Adoption of human-centered AI in an organization

Thumbnail Image

Files

master_Arffman_Tommi_2025.pdf (1.32 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Electrical Engineering | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-07-31

Department

Major/Subject

Human-Computer Interaction

Mcode

Degree programme

Master's Programme in Computer, Communication and Information Sciences

Language

en

Pages

97

Series

Abstract

Artificial intelligence (AI) offers the potential to enhance organizational performance, yet many AI initiatives fail to progress beyond initial steps. This can be often caused by overlooked factors that influence successful adoption. As AI systems become more advanced and embedded in everyday work, it is increasingly more important to understand how to adopt AI in ways that prioritize human values, capabilities and oversight. This is the core focus of Human-Centred AI (HCAI). This thesis investigates how organizations can ensure successful adoption of human-centred AI (HCAI) by answering two research questions: Which enablers and disablers affect AI adoption in organizations? (RQ1) and How can HCAI methods and principles support AI adoption? (RQ2). These questions were answered by a mixed methods design combining a literature review with an empirical study in an IT department of a Finnish company. For empirical study, six semi-structured interviews were used to answer the first research question, while two Design Science artifacts, an AI team operating model and a lightweight AI governance. The artifacts were evaluated using Likert-scale surveys. The results show that AI adoption is a socio-technical transformation that is shaped by an interplay of technological, organizational, environmental, social and individual factors. The study found AI performance and reliability, organizational resources, and perceived usefulness to be necessary for adoption. Other important factors were AI literacy and employee training, top management support and trust in AI. Most of the factor can both enable or disable adoption, for example the empirical study found AI governance accelerates adoption when it is clear and flexible, but it hinders it when it is too rigid. Embedding HCAI principles (e.g., transparency, trustworthiness) and methods (e.g., bias testing, AI oversight committees) improve AI adoption. The AI team operating model was found to improve employee skills and trust by embedding some HCAI principles and methods. Similarly, the lightweight AI governance using HCAI principles and methods, was found to mitigate security concerns without slowing down the innovation. Conclusion: Organizations can improve AI adoption by considering key factors. AI performance and reliability, perceived usefulness, and organizational resources are the most important factors for AI. HCAI principles and methods help organizations with AI adoption.

Tekoäly tarjoaa merkittäviä mahdollisuuksia organisaatioiden suorituskyvyn parantamiseen, silti monet tekoälyaloitteet voivat jäädä jumiin alkuvaiheeseen. Tämä voi usein johtua siitä ettei tekoälyn onnistuneeseen käyttöönottoon vaikuttavia tekijöitä huomioida riittävästi. Kun tekoälyjärjestelmät kehittyvät ja integroituvat isomakksi osaksi päivittäistä työtä, on yhä tärkeämpää ymmärtää, miten niitä voidaan ottaa käyttöön korostaen ihmisten arvoja, kyvykkyyksiä ja valvontaa. Tämä on ihmiskeskeisen tekoälyn keskeinen tavoite. Tämä diplomityö tutkii kuinka organisaatiot voivat varmistaa ihmiskeskeisen tekoälyn käyttöönoton vastaamalla kahteen tutkimuskysymykseen: Mitkä tekijät mahdollistavat ja haittaavat tekoälyn käyttöönottoa organisaatioissa? (TK1) ja Miten ihmiskeskeiset tekoäly periaatteet ja menetelmät voivat tukea tekoälyn käyttöönotossa? (TK2). Tutkimus toteutettiin monimenetelmällisesti yhdistäen kirjallisuuskatsaus ja empiirinen tutkimus suomalaisen yrityksen IT-osastolla. Ensimmäiseen tutkimuskysymykseen vastattiin kuuden puolistrukturoidun haastattelun avulla. Toista kysymystä tutkittiin kahden Design Science -artefaktin avulla: tekoälytiimin käyttömalli sekä kevyt tekoälyhallintamalli, jotka arvioitiin Likert-asteikollisilla kyselyillä. Tulokset osoittavat, että tekoälyn käyttöönotto on sosiotekninen muutos, jota muovaavat teknologiset, organisatoriset, ympäristölliset, sosiaaliset ja yksilölliset tekijät. Käyttöönoton onnistumiseksi tarvitaan muun muassa tekoälyn suorituskykyä ja luotettavuutta, organisaation resursseja sekä koettua hyödyllisyyttä. Tärkeitä ovat myös henkilöstön koulutus ja AI-lukutaito, ylimmän johdon tuki sekä luottamus tekoälyyn. Useimmat tekijät voivat joko tukea tai estää käyttöönottoa. Esimerkiksi selkeä ja joustava tekoälyhallinto edistää käyttöönottoa, mutta jäykkä hallinto hidastaa sitä. Ihmiskeskeisen tekoälyn, periaatteiden (esim. läpinäkyvyys, luotettavuus) ja menetelmien (esim. harhan testaus, tekoälyn valvonta komitea) sisällyttäminen parantaa käyttöönottoa. Tekoälytiimin käyttömallin todettiin kehittävän henkilöstön osaamista ja luottamusta HCAI-periaatteiden ja -menetelmien avulla. Vastaavasti kevyt tekoälyhallintamalli lievitti turvallisuushuolia hidastamatta innovointia. Yhteenveto: Organisaatiot voivat parantaa tekoälyn käyttöönottoa huomioimalla keskeiset tekijät. Tärkeimmät ovat tekoälyn suorituskyky ja luotettavuus, koettu hyödyllisyys sekä organisaation resurssit. HCAI-periaatteet ja -menetelmät tukevat näitä tavoitteita ja edistävät käyttöönottoa.

Description

Supervisor

Kauppinen, Marjo

Thesis advisor

Balasubramaniam, Nagadivya

Keywords

AI, HCAI, adoption, organization, enabler, disabler, methods, semi-structured interview, design science artifact, TOE

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202508196517

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC