Desempenho ou confiança? Aspectos da adoção da inteligência artificial na indústria de arquitetura, engenharia e construção no Brasil
| Ano de defesa: | 2025 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://hdl.handle.net/10438/36659 |
Resumo: | A adoção de inteligência artificial (IA) na indústria de Arquitetura, Engenharia e Construção (AEC) tem o potencial de transformar processos, aumentar a produtividade e melhorar a tomada de decisões. Este estudo busca compreender os fatores que influenciam a adoção da IA na indústria na perspectiva dos profissionais no Brasil. Utilizando um método misto de pesquisa em uma abordagem sequencial exploratória, o estudo foi conduzido em duas fases: uma análise qualitativa inicial, baseada em entrevistas com 30 profissionais de grandes empresas da indústria, realizadas em outubro de 2024, seguida por uma pesquisa quantitativa em novembro de 2024, com uma amostra de 375 profissionais da indústria AEC. Os resultados qualitativos destacaram fatores como a expectativa de desempenho, confiança, treinamento, custos, o receio de substituição, entre outros. A análise quantitativa confirmou a centralidade da expectativa de desempenho e o impacto significativo da confiança, enquanto a expectativa de esforço apresentou efeito menor. Também foi identificado que profissionais com maior experiência na Indústria AEC enfrentam desafios específicos quanto a expectativa de esforço, mas são mais suscetíveis a fatores como influência social e à confiança na tecnologia. O estudo amplia o modelo UTAUT ao incorporar a confiança como um fator relevante no contexto da AEC, e oferece implicações práticas, como a importância de uma comunicação clara por parte dos gestores sobre os benefícios tangíveis da adoção de IA aos seus colaboradores, e também da necessidade de programas de capacitação e estratégias para reforçar a confiabilidade das tecnologias. O modelo testou quatro hipóteses relacionadas à Expectativa de Desempenho, Expectativa de Esforço, Influência Social e Confiança na IA em sua relação com a intenção de adoção, além de outras 12 hipóteses que analisaram o papel moderador de variáveis como gênero, idade e experiência profissional. Os resultados fornecem subsídios para gestores ao identificarem os principais fatores que influenciam a adoção de IA permitindo o desenvolvimento de estratégias voltadas à comunicação de benefícios, capacitação de equipes e construção de confiança na tecnologia. Para pesquisadores, o estudo contribui ao ampliar o modelo UTAUT com a inclusão da confiança e ao fornecer evidências sobre o papel moderador da experiência na indústria na adoção de tecnologias, especialmente em um setor desafiador como a indústria AEC. |
| id |
FGV_ca4d6a67f7447608edb95a4487eb3763 |
|---|---|
| oai_identifier_str |
oai:repositorio.fgv.br:10438/36659 |
| network_acronym_str |
FGV |
| network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
| repository_id_str |
|
| spelling |
Lima, Vagner AlmeidaEscolas::EAESPCohen, Eric DavidBecker, João LuizFrancisco, Eduardo de Rezende2025-03-18T20:22:11Z2025-03-18T20:22:11Z2025-02-19https://hdl.handle.net/10438/36659A adoção de inteligência artificial (IA) na indústria de Arquitetura, Engenharia e Construção (AEC) tem o potencial de transformar processos, aumentar a produtividade e melhorar a tomada de decisões. Este estudo busca compreender os fatores que influenciam a adoção da IA na indústria na perspectiva dos profissionais no Brasil. Utilizando um método misto de pesquisa em uma abordagem sequencial exploratória, o estudo foi conduzido em duas fases: uma análise qualitativa inicial, baseada em entrevistas com 30 profissionais de grandes empresas da indústria, realizadas em outubro de 2024, seguida por uma pesquisa quantitativa em novembro de 2024, com uma amostra de 375 profissionais da indústria AEC. Os resultados qualitativos destacaram fatores como a expectativa de desempenho, confiança, treinamento, custos, o receio de substituição, entre outros. A análise quantitativa confirmou a centralidade da expectativa de desempenho e o impacto significativo da confiança, enquanto a expectativa de esforço apresentou efeito menor. Também foi identificado que profissionais com maior experiência na Indústria AEC enfrentam desafios específicos quanto a expectativa de esforço, mas são mais suscetíveis a fatores como influência social e à confiança na tecnologia. O estudo amplia o modelo UTAUT ao incorporar a confiança como um fator relevante no contexto da AEC, e oferece implicações práticas, como a importância de uma comunicação clara por parte dos gestores sobre os benefícios tangíveis da adoção de IA aos seus colaboradores, e também da necessidade de programas de capacitação e estratégias para reforçar a confiabilidade das tecnologias. O modelo testou quatro hipóteses relacionadas à Expectativa de Desempenho, Expectativa de Esforço, Influência Social e Confiança na IA em sua relação com a intenção de adoção, além de outras 12 hipóteses que analisaram o papel moderador de variáveis como gênero, idade e experiência profissional. Os resultados fornecem subsídios para gestores ao identificarem os principais fatores que influenciam a adoção de IA permitindo o desenvolvimento de estratégias voltadas à comunicação de benefícios, capacitação de equipes e construção de confiança na tecnologia. Para pesquisadores, o estudo contribui ao ampliar o modelo UTAUT com a inclusão da confiança e ao fornecer evidências sobre o papel moderador da experiência na indústria na adoção de tecnologias, especialmente em um setor desafiador como a indústria AEC.The adoption of artificial intelligence (AI) in the Architecture, Engineering, and Construction (AEC) industry has the potential to transform processes, enhance productivity, and improve decision-making. This study aims to understand the factors influencing AI adoption in the industry from the perspective of professionals in Brazil. Employing a mixedmethods approach within an exploratory sequential design, the research was conducted in two phases: an initial qualitative analysis, based on interviews with 30 professionals from large companies in the industry conducted in October 2024, followed by a quantitative survey in November 2024 with a sample of 375 AEC professionals. The qualitative findings highlighted key determinants such as Performance Expectancy, Effort Expectancy, Social Influence, and Trust, as well as barriers like training needs, implementation costs, and fear of replacement. The quantitative analysis confirmed the centrality of Performance Expectancy and the significant impact of Trust on Behavioral Intention, while Effort Expectancy had a smaller effect. It was also observed that professionals with greater experience in the AEC industry face specific challenges related to Effort Expectancy but are more susceptible to Social Influence and Trust in technology. This study extends the UTAUT model by incorporating Trust as a significant factor in the AEC context and offers practical implications, such as the importance of clear communication by managers about the tangible benefits of AI adoption, the need for structured training programs, and strategies to enhance the perceived reliability of AI systems. The model tested four core constructs—Performance Expectancy, Effort Expectancy, Social Influence, and Trust—in their relationship with Behavioral Intention, along with 12 hypotheses evaluating the moderating roles of Gender, Age, and Industry Experience. The findings provide actionable insights for managers to identify key factors driving AI adoption, enabling the development of targeted strategies to communicate benefits, train teams, and build trust in technology. For researchers, the study contributes by extending the UTAUT model with the inclusion of Trust and by providing evidence of the moderating role of experience in a complex sector like the AEC industry.porInteligência artificialAdoçãoUTAUTIndústria AECMétodos mistosAdministração de empresasInteligência artificialEmpresas - Inovações tecnológicasDesenvolvimento organizacionalConstrução civilMétodos mistos de pesquisaODS 9: Indústria, inovação e infraestruturaDesempenho ou confiança? Aspectos da adoção da inteligência artificial na indústria de arquitetura, engenharia e construção no Brasilinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisembargoedAccess info:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINALTA_IA-IndustriaAEC_R7.pdfTA_IA-IndustriaAEC_R7.pdfPDFapplication/pdf1280512https://repositorio.fgv.br/bitstreams/ac4a80df-c891-43e0-8d4c-971b3b13dd97/downloadd963b4673572e629e4ed02771e0987dcMD53trueAnonymousREAD2027-04-04LICENSElicense.txtlicense.txttext/plain; charset=utf-85112https://repositorio.fgv.br/bitstreams/5dedcde4-78de-4d79-8dfa-a804bf784864/download2a4b67231f701c416a809246e7a10077MD52falseAnonymousREADTEXTTA_IA-IndustriaAEC_R7.pdf.txtTA_IA-IndustriaAEC_R7.pdf.txtExtracted texttext/plain102936https://repositorio.fgv.br/bitstreams/9c1a1166-3701-4859-8d5e-c6ab6e8a6ec5/downloadc921f830936fc8871c38a70ec05dc5f6MD54falseAnonymousREADTHUMBNAILTA_IA-IndustriaAEC_R7.pdf.jpgTA_IA-IndustriaAEC_R7.pdf.jpgGenerated Thumbnailimage/jpeg2514https://repositorio.fgv.br/bitstreams/9b18f758-df24-4af4-a0cb-2cf88ec1d401/downloade4c4d441c37b50cfcb90be6166a43532MD55falseAnonymousREAD10438/366592025-09-26 19:55:22.499embargo2027-04-04oai:repositorio.fgv.br:10438/36659https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestbiblioteca.digital@fgv.bropendoar:39742025-09-26T19:55:22Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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 |
| dc.title.por.fl_str_mv |
Desempenho ou confiança? Aspectos da adoção da inteligência artificial na indústria de arquitetura, engenharia e construção no Brasil |
| title |
Desempenho ou confiança? Aspectos da adoção da inteligência artificial na indústria de arquitetura, engenharia e construção no Brasil |
| spellingShingle |
Desempenho ou confiança? Aspectos da adoção da inteligência artificial na indústria de arquitetura, engenharia e construção no Brasil Lima, Vagner Almeida Inteligência artificial Adoção UTAUT Indústria AEC Métodos mistos Administração de empresas Inteligência artificial Empresas - Inovações tecnológicas Desenvolvimento organizacional Construção civil Métodos mistos de pesquisa ODS 9: Indústria, inovação e infraestrutura |
| title_short |
Desempenho ou confiança? Aspectos da adoção da inteligência artificial na indústria de arquitetura, engenharia e construção no Brasil |
| title_full |
Desempenho ou confiança? Aspectos da adoção da inteligência artificial na indústria de arquitetura, engenharia e construção no Brasil |
| title_fullStr |
Desempenho ou confiança? Aspectos da adoção da inteligência artificial na indústria de arquitetura, engenharia e construção no Brasil |
| title_full_unstemmed |
Desempenho ou confiança? Aspectos da adoção da inteligência artificial na indústria de arquitetura, engenharia e construção no Brasil |
| title_sort |
Desempenho ou confiança? Aspectos da adoção da inteligência artificial na indústria de arquitetura, engenharia e construção no Brasil |
| author |
Lima, Vagner Almeida |
| author_facet |
Lima, Vagner Almeida |
| author_role |
author |
| dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EAESP |
| dc.contributor.member.none.fl_str_mv |
Cohen, Eric David Becker, João Luiz |
| dc.contributor.author.fl_str_mv |
Lima, Vagner Almeida |
| dc.contributor.advisor1.fl_str_mv |
Francisco, Eduardo de Rezende |
| contributor_str_mv |
Francisco, Eduardo de Rezende |
| dc.subject.por.fl_str_mv |
Inteligência artificial Adoção UTAUT Indústria AEC Métodos mistos |
| topic |
Inteligência artificial Adoção UTAUT Indústria AEC Métodos mistos Administração de empresas Inteligência artificial Empresas - Inovações tecnológicas Desenvolvimento organizacional Construção civil Métodos mistos de pesquisa ODS 9: Indústria, inovação e infraestrutura |
| dc.subject.area.por.fl_str_mv |
Administração de empresas |
| dc.subject.bibliodata.por.fl_str_mv |
Inteligência artificial Empresas - Inovações tecnológicas Desenvolvimento organizacional Construção civil Métodos mistos de pesquisa |
| dc.subject.sdg.por.fl_str_mv |
ODS 9: Indústria, inovação e infraestrutura |
| description |
A adoção de inteligência artificial (IA) na indústria de Arquitetura, Engenharia e Construção (AEC) tem o potencial de transformar processos, aumentar a produtividade e melhorar a tomada de decisões. Este estudo busca compreender os fatores que influenciam a adoção da IA na indústria na perspectiva dos profissionais no Brasil. Utilizando um método misto de pesquisa em uma abordagem sequencial exploratória, o estudo foi conduzido em duas fases: uma análise qualitativa inicial, baseada em entrevistas com 30 profissionais de grandes empresas da indústria, realizadas em outubro de 2024, seguida por uma pesquisa quantitativa em novembro de 2024, com uma amostra de 375 profissionais da indústria AEC. Os resultados qualitativos destacaram fatores como a expectativa de desempenho, confiança, treinamento, custos, o receio de substituição, entre outros. A análise quantitativa confirmou a centralidade da expectativa de desempenho e o impacto significativo da confiança, enquanto a expectativa de esforço apresentou efeito menor. Também foi identificado que profissionais com maior experiência na Indústria AEC enfrentam desafios específicos quanto a expectativa de esforço, mas são mais suscetíveis a fatores como influência social e à confiança na tecnologia. O estudo amplia o modelo UTAUT ao incorporar a confiança como um fator relevante no contexto da AEC, e oferece implicações práticas, como a importância de uma comunicação clara por parte dos gestores sobre os benefícios tangíveis da adoção de IA aos seus colaboradores, e também da necessidade de programas de capacitação e estratégias para reforçar a confiabilidade das tecnologias. O modelo testou quatro hipóteses relacionadas à Expectativa de Desempenho, Expectativa de Esforço, Influência Social e Confiança na IA em sua relação com a intenção de adoção, além de outras 12 hipóteses que analisaram o papel moderador de variáveis como gênero, idade e experiência profissional. Os resultados fornecem subsídios para gestores ao identificarem os principais fatores que influenciam a adoção de IA permitindo o desenvolvimento de estratégias voltadas à comunicação de benefícios, capacitação de equipes e construção de confiança na tecnologia. Para pesquisadores, o estudo contribui ao ampliar o modelo UTAUT com a inclusão da confiança e ao fornecer evidências sobre o papel moderador da experiência na indústria na adoção de tecnologias, especialmente em um setor desafiador como a indústria AEC. |
| publishDate |
2025 |
| dc.date.accessioned.fl_str_mv |
2025-03-18T20:22:11Z |
| dc.date.available.fl_str_mv |
2025-03-18T20:22:11Z |
| dc.date.issued.fl_str_mv |
2025-02-19 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/10438/36659 |
| url |
https://hdl.handle.net/10438/36659 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.rights.driver.fl_str_mv |
embargoedAccess info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
embargoedAccess |
| eu_rights_str_mv |
openAccess |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional do FGV (FGV Repositório Digital) instname:Fundação Getulio Vargas (FGV) instacron:FGV |
| instname_str |
Fundação Getulio Vargas (FGV) |
| instacron_str |
FGV |
| institution |
FGV |
| reponame_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
| collection |
Repositório Institucional do FGV (FGV Repositório Digital) |
| bitstream.url.fl_str_mv |
https://repositorio.fgv.br/bitstreams/ac4a80df-c891-43e0-8d4c-971b3b13dd97/download https://repositorio.fgv.br/bitstreams/5dedcde4-78de-4d79-8dfa-a804bf784864/download https://repositorio.fgv.br/bitstreams/9c1a1166-3701-4859-8d5e-c6ab6e8a6ec5/download https://repositorio.fgv.br/bitstreams/9b18f758-df24-4af4-a0cb-2cf88ec1d401/download |
| bitstream.checksum.fl_str_mv |
d963b4673572e629e4ed02771e0987dc 2a4b67231f701c416a809246e7a10077 c921f830936fc8871c38a70ec05dc5f6 e4c4d441c37b50cfcb90be6166a43532 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV) |
| repository.mail.fl_str_mv |
biblioteca.digital@fgv.br |
| _version_ |
1866369163582242816 |