Abstract in Portuguese:

RESUMO Objetivo: investigar o efeito da complexidade de uma tarefa híbrida - contratar pessoas - sobre a intenção de delegar decisões à IA, mediada pela motivação para o esforço cognitivo, e desvendar potenciais motivadores pró e antidelegação. Marco teórico: tipologia de tarefas complexas e literatura sobre raciocínio cognitivo. Método: conduzimos dois estudos empíricos nos quais a complexidade da tarefa foi manipulada entre sujeitos (baixa vs. alta) para coletar dados perceptivos de 320 decisores nos Estados Unidos. Resultado: ambos os estudos revelaram um efeito direto e total significativo da complexidade da tarefa sobre a intenção de delegar decisões à IA, mas nenhum efeito mediador significativo. Nossa análise temática mostrou uma preferência por humanos tomando a decisão final, com a IA desempenhando um papel de apoio, e revelou que, em um contexto de contratação, baixa complexidade leva a autoescolhas impulsionadas por fatores individuais, enquanto alta complexidade desencadeia a delegação, estimulada pelas capacidades técnicas da IA. Conclusões: nossas descobertas representam um incremento teórico nas ciências de decisão, delegação e taxonomia de tarefas, oferecendo insights sobre como a delegação ocorre de humanos para artefatos não humanos em um contexto de tarefa híbrida e divulgando potenciais motivadores pró e antidelegação. Também alertamos para possíveis comportamentos de delegação excessiva ou insuficiente que, quando combinados com outros desafios da tomada de decisão orientada por IA, podem minar os ganhos da IA e prejudicar o alcance de algumas metas de desenvolvimento sustentável, a menos que sejam devidamente gerenciados para mitigar os riscos.

Abstract in English:

ABSTRACT Objective: to investigate the effect of the complexity of a hybrid task - hiring people - on the intention to delegate decisions to AI, mediated by motivation for cognitive effort, and to unravel potential pro- and anti-delegation drivers. Theoretical approach: typology of complex tasks and cognitive reasoning literature. Method: we conducted two empirical studies in which task complexity was manipulated on a between-subject basis (low vs. high) to collect perceptive data from 320 U.S. decision-makers. Result: both studies revealed a significant direct and total effect of task complexity on the intention to delegate decisions to AI, but no significant mediating effect. Our thematic analysis showed a preference for humans making the final decision, with AI playing a supportive role, and revealed that, in a hiring context, low complexity leads to self-choices driven by individual factors, whereas high complexity triggers delegation, stimulated by AI’s technical capabilities. Conclusions: our findings represent a theoretical increment in decision sciences, delegation, and task taxonomy by offering insights into how delegation occurs from humans to nonhuman artifacts in a hybrid task context, and by disclosing potential pro- and anti-delegation drivers. We also draw attention to possible over- and under-delegation behaviors that, when combined with other AI-driven decision-making challenges, can undermine gains from AI and impair the attainment of some Sustainable Development Goals, unless properly managed to mitigate the risks.

Abstract in Portuguese:

RESUMO Objetivo: este artigo explora a integração da inteligência artificial generativa (IAG) na pesquisa qualitativa, comparando seus resultados com análise humana e técnicas tradicionais de IA. Fornece evidências empíricas sobre as forças e limitações da IAG na análise temática, abordando preocupações éticas e integridade da pesquisa. Marco teórico: o estudo se insere no debate sobre IAG em pesquisa qualitativa, equilibrando argumentos utilitários - como eficiência, escalabilidade e custo-benefício - com preocupações éticas relacionadas à integridade da pesquisa e à perda da profundidade interpretativa humana. Estende discussões anteriores sobre colaboração humano-máquina, incorporando uma comparação tripla: analistas humanos, IA tradicional (neste caso, modelagem de tópicos) e IAG. Método: uma análise qualitativa secundária (AQS) compara análise conduzida por humanos, IA tradicional e IAG usando dados sobre participação feminina na indústria de desenvolvimento de jogos, alinhando-se ao Objetivo de Desenvolvimento Sustentável (ODS) 5 sobre igualdade de gênero. O estudo avalia resultados em termos de precisão temática, profundidade interpretativa e utilidade prática. Resultados: os achados sugerem que a IAG oferece vantagens significativas em velocidade e escalabilidade, especialmente para metodologias dedutivas com rótulos de codificação predefinidos. Contudo, analistas humanos superam a IAG em profundidade interpretativa e conexões teóricas. A IA tradicional oferece insights estruturados, mas carece da adaptabilidade da IAG ou compreensão nuançada dos pesquisadores humanos. Conclusões: embora a IAG melhore eficiência e reduza custos, suas limitações em replicar capacidade interpretativa humana exigem integração cautelosa. Este estudo fornece diretrizes para aproveitar as forças da IAG preservando expertise humana, contribuindo para o discurso mais amplo sobre o papel da tecnologia na pesquisa qualitativa.

Abstract in English:

ABSTRACT Objective: this article explores the integration of generative artificial intelligence (GAI) into qualitative research, comparing its results with human-led analysis and traditional AI techniques. It provides empirical evidence on the strengths and limitations of GAI in thematic analysis while addressing ethical concerns and research integrity. Theoretical approach: the study situates itself within the debate on GAI in qualitative research, weighing utilitarian arguments such as efficiency and scalability against ethical concerns, such as the loss of human interpretive depth. It extends discussions on human-machine collaboration by incorporating a three-way comparison: human analysts, traditional AI (e.g., topic modeling), and GAI. Method: a qualitative secondary analysis (QSA) compares human-led analysis, traditional AI, and GAI using a dataset on women’s participation in the game development industry, aligning with Sustainable Development Goal (SDG) 5 on gender equality. The study evaluates outputs based on thematic accuracy, interpretive depth, and practical utility. Results: findings suggest that GAI excels in speed and scalability, particularly for deductive methodologies with predefined coding labels. However, human analysts outperform GAI in interpretive depth and theoretical connections. Traditional AI offers structured insights but lacks GAI’s adaptability or human researchers’ nuanced understanding. Conclusions: while GAI enhances efficiency and reduces costs, its limitations in replicating human interpretive capacity call for cautious integration. This study provides guidelines for leveraging GAI’s strengths while preserving human expertise, contributing to the broader discourse on technology’s role in qualitative research.

Abstract in Portuguese:

RESUMO Objetivo: o estudo visa identificar intervenções comportamentais eficazes e modelos de aprendizado de máquina que promovem compras ambientalmente sustentáveis. Marco teórico: o estudo está fundamentado na economia comportamental e na arquitetura de escolhas, apoiando-se na Nudge Theory (ou Teoria do Nudge) de Thaler e Sunstein, de forma a explicar como elementos sutis de design digital podem servir de orientação para escolhas sem comprometer a autonomia. Método: foi realizada uma revisão sistemática utilizando o protocolo PRISMA e múltiplas bases de dados acadêmicas. Observa-se o papel da inteligência artificial (IA) no marketing para a sustentabilidade, a efetividade dos modelos e as implicações éticas. Resultados: técnicas de nudging baseadas em IA, tais como personalização, default green options (ou opções verdes predefinidas), prova social e gamificação, aumentam significativamente o engajamento em comportamentos de consumo sustentável. Modelos de aprendizado de máquina como Random Forests, Deep Neural Networks e Reinforcement Learning têm um papel crucial na otimização do nudging por IA para o consumo sustentável. Conclusões: o estudo mostra o potencial das técnicas de nudging baseadas em IA podem influenciar o comércio eletrônico sustentável, sobretudo quando empregadas com sistemas transparentes, explicáveis e conscientes de vieses. O estudo contribui para consolidar as principais pesquisas sobre nudge assistido por IA, compara modelos de aprendizagem de máquina voltados a consumidores verdes e destaca os trade-offs entre desempenho e capacidade explicativa, propondo um desenho experimental para avaliar eficácia e ética. Oferece implicações práticas para empresas e formuladores de políticas ao conectar estratégias impulsionadas pela IA aos Objetivos do Desenvolvimento Sustentável 12 e 13 e recomenda a adoção de estruturas éticas de IA para fortalecer a confiança voltados à sustentabilidade em plataformas de comércio eletrônico Pesquisas futuras podem ter como foco experimentos reais, estruturas interdisciplinares e regulações éticas, todas relacionadas à IA, para garantir a adoção responsável dessa inteligência no comércio eletrônico.

Abstract in English:

ABSTRACT Objective: this study aims to identify effective behavioral interventions and machine learning models that promote eco-friendly purchases. Theoretical approach: the study is grounded in behavioral economics and choice architecture, drawing on Thaler and Sunstein’s nudge theory to explain how subtle digital design elements can guide choices while preserving autonomy. Method: a systematic review was conducted based on the PRISMA framework utilizing multiple academic databases. Studies were analyzed for AI’s role in sustainability marketing, model effectiveness, and ethical considerations. Results: AI-based nudging techniques such as personalization, default green options, social proof, and gamification significantly enhance engagement in sustainable purchasing behavior. Machine learning models like Random Forests, Deep Neural Networks, and Reinforcement Learning play a crucial role in optimizing AI nudging for green consumption. Conclusions: the study highlights the potential of AI nudging in shaping sustainable e-commerce, especially when combined with transparent, bias-aware, and explainable systems. The study contributes by consolidating notable research on AI-driven nudging in sustainable e-commerce, comparing machine learning models for green consumer targeting with explicit attention to performance-explainability trade-offs, and proposing an experimental design to test their effectiveness and ethics. The study also offers actionable implications for businesses and policymakers by linking AI-powered strategies to Sustainable Development Goals 12 and 13. Businesses and policymakers can leverage ethical AI frameworks to improve trust in sustainability efforts on e-commerce platforms. Future research should focus on real-world AI experiments, interdisciplinary AI frameworks, and ethical AI regulations to ensure responsible AI adoption in e-commerce.

Abstract in Portuguese:

RESUMO Objetivo: este estudo visa examinar quais combinações de estratégia corporativa de crescimento com transformação digital produzem desempenho superior. Marco teórico: a pesquisa analisou 1.422 documentos como relatórios anuais e de sustentabilidade datados de 2011 a 2022, dos cinco maiores bancos do Brasil. Método: foram identificados 420 blocos de evidências sobre os tipos de estratégia corporativa de crescimento (penetração de mercado, desenvolvimento de produto, desenvolvimento de mercado e diversificação) e sobre os níveis de transformação digital (digitização, digitalização e transformação digital). Ferramentas de IA foram empregadas para validar e calibrar os dados, configurando uma metodologia inovadora de integração entre a análise de conteúdo (AC) e a análise qualitativa comparativa (QCA). Resultados: os resultados evidenciam que somente pela combinação de estratégias de crescimento com transformação digital desempenho superior é produzido. Destaque para a combinação de desenvolvimento de produtos com digitização como condições centrais dos resultados superiores. O alcance desta contribuição teórica só foi possível graças à metodologia adotada combinar a capacidade de processamento da IA com métodos de análise qualitativa tradicionais. Conclusões: estudos futuros podem analisar configurações de estratégia corporativa de crescimento com outras categorias relevantes do campo de estratégia, podem também agregar condições como o tempo na análise. Em termos metodológicos, tanto os estudiosos da estratégia empresarial quanto dos estudos organizacionais podem se beneficiar do método aqui apresentado para fortalecer o potencial explicativo da pesquisa qualitativa.

Abstract in English:

ABSTRACT Objective: this study aims to examine which combinations of corporate growth strategy and digital transformation produce superior performance. Theoretical approach: the research analyzed 1,422 documents such as annual and sustainability reports dated from 2011 to 2022, from the five largest banks in Brazil. Method: the research process found 420 blocks of evidence were identified regarding the types of corporate growth strategy (market penetration, product development, market development, and diversification) and the levels of digital transformation (digitization, digitalization, and digital transformation). AI tools were employed to validate and calibrate the data, setting up an innovative methodology for integrating content analysis (CA) and qualitative comparative analysis (QCA). Results: the results show that superior performance is produced only by the combination of growth strategies with digital transformation. Highlighting the combination of product development with digitization as central conditions for superior results. The scope of this theoretical contribution was only possible thanks to the adopted methodology combining the processing capacity of AI with traditional qualitative analysis methods. Conclusions: future studies can analyze configurations of corporate growth strategy with other relevant categories in the strategy field and can also add conditions such as time to the analysis. In methodological terms, both business strategy scholars and organizational studies scholars can benefit from the method presented here to strengthen the explanatory potential of qualitative research.