تاثیر پذیرش هوش مصنوعی بر عملکرد کارشناسان خسارت شرکت‌های بیمه با نقش میانجی اعتماد و کیفیت تصمیم‌گیری

نویسندگان

  • رضا یزدانی * کارشناس امور بیمه‌ای، شرکت بیمه البرز، شعبه تنکابن، ایران.
  • کارشناس امور بیمه ای، شرکت بیمه البرز، شعبه تنکابن، ایران کارشناس امور بیمه‌ای، شرکت بیمه البرز، شعبه تنکابن، ایران.

https://doi.org/10.22105/ssfmi.v3i2.112

چکیده

هدف: این پژوهش با هدف بررسی تاثیر پذیرش هوش مصنوعی بر عملکرد کارشناسان خسارت شرکت‌های بیمه ایران و تبیین نقش میانجی اعتماد به هوش مصنوعی و کیفیت تصمیم‌گیری در این رابطه انجام شده است.

روش‌شناسی پژوهش: پژوهش حاضر از نظر هدف کاربردی و از نظر ماهیت توصیفی-پیمایشی است. جامعه آماری پژوهش را کارشناسان خسارت شاغل در شرکت‌های بیمه ایران، آسیا، البرز، دانا، پاسارگاد، پارسیان، ملت و دی تشکیل می‌دهند که با روش نمونه‌گیری طبقه‌بندی متناسب با حجم انتخاب شدند. داده‌ها از طریق پرسشنامه استاندارد شامل ۲۵ گویه از ۲۶۵ نفر در دو مرحله زمانی گردآوری و با استفاده از روش مدلسازی معادلات ساختاری مبتنی بر حداقل مربعات جزیی (PLS-SEM) و نرم‌افزار SmartPLS تجزیه‌وتحلیل شد.

یافته‌ها: نتایج نشان داد پذیرش هوش مصنوعی تاثیر مثبت و معناداری بر اعتماد به هوش مصنوعی، کیفیت تصمیم‌گیری و عملکرد کارشناسان خسارت دارد. همچنین اعتماد به هوش مصنوعی و کیفیت تصمیم‌گیری به‌طور جزیی رابطه میان پذیرش هوش مصنوعی و عملکرد کارشناسان را میانجی‌گری می‌کنند، با این تفاوت که سهم کیفیت تصمیم‌گیری در انتقال این اثر از سهم اعتماد به هوش مصنوعی بیشتر بود.

اصالت/ارزش‌افزوده علمی: این پژوهش با تلفیق نظریه پذیرش فناوری، مدل تقاضا-منابع شغلی و مدل تناسب فناوری-وظیفه، چارچوب نظری یکپارچه‌ای برای تبیین پیامدهای رفتاری پذیرش هوش مصنوعی در سطح فردی در صنعت بیمه ایران ارایه می‌دهد و با شناسایی دو مسیر میانجی متمایز (نگرشی و کاربردی)، بینش‌های نظری و کاربردی جدیدی برای مدیران این صنعت فراهم می‌آورد.

کلمات کلیدی:

اعتماد، پذیرش هوش مصنوعی، صنعت بیمه

مراجع

  1. [1] He, C., Teng, R., & Song, J. (2024). Linking employees’ challenge-hindrance appraisals toward AI to service performance: The influences of job crafting, job insecurity and AI knowledge. International Journal of Contemporary Hospitality Management, 36(3), 975–994. https://doi.org/10.1108/IJCHM-07-2022-0848
  2. [2] Cheng, B., Lin, H., & Kong, Y. (2023). Challenge or hindrance? How and when organizational artificial intelligence adoption influences employee job crafting. Journal of Business Research, 164, 113987. https://doi.org/10.1016/j.jbusres.2023.113987
  3. [3] Insurance Central of the Islamic Republic of Iran. (2023). Annual performance report of the country’s insurance industry in 2022. https://www.centinsur.ir/fa-IR/Portal/5446/page
  4. [4] Malik, A., Budhwar, P., Patel, C., & Srikanth, N. R. (2020). May the bots be with you! Delivering HR cost-effectiveness and individualised employee experiences in an MNE. International Journal of Human Resource Management, 33(6), 1148–1178. https://doi.org/10.1080/09585192.2020.1859582
  5. [5] Li, J. J., Bonn, M. A., & Ye, B. H. (2019). Hotel employee’s artificial intelligence and robotics awareness and its impact on turnover intention: The moderating roles of perceived organizational support and competitive psychological climate. Tourism Management, 73, 172–181. https://doi.org/10.1016/j.tourman.2019.02.006
  6. [6] Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280. https://doi.org/10.1016/j.techfore.2016.08.019
  7. [7] Makarius, E. E., Mukherjee, D., Fox, J. D., & Fox, A. K. (2020). Rising with the machines: A sociotechnical framework for bringing artificial intelligence into the organization. Journal of Business Research, 120, 262–273. https://doi.org/10.1016/j.jbusres.2020.07.045
  8. [8] Glikson, E., & Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14(2), 627–660. https://doi.org/10.5465/annals.2018.0057
  9. [9] Mcknight, D. H., Carter, M., Thatcher, J. B., & Clay, P. F. (2011). Trust in a specific technology: An investigation of its components and measures. ACM Transactions on Management Information Systems (TMIS), 2(2), 1–25. https://doi.org/10.1145/1985347.1985353
  10. [10] Dean Jr, J. W., & Sharfman, M. P. (1996). Does decision process matter? A study of strategic decision-making effectiveness. Academy of Management Journal, 39(2), 368–392. https://doi.org/10.5465/256784
  11. [11] Waizenegger, L., McKenna, B., Cai, W., & Bendz, T. (2020). An affordance perspective of team collaboration and enforced working from home during COVID-19. European Journal of Information Systems, 29(4), 429–442. https://doi.org/10.1080/0960085X.2020.1800417
  12. [12] Iaia, L., Nespoli, C., Vicentini, F., Pironti, M., & Genovino, C. (2024). Supporting the implementation of AI in business communication: The role of knowledge management. Journal of Knowledge Management, 28(1), 85–95. https://doi.org/10.1108/JKM-12-2022-0944
  13. [13] Russo, G., Manzari, A., Cuozzo, B., Lardo, A., & Vicentini, F. (2023). Learning and knowledge transfer by humans and digital platforms: Which tools best support the decision-making process? Journal of Knowledge Management, 27(11), 310–329. https://doi.org/10.1108/JKM-07-2022-0597
  14. [14] Zhang, X., Xu, T., Wei, X., Tang, J., & de Pablos, P. (2024). The establishment of transactive memory system in distributed agile teams engaged in AI-related knowledge work. Journal of Knowledge Management, 28(2), 381–408. https://doi.org/10.1108/JKM-10-2022-0791
  15. [15] Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://www.jstor.org/stable/249008
  16. [16] Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982–1003. https://doi.org/10.1287/mnsc.35.8.982
  17. [17] Wang, Y. S., Li, H. T., Li, C. R., & Zhang, D. Z. (2016). Factors affecting hotels’ adoption of mobile reservation systems: A technology-organization-environment framework. Tourism Management, 53, 163–172. https://doi.org/10.1016/j.tourman.2015.09.021
  18. [18] Basit, A., Zafar, M., Liu, X., Javed, A. R., Jalil, Z., & Kifayat, K. (2021). A comprehensive survey of AI-enabled phishing attacks detection techniques. Telecommunication Systems, 76(1), 139–154. https://doi.org/10.1007/s11235-020-00733-2
  19. [19] Demerouti, E., Bakker, A. B., Nachreiner, F., & Schaufeli, W. B. (2001). The job demands-resources model of burnout. Journal of Applied Psychology, 86(3), 499–512. https://psycnet.apa.org/doi/10.1037/0021-9010.86.3.499
  20. [20] Bakker, A. B., & Demerouti, E. (2017). Job demands--resources theory: Taking stock and looking forward. Journal of Occupational Health Psychology, 22(3), 273. https://psycnet.apa.org/doi/10.1037/ocp0000056
  21. [21] Duan, S., Wibowo, S., & Deng, H. (2020). An integrated framework for understanding digital work in organizations [presentation]. ACIS 2020 proceedings (Vol. 7). https://aisel.aisnet.org/acis2020/7
  22. [22] Kossek, E. E., Lautsch, B. A., & Eaton, S. C. (2006). Telecommuting, control, and boundary management: Correlates of policy use and practice, job control, and work--family effectiveness. Journal of Vocational Behavior, 68(2), 347–367. https://doi.org/10.1016/j.jvb.2005.07.002
  23. [23] Goodhue, D. L., & Thompson, R. L. (1995). Task-technology fit and individual performance. MIS Quarterly, 19(2), 213–236. https://doi.org/10.2307/249689
  24. [24] Hosseini, M. H., & Mohseni Fard, N. (2024). The effect of artificial intelligence on customers’ purchase intention in the insurance industry with the mediating role of customer experience and customer interaction. Modern Research Approaches In Management and Accounting, 8(31), 1995–2009. (In Persian). https://majournal.ir/index.php/ma/article/view/3072
  25. [25] Malaei, A., Salarnejad, A., & Salehi Moghaddam, S. (2024). Investigating the acceptance of artificial intelligence on digital resilience and organizational innovation (case study: Iran Audit Organization). Modern Research Approaches in Management and Accounting, 8(31), 1911–1926. (In Persian). https://majournal.ir/index.php/ma/article/view/3067
  26. [26] Okati, H. (2025). The impact of artificial intelligence on decision-making quality in the organizational recruitment process. Management, Education and Development in Digital Age, 2(2), 1-13. (In Persian). https://doi.org/10.61838/medda.129
  27. [27] Cheragh Sahar, R., Sasanpour, M., & Bahrani, M. H. (2024). Investigating the impact of artificial intelligence applications on organizational performance with the mediating role of business-to-business marketing capabilities (case study: Janbo chain stores). Modern Research Approaches in Management and Accounting, 8(28), 1252–1283. (In Persian). https://majournal.ir/index.php/ma/article/view/2368
  28. [28] Mohammadi Zeitouni, B. (2020). The impact of information and communication technology on improving human performance (case study: Asian Insurance Company). Journal of Development and Capital, 5(1), 93-109. (In Persian). https://doi.org/10.22103/jdc.2019.12585.1053
  29. [29] Xu, F., Qin, J., Zhang, D., & Zhang, W. (2026). Linking organizational AI adoption to employee knowledge behaviours: The influences of appraisals and locus of control. Humanities and Social Sciences Communications, 13(1), 471. https://www.nature.com/articles/s41599-026-06829-5
  30. [30] Prasad, K. D. V, & De, T. (2024). Generative AI as a catalyst for HRM practices: mediating effects of trust. Humanities and Social Sciences Communications, 11(1), 1–16. https://doi.org/10.1057/s41599-024-03842-4
  31. [31] Song, Y., Qiu, X., & Liu, J. (2025). The impact of artificial intelligence adoption on organizational decision-making: An empirical study based on the technology acceptance model in business management. Systems, 13(8), 683. https://doi.org/10.3390/systems13080683
  32. [32] Yu, L., & Li, Y. (2022). Artificial intelligence decision-making transparency and employees’ trust: The parallel multiple mediating effect of effectiveness and discomfort. Behavioral Sciences, 12(5), 127. https://doi.org/10.3390/bs12050127
  33. [33] Yang, X., Xia, T., Zhang, E., & Zhou, X. (2025). Empowering consumers: An experimental study of human and AI intermediary in insurance decision-making. Journal of Behavioral and Experimental Finance, 101096. https://doi.org/10.1016/j.jbef.2025.101096
  34. [34] Sarstedt, M., Ringle, C. M., & Hair, J. F. (2021). Partial least squares structural equation modeling. In Handbook of Market Research (pp. 587–632). Springer, Cham. https://doi.org/10.1007/978-3-319-57413-4_15
  35. [35] Kline, R. B. (1998). Structural equation modeling (Vol. 33). New York: Guilford. file:///C:/Users/Administrator/Desktop/SEM.pdf

دانلود

چاپ شده

2026-09-17

شماره

دوره 3 شماره 2 (2026): Strategic Studies in Financial Management and Insurance

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

یزدانی ر., & درویشی ل. (2026). تاثیر پذیرش هوش مصنوعی بر عملکرد کارشناسان خسارت شرکت‌های بیمه با نقش میانجی اعتماد و کیفیت تصمیم‌گیری. مطالعات راهبردی در مدیریت مالی و بیمه, 3(2), 132-145. https://doi.org/10.22105/ssfmi.v3i2.112
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.