การรับรู้การสนับสนุนจากองค์กรและสมรรถนะในการปฏิบัติงานของพนักงานในยุค AI:  บทบาทส่งผ่านของความรู้และทักษะดิจิทัลและการยอมรับเทคโนโลยี AI ในธนาคารเพื่อการเกษตรและสหกรณ์การเกษตร

ชัยอนันต์  เครือเทศน์; อรวี  ศรีบุญลือ

ผู้แต่ง

ชัยอนันต์ เครือเทศน์ คณะบริหารธุรกิจ มหาวิทยาลัยเกษตรศาสตร์
อรวี ศรีบุญลือ คณะบริหารธุรกิจ มหาวิทยาลัยเกษตรศาสตร์

คำสำคัญ:

การรับรู้การสนับสนุนจากองค์กร , การยอมรับเทคโนโลยีปัญญาประดิษฐ์ , ความรู้และทักษะดิจิทัล , สมรรถนะในการปฏิบัติงาน , สมการโครงสร้างแบบกำลังสองน้อยที่สุดบางส่วน

บทคัดย่อ

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) วิเคราะห์อิทธิพลของการรับรู้การสนับสนุนจากองค์กรที่มีต่อการยอมรับเทคโนโลยีปัญญาประดิษฐ์ ความรู้และทักษะดิจิทัล และสมรรถนะในการปฏิบัติงานของพนักงาน และ 2) ทดสอบบทบาทส่งผ่านของการยอมรับเทคโนโลยีปัญญาประดิษฐ์และความรู้และทักษะดิจิทัลในความสัมพันธ์ระหว่างการรับรู้การสนับสนุนจากองค์กรกับสมรรถนะในการปฏิบัติงานของพนักงาน การวิจัยนี้เป็นการวิจัยเชิงปริมาณ ใช้แบบสอบถามมาตราส่วนประมาณค่า 5 ระดับเป็นเครื่องมือในการเก็บข้อมูลจากพนักงานธนาคารเพื่อการเกษตรและสหกรณ์การเกษตร จำนวน 551 คน วิเคราะห์ข้อมูลด้วยสถิติเชิงพรรณนา ค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สัน และการวิเคราะห์โมเดลสมการโครงสร้างแบบกำลังสองน้อยที่สุดบางส่วน (PLS-SEM)

ผลการวิจัยพบว่า การรับรู้การสนับสนุนจากองค์กรมีอิทธิพลเชิงบวกต่อการยอมรับเทคโนโลยีปัญญาประดิษฐ์ (β = .425, p < .001) และความรู้และทักษะดิจิทัล (β = .498, p < .001) ขณะที่การยอมรับเทคโนโลยีปัญญาประดิษฐ์ (β = .352, p < .001) และความรู้และทักษะดิจิทัล (β = .459, p < .001) มีอิทธิพลเชิงบวกต่อสมรรถนะในการปฏิบัติงานของพนักงาน อย่างไรก็ตาม การรับรู้การสนับสนุนจากองค์กรไม่มีอิทธิพลทางตรงต่อสมรรถนะในการปฏิบัติงานของพนักงาน (β = .001, p = .980) แต่มีอิทธิพลทางอ้อมผ่านการยอมรับเทคโนโลยีปัญญาประดิษฐ์ (β = .150, p < .001) และผ่านความรู้และทักษะดิจิทัล (β = .229, p < .001) โดยโมเดลสามารถอธิบายความแปรปรวนของสมรรถนะในการปฏิบัติงานได้ร้อยละ 53.10 (R² = .531) ผลการวิจัยจึงสะท้อนว่า การยอมรับเทคโนโลยีปัญญาประดิษฐ์และความรู้และทักษะดิจิทัลทำหน้าที่เป็นตัวแปรส่งผ่านแบบสมบูรณ์ในลักษณะตัวแปรส่งผ่านคู่ขนาน ผลการศึกษาชี้ให้เห็นว่า การสนับสนุนจากองค์กรจะส่งผลต่อสมรรถนะในการปฏิบัติงานได้อย่างมีนัยสำคัญ เมื่อพนักงานสามารถแปลงการสนับสนุนนั้นไปสู่การยอมรับเทคโนโลยีปัญญาประดิษฐ์และการพัฒนาทักษะดิจิทัลในการทำงาน

เอกสารอ้างอิง

Arokiyaswamy, M. M. C., Rathod, P., Aishwaryalaxmi, N. S., & Kagawade, S. (2024). An empirical study on enhancing employee engagement and job performance through Self-Determination Theory: The role of artificial intelligence in Karnataka’s banking sector. ITM Web of Conferences, 68, 01031. https://doi.org/10.1051/itmconf/20246801031

Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008

Dwivedi, Y. K., Hughes, D. L., Coombs, C., Constantiou, I., Duan, Y., Edwards, J. S., Gupta, B., Lal, B., Misra, S., Prashant, P., Raman, R., Rana, N. P., Sharma, S. K., & Upadhyay, N. (2020). Impact of COVID-19 pandemic on information management research and practice: Transforming education, work and life. International Journal of Information Management, 55, 102211. https://doi.org/10.1016/j.ijinfomgt.2020.102211

Elegunde, A. F., & Osagıe, R. (2020). Artificial intelligence adoption and employee performance in the Nigerian banking industry. International Journal of Management and Administration, 4(8), 189–205. https://doi.org/10.29064/ijma.734734

Errichiello, L., & Pianese, T. (2021). The role of organizational support in effective remote work implementation in the Post-COVID era. Handbook of research on remote work and worker well-being in the post-COVID-19 era. IGI Global. https://doi.org/10.4018/978-1-7998-6754-8.ch013

Fornell, C., & Larcker, D. F. (1981). Structural equation models with unobservable variables and measurement error: Algebra and statistics. Journal of Marketing Research, 18(3), 382-388. https://doi.org/10.2307/3150980

Gursoy, D., Chi, O. H., Lu, L., & Nunkoo, R. (2019). Consumers’ acceptance of artificially intelligent (AI) device use in service delivery. International Journal of Information Management, 49, 157–169. https://doi.org/10.1016/j.ijinfomgt.2019.03.008

Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California Management Review, 61(4), 5-14. https://doi.org/10.1177/0008125619864925

Koopmans, L., Bernaards, C., Hildebrandt, V., Van Buuren, S., Van der Beek, A. J., & De Vet, H. C. (2012). Development of an individual work performance questionnaire. International Journal of Productivity and Performance Management, 62(1), 6-28. https://doi.org/10.1108/17410401311285273

Krejcie, R. V., & Morgan, D. W. (1970). Determining sample size for research activities. Educational and Psychological Measurement, 30(3), 607-610. https://doi.org/10.1177/001316447003000308

Kurtessis, J. N., Eisenberger, R., Ford, M. T., Buffardi, L. C., Stewart, K. A., & Adis, C. S. (2017). Perceived organizational support: A meta-analytic evaluation of organizational support theory. Journal of Management, 43(6), 1854-1884. https://doi.org/10.1177/0149206315575554

Noreen, U., Shafique, A., Ahmed, Z., & Ashfaq, M. (2023). Banking 4.0: Artificial Intelligence (AI) in Banking Industry & Consumer’s Perspective. Sustainability, 15(4), 3682. https://doi.org/10.3390/su15043682

Pillai, R., & Sivathanu, B. (2020). Adoption of AI-based chatbots for hospitality and tourism. International Journal of Contemporary Hospitality Management, 32(10), 3199-3226. https://doi.org/10.1108/IJCHM-04-2020-0259

Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879-891. https://doi.org/10.3758/BRM.40.3.879

Rhoades, L., & Eisenberger, R. (2002). Perceived organizational support: A review of the literature. Journal of Applied Psychology, 87(4), 698-714. https://doi.org/10.1037/0021-9010.87.4.698

Rosliani, E. (2024). Digital literacy, organizational support, and learning community in independent teaching platform towards teacher performance. Journal of Ecohumanism, 3(4), 2138–2142. https://doi.org/10.62754/joe.v3i4.3716

Stevens, A. F., & Stetson, P. (2023). Theory of trust and acceptance of artificial intelligence technology (TrAAIT): An instrument to assess clinician trust and acceptance of artificial intelligence. Journal of Biomedical Informatics, 148, 104550. https://doi.org/10.1016/j.jbi.2023.104550

Strohmeier, S. (2020). Digital human resource management: A conceptual clarification. German Journal of Human Resource Management, 34(3), 345–365. https://doi.org/10.1177/2397002220921131

Taherdoost, H. (2019). Importance of technology acceptance assessment for successful implementation and development of new technologies. Global Journal of Engineering Sciences, 1(3), 1–3. https://doi.org/10.33552/GJES.2019.01.000511

van Laar, E., Van Deursen, A. J., Van Dijk, J. A., & De Haan, J. (2020). Measuring the levels of 21st-century digital skills among professionals working within the creative industries: A performance-based approach. Poetics, 81, 101434. https://doi.org/10.1016/j.poetic.2020.101434

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