حسابداری، امور مالی و هوش محاسباتی 3092-7366 2 پیاپی ۳ 2024 04 09 Examining the Barriers to Implementing AI-Based Bankruptcy Prediction Models بررسی موانع پیاده‌سازی مدل‌های پیش‌بینی ورشکستگی مبتنی بر هوش مصنوعی 34 44 FA علی‌اکبر نیک‌منش گروه مدیریت فناوری اطلاعات، دانشگاه علم و صنعت ایران، تهران، ایران Journal Article 2024 01 08 <p>This study aims to identify the barriers to implementing AI-based bankruptcy prediction models in Iranian organizations. This qualitative study was conducted using an inductive content analysis approach. Data were collected through semi-structured interviews with 30 financial managers, AI specialists, and economic analysts in organizations based in Tehran. Participants were selected purposefully, and data collection continued until theoretical saturation was reached. The data analysis was performed using NVivo software, and the coding process consisted of three stages: open coding, axial coding, and selective coding. The results indicated that barriers to implementing AI-based bankruptcy prediction models fall into four main categories: technological barriers, organizational and managerial barriers, financial and economic challenges, and human and cultural factors. Key obstacles identified included infrastructure deficiencies, data analysis complexity, managerial resistance to change, high implementation costs, and a lack of trust among employees in AI-driven decisions. The findings suggest that for the successful adoption and implementation of AI-based bankruptcy prediction models, companies should focus on both technological infrastructure development and training programs for managers and employees. Additionally, policy support and financial incentives from governmental and regulatory bodies can help mitigate existing barriers.</p> <p>این پژوهش با هدف شناسایی موانع پیاده‌سازی مدل‌های پیش‌بینی ورشکستگی مبتنی بر هوش مصنوعی در سازمان‌های ایرانی انجام شد. این پژوهش از نوع کیفی بوده و با استفاده از روش تحلیل محتوای استقرایی انجام شده است. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته با ۳۰ نفر از مدیران مالی، متخصصان هوش مصنوعی و تحلیل‌گران اقتصادی در سازمان‌های مستقر در تهران جمع‌آوری شد. مشارکت‌کنندگان به‌صورت هدفمند انتخاب شدند و داده‌ها تا رسیدن به اشباع نظری گردآوری شدند. تحلیل داده‌ها با استفاده از نرم‌افزار NVivo انجام شد و فرآیند کدگذاری شامل سه مرحله کدگذاری باز، محوری و انتخابی بود. نتایج نشان داد که موانع پیاده‌سازی مدل‌های پیش‌بینی ورشکستگی مبتنی بر هوش مصنوعی در چهار دسته اصلی طبقه‌بندی می‌شوند: موانع تکنولوژیک، موانع سازمانی و مدیریتی، چالش‌های مالی و اقتصادی، و عوامل انسانی و فرهنگی. مشکلات زیرساختی، پیچیدگی تحلیل داده‌ها، مقاومت مدیران در برابر تغییر، هزینه‌های بالای پیاده‌سازی، و عدم اعتماد کارکنان به تصمیمات سیستم‌های هوشمند از مهم‌ترین چالش‌های شناسایی‌شده بودند. یافته‌های این پژوهش نشان داد که برای پذیرش و پیاده‌سازی موفق مدل‌های هوش مصنوعی در پیش‌بینی ورشکستگی، شرکت‌ها باید علاوه بر توسعه زیرساخت‌های فناوری، آموزش‌های لازم را برای مدیران و کارکنان فراهم کنند. همچنین، سیاست‌گذاری‌های حمایتی و ایجاد انگیزه‌های مالی از سوی دولت و نهادهای نظارتی می‌تواند به کاهش موانع موجود کمک کند.</p> https://jafci.com/index.php/jafci/article/download/23/24