چشم انداز مدیریت دولتی

شناسایی شاخص‌های کلیدی مدیریت منابع انسانی تقویت‌شده با هوش مصنوعی و تأثیر آن بر شکوفایی کارکنان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران

2 استاد و عضو هیات علمی دانشکده اقتصاد، مدیریت و علوم اداری دانشگاه سمنان

3 استاد و عضو هیئت علمی دانشکده اقتصاد، مدیریت و علوم اداری دانشگاه سمنان، سمنان، ایران

چکیده

هدف: هدف این مقاله بررسی تأثیر مدیریت منابع انسانی تقویت‌شده با هوش مصنوعی بر شکوفایی کارکنان در سازمان‌ها است. در این پژوهش، با شناسایی شاخص‌های کلیدی و تحلیل روابط علی میان آن‌ها، نقش هوش مصنوعی در ارتقای رضایت، انگیزش و تعهد کارکنان تبیین شده است.
طراحی/ روش‌شناسی/ رویکرد: روش پژوهش حاضر توصیفی-تحلیلی و به صورت امیخته (کیفی-کمی) بوده است. ابتدا در بخش کیفی با بهره‌گیری از متن‌کاوی و ابزار تحت وب ویانت و نرم‌افزار رپیدماینر، شاخص‌های کلیدی مدیریت منابع انسانی تقویت‌شده با هوش مصنوعی استخراج شدند و سپس با استفاده از تکنیک دیمتل فازی و نرم‌افزار اکسل، روابط علّی میان این شاخص‌ها و شکوفایی کارکنان تحلیل گردید. داده‌ها از نظرات خبرگان و مقالات معتبر بین‌المللی از سال 2013 تا 2024 جمع‌آوری شده است.
یافته­های پژوهش:  یافته‌های پژوهش نشان می‌دهد که مدیریت منابع انسانی تقویت‌شده با هوش مصنوعی نقش کلیدی و مؤثری در ارتقای شکوفایی کارکنان ایفا می‌کند؛ به‌طوری‌که «برنامه‌ریزی تقویت‌شده با هوش مصنوعی» مهم‌ترین عامل مؤثر در بهبود فرصت‌های رشد، توسعه شغلی و رضایت کارکنان شناخته شد، در حالی که «هدایت تقویت‌شده» بیشترین تأثیرپذیری را از سایر شاخص‌ها داشته و نقش حیاتی رهبری در موفقیت پیاده‌سازی فناوری‌های هوشمند و انگیزش نیروی انسانی را برجسته می‌سازد. همچنین شاخص‌های «استراتژی» و «کنترل تقویت‌شده» به عنوان عوامل علّی و تعیین‌کننده در ساختار مدیریت منابع انسانی هوشمند شناسایی شده‌اند که بهبود آن‌ها منجر به بهینه‌سازی فرآیندها و افزایش تعهد کارکنان می‌شود. این نتایج بر اهمیت نگاه سیستماتیک و جامع در استفاده از هوش مصنوعی در منابع انسانی تأکید دارد و نشان می‌دهد که تحقق شکوفایی کارکنان مستلزم تلفیق هوش مصنوعی با چارچوب‌های اخلاقی، شفافیت و مشارکت فعال انسان است تا اعتماد و عدالت سازمانی حفظ شود.
محدودیت­ها و پیامدها: با وجود ارائه چارچوب جامع و تحلیل دقیق روابط علّی میان شاخص‌های مدیریت منابع انسانی تقویت‌شده با هوش مصنوعی، این پژوهش محدودیت‌هایی نیز دارد. نخست، تمرکز نمونه و داده‌های پژوهش بر سازمان‌های ایرانی و جمع‌آوری نظرات محدود خبرگان، ممکن است تعمیم نتایج به سایر فرهنگ‌ها و صنایع را محدود کند. همچنین، عدم بررسی عمیق تأثیر عوامل فرهنگی، ساختاری و محیطی دیگر بر شکوفایی کارکنان از دیگر محدودیت‌های این مطالعه است. پیامدهای این محدودیت‌ها نشان می‌دهد که برای تعمیق فهم و تعمیم‌پذیری یافته‌ها، پژوهش‌های آینده باید در محیط‌های سازمانی متنوع و با استفاده از داده‌های گسترده‌تر و چندمنظوره انجام شوند، همچنین لازم است چالش‌های اخلاقی، اجتماعی و تأثیرات بلندمدت هوش مصنوعی در منابع انسانی با رویکردهای میان‌رشته‌ای بیشتر مورد توجه قرار گیرد.
پیامدهای عملی: یافته‌های این پژوهش پیامدهای عملی مهمی برای مدیران و سازمان‌ها دارد؛ از جمله اینکه استفاده هوشمندانه از فناوری‌های هوش مصنوعی در برنامه‌ریزی و هدایت منابع انسانی می‌تواند به بهبود فرآیندهای تصمیم‌گیری، ارتقای رضایت شغلی و افزایش انگیزش و تعهد کارکنان منجر شود. سازمان‌ها باید ضمن سرمایه‌گذاری در آموزش و توانمندسازی کارکنان در زمینه مهارت‌های دیجیتال و هوش مصنوعی، چارچوب‌های اخلاقی و شفافیت را در به‌کارگیری این فناوری‌ها رعایت کنند تا اعتماد و عدالت سازمانی حفظ شود. علاوه بر این، تقویت فرهنگ سازمانی پذیرای نوآوری و تعامل سازنده میان انسان و ماشین می‌تواند زمینه‌ساز بهره‌وری بیشتر و شکوفایی پایدار کارکنان در محیط کارهای هوشمند گردد.
ابتکار یا ارزش مقاله: این مقاله با ارائه چارچوبی نوآورانه که ترکیبی از روش‌های متن‌کاوی و تحلیل دیمتل فازی است، توانسته به شکل میان‌رشته‌ای نقش هوش مصنوعی را در مدیریت منابع انسانی و شکوفایی کارکنان تحلیل کند؛ رویکردی که در ادبیات پژوهشی کمتر به این صورت به کار رفته است. علاوه بر این، ادغام نظریه‌های مدل هاروارد و چارچوب نقش‌های اولریش در تحلیل روابط علّی، ارزش نظری قابل توجهی ایجاد کرده و راهکاری جامع برای بهره‌گیری استراتژیک و اخلاق‌محور از هوش مصنوعی در منابع انسانی ارائه می‌دهد. بدین ترتیب، این پژوهش نقشی پیشرو در توسعه دانش کاربردی و نظری در حوزه مدیریت منابع انسانی هوشمند ایفا می‌کند.
نوع مقاله: مقاله پژوهشی

کلیدواژه‌ها

عنوان مقاله [English]

Identification of Key Indicators of AI-Augmented Human Resource Management and Its Impact on Employee Flourishing

نویسندگان [English]

  • Minasadat Mousav 1
  • Abbas Ali Rastgar 2
  • Mohsen Shafiei Nikabadi 3

1 PH.D student, Faculty of Economics, Management and Administrative Sciences, Semnan University, Semnan, Iran

2 Professor, Faculty of Economics, Management and Administrative Sciences, semnan university

3 Professor Faculty of Economics management and administrative sciences, Semnan university, Semnan, Iran

چکیده [English]

Purpose: This article aims to examine the impact of Artificial Intelligence (AI)-augmented Human Resource Management (HRM) on employee flourishing in organizations. In this research, the role of AI in enhancing employee satisfaction, motivation, and commitment is outlined by identifying key indicators and analyzing causal relationships among them.
Design/ methodology/ approach:  This research adopts a descriptive-analytical and mixed-methods (qualitative-quantitative) approach. Initially, in the qualitative phase, key indicators of AI-augmented HRM were extracted using text mining and web-based tools, such as Voyant and RapidMiner. Then, the causal relationships between these indicators and employee flourishing were analyzed using the fuzzy DEMATEL method in Excel. Data were collected from expert opinions and reputable international articles published between 2013 and 2024.
Research Findings: AI-augmented HRM plays a pivotal and effective role in enhancing employee flourishing. “AI-augmented planning” was recognized as the most influential factor in improving growth opportunities, career development, and employee satisfaction. Meanwhile, “AI-augmented leadership” had the greatest impact among the indicators, highlighting the critical role of leadership in the successful implementation of smart technologies and in motivating human resources. Additionally, the indicators “strategy” and “AI-augmented control” were identified as causal and decisive factors in the structure of intelligent HRM, with their improvement leading to optimized processes and increased employee commitment. These results emphasize the importance of a systematic, comprehensive approach to leveraging AI in HRM and demonstrate that achieving employee flourishing requires integrating AI with ethical frameworks, transparency, and active human participation to maintain organizational trust and fairness.
Limitations & Consequences: Despite presenting a comprehensive framework and detailed analysis of causal relationships among AI-augmented HRM indicators, this study has limitations. First, the focus on Iranian organizations and the limited number of experts may limit the generalizability of the findings to other cultures and industries. Moreover, the lack of in-depth investigation into the effects of other cultural, structural, and environmental factors on employee flourishing is another limitation. These limitations imply that future research should be conducted across diverse organizational environments, using broader, multi-source data, and should further explore the ethical, social, and long-term impacts of AI in HRM through interdisciplinary approaches.
Practical Consequences: The findings offer significant practical implications for managers and organizations, including that the intelligent use of AI technologies in HR planning and leadership can improve decision-making processes, enhance job satisfaction, and increase employee motivation and commitment. Organizations should invest in training and empowering employees in digital and AI skills while ensuring the application of ethical frameworks and transparency in implementing these technologies to preserve organizational trust and fairness. Furthermore, strengthening an organizational culture that embraces innovation and fosters constructive human-machine interaction can lead to greater productivity and sustainable employee flourishing in smart work environments.
Innovation or value of the Article: This article provides an innovative interdisciplinary framework combining text mining and fuzzy DEMATEL analysis to investigate the role of AI in HRM and employee flourishing—an approach that has rarely been used in existing literature. Moreover, integrating the Harvard Model and Ulrich’s HR roles framework to analyze causal relationships adds significant theoretical value and provides a comprehensive, strategic, and ethical framework for leveraging AI in HRM. As such, this research plays a pioneering role in advancing both practical and theoretical knowledge in the field of intelligent HRM.
Paper Type: Original Paper
 

کلیدواژه‌ها [English]

  • Artificial Intelligence
  • Human Resource Management
  • Employee Flourishing
  • Harvard Model
  • Ulrich Model
  1. Bankins, S. (2021). The ethical use of artificial intelligence in human resource management: a decision-making framework. Ethics and Information Technology, 23(4), 841-854.
  2. Bhardwaj, S., Chopra, R., & Choudhary, P. (2025). Nurturing the roots of workplace flourishing: an in-depth exploration of employee well-being initiatives. International Journal of Organizational Analysis.
  3. Biron, M., Boon, C., Farndale, E., & Bamberger, P. A. (2024). Human resource strategy: Formulation, implementation, and impact. Routledge.
  4. Boselie, P., & van der Heijden, B. (2024). Strategic human resource management: A balanced approach. McGraw Hill.
  5. Bozhinovska, T., Eftimov, L., & Nakov, L. (2023). Contemporary managerial analysis of multi-stakeholder perspective in human resource management: Towards a new conceptual framework. Management: Journal of Contemporary Management Issues, 28(Special Issue), 13-27.
  6. Bujold, A., Roberge-Maltais, I., Parent-Rocheleau, X., Boasen, J., Sénécal, S., & Léger, P. M. (2023). Responsible artificial intelligence in human resources management: a review of the empirical literature. AI and Ethics, 1-16.
  7. Çakir, E., & Tolga, A. Ç. (2026). A Review of Artificial Intelligence′ s Impact on Cybersecurity in the Big Data Era. In International Conference on Computational Science and Its Applications (pp. 182-192). Springer, Cham.
  8. Caggiano, V., Ragusa, A., & Di Petrillo, E. (2024). The Challenge of Humanistic Management. In People and Organizations: Humanistic Management (pp. 49-68). Cham: Springer Nature Switzerland.
  9. Chaka, C. (2023). Fourth industrial revolution—a review of applications, prospects, and challenges for artificial intelligence, robotics and blockchain in higher education. Research and Practice in Technology Enhanced Learning, 18, 002-002.
  10. Erum, H., Abid, G., & Contreras, F. (2020). The calling of employees and work engagement: The role of flourishing at work. Business, Management and Economics Engineering, 18(1), 14-32.
  11. Falahi, A., Modarresi, M., & Zarei, A. (2023). Investigating the factors influencing the adoption of big data technology in the tourism industry using the TOE framework: A case study of tourism businesses in Shiraz. Tourism and Development, 12(2), 183-202. https://doi.org/10.22034/jtd.2022.304366.2447. ( In Persian)
  12. Florea, N. V., & Croitoru, G. (2025). The Impact of Artificial Intelligence on Communication Dynamics and Performance in Organizational Leadership. Administrative Sciences, 15(2), 33.
  13. Gharibi Khoramooji, A., & Hassan Zadeh, M. R. (2020). Data mining and its role in the development of human resources in organizations. Public Administration Management, 1(3), 89-101. (In Persian)
  14. Gruman, J. A., & Budworth, M. H. (2022). Positive psychology and human resource management: Building an HR architecture to support human flourishing. Human Resource Management Review, 32(3), 100911.
  15. 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.
  16. Islami, X., & Mulolli, E. (2024). Human-Artificial Intelligence in Management Functions: A Synergistic Symbiosis Relationship. Applied Artificial Intelligence, 38(1), 2439615.
  17. John, A. S., & HAJAM, A. A. (2024). Leveraging Predictive Analytics for Enhancing Employee Engagement and Optimizing Workforce Planning: A Data-Driven HR Management Approach. International Journal of Innovation in Management, Economics and Social Sciences, 4(4), 33-41.
  18. Khair, M. A., Mahadasa, R., Tuli, F. A., & Ande, J. R. P. K. (2020). Beyond human judgment: Exploring the impact of artificial intelligence on HR decision-making efficiency and fairness. Global Disclosure of Economics and Business, 9(2), 163-176.
  19. Madanchian, M., Taherdoost, H., & Mohamed, N. (2023). AI-based human resource management tools and techniques; A systematic literature review. Procedia Computer Science, 229, 367-377.
  20. Mahade, A., Elmahi, A., Alomari, K. M., & Abdalla, A. A. (2025). Leveraging AI-driven insights to enhance sustainable human resource management performance: moderated mediation model: evidence from UAE higher education. Discover Sustainability, 6(1), 1-22.
  21. Malik, N., Tripathi, S. N., Kar, A. K., & Gupta, S. (2021). Impact of artificial intelligence on employees working in industry 4.0 led organizations. International Journal of Manpower, 43(2), 334-354
  22. Martinez-Sanchez, A., & Vicente-Oliva, S. (2023). Supporting agile innovation and knowledge by managing human resource flexibility. International Journal of Innovation Science, 15(3), 558-578.
  23. Mökander, J., Morley, J., Taddeo, M., & Floridi, L. (2021). Ethics-based auditing of automated decision-making systems: Nature, scope, and limitations. Science and Engineering Ethics, 27(4), 44.
  24. Mollah, M. A., Rana, M., Amin, M. B., Sony, M. A. A. M., Rahaman, M. A., & Fenyves, V. (2024). Examining the Role of AI-Augmented HRM for Sustainable Performance: Key Determinants for Digital Culture and Organizational Strategy. Sustainability, 16(24), 10843.
  25. Ntoutsi, E., Fafalios, P., Gadiraju, U., Iosifidis, V., Nejdl, W., Vidal, M. E., ... & Staab, S. (2020). Bias in data‐driven artificial intelligence systems—An introductory survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), e1356.
  26. Olan, F., Arakpogun, E. O., Suklan, J., Nakpodia, F., Damij, N., & Jayawickrama, U. (2022). Artificial intelligence and knowledge sharing: Contributing factors to organizational performance. Journal of Business Research, 145, 605-615.
  27. Pandey, A., Balusamy, B., & Chilamkurti, N. (Eds.). (2023). Disruptive artificial intelligence and sustainable human resource management: Impacts and innovations-The future of HR. CRC Press.
  28. Paramesha, M., Rane, N. L., & Rane, J. (2024). Big data analytics, artificial intelligence, machine learning, internet of things, and blockchain for enhanced business intelligence. Partners Universal Multidisciplinary Research Journal, 1(2), 110-133.
  29. Paramesha, M., Rane, N. L., & Rane, J. (2024). Big data analytics, artificial intelligence, machine learning, internet of things, and blockchain for enhanced business intelligence. Partners Universal Multidisciplinary Research Journal, 1(2), 110-133.
  30. Peethambaran, M., & Naim, M. F. (2025). Employee flourishing-at-work: a review and research agenda. International Journal of Organizational Analysis.
  31. Prikshat, V., Malik, A. and Budhwar, P. (2021), “AI-augmented HRM: antecedents, assimilation and multilevel consequences”, Human Resource Management Review, Vol. ahead-of-print No. ahead of print, p. 100860.
  32. Prikshat, V., Malik, A., & Budhwar, P. (2023). AI-augmented HRM: Antecedents, assimilation and multilevel consequences. Human Resource Management Review, 33(1), 100860.
  33. Prikshat, V., Patel, P., Varma, A., & Ishizaka, A. (2022). A multi-stakeholder ethical framework for AI-augmented HRM. International Journal of Manpower, 43(1), 226-250.
  34. Ramadhani, W., Khuzaini, K., & Shaddiq, S. (2024). Resistance to Change: Human Resources Issues in the Implementation of Industry 4.0 Technology. Proceeding: Islamic University of Kalimantan.
  35. Rodgers, W., Murray, J. M., Stefanidis, A., Degbey, W. Y., & Tarba, S. Y. (2023). An artificial intelligence algorithmic approach to ethical decision-making in human resource management processes. Human resource management review, 33(1), 100925.
  36. Sahai, A. K., & Rath, N. (2021). Artificial intelligence and the 4th industrial revolution. In Artificial intelligence and machine learning in business management (pp. 127-143). CRC Press.
  37. Singh, R., & Tarkar, P. (2022, May). Future of work: How Artificial Intelligence will change the dynamics of work culture and influence employees work satisfaction post-covid-19. In Proceedings of International Conference on Communication and Artificial Intelligence: ICCAI 2021 (pp. 239-260). Singapore: Springer Nature Singapore.
  38. Singh, S., Kumar, R., Payra, S., & Singh, S. K. (2023). Artificial intelligence and machine learning in pharmacological research: bridging the gap between data and drug discovery. Cureus, 15(8).
  39. Stahl, B. C., Andreou, A., Brey, P., Hatzakis, T., Kirichenko, A., Macnish, K. ... & Wright, D. (2021). Artificial intelligence for human flourishing–Beyond principles for machine learning. Journal of Business Research, 124, 374-388.
  40. Swaroop, S., & Sharma, L. (2022). Employee engagement in the era of remote workforce: role of human resource managers. Cardiometry, (23), 619-628.
  41. Thakur, M., Sharma, M. G., & Thakur, M. M. (2025). HR ON THE RISE:(FROM POSSESSION TO DIRECTION). INK FREEDOM PUBLISHERS.
  42. Varma, A., Dawkins, C., & Chaudhuri, K. (2023). Artificial intelligence and people management: A critical assessment through the ethical lens. Human Resource Management Review, 33(1), 100923.
  43. Zhang, X., Wang, P., & Peng, L. (2024). Developing a Competency Model for Human Resource Directors (HRDs) in Exponential Organizations Undergoing Digital Transformation. Sustainability, 16(23), 10540.
چشم انداز مدیریت دولتی
دوره 16، شماره 3 - شماره پیاپی 63
مهر 1404
صفحه 54-78