یادگیری هوشمند و تحول مدیریت 3115-8900 در دست انتشار 1406 02 01 A Model of Risk Culture for Artificial Intelligence Adoption in the Banking Industry طراحی الگوی فرهنگ ریسک به‌کارگیری هوش مصنوعی در صنعت بانکداری 1 23 FA سعید صحت دانشیار، گروه مدیریت بازرگانی، دانشکده مدیریت حسـابداري، دانشـگاه علامـه طباطبائی، تهران، ایران. مهدی ابراهیمی دانشیار، گروه مدیریت بازرگانی، دانشکده مدیریت حسـابداري، دانشـگاه علامـه طباطبائی، تهران، ایران. مهدی یزدان شناس دانشیار، گروه مدیریت بازرگانی، دانشکده مدیریت حسـابداري، دانشـگاه علامـه طباطبائی، تهران، ایران. زهرا خلوتی دانشجوی دکتری، گروه مدیریت بازرگانی، دانشگاه علامه طباطبائی، تهران، ایران Journal Article <p>This study aims to develop a comprehensive, systematic, and evidence-based model to explain the components of risk culture in the adoption of artificial intelligence in the banking industry. This qualitative study was conducted using a meta-synthesis approach. The research population included domestic and international studies related to risk culture and artificial intelligence published between 1988 and 2025. A total of 145 studies were initially identified, and after quality appraisal using the CASP tool, 77 sources were selected for final analysis. The synthesis process followed the seven-step method of Sandelowski and Barroso. Data were extracted through open, axial, and selective coding and categorized based on the SIPOC-like framework including context, inputs, processes, and outputs. Inter-coder reliability was confirmed using Cohen’s kappa coefficient (0.635). The findings indicate that AI risk culture in banking is a multidimensional and dynamic construct formed through the interaction of four main dimensions. A total of 18 key concepts and 80 codes were identified across context, input, process, and output dimensions. Contextual factors such as leadership commitment, data governance, and regulatory compliance play a critical role in shaping risk culture. Additionally, data quality, technical standards, and human expertise serve as essential inputs influencing AI effectiveness. At the process level, continuous monitoring, algorithmic transparency, and risk evaluation mechanisms are crucial. These interactions ultimately lead to outcomes such as increased stakeholder trust, improved organizational performance, and enhanced competitive advantage. AI risk culture in the banking industry is not a single-dimensional phenomenon but the result of a complex interaction among organizational, data-related, processual, and outcome-based factors, and effective risk management cannot be achieved without addressing all these dimensions simultaneously.</p> <p>هدف این پژوهش ارائه یک الگوی جامع، نظام‌مند و مبتنی بر شواهد برای تبیین مؤلفه‌های فرهنگ ریسک در به‌کارگیری هوش مصنوعی در صنعت بانکداری است. این پژوهش از نوع کیفی بوده و با استفاده از روش فراترکیب انجام شده است. جامعه آماری شامل مطالعات داخلی و خارجی مرتبط با فرهنگ ریسک و هوش مصنوعی در بازه زمانی 1988 تا 2025 بوده است. در مجموع 145 مطالعه اولیه شناسایی و پس از ارزیابی کیفی با استفاده از ابزار CASP، 77 منبع برای تحلیل نهایی انتخاب شد. فرآیند تحلیل بر اساس الگوی هفت‌مرحله‌ای سندلوسکی و باروسو انجام گرفت. داده‌ها از طریق کدگذاری باز، محوری و انتخابی استخراج و در قالب الگوی سیپ (بستر، درون‌داد، فرایند و برون‌داد) طبقه‌بندی شدند. پایایی کدگذاری با استفاده از ضریب کاپا (0.635) تأیید گردید. یافته‌ها نشان داد که فرهنگ ریسک هوش مصنوعی در بانکداری یک سازه چندبعدی و پویا است که از تعامل چهار مؤلفه اصلی شکل می‌گیرد. در مجموع 18 مفهوم کلیدی و 80 کد در چهار بعد بستر، درون‌داد، فرایند و برون‌داد شناسایی شد. نتایج حاکی از آن است که عوامل زمینه‌ای مانند تعهد رهبری، حاکمیت داده و انطباق مقرراتی، نقش تعیین‌کننده‌ای در شکل‌گیری فرهنگ ریسک دارند. همچنین کیفیت داده‌ها، استانداردهای فنی و منابع انسانی به‌عنوان درون‌دادهای حیاتی، بر کارآمدی سیستم‌های هوش مصنوعی اثرگذارند. در سطح فرایندی، وجود سازوکارهای نظارتی، ارزیابی مستمر و شفافیت تصمیمات الگوریتمی ضروری است. در نهایت، این تعاملات منجر به پیامدهایی نظیر افزایش اعتماد ذی‌نفعان، بهبود عملکرد سازمانی و ارتقای مزیت رقابتی می‌شود. فرهنگ ریسک هوش مصنوعی در صنعت بانکداری یک پدیده تک‌بعدی نیست، بلکه نتیجه تعامل پیچیده میان عوامل سازمانی، داده‌ای، فرایندی و پیامدی است که بدون توجه همزمان به این ابعاد، مدیریت مؤثر ریسک‌های هوش مصنوعی امکان‌پذیر نخواهد بود.</p> https://jilmt.com/index.php/jilmt/article/download/249/156