YAPAY ZEKÂ TABANLI KARAR DESTEK SİSTEMLERİNİN ENDÜSTRİYEL DİJİTAL DÖNÜŞÜMÜN SOSYOTEKNİK KATALİZÖRLERİ OLARAK İNCELENMESİ: GELİŞMEKTE OLAN BİR EKONOMİDE İMALAT KOBİ'LERİNE YÖNELİK TOE TEMELLİ ÇOK ANALİTİKLİ BİR ÇALIŞMA

Öz

Yapay zekâ tabanlı karar destek sistemleri (YZ-KDS), imalat sektörünün işgücü yapısını, karar hiyerarşilerini ve kurumsal yönetişimini köklü biçimde yeniden biçimlendirmektedir. Kaynak kısıtlı küçük ve orta büyüklükteki işletmeler (KOBİ) açısından bu teknolojiler, salt operasyonel kazanımların ötesinde derin toplumsal sonuçlar barındırmaktadır. Bu çalışma, söz konusu benimseme sürecini Türkiye imalat KOBİ'leri ekseninde Teknoloji-Örgüt-Çevre (TOE) çerçevesi ve sosyoteknik sistemler perspektifiyle incelemektedir. Eylül–Kasım 2024 döneminde İstanbul, Kocaeli ve Bursa OSB'lerinde görev yapan 203 yöneticiden anket yoluyla veri toplanmış; PLS-YEM, ÖPHT, fsQCA ve YSA'dan oluşan dört aşamalı çok analitikli bir tasarım uygulanmıştır. PLS-YEM bulguları, teknolojik hazırlık (β=0,31), örgütsel kapasite (β=0,44) ve rekabetçi baskının (β=0,22) birlikte YZ-KDS benimsemesindeki varyansın %61,2'sini açıkladığını göstermektedir. YZ-KDS benimsemesi ise dijital dönüşüm çıktılarındaki varyansın %33,6'sını karşılamaktadır (β=0,58). ÖPHT, örgütsel kapasitenin en yüksek önem değerine (0,44) karşın en düşük performans puanına (48,3/100) sahip olduğunu ortaya koyarak bu yapıyı kritik bir darboğaz olarak tanımlamaktadır. fsQCA üç eşifinal yapılanma belirlemiş; üst yönetim desteği her üçünde de zorunlu koşul statüsü kazanmıştır. YSA bu sıralamayı yöntemsel üçgenleme yoluyla desteklemiştir. Çalışma, gelişmekte olan ekonomi yazınındaki altyapı açığı anlatısını sorgulamakta; TOE teorisini sosyoteknik bir yönde genişletmekte ve KOSGEB ile OSB yönetimleri için uygulamaya dönük politika kanıtları sunmaktadır.

Anahtar Kelimeler

• YZ Tabanlı Karar Destek Sistemleri
• Dijital Dönüşüm
• TOE Çerçevesi
• İmalat KOBİ
• Gelişmekte Olan Ekonomi
• PLS-YEM
• fsQCA.

AI-BASED DECISION SUPPORT SYSTEMS AS SOCIO-TECHNICAL CATALYSTS OF INDUSTRIAL DIGITAL TRANSFORMATION: A TOE-GROUNDED MULTI-ANALYTICAL STUDY OF MANUFACTURING SMEs IN AN EMERGING ECONOMY

Öz

AI-based decision support systems (AI-DSS) are reshaping workforce structures, decision hierarchies, and institutional governance in manufacturing industries worldwide. For resource-constrained SMEs in emerging economies, this transition carries implications that extend well beyond operational efficiency. This study examines AI-DSS adoption among Turkish manufacturing SMEs through the TOE framework, augmented by a socio-technical systems perspective. Survey data were collected from 203 managerial-level respondents across Istanbul, Kocaeli, and Bursa OIZs (Sep.–Nov. 2024), analysed via a four-stage multi-analytical design: PLS-SEM, IPMA, fsQCA, and ANN. Organisational capability (β=0.44) emerges as the dominant adoption driver, constituting a critical bottleneck with the highest importance yet lowest performance score (48.3/100). fsQCA identifies three equifinal configurations with top management support as a necessary condition in all. The findings challenge the infrastructure-gap narrative in emerging economy scholarship and deliver actionable policy evidence for KOSGEB and OIZ administrations.

Anahtar Kelimeler

• AI-Based Decision Support Systems
• Digital Transformation
• TOE Framework
• Manufacturing SMEs
• Emerging Economy
• PLS-SEM
• fsQCA.

Kaynakça

1. Badghish, S. ve Soomro, Y. A. (2024). Determinants of AI adoption in organisational contexts: A systematic TOE-based review. International Journal of Information Management, 74, 102710.
2. Chatterjee, S., Chaudhuri, R. ve Vrontis, D. (2021). AI and digitalization in supply chain management: Bibliometric analysis and future research directions. Technological Forecasting and Social Change, 173, 121099.
3. Dijital Dönüşüm Bakanlığı. (2025). Ulusal YZ Yönetişim Çerçevesi: AB Yapay Zekâ Yasası ile Uyum. Türkiye Cumhuriyeti.
4. Fornell, C. ve Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
5. Gangwar, H., Date, H. ve Raoot, A. D. (2015). Review on IT adoption: Insights from TOE framework. Journal of Enterprise Information Management, 27(4), 488–502.
6. Geels, F. W. (2004). From sectoral systems of innovation to socio-technical systems: Insights about dynamics and change from sociology and institutional theory. Research Policy, 33(6–7), 897–920.
7. Hair, J. F., Risher, J. J., Sarstedt, M. ve Ringle, C. M. (2022). Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R: A Workbook. Springer.
8. Handayani, P. W., Hidayah, I., Pinem, A. A. ve Abidin, F. (2023). AI adoption in Indonesian manufacturing SMEs: Barriers and enablers. Technology in Society, 74, 102288.

9. Harman, H. H. (1976). Modern Factor Analysis (3. baskı). University of Chicago Press.
10. Khurana, S., Haleem, A. ve Mannan, B. (2022). Determinants for integration of sustainability with innovation for Indian manufacturing enterprises. Journal of Cleaner Production, 338, 130620.
11. Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1–10.
12. KOSGEB. (2024). KOBİ Sektör Raporu 2024. Küçük ve Orta Büyüklükteki İşletmeleri Geliştirme ve Destekleme İdaresi Başkanlığı.
13. Li, L., Su, F., Zhang, W. ve Mao, J.-Y. (2023). Digital transformation by SME entrepreneurs: A capability perspective. Information Systems Journal, 33(3), 1089–1122.
14. Matt, C., Hess, T. ve Benlian, A. (2015). Digital transformation strategies. Business & Information Systems Engineering, 57(5), 339–343.
15. OECD. (2024). OECD SME Outlook 2024: Financing and Digital Transformation. OECD Publishing.
16. Orlikowski, W. J. (2000). Using technology and constituting structures: A practice lens for studying technology in organisations. Organisation Science, 11(4), 404–428.
17. Peretz-Andersson, E., Ghosh, A. ve Henriksen, L. (2024). Governing algorithmic work in manufacturing SMEs. Journal of Industrial Relations, 66(2), 183–208.
18. Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y. ve Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903.
19. Pramanik, S., Biswas, A. ve Kizil, C. (2024). AI-driven decision support in smart manufacturing: A systematic review. Expert Systems with Applications, 238, 121789.
20. Ragin, C. C. (2017). Redesigning Social Inquiry: Fuzzy Sets and Beyond. University of Chicago Press.
21. Ringle, C. M. ve Sarstedt, M. (2016). Gain more insight from your PLS-SEM results: The importance-performance map analysis. Industrial Management & Data Systems, 116(9), 1865–1886.
22. Sanayi ve Teknoloji Bakanlığı. (2025). Türkiye 2030 Sanayi ve Teknoloji Stratejisi. Türkiye Cumhuriyeti.
23. Schwaeke, J., Müller, M. ve Hinz, O. (2025). Institutional determinants of AI adoption: Cross-country evidence from OECD manufacturing firms. Research Policy, 54(3), 105014.
24. Tornatzky, L. G. ve Fleischer, M. (1990). The Processes of Technological Innovation. Lexington Books. Trist, E. L. (1981). The Evolution of Socio-Technical Systems. Ontario Quality of Working Life Centre.
25. TÜİK. (2023). Sanayi ve Hizmet İstatistikleri. Türkiye İstatistik Kurumu.
26. Ul Haq, J. ve Suki, N. M. (2025). AI technology adoption in emerging markets: Institutional pressures, capability gaps, and strategic responses. Technovation, 131, 102978.
27. Vial, G. (2019). Understanding digital transformation: A review and a research agenda. Journal of Strategic Information Systems, 28(2), 118–144.
28. World Bank. (2022). Small and Medium Enterprises (SMEs) Finance. World Bank Group.
29. Yuan, C., Zeng, D. ve Li, X. (2025). Methodological pluralism in technology-in-society research: A meta-analytical review. Technology in Society, 80, 102385.