ผลกระทบของปัญญาประดิษฐ์ที่ส่งผลต่อการตัดสินใจทางธุรกิจขนาดย่อมในยุคปัจจุบัน
Article Sidebar
Main Article Content
บทคัดย่อ
เทคโนโลยีปัญญาประดิษฐ์ได้เข้ามามีบทบาทสำคัญต่อการเปลี่ยนแปลงกระบวนการตัดสินใจของธุรกิจในยุคเศรษฐกิจดิจิทัล โดยเฉพาะในกลุ่มธุรกิจขนาดย่อมที่มีข้อจำกัดด้านทรัพยากร การวิจัยนี้มีวัตถุประสงค์เพื่อ 1) ศึกษาระดับของปัจจัยการยอมรับเทคโนโลยีของธุรกิจขนาดย่อมในประเทศไทย 2) ศึกษาระดับการตัดสินใจทางธุรกิจของธุรกิจขนาดย่อมในประเทศไทย และ 3) ศึกษาอิทธิพลของ
ตัวแปรที่ส่งผลต่อการตัดสินใจทางธุรกิจของธุรกิจขนาดย่อมในประเทศไทย โดยใช้ระเบียบวิธีวิจัยแบบผสานวิธี ใช้ทฤษฎีการยอมรับและการใช้เทคโนโลยีแบบรวม และแนวคิดการตัดสินใจทางธุรกิจเป็นกรอบการวิจัย กลุ่มตัวอย่าง คือ ผู้ประกอบการธุรกิจขนาดย่อมจำนวน 420 ราย ใช้วิธีการเลือกกลุ่มตัวอย่างแบบหลายขั้นตอน และสุ่มตัวอย่างแบบเจาะจง เครื่องมือที่ใช้ในการวิจัย ประกอบด้วยแบบสอบถามและแบบสัมภาษณ์เชิงโครงสร้าง วิเคราะห์ข้อมูลโดยใช้สถิติ กรณีการวิจัยเชิงปริมาณ ได้แก่ ความถี่ ร้อยละ ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน การวิเคราะห์เชิงถดถอยพหุคูณ ส่วนการวิจัยเชิงคุณภาพ ใช้วิเคราะห์เนื้อหาแล้วเขียนบรรยายเชิงพรรณนา
ผลการวิจัยพบว่า 1) ธุรกิจขนาดย่อมมีระดับการยอมรับเทคโนโลยี โดยภาพรวมอยู่ในระดับมาก 2) ระดับการตัดสินใจทางธุรกิจของธุรกิจขนาดย่อม โดยภาพรวมอยู่ในระดับมาก และ 3) ตัวแปร
ที่มีอิทธิพลต่อการตัดสินใจทางธุรกิจมีสามด้าน ได้แก่ สภาพเอื้ออำนวย ความคาดหวังด้านประสิทธิภาพ และราคา ข้อมูลจากการวิจัยเชิงคุณภาพชี้ให้เห็นว่า AI ช่วยเพิ่มความแม่นยำในการวางแผนกลยุทธ์ อย่างไรก็ตาม การนำ AI ไปใช้ยังมีข้อจำกัดด้านโครงสร้างพื้นฐาน ความรู้ และงบประมาณ ข้อค้นพบนี้สามารถใช้เป็นแนวทางในการส่งเสริมการประยุกต์ใช้ AI อย่างเหมาะสมในธุรกิจขนาดย่อม เพื่อสร้างความสามารถในการแข่งขันทางธุรกิจ และใช้ปัญญาประดิษฐ์ได้อย่างมีประสิทธิภาพ คุ้มค่าและยั่งยืน
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ทัศนะและความคิดเห็นที่ปรากฏในวารสาร ถือเป็นความรับผิดชอบของผู้เขียนบทความนั้น และไม่ถือเป็นทัศนะและความรับผิดชอบของกองบรรณาธิการ
เอกสารอ้างอิง
ขวัญชนก พุทธจันทร์. (2563). ปัญญาประดิษฐ์ (AI: Artificial Intelligence). สืบค้นเมื่อ 5 มกราคม 2568, จาก www.lib.ku.ac.th/2019/index.php/covid-19/1045-artificialintelligence
ทศพร มะหะหมัด และ มนัส สุทธิการ. (2563). ปัญญาประดิษฐ์การจัดการทรัพยากรบุคคลสมัยใหม่ในองค์กร. RMUTT Global Business and Economics Review, 15(1), 75-89. สืบค้นจาก https://so03.tci-thaijo.org/index.php/RMUTT-Gber/article/view/243488
สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์. (2564). รายงานผลการสำรวจมูลค่าพาณิชย์อิเล็กทรอนิกส์ในประเทศไทย ปี 2564. สืบค้นเมื่อ 7 มกราคม 2568, จาก https://www.etda.or.th/th/Useful-Resources/publications/Value-of-e-Commerce-Survey-in-Thailand-2019.aspx
สำนักงานส่งเสริมวิสาหกิจขนาดกลางและขนาดย่อม. (2566). รายงานสถานการณ์วิสาหกิจขนาดกลางและขนาดย่อม ปี 2566. กรุงเทพฯ: สำนักงานส่งเสริมวิสาหกิจขนาดกลางและขนาดย่อม.
Alsheibani, S., Cheung, Y., & Messom, C. (2020). Artificial intelligence adoption: A review of technologies and capabilities in organizations. Information Systems Frontiers, 22(2), 411–423. https://doi.org/10.1007/s10796-018-9870-4
Bharadwaj, A., El Sawy, O. A., Pavlou, P. A., & Venkatraman, N. (2013). Digital business strategy: Toward a next generation of insights. MIS Quarterly, 37(2), 471–482. https://doi.org/10. 25300/MISQ/2013/37:2.3
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116.
Deloitte. (2021). The state of generative AI in the enterprise. Retrieved January 12, 2025, from https://www.deloitte.com/mu/en/services/consulting/services/state-of-generative-ai-in-enterprise.html
Dwivedi, Y. K., Rana, N. P., Jeyaraj, A., Clement, M., & Williams, M. D. (2019). Re-examining the unified theory of acceptance and use of technology (UTAUT): Towards a revised theoretical model. Information Systems Frontiers, 21(3), 719-734. https://doi.org/10.1007/s10796-017-9774-y
Ghobakhloo, M., & Fathi, M. (2020). Corporate survival in Industry 4.0 era: The enabling role of lean-digitized manufacturing. Journal of Manufacturing Technology Management, 31(1), 1-30. https://doi.org/10.1108/JMTM-11-2018-0417
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. F. (2010). Multivariate data analysis: A global perspective. (7th ed.). New Jersey: Pearson Prentice Hall.
Huang, X., & Brown, A. (1999). An analysis and classification of problems in small business. International Small Business Journal, 18(1), 73-85. https://doi.org/10.1177/026624269918 1004
Ifinedo, P. (2012). Technology acceptance by health professionals in Canada: An analysis with a modified UTAUT model. In 2012 45th Hawaii International Conference on System Sciences (pp. 2937-2946). IEEE. https://doi.org/10.1109/HICSS.2012.556
Jarek, K., & Mazurek, G. (2020). Artificial intelligence in digital marketing: A review. Marketing Review, 30(1), 15-28. https://doi.org/10.18267/jcebr.213
OECD. (2021). The digital transformation of SMEs. OECD Studies on SMEs and Entrepreneurship. Retrieved September 15, 2024, from https://www.oecd-ilibrary.org/industry-and services/the-digital-transformation-of-smes_bdb9256a-en
Rana, N. P., Slade, E. L., Kitching, S., Dwivedi, Y. K., & Coombs, C. (2021). Determinants of digital transformation in the public sector: A systematic literature review. Journal of Enterprise Information Management, 34(3), 746-769. https://doi.org/10.1108/JEIM-08-2020-0327
Rogers, E. M. (2003). Diffusion of innovations. (5th ed.). New York: Free Press.
Sharda, R., Delen, D., & Turban, E. (2020). Business Intelligence, analytics, and data science: A managerial perspective. New York: Pearson.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology Toward a unified view. MIS Quarterly, 27(3), 425-478. https://doi.org/10.2307/30036540
Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer acceptance and use of information technology Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157-178. http//doi.org/10.2307/41410412
Yamane, T. (1973). Statistics: An introductory analysis. (3rd ed.). New York: Harper & Row.
