시하였다.

Caputo et al. (2019) investigated the relationships between technology and human resources soft skills in big data environments.

Caputo et al. (2019)는 빅데이터 환경에서 기술과 인적 자원의 소프트 스킬 간의 관계를 조사하였다.

They found that human resources’ competences, emotions, behaviors, and motivations influence the strategic results of AI adoption.

그들은 인적 자원의 역량, 감정, 행동 및 동기가 AI 채택의 전략적 결과에 영향을 미친다는 사실을 발견했다.

Moreover, Lichtenthaler (2019) argued that employee attitudes are crucial to obtaining benefits from AI.

또한, Lichtenthaler (2019)는 직원들의 태도가 AI로부터 혜택을 얻는 데 매우 중요하다고 주장했다.

Still in the perspective of human resources management, van Esch and Black (2019) and Black and van Esch (2020) evaluated the features that can influence prospective employees to engage with virtual assistants or chatbots, arguing that candidates’ recruitment has moved from a tactical human resources activity to a strategic business priority.

인적 자원 관리의 관점에서, van Esch와 Black (2019) 및 Black과 van Esch (2020)는 가상 비서 또는 챗봇과 상호작용하는 데 영향을 미칠 수 있는 요소들을 평가하며, 인재 채용이 전술적 인적 자원 활동에서 전략적 비즈니스 우선순위로 이동했다고 주장했다.

Regarding the relationship of AI and employees, Lichtenthaler (2020a) suggested that the value of AI applications can be acquired from the management of multiple types of intelligence in line with corporate strategy and business strategies: human intelligence, artificial intelligence, and meta-intelligence.

AI와 직원의 관계에 대해, Lichtenthaler (2020a)는 인간 지능, 인공지능, 메타 인텔리전스와 같은 다양한 지능 유형을 관리함으로써 AI 응용 프로그램의 가치를 기업 전략 및 비즈니스 전략과 일치시켜 얻을 수 있다고 제안했다.

For Lichtenthaler (2020a), meta-intelligence involves the recombination and renewal of the different types of intelligence, which is similar to the intertemporal evolution of organizational innovation processes and capabilities.

Lichtenthaler (2020a)에 따르면, 메타 인텔리전스는 서로 다른 지능 유형의 재조합과 갱신을 포함하며, 이는 조직 혁신 과정 및 역량의 시간적 진화와 유사하다.

4.1.3. Machine-to-machine communication

The use of AI tools in products was conceptually presented by Blitz and Kazi (2019), describing the challenge of autonomous charging stations.

Blitz와 Kazi (2019)는 자율 충전소의 도전을 설명하면서 제품 내 AI 도구 사용을 개념적으로 제시했다.

In their vision, AI allows a smart grid to enable different new business opportunities related to hardware, software, operations, financial services, and others.

그들의 비전에서, AI는 스마트 그리드를 통해 하드웨어, 소프트웨어, 운영, 금융 서비스 등과 관련된 새로운 비즈니스 기회를 가능하게 한다.

Although the authors discussed AI in a generic way and did not specify any technology in particular, they suggested that AI tools can be used to automate station selection, scheduling, recharging, payment, and communication within networks of stations.

저자들은 AI를 일반적인 방식으로 논의하였으며 특정 기술을 구체적으로 언급하지 않았으나, AI 도구가 충전소 선택, 일정 관리, 충전, 결제, 충전소 네트워크 간의 통신을 자동화하는 데 사용될 수 있다고 제안했다.

For Blitz and Kazi (2019), strategists need to be prepared for the future of transportation and to take advantage of AI technologies’ potential to create and develop these new business opportunities.

Blitz와 Kazi (2019)에 따르면, 전략가들은 미래의 교통에 대비하고 이러한 새로운 비즈니스 기회를 창출하고 발전시키기 위한 AI 기술의 잠재력을 활용해야 한다.

In a more realistic way, Brock and von Wangenheim (2019) provided empirical evidence about the use of AI in smart products, although they focused on general AI.

보다 현실적인 방식으로, Brock과 von Wangenheim (2019)은 일반 AI에 초점을 맞추면서 스마트 제품에서의 AI 사용에 대한 실증적 증거를 제공했다.

Alternatively, Zaki (2019) cited new products with virtual assistants using voice recognition technology as a way to enable interaction between humans and cognitive technologies.

대안적으로, Zaki (2019)는 음성 인식 기술을 사용하는 가상 비서가 포함된 신제품을 인간과 인지 기술 간의 상호작용을 가능하게 하는 방법으로 언급했다.

4.2. Motivation of AI strategic adoption

Although some studies indicate that the overall use of AI is primarily driven by the technological potential and not by real business needs (Bean, 2019; Davenport, 2018; Lichtenthaler, 2020a), RQ2 concerns the motivation that leads to AI strategic usage.

일부 연구는 AI의 전체적인 사용이 주로 실제 비즈니스 필요성보다는 기술적 잠재력에 의해 추진된다고 지적하지만 (Bean, 2019; Davenport, 2018; Lichtenthaler, 2020a), RQ2는 AI의 전략적 사용을 이끄는 동기에 관한 것이다.

Thus, in the literature sample studied, most studies (65.85%) were motivated by business needs, while 24.39% focused on the technological potential to solve problems and less than 1% cited both.

따라서 연구된 문헌 샘플에서 대부분의 연구(65.85%)는 비즈니스 필요성에 의해 동기부여되었으며, 24.39%는 문제 해결을 위한 기술적 잠재력에 초점을 맞추었고 1% 미만의 연구만이 두 가지를 언급하였다.

Table 3 presents these numbers along with references.

표 3은 이러한 수치와 함께 참고문헌을 제시한다.

Table 3 References of the key motivation to AI adoption.

4.3. The impacts and benefits of AI strategic use

Seeking to investigate RQ3 and RQ4, the research results categorized each paper’s evidence based on theoretical and empirical findings. The potential advantages of the connection between AI technologies and business strategy were analyzed through the theoretical results found.

RQ3와 RQ4를 조사하기 위해, 연구 결과는 이론적 및 실증적 발견을 바탕으로 각 논문의 증거를 범주화하였다. AI 기술과 비즈니스 전략 간의 연결에서 얻을 수 있는 잠재적 이점은 이론적 결과를 통해 분석되었다.

Alternatively, in papers with empirical contributions, the impacts and benefits that enterprises have received from the strategic use of AI were identified.

한편, 실증적 기여를 다룬 논문들에서는 기업이 AI의 전략적 사용으로부터 받은 영향과 이점이 확인되었다.

Table 4 presents the references for each research evidence category separated by the function performed by AI applications in the organizational domain.

표 4는 AI 응용 프로그램이 조직 내에서 수행한 기능에 따라 연구 증거 범주별로 참고 문헌을 제시하고 있다.

Table 3 References of the key motivation to AI adoption.

Regarding theoretical research works from the studied literature, the following potential advantages were cited:

연구된 문헌에서의 이론적 연구에 관한 잠재적 이점으로는 다음과 같은 항목들이 언급되었다:

• Business strategy improvement with predictive analytics (Demirkan & Delen, 2013; Lee et al., 2012; Dąbrowski, 2017; Touati et al., 2017);

• 예측 분석을 통한 비즈니스 전략 개선 (Demirkan & Delen, 2013; Lee et al., 2012; Dąbrowski, 2017; Touati et al., 2017);

• Optimizing key performance indicators (Schrage & Kiron, 2018);

• 주요 성과 지표 최적화 (Schrage & Kiron, 2018);

• Using image recognition to identify customer behavior (Song et al., 2017);

• 이미지 인식을 통해 고객 행동 식별 (Song et al., 2017);

• Selection of the best alternative for IT infrastructure configuration plans according to future business conditions and its impact on the need to make IT changes (Thompson et al., 2014);

• 미래 비즈니스 조건에 따른 IT 인프라 구성 계획의 최선의 대안 선택 및 IT 변경 필요성에 대한 영향 (Thompson et al., 2014);

• Effective implementation of decision support systems to guide strategic decision-making (Cannavacciuolo et al., 2015);

• 전략적 의사결정을 안내하는 의사결정 지원 시스템의 효과적인 구현 (Cannavacciuolo et al., 2015);

• Integration of corporate functional areas information to improve the management of supply and demand (Laínez et al., 2010);

• 공급과 수요 관리를 개선하기 위한 기업 기능 영역 정보의 통합 (Laínez et al., 2010);

• New business opportunities and innovation capacities (Blitz & Kazi, 2019; Zaki, 2019);

• 새로운 비즈니스 기회 및 혁신 역량 (Blitz & Kazi, 2019; Zaki, 2019);

• Competitive advantage with customer experience improvement (Tienkouw et al., 2011; Zaki, 2019);

• 고객 경험 개선을 통한 경쟁 우위 (Tienkouw et al., 2011; Zaki, 2019);

• Producing actionable information present across organizational boundaries based on reasoning to assist business decisions (Janjua & Hussain, 2012);

• 비즈니스 결정을 지원하기 위해 조직 경계를 넘어 존재하는 실행 가능한 정보를 생성 (Janjua & Hussain, 2012);

• Gaining advantage by segmenting populations to personalize actions and even replace or support human decision-making (Harlow, 2018);

• 인구 집단을 세분화하여 맞춤형 행동을 통해 이점을 얻고 인간 의사결정을 대체하거나 지원 (Harlow, 2018);

• Allowing firms’ human resources to focus on more productive processes (Caputo et al., 2019);

• 기업 인적 자원이 더 생산적인 프로세스에 집중할 수 있도록 지원 (Caputo et al., 2019);

• Enhancing customer experience by providing better personalization, quality of service, and hassle-free service (Sujata et al., 2019; Zaki, 2019).

• 더 나은 개인화, 서비스 품질, 번거로움 없는 서비스를 제공하여 고객 경험을 향상 (Sujata et al., 2019; Zaki, 2019).

According to the empirical results of the literature review, the implementation of AI applications considering business strategy within the decision support domain can benefit enterprises with:

문헌 검토의 실증적 결과에 따르면, 의사결정 지원 영역 내에서 비즈니스 전략을 고려한 AI 응용 프로그램의 구현은 기업에 다음과 같은 이점을 제공할 수 있다:

• Planning IT systems with more accuracy (Ali & Xie, 2011; Cebeci, 2009);

• 더 정확하게 IT 시스템을 계획 (Ali & Xie, 2011; Cebeci, 2009);

• Strategic decision-making considering internal and external factors (Poplawska et al., 2015);

• 내부 및 외부 요인을 고려한 전략적 의사결정 (Poplawska et al., 2015);

• Eliminating difficulties regarding describing products’ attributes and machine settings (Choy et al., 2016);

• 제품 속성과 기계 설정 설명과 관련된 어려움 제거 (Choy et al., 2016);

• Improving product quality (Choy et al., 2016);

• 제품 품질 개선 (Choy et al., 2016);

• Classifying market behavior (Neshat & Amin-Naseri, 2015);

• 시장 행동 분류 (Neshat & Amin-Naseri, 2015);

• Reducing the number of trials and materials in product development and production processes (Choy et al., 2016);

• 제품 개발 및 생산 과정에서의 실험과 재료의 수 감소 (Choy et al., 2016);

• Improving the efficiency and effectiveness of employee recruitment (van Esch & Black, 2019);

• 직원 채용의 효율성과 효과성 개선 (van Esch & Black, 2019);

• Enhancing business strategies based on sales forecasts (Lee et al., 2012) and performance forecasts (Hsu et al., 2020);

• 판매 예측 (Lee et al., 2012) 및 성과 예측 (Hsu et al., 2020)에 기반한 비즈니스 전략 강화;

• Monitoring real-time labor market trends to drive strategic decisions to increase market share (Boselli et al., 2018);

• 실시간 노동 시장 동향을 모니터링하여 시장 점유율을 높이기 위한 전략적 결정 도출 (Boselli et al., 2018);

• Monitoring users’ responses to brand actions from Twitter data to improve marketing strategy formulation (Bello-Orgaz et al., 2020);

• 트위터 데이터를 통해 사용자들의 브랜드 반응을 모니터링하여 마케팅 전략 수립을 개선 (Bello-Orgaz et al., 2020);

• Providing useful information for human resources management to retain employees (Elacio et al., 2020);

• 직원 유지를 위한 인적 자원 관리에 유용한 정보 제공 (Elacio et al., 2020);

• Gaining a better understanding of customer needs (Ching & De Dios Bulos, 2019; Luo & Xu, 2019).

• 고객의 요구를 더 잘 이해할 수 있게 함 (Ching & De Dios Bulos, 2019; Luo & Xu, 2019).

In the context of customer relationships, empirical studies show that the strategic use of AI enables customer experience improvements by reducing service resolution times with digital assistance and, consequently, decreasing churn in contact centers (Bhale, 2019).

고객 관계의 맥락에서 실증 연구들은 AI의 전략적 사용이 디지털 지원을 통해 서비스 해결 시간을 단축하고 결과적으로 연락 센터에서의 이탈률을 감소시킴으로써 고객 경험을 향상시킨다는 것을 보여준다 (Bhale, 2019).

Moreover, the use of AI can provide sustainability business strategy alternatives, such as new advertising styles for e-channels (Duan et al., 2019).

또한, AI의 사용은 e-채널을 위한 새로운 광고 스타일과 같은 지속 가능한 비즈니스 전략 대안을 제공할 수 있다 (Duan et al., 2019).

Despite the positive impacts and benefits of AI, the use of cognitive technologies also involves negative implications (Davenport, 2018).

AI의 긍정적인 영향과 이점에도 불구하고, 인지 기술의 사용은 부정적인 결과도 포함하고 있다 (Davenport, 2018).

However, these negative impacts were discussed only conceptually in the studied literature (Caputo et al., 2019; Lichtenthaler, 2020a, 2020b; Lichtenthaler, 2019).

그러나 이러한 부정적 영향은 연구된 문헌에서 개념적으로만 논의되었다 (Caputo et al., 2019; Lichtenthaler, 2020a, 2020b; Lichtenthaler, 2019).

5. Discussion, challenges and future research opportunities

Although the literature review shows the use of AI in connection with business needs and strategies, the results indicate that this intersection was little explored by the academy and still holds open questions and challenges. Therefore, this section presents the results of RQ5 investigation. Fig. 9 shows the proposed framework based on findings, highlighting the gaps for future studies.

비록 문헌 리뷰는 AI가 비즈니스 요구와 전략과 연관되어 사용되는 것을 보여주고 있지만, 그 교차점은 학계에서 충분히 탐구되지 않았으며 여전히 해결되지 않은 질문들과 도전 과제가 존재한다는 결과를 나타낸다. 따라서 이 섹션에서는 RQ5 조사의 결과를 제시한다. 그림 9는 연구 결과를 바탕으로 제안된 프레임워크를 보여주며, 향후 연구를 위한 격차를 강조하고 있다.

Fig. 9. State of the literature about the intersection between the use of AI tools and business stra

The new generation of AI (or cognitive technologies), which comprehends the technologies involving cognition and little depends on or eliminates human beings to perform tasks, was discussed just in specific contexts (Bh¯ ale, 2019; Lee et al., 2012; Song et al., 2017). For applications with no focus on AI tool aspects (Janjua & Hussain, 2012; Nalchigar & Yu, 2017), or for introducing conceptually managerial implications (Caputo et al., 2019; Lichtenthaler, 2020a, 2020b; Lichtenthaler, 2019), only two papers focused on the aware use of deep learning (Gloor et al., 2020; Song et al., 2017).

인지 기술을 포함하는 새로운 세대의 AI는 인간의 개입 없이 작업을 수행하거나 인간의 의존도를 줄이는 기술로, 특정 맥락에서만 논의되었다 (Bhale, 2019; Lee et al., 2012; Song et al., 2017). 또한 AI 도구 자체에 초점을 맞추지 않고 응용 프로그램에 대해 논의한 연구들 (Janjua & Hussain, 2012; Nalchigar & Yu, 2017)과 관리적 함의를 개념적으로 도입한 연구들 (Caputo et al., 2019; Lichtenthaler, 2020a, 2020b; Lichtenthaler, 2019)도 있었다. 그러나 심층 학습의 의식적 사용에 대해 초점을 맞춘 논문은 단 두 편뿐이다 (Gloor et al., 2020; Song et al., 2017).

Considering the above mentioned, challenges and future research opportunities were established based on the literature review results. Thus, knowledge gaps and research propositions were defined in terms of sources of value creation with the user of AI and its connection with business strategy. These challenges and propositions are described below.

앞서 언급한 바와 같이, 문헌 리뷰 결과를 바탕으로 도전 과제와 향후 연구 기회가 설정되었다. 따라서, AI 사용자와 비즈니스 전략과의 연결을 통해 가치 창출의 원천을 정의한 지식 격차와 연구 제안이 도출되었다. 이러한 도전 과제와 제안은 다음과 같이 설명된다.

5.1. Decision support

According to the literature review results, the connection between AI and business strategy to decision support was addressed by most papers. However, recent advances in deep learning (Goodfellow et al., 2016) have not been well addressed yet. Likewise, no empirical evidence about the automation of the decision-making effectiveness was found. This result may be related to the complexity of the interaction between human and AI, which also affects decision-making automation (Barro & Davenport, 2019; Caputo et al., 2019; Lichtenthaler, 2019; Miklosik et al., 2019).

문헌 리뷰 결과에 따르면, 대부분의 논문에서 AI와 비즈니스 전략 간의 연결이 의사결정 지원과 관련하여 다루어졌다. 그러나 최근 심층 학습의 발전 (Goodfellow et al., 2016)은 아직 충분히 다루어지지 않았다. 마찬가지로, 의사결정 자동화의 효과에 대한 실증적 증거도 발견되지 않았다. 이러한 결과는 인간과 AI 간의 상호작용의 복잡성과 관련이 있을 수 있으며, 이는 의사결정 자동화에 영향을 미친다 (Barro & Davenport, 2019; Caputo et al., 2019; Lichtenthaler, 2019; Miklosik et al., 2019).

Some AI technologies need a human expert in the problem domain to establish hypotheses and to select relevant features (Russell & Norvig, 2010), but the fear of job elimination can lead human beings not to provide useful information to AI model creation (Ransbotham et al., 2018).

일부 AI 기술은 문제 영역에서 인간 전문가가 가설을 설정하고 관련 기능을 선택해야 하지만 (Russell & Norvig, 2010), 일자리 상실에 대한 두려움으로 인해 사람들이 AI 모델 생성에 유용한 정보를 제공하지 않을 수 있다 (Ransbotham et al., 2018).

In turn, deep learning techniques can extract patterns from data by themselves (LeCun et al., 2015), but it is hard for humans to understand and explain the results (Davenport, 2018).

반면, 심층 학습 기술은 데이터를 스스로 분석하여 패턴을 추출할 수 있지만 (LeCun et al., 2015), 인간이 그 결과를 이해하고 설명하는 것은 어렵다 (Davenport, 2018).

However, in the era of big data and the need for speed to conduct business, AI technologies can make better decisions than humans in some contexts, and humans can decide better when judgment is required (Colson, 2019; Lichtenthaler, 2019).

그러나 빅데이터 시대와 비즈니스 수행 속도가 중요한 맥락에서, AI 기술은 특정 상황에서 인간보다 더 나은 결정을 내릴 수 있으며, 판단이 필요한 경우에는 인간이 더 나은 결정을 내릴 수 있다 (Colson, 2019; Lichtenthaler, 2019).

Thus, it is important to analyze how leaders formulate strategies to take advantage of the AI potential and to adjust the AI-human equation for generating value to business (Lichtenthaler, 2020a, 2019).

따라서 리더들이 AI의 잠재력을 최대한 활용하고 AI-인간 방정식을 조정하여 비즈니스에 가치를 창출하는 전략을 어떻게 수립하는지 분석하는 것이 중요하다 (Lichtenthaler, 2020a, 2019).

Proposition 1: The adjustment of the AI-human equation in alignment with business needs and digital strategies is important for companies to successfully implement applications based on the new generation of AI technologies.

제안 1: AI-인간 방정식을 비즈니스 요구와 디지털 전략에 맞추어 조정하는 것이, 새로운 세대의 AI 기술을 기반으로 한 응용 프로그램을 성공적으로 구현하는 데 중요하다.

5.2. Customer and employee engagement

The literature review results show that the strategic use of AI technologies for customer and employee engagement has not been well exploited yet, since few papers discussed customer experience improvement.

문헌 리뷰 결과는 고객 및 직원 참여를 위한 AI 기술의 전략적 사용이 아직 충분히 활용되지 않았음을 보여준다. 고객 경험 개선을 논의한 논문은 소수에 불과하다.

Although Bhale (2019) and Duan et al. (2019) showed that the use of AI in customer relationships generated value for businesses, and Sujata et al. (2019) and Zaki (2019) presented a theoretical discussion about the use of AI to enhance customer experience, the results are not generalizable due to the complexity of AI-human interaction (Caputo et al., 2019).

Bhale (2019)와 Duan et al. (2019)은 AI가 고객 관계에서 기업에 가치를 창출한다고 보여주었으며, Sujata et al. (2019)와 Zaki (2019)는 고객 경험을 향상시키기 위한 AI 사용에 대한 이론적 논의를 제시했지만, AI-인간 상호작용의 복잡성으로 인해 결과를 일반화하기는 어렵다 (Caputo et al., 2019).

Among the reasons for this complexity, humans may not like to notice they are being served or understood by a machine (Bhale, 2019). Thus, this type of reaction can negatively affect the business (Lichtenthaler, 2019).

이 복잡성의 이유 중 하나는 사람들이 기계로부터 서비스를 받거나 기계에 의해 이해된다는 사실을 좋아하지 않을 수 있다는 것이다 (Bhale, 2019). 따라서 이러한 반응은 비즈니스에 부정적인 영향을 미칠 수 있다 (Lichtenthaler, 2019).

Therefore, the interaction of customers and AI applications using an appropriate digital strategy requires further research. In this context, the following proposition was established:

따라서, 적절한 디지털 전략을 사용하는 고객과 AI 응용 프로그램 간의 상호작용에 대한 추가 연구가 필요하다. 이 맥락에서 다음과 같은 제안이 도출되었다:

Proposition 2: The use of the new generation of AI technologies can create competitive advantages by improving customers’ experience and engagement through the applications designed based on digital strategy.

제안 2: 새로운 세대의 AI 기술은 디지털 전략을 기반으로 설계된 응용 프로그램을 통해 고객 경험과 참여를 향상시킴으로써 경쟁 우위를 창출할 수 있다.

The interface between employees and AI technologies was also addressed by the literature, indicating issues about the AI use in organizational contexts due to the possible deep changes in the workforce and consequent job reduction; the lack of confidence in AI decisions, recommendations, and responses (Bean, 2019; Davenport, 2018; Khakurel et al., 2018; Ransbotham et al., 2018).

직원과 AI 기술 간의 인터페이스도 문헌에서 다루어졌으며, 조직적 맥락에서 AI 사용으로 인한 인력 구조의 심각한 변화와 그에 따른 일자리 감소, AI 결정과 추천 및 응답에 대한 신뢰 부족 등의 문제가 제기되었다 (Bean, 2019; Davenport, 2018; Khakurel et al., 2018; Ransbotham et al., 2018).

Hence, there is a need to investigate digital strategies to reduce the negative impacts of AI use while improving employees’ engagement (Duan et al., 2019; Kiron & Schrage, 2019; Lichtenthaler, 2020a, 2020b). The following proposition was defined:

따라서 AI 사용의 부정적 영향을 줄이면서 직원 참여를 향상시키기 위한 디지털 전략을 조사할 필요가 있다 (Duan et al., 2019; Kiron & Schrage, 2019; Lichtenthaler, 2020a, 2020b). 다음과 같은 제안이 정의되었다:

Proposition 3: Enterprises can obtain competitive advantages by using the new generation of AI technologies with an appropriate digital business strategy to increase employees’ engagement.

제안 3: 기업은 새로운 세대의 AI 기술을 적절한 디지털 비즈니스 전략과 함께 사용하여 직원 참여를 증대시킴으로써 경쟁 우위를 확보할 수 있다.

5.3. Automation

In the sample of articles studied, the theme of automation was discussed in only a few papers (Caputo et al., 2019; Bhale, 2019; Miklosik et al., 2019; van Esch & Black, 2019; Black & van Esch, 2020). This may be because, in the past, automation was typically associated with efficiency improvement to reduce costs rather than obtaining competitive advantage (Farbey, Land, & Targett, 1995; Laurindo, 2008; Satell, 2017).

연구된 논문 샘플에서 자동화 주제는 소수의 논문에서만 논의되었다 (Caputo et al., 2019; Bhale, 2019; Miklosik et al., 2019; van Esch & Black, 2019; Black & van Esch, 2020). 이는 과거에 자동화가 비용 절감보다는 주로 효율성 향상과 연관되었기 때문일 수 있다 (Farbey, Land, & Targett, 1995; Laurindo, 2008; Satell, 2017).

Facing the digital era’s opportunities, some researchers found that automation is the most common type of AI application in organizations due to its easy implementation and rapid return on investment (Davenport & Ronanki, 2018; Fountaine et al., 2019; Venkatraman, 2017). Perhaps more recently, there is a view that automation can create competitive advantage if used to automate tasks faster than competitors and a greater number of tasks (Venkatraman, 2017).

디지털 시대의 기회를 맞아, 일부 연구자들은 자동화가 쉬운 구현과 빠른 투자 수익률 덕분에 조직에서 가장 일반적인 AI 응용 프로그램 유형이라고 발견하였다 (Davenport & Ronanki, 2018; Fountaine et al., 2019; Venkatraman, 2017). 최근 들어, 자동화가 경쟁자보다 더 빠르고 더 많은 작업을 자동화할 수 있다면 경쟁 우위를 창출할 수 있다는 견해가 있다 (Venkatraman, 2017).

For this reason, a digital business strategy is necessary to achieve benefits through AI use in automation tasks (Jesuthasan & Boudreau, 2017). Moreover, it is necessary to establish and develop capabilities that involve business rules to harness automation for obtaining competitive advantages (Davenport, 2019).

따라서 자동화 작업에서 AI 사용을 통해 혜택을 얻기 위해서는 디지털 비즈니스 전략이 필요하다 (Jesuthasan & Boudreau, 2017). 또한, 자동화를 활용하여 경쟁 우위를 확보하기 위해 비즈니스 규칙과 관련된 역량을 개발하고 확립하는 것이 필요하다 (Davenport, 2019).

More complex tasks require human resources to develop an adequate level of confidence in the technology (Caputo et al., 2019). Proposition 4 was thus defined:

더 복잡한 작업은 인간 자원이 기술에 대한 적절한 신뢰 수준을 개발해야 한다 (Caputo et al., 2019). 따라서 제안 4가 정의되었다:

Proposition 4: The use of a new generation of AI tools in alignment with a well-defined digital business strategy considering business needs and rules can enable automation and generate competitive advantages for the organization.

제안 4: 비즈니스 요구와 규칙을 고려한 명확한 디지털 비즈니스 전략에 맞추어 새로운 세대의 AI 도구를 사용하면 자동화를 가능하게 하고 조직에 경쟁 우위를 제공할 수 있다.

5.4. New products and services

As stated by the literature review results, the use of AI aligned with business strategy to create new products or services was covered by only three papers. Blitz and Kazi (2019) discussed the use of AI to enable machine-to-machine communication in new business opportunities, but they did not validate their ideas.

문헌 리뷰 결과에 따르면, AI를 비즈니스 전략과 일치시켜 신제품이나 서비스를 창출하는 데 사용된 사례는 단 세 편의 논문에서만 다루어졌다. Blitz와 Kazi (2019)는 AI를 활용하여 새로운 비즈니스 기회에서 기계 간 통신을 가능하게 하는 방안을 논의했으나, 그들의 아이디어를 검증하지 않았다.

In contrast, some studies argued that enterprises have received benefits with the development of new products and services (Davenport & Ronanki, 2018; Davenport, 2018; Marr & Ward, 2019). For Barro and Davenport (2019), AI tools can drive deeper innovation in business, which is the greatest impact of intelligent technologies.

반면, 일부 연구에서는 기업이 신제품 및 서비스 개발로 혜택을 얻었다고 주장하였다 (Davenport & Ronanki, 2018; Davenport, 2018; Marr & Ward, 2019). Barro와 Davenport (2019)에 따르면, AI 도구는 비즈니스에서 더 깊은 혁신을 이끌 수 있으며, 이는 지능형 기술의 가장 큰 영향이다.

Huang and Rust (2018) argue that AI is increasingly reshaping services, performing various tasks, and creating opportunities for human-machine integration. Therefore, there is a need to understand how managers can create competitive and cognitive strategies to innovate using AI’s potential.

Huang과 Rust (2018)는 AI가 점점 더 서비스를 재편하며 다양한 작업을 수행하고 인간-기계 통합의 기회를 창출한다고 주장한다. 따라서 관리자들이 AI의 잠재력을 사용하여 혁신을 창출하기 위한 경쟁 및 인지 전략을 어떻게 수립할 수 있을지를 이해하는 것이 필요하다.

Proposition 5 regards this challenge:

제안 5는 이러한 도전 과제와 관련이 있다:

Proposition 5: Competitive and cognitive strategies must be aligned to successfully use the new generation of AI to create innovative products and solutions.

제안 5: 경쟁 및 인지 전략이 일치되어야만 새로운 세대의 AI를 성공적으로 활용하여 혁신적인 제품과 솔루션을 창출할 수 있다.

6. Conclusion

AI technologies have occupied a prominent position in organizational contexts. This hype is partly due to its potential demonstrated by reports from leading consultancies or technology providers and white papers. In turn, great expectations are related to the competitive business scenario. For this reason, there is an increasing demand for research on the strategic use of AI to obtain competitive advantages.

AI 기술은 조직적 맥락에서 중요한 위치를 차지하게 되었다. 이러한 과대광고는 주로 주요 컨설팅 회사나 기술 제공업체 및 백서에서 보여준 AI의 잠재력에 기인한다. 이에 따라 비즈니스 경쟁 시나리오와 관련된 높은 기대가 있다. 이러한 이유로, 경쟁 우위를 확보하기 위한 AI의 전략적 사용에 대한 연구 수요가 증가하고 있다.

Thus, this paper aimed to investigate the connection between AI usage and business strategy through a systematic literature review. Hence, the relevant literature on the theme was analyzed to synthesize the results and contribute to the current state of research; to identify benefits, challenges, and knowledge gaps; and to indicate propositions for future research(Table 5).

따라서, 본 논문은 체계적인 문헌 검토를 통해 AI 사용과 비즈니스 전략 간의 연결을 조사하는 것을 목표로 하였다. 이와 관련된 문헌을 분석하여 결과를 종합하고, 현재 연구 상태에 기여하며, 이점, 도전 과제, 지식 격차를 식별하고, 향후 연구를 위한 제안을 제시하였다(표 5).

Table 5 Summary of benefits, challenges and research opportunities.

This study also contributes a conceptual framework (Fig. 9) that highlights these gaps for future works and helps to understand the interplay between the use of AI technologies and business strategy. In the framework, this interplay was expressed in terms of business value creation sources. 

본 연구는 또한 향후 연구를 위한 격차를 강조하고, AI 기술과 비즈니스 전략의 상호작용을 이해하는 데 도움이 되는 개념적 프레임워크를 제시하였다 (그림 9). 이 프레임워크에서 이러한 상호작용은 비즈니스 가치 창출 원천 측면에서 표현되었다. 

The literature addressed the strategic use of AI in the following ways: (i) to help the decision-making process in the perspective of decision support; (ii) to improve customer relationships in the automation, customer, and employee engagement dimensions; and (iii) to enable machine-to-machine communication for offering new products and services.

문헌은 AI의 전략적 사용을 다음과 같은 방식으로 다루었다: (i) 의사결정 지원 관점에서 의사결정 과정을 돕기 위해, (ii) 자동화, 고객 및 직원 참여 차원에서 고객 관계를 개선하기 위해, (iii) 신제품 및 서비스 제공을 위한 기계 간 통신을 가능하게 하기 위해.

These findings are relevant to both theoretical and managerial perspectives, providing extensive opportunities for generating novel theory and new forms of management practices. Regarding theoretical implications, the results indicate that the strategic use of AI technologies has not been well explored by the literature yet, despite the appeal of digital and cognitive strategies to gain competitive advantages from AI working with humans.

이러한 결과는 이론적 및 관리적 관점 모두에서 관련이 있으며, 새로운 이론 생성과 새로운 관리 실천 방식의 기회를 제공한다. 이론적 함의와 관련하여, AI가 인간과 협력하여 경쟁 우위를 확보하기 위한 디지털 및 인지 전략의 매력에도 불구하고, AI 기술의 전략적 사용이 문헌에서 충분히 탐구되지 않았음을 시사한다.

Therefore, given the rise of AI in the digital era, there is still plenty to investigate about the planning and management of the new generation of AI in different contexts at diverse scales and business scopes.

따라서, 디지털 시대에서 AI의 부상에 비추어, 다양한 규모와 비즈니스 범위에서 새로운 세대의 AI 계획 및 관리에 대해 여전히 많은 연구가 필요하다.

In terms of managerial implications, the proposed framework can serve as a guide for management and organizational practices, demanding new models for managerial decision-making and reshaping organizational culture. Furthermore, the demonstration of the AI and business strategy connection can help executives adopt these new technologies with greater awareness of the opportunities, challenges, and benefits that AI may bring to their organizations.

관리적 함의 측면에서, 제안된 프레임워크는 관리 및 조직적 실천을 위한 가이드 역할을 할 수 있으며, 관리 의사결정을 위한 새로운 모델과 조직 문화의 재편을 요구한다. 또한, AI와 비즈니스 전략 간의 연결을 보여줌으로써 경영진이 이러한 새로운 기술을 조직에 가져올 수 있는 기회, 도전 과제 및 혜택에 대해 더 큰 인식을 가지고 채택할 수 있도록 도울 수 있다.

Although providing contributions such as the current state of the literature and future research directions about the addressed theme, this paper also presents some limitations. The research was performed using terms related to business strategy or IT strategy, not specifying other business strategy dimensions, such as operational strategy and financial strategy. Future studies may extend the search string to incorporate these perspectives.

이 논문은 현재 문헌 상태와 다룬 주제에 대한 향후 연구 방향과 같은 기여를 제공했지만, 몇 가지 한계도 제시하고 있다. 본 연구는 비즈니스 전략 또는 IT 전략과 관련된 용어를 사용하여 수행되었으며, 운영 전략과 재무 전략과 같은 다른 비즈니스 전략 차원을 명시하지 않았다. 향후 연구에서는 이러한 관점을 통합하기 위해 검색 범위를 확장할 수 있다.

In addition, the dimensions presented in the conceptual model can trigger future research focusing on a specific direction. Hopefully, the questions and propositions arising from this study can be the focus of future field research that investigates these points.

또한, 개념적 모델에서 제시된 차원은 특정 방향에 초점을 맞춘 향후 연구를 촉발할 수 있다. 본 연구에서 제기된 질문과 제안이 이러한 점을 조사하는 향후 현장 연구의 초점이 되기를 바란다.