Developing a Grounded Theory-Based Model for the Adoption of Artificial Intelligence Technology in Public Organizations: A Technical and Practical Approach

Subject Areas : Multimedia Processing, Communications Systems, Intelligent Systems

Reza Zarei ¹ , Alireza Rousta ² , Shahryar Ansari Charsoughi ³

1 - Ph.D. Student, Department of Information Technology Management, Kish International Branch, Islamic Azad University, Kish, Iran
2 - Associate Professor, Department of Business Management, Shahre Qods Branch, Islamic Azad University, Tehran, Iran
3 - Assistant Professor, Department of Information Technology Management, Kish Branch, Islamic Azad University, Kish, Iran

Received: 2024-11-02 Accepted : 2024-12-18 Published : 2025-01-27

Keywords: artificial intelligence technology, government organizations, foundation data method,

Abstract :

Abstract
Adoption of artificial intelligence (AI) technology in public organizations requires identifying the technical, structural, and managerial dimensions that influence its successful implementation. This study employs the Grounded Theory methodology to identify and classify key factors in AI adoption, aiming to develop a practical model for the deployment and integration of intelligent systems in public sector business operations. To achieve this, field data were collected from academic experts and senior managers in public organizations using a purposive sampling strategy. Semi-structured interviews served as the primary data collection tool, and their content was analyzed through open, axial, and selective coding methods.

The findings indicate that technical dimensions (e.g., hardware and software infrastructure, system integration, and data security), along with managerial and cultural aspects (e.g., change management, specialized human resource expertise, and institutional support), synergistically influence the adoption of AI technology. This study not only highlights the challenges and opportunities in implementing AI-based systems but also contributes to the development of an effective and practical model to enhance services in public organizations. The proposed model is expected to improve efficiency, reduce costs, and create added value across various technical and managerial domains in public organizations.

Introduction:  Artificial Intelligence (AI) is transforming organizations by enhancing efficiency, reducing costs, and driving innovation. This study aims to explore the key dimensions influencing AI adoption in public organizations.

Method: Using Grounded Theory, data were collected through purposive sampling and semi-structured interviews with 20 experts. Data analysis involved open, axial, and selective coding, supported by MAXQDA software.

Results: Findings show that technical factors (infrastructure, data security) and managerial aspects (change management, expertise, institutional support) are crucial for AI adoption. The proposed model enhances efficiency and reduces costs in public organizations.

Discussion: AI adoption requires strategies aligned with organizational culture and structure. Addressing challenges like resistance to change and resource shortages is critical. The model provides a practical framework for successful implementation.

References:

منابع تحقیق 1. احمدی، سید علی اکبر؛ دارایی، محمدرضا؛ سلام¬زاده، آرش و جعفری، محمدرضا (1392). هوش مصنوعی و فرصت‌های کسب وکار: شناسایی کارکردهای هوش مصنوعی در ایجاد مزیت رقابتی برای کسب وکارهای فناور (مطالعه¬ی صنعت بازی‌های رایانه‌ای)، فصلنامه توسعه کارآفرینی، دوره 6، شماره 2، 26-7.
2. افلاطونی، حامد و رحمانی، مریم،1400،تاثیر هوش مصنوعی بر کسب و کار،6th International Conference on Interdisciplinary Researches in Management Accounting Economics and in Iran،Tehran،https://civilica.com/doc/1275525
3. قدیانی، آرزو (1397). بهره گیری از هوش مصنوعی ؛ نگرشی نوین در عصر بازاریابی مدرن، ششمین کنفرانس ملی تازه یافته ها در مدیریت و مهندسی صنایع با تاکید بر کارآفرینی در صنایع، 13-1.
4. تصیری، سپیده و سعادتمند، محمدرضا (1400). هوش مصنوعی در کسب و کارهای صنعتی، اولین کنفرانس بین المللی مدیریت بازاریابی صنعتی، 14-1.
5. باقری، محمد، (1398)،پذیرش بانکداری اینترنتی در ایران: بسط مدل پذیرش فناوری، فصل‌نامه علوم فناوری اطلاعات، دوره 24، شماره 13، بهار 1388، ص 5-34
6. بدیع، علی، دستجردی، علی(1395)، ارایه یک مدل مفهومی پذیرش فناوری در بانکداری الکترونیکی بر اساس مدل های TRA, TAM. TAMII, TPM همایش بین المللی تجارت و اقتصاد الکترونیکی
7. جهانگیر، غلام؛ دیانی، محمدحسین؛ نو کاریزی، محسن؛ توسعه مدل پذیرش فناوری اطلاعات دیویس(TAM) از طریق سنجش تأثیر باورهای خودکار آمد اعضای خودکارآمدی دانشگاه علوم پزشکی مشهد بر پذیرش سامانه‌های اطلاعاتی، پژوهش‌نامه کتابداری و اطلاع‌رسانی،1394، 5(2)، 319-339
8. حسینی، نگین(1392)، پذیرش و استفاده از پایگاه‌های اطلاعاتی پیوسته لاتین توسط اعضای هیئت‌علمی دانشگاه‌های شهر کرمانشاه بر اساس نظریه یکپارچه پذیرش و استفاده از فناوریUTAUT، فصل‌نامه دانش سیاسی، سال هفتم، شماره27
9. حسین پور، جعفر، (1396)، نقش فناوری اطلاعات در تحول ساختار سازمان‌ها، اطلاعات سیاسی اقتصادی، شماره 237 از 182 تا 195، خرداد و تیر 1386
10. حق‌شناس، اصغر، دلوی، محمدرضا، شفیعیه، مسعود(1396)؛ نقش سرمایه‌های اجتماعی در توسعه،تدبیر، دی ماه، شماره 188
11. خلعتبری، احمد، (1400)، ارائه یک مدل جدید برای پذیرش سرویس‌های دولت الکترونیک توسط کاربران، پایان‌نامه دانشگاه خواجه‌نصیرالدین طوسی، دانشکده مهندسی صنایع، 139
12. داور پناه، محمدرضا، (1401)، موانع زیر ساختی بهره¬گیری از فناوری اطلاعات در کتابخانه های دانشگاهی ایران، کتابداری و اطلاع رسانی، دوره2، شماره 5، صفحه 1 تا 23
13. داوری، علی، (1402)، مدل‌سازی معادلات ساختاری با نرم‌افزار pls، تهران: سازمان انتشارات جهاد دانشگاهی
1. Buhmann, A. & Fieseler, C. (2021). Towards a deliberative framework for responsible innovation in artificial intelligence, Technol. Soc. 64 (2021) 101475
2. Chan, H. Shan, T. Dahoun, H. Vogel, S. Yuan, (2019). Advancing drug discovery via artificial intelligence, Trends Pharmacol. Sci. 40 (8) (2019) 592–604.
3. -Coccia, M. (2020). Deep learning technology for improving cancer care in society: new directions in cancer imaging driven by artificial intelligence, Technol. Soc. 60 (2020) 101198
4. -Cubric, M. (2020). Drivers, Barriers and Social Considerations for AI Adoption in Business and Management: A Tertiary Study, Technology in Society, 2020, 101257.
5. Harrer, P. Shah, B. Antony, J. Hu, (2019).Artificial intelligence for clinical trial design, Trends Pharmacol. Sci. 40 (8) (2019) 577–591.
6. Henstock, P.V. (2019). Artificial intelligence for pharma: time for internal investment, Trends Pharmacol. Sci. 40 (8) (2019) 543–546.
7. Johnston, M. O’Reilly, R. Argent, B. Caulfield. (2019). Reliability, validity and utility of inertial sensor systems for postural control assessment in sport science and medicine applications: a systematic review, Sports Med. 49 (5) (2019) 783–818.