Purpose – This study aims to explore and provide empirical insights into AI-driven circular business model innovation (CBMI) in industrial symbiosis. In doing so, it addresses the knowledge gap regarding how industrial companies can use AI to amplify circular business models and facilitate AI-driven circular innovation. Method – A thematic analysis was used in the study to answer the research questions. It was based on 32 interviews with informants from five companies conducting an AI innovation initiative and experts, as well as two site visits, four project meetings and 61 company documents. Findings – The analysis showed how AI can amplify an industrial symbiosis and uncovered three principles and symbiotic facilitators for AI-driven CBMI in an industrial symbiosis. The principles and symbiotic facilitators were combined in a coevolutionary alignment framework for AI-driven CBMI in industrial symbioses. Theoretical contributions – This study contributes to prior literature by (1) depicting how AI changes business models and amplifies an industrial symbiosis, where past research only had conceptualised it; (2) identifying principles that describe how AI-driven CBMI should be approached; (3) uncovering three symbiotic facilitators that create conditions for successful AI-driven CBMI; and (4) conceptualising a coevolutionary framework based on the principles and symbiotic facilitators for aligning the innovation efforts between partners in industrial symbioses. Practical contributions – Managers in industrial symbioses can use this study to comprehend how AI can improve resource flows and the significance of efficient data sharing in collaborative AI-driven innovation. Moreover, it provides a framework to assist companies in aligning innovation initiatives among partners in order to succeed with AI-driven CBMI. Limitations of the study – The study focused on five companies involved in an AI innovation initiative in one specific industrial symbiosis. As a result, the findings’ generalisability may be limited, and validating these findings in other industrial symbioses and different industrial ecosystems or partnerships would thus be interesting for future research. / Syfte – Denna studie syftar till att utforska och ge empiriska insikter i AI-driven cirkulär affärsmodellinnovation (CBMI) i industriell symbios. Genom detta undersöks kunskapsbristen om hur industriella företag kan använda AI för att förbättra cirkulära affärsmodeller och underlätta AI-driven cirkulär innovation. Metod – En tematisk analys användes i studien för att besvara forskningsfrågorna. Den baserades på 32 intervjuer med informanter från fem företag som genomförde ett AI-innovationsinitiativ och experter, samt två platsbesök, fyra projektmöten och 61 sekundära källor. Resultat – Analysen visade hur AI kan förbättra en industriell symbios och hittade tre principer och symbiotiska facilitatorer för AI-driven CBMI i en industriell symbios. Principerna och symbiotiska facilitatorerna kombinerades i ett samevolutionärt ramverk för att skapa målöverenstämmelse och underlätta AI-driven CBMI i industriella symbioser. Teoretiskt bidrag – Denna studie bidrar till tidigare litteratur genom att (1) beskriva hur AI förändrar affärsmodeller och förbättrar en industriell symbios, där tidigare forskning bara hade konceptualiserat det; (2) identifiera principer som beskriver hur AI-driven CBMI bör genomföras, (3) identifiera tre nyckel symbiotiska facilitatorer som skapar förutsättningar för framgångsrik AI-driven CBMI; och (4) konceptualisera ett samevolutionärt ramverk baserad på principerna och symbiotiska facilitatorer som kan användas för att underlätta innovation som partners gör tillsammans i industriella symbioser. Praktiskt bidrag - Ledare i industriella symbioser kan använda denna studie för att förstå hur AI kan förbättra resursflöden och vilken betydelse effektiv datadelning har i kollaborativ AI-driven innovation. Dessutom ger det ett ramverk för att hjälpa företag att innovera tillsammans för att lyckas med AI-driven CBMI. Studiens begränsningar – Studien fokuserade på fem företag involverade i ett AI-innovationsinitiativ i en specifik industriell symbios. På grund av detta kan resultatens generaliserbarhet vara begränsad, och validering av dessa resultat i andra industriella symbioser och olika industriella ekosystem eller partnerskap skulle därför vara intressant.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:ltu-98551 |
| Date | January 2023 |
| Creators | Minde, Björn Tomas, Bäcklund, Niklas |
| Publisher | Luleå tekniska universitet, Institutionen för ekonomi, teknik, konst och samhälle |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0028 seconds