XiaoMi-AI文件搜索系统
World File Search SystemADOPTION
Mac 采用蓝图
Rituals 是一家美容和保健零售商，提供价格实惠的家居和身体护理产品，这些产品灵感来自世界各地的传统和文化。该公司的业务从一家商店迅速发展到欧洲、中东和亚洲的 1000 多家商店和 3900 家店中店。虽然 Rituals 的规模扩大了三倍，但他们的 IT 服务台只需要增加一名员工。IT 负责对工作场所进行现代化改造，并决定将 Apple 产品作为整个业务（包括零售店）的标准配置。他们现在已在总部和全球商店部署了 3000 台 Mac 电脑、10,000 台 iPhone 设备和 2000 台 iPad 设备。所有公司部门的员工都配备了 Mac — 从营销和产品设计到财务和人力资源。他们用来运营业务的所有基本应用程序都可以在 Mac 上无缝运行。
机器人采用和盈利能力
1根据Internalainal组织的标准化组织（ISO）的定义ISO 8373，工业机器人是“由自动控制的，可重编程的，可重编程的，可将其重新编程的，可将其用于三个或更多轴的可编程的方法，可以在三个或更多的轴上使用，或者可以在工业中使用自动效应。我们的研究仅关注此定义下的工业机器人，尽管现在的机器人现在广泛地包括服务机器人，而工业机器人和服务机器人之间的界限越来越模糊。
电子商务中人工智能的采用...
人工智能 (AI) 是当今的新流行词。从个人智能设备到冰箱和微波炉等传统厨具，我们每天都会遇到它的影响。自 2022 年人工智能聊天机器人首次亮相以来，搜索和发现具有了全新的意义——结果不仅需要即时和全面，还需要个性化和简洁。无论是自发发现还是主动搜索，创造个性化体验已成为在线购物的核心原则。
人工智能在B2B营销中的应用
鉴于缺乏关于 B2B 营销中采用 AI 的实证研究以及从网络视角研究权力方面的研究差距，本文探讨了将 AI 作为营销解决方案采用的驱动因素如何影响网络参与者的权力动态。本文通过对参与 B2B 营销活动中采用 AI 的业务经理和工程师以及 AI 领域的学术专家进行 20 次半结构化访谈收集的数据，讨论了 AI 采用的优先级和动机如何影响各个网络参与者（包括焦点公司、AI 供应商和科技巨头公司）之间的权力动态。研究结果表明，在 B2B 采用 AI 的背景下，技术和专业知识都是权力的主要来源，而数据则创造并延续了网络中的权力谈判和重新谈判。我们将这个过程设想为繁忙的舞池中的动作，一群演员正在参与我们所说的“力量探戈”。本文对权力依赖理论做出了贡献，表明在采用过程中，网络参与者的权力被交换、行使、制衡和延续，从而产生了流动的网络动态。
生成式人工智能的快速应用
生成人工智能 (AI) 是一项潜在的重要新技术，但其对经济的影响取决于采用的速度和强度。本文报告了美国首次全国代表性调查的结果，该调查针对工作和家庭中生成人工智能的采用情况。2024 年 8 月，39% 的 18-64 岁美国人口使用了生成人工智能。超过 24% 的工人在接受调查前一周至少使用过一次，近九分之一的人每个工作日都使用生成人工智能。使用情况和大众市场产品发布的历史数据表明，美国采用生成人工智能的速度比个人电脑和互联网的速度要快。生成人工智能是一种通用技术，因为它被广泛应用于工作和家庭中的各种职业和工作任务。
人工智能的采用和系统范围的变革
在过去十年中，人工智能 (AI) 已成为一种潜在的通用技术 (Cockburn 等人 (2019))。在机器学习进步的推动下，各个领域的预测成本开始加速下降 (Agrawal 等人 (2018a))。这引发了一些有趣的问题：人工智能将在哪些领域得到采用，以及它对就业和企业的潜在颠覆性影响 (Gans 和 Leigh (2019)、Frey 和 Osborne (2017)、Brynjolfsson 和 McAfee (2017))。到目前为止，我们对人工智能采用的概念主要在任务或决策层面上运作 (例如，Frank 等人 (2019)；Acemoglu 和 Restrepo (2018))。例如，为了预测人工智能对就业的潜在影响，已经进行了大量练习，旨在识别受人工智能威胁的工作、构成威胁的工作的任务以及自动化对工作场所的更普遍影响（Webb（2020）；Brynjolfsson 和 Mitchell（2017）；Brynjolfsson 等人（2018）；Felten 等人（2018））。尽管如此，一些人质疑这种任务级别的关注是否合适。Bresnahan（2020）认为人工智能是一种信息技术，传统上这种技术需要组织重新设计才能全面采用。这在早期 IT 的采用模式中显而易见（Bresnahan 和 Greenstein（1996）；Bresnahan 等人（2002）；Aral 等人（2012）；Dranove 等人（2014））。 Bresnahan (2020) 质疑了可以在任务层面分析 AI 采用情况的观点，而与任务所在的组织环境无关。Bresnahan 将组织的模块化程度确定为 AI 采用的预测指标。当一个组织是非模块化的时，改变一个部分的决策性质（就像采用 AI 时会出现的情况一样）可能需要改变其他地方的决策和实践。他认为，整个非模块化组织都需要进行调整，这可能会阻碍 AI 的采用。相反，Bresnahan 预测 AI 将主要在现有的模块化组织中采用，并且只有在其他组织被重新设计为模块化时，AI 才可能被采用。我们建立了一个模块化在 AI 采用中的作用模型。我们考虑一家公司，其价值来自两个决策（类似于任务）的结果。模块化是指公司从一个决策中获得收益的程度，即使这两个决策没有正确对齐。在基线模型中，决策者不知道外部状态，因此不知道正确的操作。因此，他们选择最有可能正确的操作。无论模块化程度如何，决策者都没有必要进行沟通。他们总是做同样的事，而且通常是正确的，但并非总是正确的。