Rychle se zdokonalující technologie se stávají chytřejšími, výkonnějšími, menšími, lehčími a levnějšími. Mezi ně můžeme zařadit například senzory, kamery, zpracování řeči, zpracování obrazu, biometrie, analytiku a cloudové technologie a další, a stále více je pohání umělá inteligence (dále také jen „AI“).

Nástup servisní robotiky (virtuálních a fyzických servisních robotů) v kombinaci s těmito technologiemi vede k rychlým inovacím, které mají potenciál zároveň zlepšit kvalitu služeb a produktivitu práce (Wirtz a Zeithaml 2018). Umělá inteligence je hnací silou čtvrté průmyslové revoluce (Müller, Buliga, Voigt Citation2018) v mnoha odvětvích, včetně průmyslové výroby a sektoru služeb (D'Ambra, Akter, Mariani 2022; Mariani, Borghi 2019). Vývoj digitálních technologií proto zásadně ovlivňuje výrobní systémy i řízení provozu, kdy umělá inteligence (AI) hraje zásadní roli nejen v transformaci podnikání a výrobních systémech (Dwivedi a kol. 2019; Gartner 2019), ale také v řízení podnikových procesů (Queiroz a kol. 2020).

Umělá inteligence může zároveň dramaticky zlepšit poskytování služeb prostřednictvím zefektivněných digitálních procesů, které eliminují riziko lidské chyby a zpoždění při ručním zpracování (Pro-Computing, 2023).

Dle vyjádření ze Lukáše Edera (2023) ze společnosti FIRST Fc CLASS lze umělou inteligencí bez problému nahradit 10 následujících profesí: 

1. Operátoři na výrobních linkách: AI může být použita ke sledování a kontrolování výrobních procesů a eliminování chyb.

2. Pokladní: AI může být použita k automatizaci procesu placení a eliminování nutnosti manuálního zpracování plateb.

3. Účetní: AI může být použita ke sledování účetních knih a eliminování chyb v záznamech.

4. Asistenti zákaznické podpory: AI může být použita k odpovídání na dotazy zákazníků a řešení problémů, aniž by byla nutná interakce s lidským operátorem.

5. Pracovníci v oblasti logistiky a dopravy: AI může být použita k plánování tras a optimalizaci dodavatelských řetězců.

6. Některé typy úředníků: AI může být použita ke zpracování a kategorizaci dokumentů a formulářů.

7. Asistenti a sekretáři: S vývojem chatbotů a hlasových asistentů, jako je Siri nebo Alexa, mohou být tradiční asistenti a sekretáři nahrazeni AI.

8. Bankovní zaměstnanci: AI může být použita k analýze rizikových profilů, monitorování úvěrových aplikací, detekci podvodů a podobně, což může znamenat, že bankovní zaměstnanci mohou být nahrazeni AI.

9. Řidiči a dopravní pracovníci: S vývojem samořiditelných vozidel mohou být řidiči a jiní dopravní pracovníci nahrazeni AI.

10. Realitní makléři: AI může být použita k identifikaci a porovnání nemovitostí, ale stále jsou potřebné lidské dovednosti při jednání s klienty a uzavírání smluv.“

Pokud se prokáže, že roboti hrají pozitivní a významnou roli jak z hlediska produktivity, tak z hlediska spokojenosti zákazníků, lze tvrdit, že AI představuje účinnou cestu k dosažení diferenciačních strategií při nižších jednotkových nákladech. Tato hypotéza však v současné době představuje mezeru ve výzkumu zaměřenému na výrobní systémy a management provozu, která se téměř výhradně zaměřuje na efektivitu, produktivitu a výkonnost z organizačního hlediska, nikoli z pohledu zákazníka.

Stav zkoumané problematiky 

Nejdříve si musíme položit otázku, co je to vlastně umělá inteligence. Umělá inteligence – Artificial intelligece (AI) - je schopnost strojů napodobovat lidské schopnosti, jako je uvažování, učení se, plánování nebo kreativita. Umělá inteligence umožňuje technickým systémům reagovat na vněmy z jejich prostředí, řešit problémy a dosahovat určitých cílů. Společnost „Pro – Computing“ (2023) uvádí, že umělou inteligenci lze využít například při automatizované analýze dokumentů. Systémy specializované na tuto oblast umí skenovat obsah dokumentů, porovnávat je s jinými dokumenty, identifikovat klíčová slova a kategorizovat korespondenci. Vědci zabývající se výrobními systémy a řízením provozu se dosud zaměřovali především na aplikace AI ve výrobním průmyslu (Pillai a kol. 2022), čímž empiricky přehlíželi dopad AI na provoz poskytovaných služeb, které se nezabývají konkrétně zkoumáním vlivu provozu služeb s využitím umělé inteligence na zákazníky z pohledu výrobních systémů a řízení provozu. To je poněkud překvapivé, protože organizace stále více přijímají profesionální servisní roboty a mezinárodní trh s profesionálními servisními roboty vzrostl v roce 2020 o 12 % ze vzorového obratu 6,0 miliardy USD na 6,7 miliardy USD, jak uvedla International Federation of Robotics v roce 2021, kdy konkrétně poptávka po profesionálních úklidových robotech vzrostla o 92 % z hlediska prodaných kusů a o 51 % z hlediska obratu a podobná čísla byla zaznamenána i u prodaných kusů zdravotnických robotů a robotů pro pohostinství (Financial Times, 2020).

 

První práce o umělé inteligenci (AI) vznikly ve 40. letech 20. století ve vědeckofantastické literatuře (Minsky, 1961a, 1961b; Shubik, 1960). V roce 1942 vydal americký spisovatel science fiction Isaac Asimov knihu Runaround, v níž inženýři Gregory Powell a Mike Donavan vyvíjejí robota, přičemž dbají na tzv. tři pravidla robotiky. Asimovova kniha se v poměrně krátké době dostala do povědomí zejména v kruzích počítačových a robotických vědců. Přibližně ve stejné době pracoval anglický matematik Alan Turing pro britskou vládu na superpočítači (Bombe), který měl prolomit kód Enigma používaný německou armádou během druhé světové války (Haenlein, Kaplan, 2019). Tato zkušenost přispěla v padesátých letech k vytvoření článku popisujícího, jak vytvořit inteligentní stroje a testovat jejich inteligenci. Pojmenování "umělá inteligence" zřejmě vznikla v roce 1956 u příležitosti Dartmouth Summer Research Project on Artificial Intelligence (DSRPAI), který na Dartmouth College (USA) pořádali vědci Marvin Minsky a John McCarthy. Od té doby zaznamenala umělá inteligence a její význam mnoho vzestupů a pádů a v současné době hrají technologie umělé inteligence důležitou roli v revoluci „Průmyslu 4.0“ (Ivanov a kol., 2021; Mariani, Borghi, 2019; Müller, Buliga, Voigt, 2018).

V průběhu času řada vědců v oblasti podnikání a managementu uznala, že AI má mnohostranné využití. Například Davenport a Ronanki (2018) rozlišují tři typy AI: automatizaci procesů, kognitivní vhled a kognitivní zapojení. V oblasti služeb Huang a Rust (2018) ilustrují a popisují čtyři typy AI: mechanickou, analytickou, intuitivní a empatickou. Konkrétněji se mechanická inteligence týká schopnosti automaticky vykonávat opakované, rutinní úkoly; analytická inteligence souvisí se schopností zpracovávat informace zaměřené na řešení problémů a učení; intuitivní inteligence se týká schopnosti kreativního myšlení a přizpůsobování se novým situacím; a empatická inteligence je spojena se schopností identifikovat a chápat lidské emoce, vhodně emočně působit a ovlivňovat emoce druhých.

Vědečtí odborníci na problematiku výzkumu služeb zdůrazňují, že servisní roboti jsou formou mechanické umělé inteligence a jsou obvykle nasazováni firmami poskytujícími služby, aby pomáhali zaměstnancům a jejich zákazníkům spoluvytvářet službu (Huang, Rust, 2018).

Odborná literatura se zaměřením na problematiku služeb popisuje (Vargo, Lusch, 2004), že mechanická umělá inteligence přebírá standardizované a opakující se úkoly ve službách, což firmám poskytujícím služby přináší výhodu nákladové efektivity a konzistence kvality (Huang, Rust, 2018).

Pokud se naopak podíváme na vědce zabývající se analýzou managementu služeb, věnují větší pozornost způsobu, jakým je mechanická umělá inteligence v podobě servisních robotů stále více implementována ve společnostech (firmách) poskytujících služby (Huang, Rust, 2018, 2021), které se mají promítnout do dvojí hodnoty: efektivity a účinnosti. Zatímco integrace servisních robotů do provozu firem poskytujících služby byla předmětem několika nedávných koncepčních studií (Ruel, Njoku, 2020; Tussyadiah, Zach, Wang, 2020), tak doposud nebyly provedeny analýzy celkové spokojenosti zákazníků s poskytovanými službami společnosti, které využívají AI. Všeobecně je známo, že automatizace přináší zvýšení produktivity práce a výroby (Downing, Safizadeh, 1997; Säfsten, Winroth, Stahre 2007), ale ne vždy znamená vyšší míru spokojenosti zákazníků (Rust, Huang, 2012), a dosavadní literatura o výrobních systémech a řízení provozu zatím vychází pouze z pohledu poskytovatele služeb (Wang, Skeete, Owusu 2021), ale nikoli z holističtějšího pohledu zohledňujícího také názor zákazníka.

Zatímco AI může snadno nahradit nekvalifikovanou práci ve službách, vzácněji nahrazuje kvalifikovanou práci, která obvykle vyžaduje kreativní a abstraktní myšlení a schopnost řešit problémy (Autor a Dorn, 2013). Nasazení AI ve službách však bude pravděpodobně představovat hrozbu pro zaměstnanost lidí (Huang, Rust, 2018) a nemusí nutně přinést dobrou náladu ve společnosti (Fosso Wamba a kol., 2020). Nedávno vědci zabývající se službami zdůraznili, že AI hraje pozitivní a významnou roli z hlediska produktivity i spokojenosti zákazníků firem poskytujících služby, a proto lze tvrdit, že servisní roboti a zařízení pro služby s AI představují účinnou cestu k dosažení strategie diferenciace při nižších jednotkových nákladech nebo formu nákladově efektivní excelence služeb (Wirtz, Zeithaml, 2018).

Postupná náhrada zaměstnanců umělou inteligencí – je spouštěcím mechanismem nutnost, anebo pandemie Covid 19?

 

Díky umělé inteligenci (AI) mohou dnes technologie provádět kognitivní činnosti a úkoly, které dříve vykonávali pouze lidé (Krakowski a kol., 2022). Na rozdíl od dřívějších technologií umožňuje umělá inteligence technologickým zařízením učit se a chovat se autonomně (Flavián, Casaló, 2021) tím, že jim umožňuje komunikovat s lidskými zaměstnanci a zákazníky v rámci běžných denních pracovních situací (Vitezič, Perič, 2021). Umělá inteligence má také velký potenciál nahradit a doplnit kognitivní schopnosti lidských pracovníků (manažerů i zaměstnanců) (Raisch, Krakowski, 2021).

Na pozadí COVID-19 musí odvětví služeb uznat potenciální výhody AI a její důsledky, včetně robotiky v hotelovém prostředí (Gaur a kol., 2021). Nedávná pandemie navíc povzbudila odborníky z praxe, aby si uvědomili životnost transformace založené na technologiích v novém světě s cílem zlepšit profitabilitu společnosti. Kromě pandemie si nedávný technologický pokrok osvojil digitalizaci řízenou umělou inteligencí v oblasti služeb zákazníkům (Altinay, Arici, 2021). V poslední době se tak těší rostoucímu zájmu výzkumníků a managementu ve všech oblastech výzkumu a sektoru služeb včetně (H. Lv a kol., 2022; Wei, Prentice, 2022).

Vyčerpávající vědecký přehled výzkumu umělé inteligence v oblasti sektoru služeb je nezbytný pro pochopení počátků, hlavních témat a vývoje této oblasti, protože umělá inteligence má potenciál významně ovlivnit hlavní směr výzkumu v této a také v krátké době vést toto odvětví. I přes svou nezbytnost je však takový komplexní přehled o tomto fenoménu stále nedostatečný, což omezuje naše chápání zdrojových poznatků, vědeckého pokroku výzkumu AI a jeho budoucího programu.

V poslední době se objevují vědecké práce zabývající se přehledem témat souvisejících s AI v odvětví hotelnictví. Například ve výzkumu Samara a kol. (2020) byly zaznamenány přednosti, jakož i užitečnost "velkých dat" a "AI" v odvětví služeb. Na základě těchto výzkumů bylo zjištěno, že "velká data" a "AI" jsou v oblasti hotelového průmyslu užitečná. Kromě toho autoři prostřednictvím přehledu 102 publikací provedli přehledovou studii pod zorným úhlem "McKinseyho globálního institutu", která objasňuje čtyři směry, včetně "projektu", "produkce", "podpory" a "poskytování". Gaur a kol. (2021) navíc vytvořili koncepční rámec pro identifikaci přání zákazníků s využitím umělé inteligence a robotů jako "ochranné strategie" v důsledku pandemie. Autoři dále zkoumali AI a robotiku s ohledem na takové výsledky související s pandemií, jako je čistota, hygiena a zdravotní péče. Dále se objevily také přehledové studie, které zahrnovaly některé body analýzy velkých dat v oblasti hotelového provozu.

Ačkoli tyto snahy přinášejí smysluplné poznatky, v dosavadním výzkumu stále existují dvě hlavní mezery. Za prvé, dřívější přehledové studie o AI se soustředily pouze na metodologické stránky, jako je využití AI při zkoumání "velkých dat" (Doborjeh a kolal., 2022; H. Lv a kol., 2022), což představuje omezené znalosti koncepčních témat a trendů výzkumu AI v oblasti hotelnictví. Za druhé, předchozí práce většinou počítaly s omezeným počtem studií publikovaných v oblasti hotelnictví, což může mít potenciální omezení pro prezentaci rozsáhlého pohledu na zdrojové znalosti. Z tohoto důvodu je zapotřebí kvantitativního a kvalitativního přehledového přístupu, který by poskytl relevantní výsledky.

Umělá inteligence z pohledu managementu bezpečnosti

Kybernetická bezpečnost a umělá inteligence (AI) představují v jednadvacátém století pro svět řadu příležitostí a zároveň se potýkají s problémy v pozadí. Moderní systémy umělé inteligence jsou zranitelné vůči sledování, kdy se protivníci dotazují systémů a učí se vnitřní logiku rozhodování, znalostní báze nebo tréninková data. Tato kapitola se zabývá identifikací kybernetických hrozeb prostřednictvím umělé inteligence a jejím vývojem, důsledky nových lidských nelidských subjektivit, a dokonce zachází i do vojenského a zpravodajského aspektu, který zpochybňuje podíl automatizace kybernetické bezpečnosti. Kybernetické hrozby jsou v oblasti kybernetické bezpečnosti relativně nové, protože stále více lidí přichází na zranitelnost satelitů. Hrozby zahrnují ohrožení startovacích systémů, komunikace, telemetrie, sledování a řízení a dokončení mise. Aby internet věcí (IoT) dobře fungoval, potřebují zařízení IoT řešení pro správu dat. Mnoho dodavatelů využívá tento nový trh a již nabízí řešení pro správu dat. 

Svět se digitálně rozšiřuje stále rychleji. S tím, jak se sítě zvětšují a data se stávají složitějšími, rychle narůstají výzvy v oblasti kybernetické bezpečnosti. V boji proti kybernetickým útokům je třeba využívat strojové učení (ML) a další řešení umělé inteligence (AI) k navrhování a vytváření robustních bezpečnostních řešení. S prudkým nárůstem počtu nových technik a rámců v oblasti ML/AI je pro organizace složité určit nejlepší rámce a přístupy k budování robustních řešení ML/A.

Umělá inteligence je jednou z nejvýkonnějších technologií dnešního technologického světa. Aplikace umělé inteligence se rozšířily do mnoha oblastí života, jako je kybernetická bezpečnost, zdravotnictví, vzdělávání, internet věcí (IoT) a mnoho dalších oblastí. Smarthome je obvykle známý jako automatický dům nebo také AI (uměle inteligentní) dům a bezpečnostní systém udržuje aktuální informace o majiteli tohoto domu, i když je daleko od domova nebo mimo zemi. Systémy IoT musí být vysoce zabezpečeny proti kybernetické kriminalitě. Kompletní sadu protokolů v IoT lze zařadit do vrstvy OSI IoT. Bezpečnost domu se stala důležitou otázkou v dnešní době, která je jednou z nejpotenciálnějších oblastí výzkumu v této oblasti.

Umělá inteligence – technika proti vloupání, krádežím

Je to důležité kvůli nebezpečí vloupání, krádeže, loupeže, úniku surového plynu a požáru, a to jsou také nejdůležitější aspekty nebo funkce domácího bezpečnostního systému. Rozdíl mezi tradičními a moderními domácími bezpečnostními systémy spočívá v tom, že v tradičním domácím bezpečnostním systému se používají senzory, jako je IR (infračervené záření), které se používá k detekci cizích osob a narušitelů a obvykle se používá u dveří a oken, pro monitorování teploty se jako teplotní senzor používá LM35, světelně závislý rezistor (LDR) se používá ke snímání množství světla v místnosti. Všechny tyto senzory však spotřebovávají mnoho prostředků a peněz, takže jsou pro nás vhodné. Tento bezpečnostní systém také využívá technologii GSM k odesílání SMS na číslo majitele, relé k vytvoření spojení mezi zařízeními a bzučáky k vydávání zvuku pro získání případné pomoci z okolí a vydává signály ve smyslu alarmu a také odesílá SMS na mobilní telefon majitele. V pokročilém nebo moderním systému zabezpečení domu však bezpečnostní systém provádí nezbytné akce, jako je odeslání zprávy na definované číslo mobilního telefonu v systému, a může také zavolat nejbližší policii nebo centrum pomoci. Zahrnuje webovou kameru instalovanou v domě, která se používá pomocí speciálního softwaru a může komunikovat s internetovým zařízením a může odeslat e-mail na požadované e-mailové ID, aby varovala majitele před nebezpečím a rizikem. Využívá také výše uvedené senzory, relé pro bezpečnostní systém používá webovou kameru a speciální senzory k zachycení zbytečného pohybu a nežádoucích činností. Speciální senzory mohou zahrnovat tepelná čidla, požární čidla a čidla vlhkosti atd., když bezpečnostní systém sleduje mimořádné činnosti, pak může systém přijmout zvláštní opatření k odstranění rizika a zabránění ztrátám. Náš model bezpečnostního systému však nepoužívá žádné další uživatelské zdroje, jako jsou kamery, IR senzory atd., protože náš model přemění jednoduchý inteligentní dům na kompletně zabezpečený dům bez dalšího použití zdrojů.

Umělá inteligence v oblasti vymáhání práva – projekt pop AI

Umělá inteligence se stále častěji využívá v široké škále aplikací, a proto se dostává do centra pozornosti orgánů činných v trestním řízení (LEA), které se zabývají ochranou soukromí a základních práv. Projekt pop AI financovaný EU bude usilovat o zvýšení důvěry v umělou inteligenci zvýšením informovanosti a současné společenské angažovanosti, konsolidací odlišných oblastí znalostí akademických i neakademických pracovníků a poskytnutím jednotného evropského pohledu a doporučení. Projekt vytvoří ekosystém a strukturální základ pro udržitelné a inkluzivní evropské centrum AI pro LEA. Využije stávající znalosti a rozsáhlé studie k identifikaci a dokumentaci přímých a nepřímých zúčastněných stran z bezpečnostního sektoru a sektoru UI, jakož i jejich odpovídajících názorů, přičemž zajistí spravedlivé zastoupení žen a mužů a rozmanitosti.

"pop AI" je 24měsíční koordinační a podpůrná akce, která sdružuje odborníky z oblasti bezpečnosti, vědce zabývající se umělou inteligencí, výzkumníky v oblasti etiky a ochrany soukromí, organizace občanské společnosti a odborníky na společenské a humanitní vědy s cílem konsolidovat znalosti, vyměňovat si zkušenosti a zvyšovat povědomí v oblasti EU v rámci dobře naplánované pracovní metodiky. Základní vizí pop AI je posílit důvěru v AI pro oblast bezpečnosti prostřednictvím zvýšené informovanosti, trvalého společenského zapojení, konsolidace odlišných oblastí znalostí (včetně teoretických a empirických poznatků akademických a neakademických pracovníků) a nabídnutí jednotného evropského pohledu napříč LEA a specializovaných znalostních výstupů (doporučení, plánů atd.) a zároveň vytvoření ekosystému, který bude tvořit strukturální základ pro udržitelné a inkluzivní evropské centrum AI pro prosazování práva.

Pop AI přistupuje k požadavkům výzvy z hlediska udržitelného ekosystému a usiluje o vytvoření mezioborových ekosystémových etických center AI-LEA. Nejprve se snažíme využít existující znalosti, ale také rozsáhlý soubor studií, abychom identifikovali a zaznamenali přímé a nepřímé zúčastněné strany prostředí "bezpečnosti a AI", jakož i jejich příslušné úhly pohledu (obavy, vnímané příležitosti, výzvy). Cílem tohoto záznamu je dále proniknout do dynamických interakcí těchto zúčastněných stran a zajistit odpovídající zastoupení pohlaví a rozmanitosti v participačních procesech. Tímto způsobem Pop AI využije bohaté znalosti odborníků z bezpečnostní praxe, organizací občanské společnosti a občanů, jakož i odborníků z oblasti společenských a humanitních věd, aby definovala vhodné interakce a materiály (např. rozhovory, mezioborové zprávy, workshopy, online zdroje), které umožní spoluvytváření v rámci ekosystému. Taková interakce posílí pohled pozitivního součtu při účasti na inovačních procesech souvisejících s bezpečností a umělou inteligencí (od vzniku nápadu až po vývoj a aplikaci produktu).

Umělá inteligence a současné hrozby strojového učení

Na jedné straně bezpečnostní průmysl úspěšně přijal některé techniky založené na umělé inteligenci. Využití je různé, od zmírňování útoků typu odepření služby, forenzní analýzy, systémů detekce narušení, vnitřní bezpečnosti, ochrany kritických infrastruktur, úniku citlivých informací, kontroly přístupu a detekce malwaru. Na druhé straně vidíme vzestup adversariální umělé inteligence. Zde je hlavní myšlenkou podvracení systémů AI pro zábavu a zisk. Metody využívané k výrobě systémů AI jsou systematicky zranitelné novou třídou zranitelností. Protivníci využívají těchto zranitelností ke změně chování systémů AI tak, aby sloužily zákeřnému konečnému cíli.

Současně se nespornou hrozbou staly útoky protivníka na systémy strojového učení. Útočníci mohou ohrozit trénování modelů strojového učení tím, že do trénovací množiny vloží škodlivá data (tzv. útoky typu "poisoning"), nebo tím, že vytvoří nepřátelské vzorky, které v době testování využívají slepých míst modelů strojového učení (tzv. útoky typu "evasion - únik"). Nepřátelské útoky byly prokázány v řadě různých aplikačních oblastí, včetně detekce malwaru, filtrování nevyžádané pošty, vizuálního rozpoznávání, převodu řeči na text a porozumění přirozenému jazyku. Vypracování komplexní obrany proti útokům typu "poisoning" a "evasion" ze strany adaptivních protivníků je stále otevřenou výzvou. Pro zavedení systémů strojového učení v bezpečnostně kritických reálných aplikacích je tedy nejdůležitější lépe porozumět hrozbě ze strany útoků protivníků a vyvinout účinnější obranné systémy a metody.

Závěr

Budoucnost kybernetické bezpečnosti bude spočívat v souboji umělé inteligence s umělou inteligencí. V tomto článku jsme se stručněji zabývali úlohou umělé inteligence při posilování bezpečnostní obrany a také úlohou zabezpečení při ochraně služeb umělé inteligence. Lze očekávat, že rozsah, rozsah a četnost kybernetických útoků se převratně zvýší, přičemž útočníci využijí AI k vývoji ještě cílenějších, sofistikovanějších a vyhýbavějších útoků. Zároveň jsou analytici v bezpečnostních operačních centrech stále více zahlcováni snahou udržet krok s úkoly detekce, řízení a reakce na útoky. Aby se s tím bezpečnostní průmysl a odborníci z praxe vyrovnali, experimentují s aplikací AI a technologií strojového učení v různých oblastech bezpečnostních operací. Jedná se o různorodé oblasti, jako je odhalování (ne)chování a malwaru, získávání a konsolidace informací o hrozbách, zdůvodňování bezpečnostních upozornění a doporučování protiopatření a/nebo ochranných opatření.

 

Seznam použité literatury

 

1. Abou-Shouk, M., Gad, H. E., & Abdelhakim, A. (2021). Exploring customers’ attitudes to the adoption of robots in tourism and hospitality. Journal of Hospitality and Tourism Technology, 12(4), 762–776. //doi.org/10.1108/JHTT-09-2020-0215 

2. Agresti, A. (2010). Analysis of Ordinal Categorical Data. Hoboken, NJ: John Wiley & Sons.

3. Al-Surmi, A., M. Bashiri, and I. Koliousis. 2022. “AI Based Decision Making: Combining Strategies to Improve Operational Performance.” International Journal of Production Research 60 (14): 4464–4486. doi:10.1080/00207543.2021.1966540. 

4. Alaei, A. R., S. Becken, and B. Stantic. 2019. “Sentiment Analysis in Tourism: Capitalizing on Big Data.” Journal of Travel Research 58 (2): 175–191. doi:10.1177/0047287517747753. 

5. Albayrak, T., and M. Caber. 2013. “Penalty-Reward-Contrast Analysis: A Review of Its Application in Customer Satisfaction Research.” Total Quality Management & Business Excellence 24 (11–12): 1288–1300. doi:10.1080/14783363.2013.776757. 

6. Altinay, L., & Arici, H. E. (2021). Transformation of the hospitality services marketing structure: A chaos theory perspective. The Journal of Services Marketing, 36(5), 658–673. //doi.org/10.1108/JSM-01-2021-0017 

7. Anderson, E. W., C. Fornell, and S. K. Mazvancheryl. 2004. “Customer Satisfaction and Shareholder Value.” Journal of Marketing 68 (4): 172–185. doi:10.1509/jmkg.68.4.172.42723.

8. Autor, D. H., and D. Dorn. 2013. “The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market.” American Economic Review 103 (5): 1553–1597. doi:10.1257/aer.103.5.1553.

9. Bechtsis, D., N. Tsolakis, E. Iakovou, and D. Vlachos. 2022. “Data-Driven Secure, Resilient and Sustainable Supply Chains: Gaps, Opportunities, and a New Generalised Data Sharing and Data Monetisation Framework.” International Journal of Production Research 60 (4): 4397–4417. doi:10.1080/00207543.2021.1957506.

10. Belhadi, A., S. Kamble, S. Fosso Wamba, and M. M. Queiroz. 2022. “Building Supply-Chain Resilience: An Artificial Intelligence-Based Technique and Decision-Making Framework.” International Journal of Production Research 60 (14): 4487–4507. doi:10.1080/00207543.2021.1950935.  

Sem dát QR kod na odkazy

 

 

11. Belk, R. (2021). Ethical issues in service robotics and artificial intelligence. The Service Industries Journal, 41(1314), 860 876. //doi.org/10.1080/02642069.2020.1727892

12. Benešovská, M., (2023): Jak využít potenciál umělé inteligence ve veřejném sektoru? Dostupné na: //procomputing.cz, SAS.

13. Bi, J. W., Y. Liu, Z. P. Fan, and J. Zhang. 2019. “Wisdom of Crowds: Conducting Importance-Performance Analysis (IPA) Through Online Reviews.” Tourism Management 70: 460–478. doi:10.1016/j.tourman.2018.09.010.

14. Bi, J. W., Y. Liu, Z. P. Fan, and J. Zhang. 2020. “Exploring Asymmetric Effects of Attribute Performance on Customer Satisfaction in the Hotel Industry.” Tourism Management 77, 104006.

15. Borghi, M., and M. Mariani. 2021. “Service Robots in Online Reviews: An Empirical Study of Online Robotic Discourse.” Annals of Tourism Research, 87, 103036. doi:10.1016/j.annals.2020.103036.

16. Borghi, M., and M. M. Mariani. 2022. “The Role of Emotions in the Consumer Meaning-Making of Interactions with Social Robots.” Technological Forecasting and Social Change 182: 121844. doi:10.1016/j.techfore.2022.121844.

17. Boyack, K. W., & Klavans, R. (2010). Co-citation analysis, bibliographic coupling, and direct citation: Which citation approach represents the research front most accurately? Journal of the American Society for Information Science and Technology, 61(12), 2389–2404. //doi.org/10.1002/asi.21419 

18. Brandt, R. D. 1987. “A Procedure for Identifying Value-Enhancing Service Components Using Customer Satisfaction Survey Data.” In Add Value to Your Service: The Key to Success, edited by C. Suprenant, 61–65. Chicago, IL: American Marketing Association.

19. Buhalis, D., & Amaranggana, A. (2013). Smart tourism destinations. In Z. Xiang & I. Tussyadiah (Eds.), Information and communication technologies in tourism 2014 (pp. 553–564). Springer.

20. Buhalis, D., & Law, R. (2008). Progress in information technology and tourism management: 20 years on and 10 years after the Internet—The state of eTourism research. Tourism Management, 29(4), 609 623. //doi.org/10.1016/j.tourman.2008.01.005 

21. Burnard, K., and R. Bhamra. 2011. “Organisational Resilience: Development of a Conceptual Framework for Organisational Responses.” International Journal of Production Research 49 (18): 5581–5599. doi:10.1080/00207543.2011.563827.

22. Cuthbertson, A. 2020. “Coronavirus: ‘little peanut’ robot delivers food to people in quarantine in China.” Independent. Accessed March 2022

23. D'Ambra, J., S. Akter, and M. Mariani. 2022. “Digital Transformation of Higher Education in Australia: Understanding Affordance Dynamics in E-Textbook Engagement and Use.” Journal of Business Research149: 283–295. doi:10.1016/j.jbusres.2022.05.048. 

24. Davenport, T. H., and R. Ronanki. 2018. “Artificial Intelligence for the Real World.” Harvard Business Review 96 (1): 108–116.

25. de Kervenoael, R., R. Hasan, A. Schwob, and E. Goh. 2020. “Leveraging Human-Robot Interaction in Hospitality Services: Incorporating the Role of Perceived Value, Empathy, and Information Sharing Into Visitors’ Intentions to Use Social Robots.” Tourism Management 78. doi:10.1016/j.tourman.2019.104042. 

26. Dellarocas, C., X. M. Zhang, and N. F. Awad. 2007. “Exploring the Value of Online Product Reviews in Forecasting Sales: The Case of Motion Pictures.” Journal of Interactive Marketing 21 (4): 23–45. doi:10.1002/dir.20087. 

27. Ding, L. (2021). Employees’ challenge-hindrance appraisals toward STARA awareness and competitive productivity: A micro-level case. International Journal of Contemporary Hospitality Management, 33(9), 2950 2969. //doi.org/10.1108/IJCHM-09-2020-1038 

28. Di Vaio, A., Palladino, R., Hassan, R., & Escobar, O. (2020). Artificial intelligence and business models in the sustainable development goals perspective: A systematic literature review. Journal of Business Research, 121, 283–314. //doi.org/10.1016/j.jbusres.2020.08.019 

29. Doborjeh, Z., Hemmington, N., Doborjeh, M., & Kasabov, N. (2022). Artificial intelligence: A systematic review of methods and applications in hospitality and tourism. International Journal of Contemporary Hospitality Management, 34(3), 1154–1176. //doi.org/10.1108/IJCHM-06-2021-0767 

30. Downing, C. E., and M. H. Safizadeh. 1997. “Bringing Decision Support to the Customer Level.” Information Systems Management 14 (3): 23–28. doi:10.1080/10580539708907056.

31. Dubey, R., D. J. Bryde, C. Foropon, M. Tiwari, Y. Dwivedi, and S. Schiffling. 2021b. “An Investigation of Information Alignment and Collaboration as Complements to Supply Chain Agility in Humanitarian Supply Chain.” International Journal of Production Research 59 (5): 1586–1605. doi:10.1080/00207543.2020.1865583.

32. Dwivedi, Y. K., L. Hughes, E. Ismagilova, G. Aarts, C. Coombs, T. Crick, Y. Duan, et al. 2019. “Artificial Intelligence (AI): Multidisciplinary Perspectives on Emerging Challenges, Opportunities, and Agenda for Research, Practice and Policy.” International Journal of Information Management 57. doi:10.1016/j.ijinfomgt.2019.08.002   

33. Eder, L., (2023): 10 profesi, které nahradí Umělá inteligence, FIRST Fc CLASS, dostupné na: //firstclass.cz.

34. Escobar, M. C. 2018. “Chicago’s Hotel EMC2 Doubles in-Room Dining Sales in One Month Using Concierge Robots.” Hospitality Technology, November 15. //hospitalitytech.com/chicagos-hotel-emc2-doubles-room-dining-sales-one-month-using-concierge-robots.

35. Fan, A., L. Wu, L. Miao, and A. S. Mattila. 2020. “When Does Technology Anthropomorphism Help Alleviate Customer Dissatisfaction After a Service Failure?–The Moderating Role of Consumer Technology Self-Efficacy and Interdependent Self-Construal.” Journal of Hospitality Marketing & Management 29 (3): 269–290. doi:10.1080/19368623.2019.1639095.

36. Filieri, R., D’Amico, E., Destefanis, A., Paolucci, E., & Raguseo, E. (2021). Artificial intelligence (AI) for tourism: An European-based study on successful AI tourism start-ups. International Journal of Contemporary Hospitality Management, 33(11), 4099–4125. //doi.org/10.1108/IJCHM-02-2021-0220

37. Financial Times. 2020. “Pandemic May Spur Greater Use of Robotics in Food Industry to Cater for Virus-Wary Customers.” Financial Times, October 20. //www.ft.com/content/715e14db-422a-46ff-9575-0feeed3ad56e.

38. Flavián, C., & Casaló, L. V. (2021). Artificial intelligence in services: Current trends, benefits, and challenges. The Service Industries Journal, 41(13–14), 853–859. //doi.org/10.1080/02642069.2021.1989177 

39. Flowers, J. C. (2019). Strong and Weak AI: Deweyan Considerations. In AAAI Spring Symposium: Towards Conscious AI Systems (Vol. 22877

40. Fosso Wamba, S., R. E. Bawack, C. Guthrie, M. M. Queiroz, and K. D. A. Carillo. 2020. “Are We Preparing for a Good AI Society? A Bibliometric Review and Research Agenda.” Technological Forecasting & Social Change 164. doi:10.1016/j.techfore.2020.120482. 

41. Fosso Wamba, S., A. Gunasekaran, R. Dubey, and E. W. Ngai. 2018. “Big Data Analytics in Operations and Supply Chain Management.” Annals of Operations Research 270 (1): 1–4. doi:10.1007/s10479-018-3024-7.

42. Füller, J., and K. Matzler. 2008. “Customer Delight and Market Segmentation: An Application of the Three-Factor Theory of Customer Satisfaction on Life Style Groups.” Tourism Management 29 (1): 116–126. doi:10.1016/j.tourman.2007.03.021.

43. Gallego, I., & Font, X. (2021). Changes in air passenger demand as a result of the COVID-19 crisis: Using Big Data to inform tourism policy. Journal of Sustainable Tourism, 29(9), 1470–1489. //doi.org/10.1080/09669582.2020.1773476 

44. Galvagno, M., & Giaccone, S. C. (2019). Mapping creative tourism research: Reviewing the field and outlining future directions. Journal of Hospitality & Tourism Research, 43(8), 1256–1280. //doi.org/10.1177/1096348019862030 

45. Gartner. 2019. “Gartner Top 10 Strategic Technology Trends for 2019.” Gartner, October 15. Geetha, M., P. Singha, and S. Sinha. 2017. “Relationship Between Customer Sentiment and Online Customer Ratings for Hotels – An Empirical Analysis.” Tourism Management 61: 43–54. doi:10.1016/j.tourman.2016.12.022.

46. Gaur, L., Afaq, A., Singh, G., & Dwivedi, Y. K. (2021). Role of artificial intelligence and robotics to foster the touchless travel during a pandemic: A review and research agenda. International Journal of Contemporary Hospitality Management, 33(11), 4079–4098. //doi.org/10.1108/IJCHM-11-2020-1246

47. Godes, D., and J. C. Silva. 2012. “Sequential and Temporal Dynamics of Online Opinion.” Marketing Science 31 (3): 448–473. doi:10.1287/mksc.1110.0653.

48. Goel, P., Kaushik, N., Sivathanu, B., Pillai, R., & Vikas, J. (2022). Consumers’ adoption of artificial intelligence and robotics in hospitality and tourism sector: Literature review and future research agenda. Tourism Review, 1–16

49. González-Rodríguez, M. R., M. C. Díaz-Fernández, and C. P. Gómez. 2020. “Facial-expression Recognition: An Emergent Approach to the Measurement of Tourist Satisfaction Through Emotions.” Telematics and Informatics 51: 101404. doi:10.1016/j.tele.2020.101404. 

50. Goudey, A., & Bonnin, G. (2016). Must smart objects look human? Study of the impact of anthropomorphism on the acceptance of companion robots. Recherche Et Applications En Marketing (English Edition), 31(2), 2 20. //doi.org/10.1177/2051570716643961 

51. Grönroos, C., and P. Voima. 2013. “Critical Service Logic: Making Sense of Value Creation and Co-Creation.” Journal of the Academy of Marketing Science 41 (2): 133–150. doi:10.1007/s11747-012-0308-3.

52. Haenlein, M., and A. Kaplan. 2019. “A Brief History of Artificial Intelligence: On the Past, Present, and Future of Artificial Intelligence.” California Management Review 61 (4): 5–14. doi:10.1177/0008125619864925.

53. Herzberg, F., B. Mausner, and B. B. Snyderman. 1959. The Motivation to Work. New York: John Wiley & Sons.

54. Hou, Y., Zhang, K., & Li, G. (2021). Service robots or human staff: How tourist preferences. Tourism Management, 83, 104242. //doi.org/10.1016/j.tourman.2020.104242 

55. Huang, M. H., & Rust, R. T. (2021). Engaged to a robot? The role of AI in service. Journal of Service Research, 24(1), 30 41. //doi.org/10.1177/1094670520902266 

56. Huang, M. H., and R. T. Rust. 2018. “Artificial Intelligence in Service.” Journal of Service Research 21 (2): 155–172. doi:10.1177/1094670517752459.

57. Huber, J., and H. Stuckenschmidt. 2021. “Intraday Shelf Replenishment Decision Support for Perishable Goods.” International Journal of Production Economics 231: 1–14. doi:10.1016/j.ijpe.2020.107828.

58. Hutto, C. J., and E. Gilbert. 2014. “Vader: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text.” In Proceedings of the 8th International AAAI Conference on Weblogs and Social Media, 216–225.

59. Hwang, J., Choe, J. Y. J., Kim, H. M., & Kim, J. J. (2021). Human baristas and robot baristas: How does brand experience affect brand satisfaction, brand attitude, brand attachment, and brand loyalty?International Journal of Hospitality Management, 99, 103050. //doi.org/10.1016/j.ijhm.2021.103050 

60. Chevalier, J. A., and D. Mayzlin. 2006. “The Effect of Word of Mouth on Sales: Online Book Reviews.” Journal of Marketing Research 43 (3): 345–354. doi:10.1509/jmkr.43.3.345.

61. Chiarini, A., and M. Kumar. 2021. “What is Quality 4.0? An Exploratory Sequential Mixed Methods Study of Italian Manufacturing Companies.” International Journal of Production Research 60 (16): 4890–4910. doi:10.1080/00207543.2021.1942285. 

62. Chuah, S. H. W., Aw, E. C. X., & Cheng, C. F. (2021). A silver lining in the COVID-19 cloud: Examining customers’ value perceptions, willingness to use and pay more for robotic restaurants. Journal of Hospitality Marketing & Management, 31(1), 49–76. //doi.org/10.1080/19368623.2021.1926038 

63. International Federation of Robotics. 2021. “Executive Summary World Robotics 2021 Service Robots.” International Federation of Robotics. Accessed July 18 2022. //ifr.org/img/worldrobotics/Executive_Summary_WR_Service_Robots_2021.pdf.

64. Inversini, A., E. Marchiori, C. Dedekind, and L. Cantoni. 2010. “Applying a Conceptual Framework to Analyze Online Reputation of Tourism Destinations.” In Information and Communication Technologies in Tourism 2010, edited by Gretzel, U., R. Law, and M. Fuchs, 321–332, Vienna: Springer. doi:10.1007/978-3-211-99407-8_27. 

65. Ivanov, S., & Webster, C. (2021). Willingness-to-pay for robot-delivered tourism and hospitality services – An exploratory study. International Journal of Contemporary Hospitality Management, 33(11), 3926–3955. //doi.org/10.1108/IJCHM-09-2020-1078 

66. Ivanov, D., and A. Dolgui. 2020. “Viability of Intertwined Supply Networks: Extending the Supply Chain Resilience Angles Towards Survivability. A Position Paper Motivated by COVID-19 Outbreak.” International Journal of Production Research 58 (10): 2904–2915. doi:10.1080/00207543.2020.1750727.

67. Ivanov, S., U. Gretzel, K. Berezina, M. Sigala, and C. Webster. 2019. “Progress on Robotics in Hospitality and Tourism: A Review of the Literature.” Journal of Hospitality and Tourism Technology 10 (4): 489–521. doi:10.1108/JHTT-08-2018-0087.

68. Ivanov, D., C. S. Tang, A. Dolgui, D. Battini, and A. Das. 2021. “Researchers’ Perspectives on Industry 4.0: Multi-Disciplinary Analysis and Opportunities for Operations Management.” International Journal of Production Research 59 (7): 2055–2078. doi:10.1080/00207543.2020.1798035.

69. Ivanov, S., and C. Webster. 2020. “Robots in Tourism: A Research Agenda for Tourism Economics.” Tourism Economics 26 (7): 1065–1085. doi:10.1177/1354816619879583.

70. Ivanov, S., C. Webster, and K. Berezina. 2017. “Adoption of Robots and Service Automation by Tourism and Hospitality Companies.” Revista Turismo & Desenvolvimento 27/28: 1501–1517.

71. Jabeen, F., Al Zaidi, S., & Al Dhaheri, M. H. (2021). Automation and artificial intelligence in hospitality and tourism. Tourism Review 77(4), 1043–1061. //doi.org/10.1108/TR-09-2019-0360 

72. Jaaron, A. A., and C. J. Backhouse. 2014. “Service Organisations Resilience Through the Application of the Vanguard Method of Systems Thinking: A Case Study Approach.” International Journal of Production Research 52 (7): 2026–2041. doi:10.1080/00207543.2013.847291.

73. Jiang, Y., & Wen, J. (2020). Effects of COVID-19 on hotel marketing and management: A perspective article. International Journal of Contemporary Hospitality Management, 32(8), 2563–2573. //doi.org/10.1108/IJCHM-03-2020-0237 

74. Jiménez-Barreto, J., Rubio, N., & Molinillo, S. (2021). “Find a flight for me, Oscar!” Motivational customer experiences with chatbots. International Journal of Contemporary Hospitality Management, 33(11), 38603882. //doi.org/10.1108/IJCHM-10-2020-1244 

75. Johnston, R. 1995. “The Determinants of Service Quality: Satisfiers and Dissatisfiers.” International Journal of Service Industry Management 6 (5): 53–71. doi:10.1108/09564239510101536.

76. Jörling, M., R. Böhm, and S. Paluch. 2019. “Service Robots: Drivers of Perceived Responsibility for Service Outcomes.” Journal of Service Research 22 (4): 404–420. doi:10.1177/1094670519842334.

77. Joung, J., and H. M. Kim. 2021. “Explainable Neural Network-Based Approach to Kano Categorisation of Product Features from Online Reviews.” International Journal of Production Research 60 (23): 7053–7073. doi:10.1080/00207543.2021.2000656.

78. Jung, H. S., K. H. Kim, and C. H. Lee. 2014. “Influences of Perceived Product Innovation upon Usage Behavior for MMORPG: Product Capability, Technology Capability, and User Centered Design.” Journal of Business Research 67 (10): 2171–2178. doi:10.1016/j.jbusres.2014.04.027.

79. Kano, N., N. Seraku, F. Takahashi, and S. Tsuji. 1984. “Attractive Quality and Must Be Quality.” Hinshitsu: The Journal of the Japanese Society for Quality Control 14 (2): 39–48. doi:10.20684/quality.14.2_147.

80. Kim, M., & Thapa, B. (2018). Perceived value and flow experience: Application in a nature-based tourism context. Journal of Destination Marketing & Management, 8, 373–384. //doi.org/10.1016/j.jdmm.2017.08.002 

81. Kong, H., Yuan, Y., Baruch, Y., Bu, N., Jiang, X., & Wang, K. (2021). Influences of artificial intelligence (AI) awareness on career competency and job burnout. International Journal of Contemporary Hospitality Management, 33(2), 717–734. //doi.org/10.1108/IJCHM-07-2020-0789

82. Koo, B., Curtis, C., & Ryan, B. (2021). Examining the impact of artificial intelligence on hotel employees through job insecurity perspectives. International Journal of Hospitality Management, 95, 102763. //doi.org/10.1016/j.ijhm.2020.102763 

83. Köseoglu, M. A. (2020). Identifying the intellectual structure of fields: Introduction of the MAK approach. Scientometrics, 125(3), 2169 2197. //doi.org/10.1007/s11191-020-03719-8 

84. Krakowski, S., Luger, J., & Raisch, S. (2022). Artificial intelligence and the changing sources of competitive advantage. Strategic Management Journal, 1-28. //doi.org/10.1002/smj.3387

85. Kraus, S., Breier, M., & Dasí-Rodríguez, S. (2020). The art of crafting a systematic literature review in entrepreneurship research. International Entrepreneurship and Management Journal, 16(3), 1023–1042. //doi.org/10.1007/s11365-020-00635-4 

86. Larivière, B., D. Bowen, T. W. Andreassen, W. Kunz, N. J. Sirianni, C. Voss, N. V. Wünderlich, and A. De Keyser. 2017. “‘Service Encounter 2.0’: An Investigation into the Roles of Technology, Employees and Customers.” Journal of Business Research 79: 238–246. doi:10.1016/j.jbusres.2017.03.008.

87. Latah, M., & Toker, L. (2019). Artificial intelligence-enabled software-defined networking: A comprehensive overview. IET Networks, 8(2), 79–99. //doi.org/10.1049/iet-net.2018.5082 

88. Law, R., Buhalis, D., & Cobanoglu, C. (2014). Progress on information and communication technologies in hospitality and tourism. International Journal of Contemporary Hospitality Management, 26(5), 727 750. //doi.org/10.1108/IJCHM-08-2013-0367 

89. Leung, X. Y., & Wen, H. (2020). Chatbot usage in restaurant takeout orders: A comparison study of three ordering methods. Journal of Hospitality and Tourism Management, 45, 377–386. //doi.org/10.1016/j.jhtm.2020.09.004 

90. Li, S., S. Zhao, G. Min, L. Qi, and G. Liu. 2021. “Lightweight Privacy-Preserving Scheme Using Homomorphic Encryption in Industrial Internet of Things.” IEEE Internet of Things Journal 9 (16): 14542–14550. doi:10.1109/JIOT.2021.3066427.

91. Lin, S. P., C. L. Yang, Y. H. Chan, and C. Sheu. 2010. “Refining Kano’s ‘Quality Attributes-Satisfaction’ Model: A Moderated Regression Approach.” International Journal of Production Economics 126 (2): 255–263. doi:10.1016/j.ijpe.2010.03.015.

92. Lin, M., Cui, X., Wang, J., Wu, G., & Lin, J. (2022). Promotors or inhibitors? Role of task type on the effect of humanoid service robots on consumers’ use intention. Journal of Hospitality Marketing & Management. 31(6), 710–729. //doi.org/10.1080/19368623.2022.2062693 

93. Lin, I. Y., & Mattila, A. S. (2021). The value of service robots from the hotel guest’s perspective: A mixed-method approach. International Journal of Hospitality Management, 94, 102876. //doi.org/10.1016/j.ijhm.2021.102876 

94. Liu, Y. 2006. “Word of Mouth for Movies: Its Dynamics and Impact on Box Office Revenue.” Journal of Marketing 70: 74–89. doi:10.1509/jmkg.70.3.074.

95. Li, M., Yin, D., Qiu, H., & Bai, B. (2021a). A systematic review of AI technology-based service encounters: Implications for hospitality and tourism operations. International Journal of Hospitality Management, 95, 102930. //doi.org/10.1016/j.ijhm.2021.102930 

96. Li, M., Yin, D., Qiu, H., & Bai, B. (2021b). Examining the effects of AI contactless services on customer psychological safety, perceived value, and hospitality service quality during the COVID-19 pandemic. Journal of Hospitality Marketing and Management, 31(1), 24–48. //doi.org/10.1080/19368623.2021.1934932 

97. Lu, V. N., J. Wirtz, W. Kunz, S. Paluch, T. Gruber, A. Martins, and P. G. Patterson. 2020. “Service Robots, Customers and Service Employees: What Can We Learn from the Academic Literature and Where Are the Gaps?” Journal of Service Theory and Practice 30 (3): 361–391. doi:10.1108/JSTP-04-2019-

98. Lu, L., Zhang, P., & Zhang, T. C. (2021). Leveraging “human-likeness” of robotic service at restaurants. International Journal of Hospitality Management, 94, 102823. //doi.org/10.1016/j.ijhm.2020.102823 

99. Luo, J. M., H. Q. Vu, G. Li, and R. Law. 2021. “Understanding Service Attributes of Robot Hotels: A Sentiment Analysis of Customer Online Reviews.” International Journal of Hospitality Management98, 103032: 110.  doi:10.1016/j.ijhm.2021.103032.

100. Lv, X., Liu, Y., Luo, J., Liu, Y., & Li, C. (2021). Does a cute artificial intelligence assistant soften the blow? The impact of cuteness on customer tolerance of assistant service failure. Annals of Tourism Research, 87, 103114. //doi.org/10.1016/j.annals.2020.103114 

101. Lv, H., Shi, S., & Gursoy, D. (2022). A look back and a leap forward: A review and synthesis of big data and artificial intelligence literature in hospitality and tourism. Journal of Hospitality Marketing & Management, 31(2), 145–175. //doi.org/10.1080/19368623.2021.1937434 

102. Mariani, M., and R. Baggio. 2021. “Big Data and Analytics in Hospitality and Tourism: A Systematic Literature Review.” International Journal of Contemporary Hospitality Management 34 (1): 231–278. doi:10.1108/IJCHM-03-2021-0301. 

103. Mariani, M., and M. Borghi. 2019. “Industry 4.0: A Bibliometric Review of its Managerial Intellectual Structure and Potential Evolution in the Service Industries.” Technological Forecasting and Social Change149, 119752: 1–24. doi:10.1016/j.techfore.2019.119752.

104. Mariani, M., and M. Borghi. 2021. “Customers’ Evaluation of Mechanical Artificial Intelligence in Hospitality Services: A Study Using Online Reviews Analytics.” International Journal of Contemporary Hospitality Management 33 (11): 3956–3976. doi:10.1108/IJCHM-06-2020-0622. 

105. Mariani, M. M., I. Machado, V. Magrelli, and Y. K. Dwivedi. 2022. “Artificial Intelligence in Innovation Research: A Systematic Review, Conceptual Framework, and FutureResearch Directions.” Technovation 64: 102623. doi:10.1016/j.technovation.2022.102623. 

106. Mariani, M. M., I. Machado, and S. Nambisan. 2023. “Types of Innovation and Artificial Intelligence: A Systematic Quantitative Literature Review and Research Agenda.” Journal of Business Research 155: 113364. doi:10.1016/j.jbusres.2022.113364.

107. Matzler, K., and H. H. Hinterhuber. 1998. “How to Make Product Development Projects More Successful by Integrating Kano’s Model of Customer Satisfaction Into Quality Function Deployment.” Technovation 18 (1): 25–38. doi:10.1016/S0166-4972(97)00072-2.

108. Matzler, K., and E. Sauerwein. 2002. “The Factor Structure of Customer Satisfaction: An Empirical Test of the Importance Grid and the Penalty-Reward-Contrast Analysis.” International Journal of Service Industry Management 13 (4): 314–332.

109. McCarthy (2007). What is artificial intelligence? //jmc.stanford.edu/articles/whatisai/whatisai.pdf(Accessed on 25 February 2022

110. Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), 103434. //doi.org/10.1016/j.im.2021.103434 

111. Miller, D. T., and M. Ross. 1975. “Self-Serving Biases in the Attribution of Causality: Fact or Fiction?” Psychological Bulletin 82 (2): 213–225. doi:10.1037/h0076486.

112. Milman, A., Tasci, A., & Zhang, T. (2020). Perceived robotic server qualities and functions explaining customer loyalty in the theme park context. International Journal of Contemporary Hospitality Management, 32(12), 3895 3923. //doi.org/10.1108/IJCHM-06-2020-0597

113. Millward, D. 2018. “The Rise of the Robot Butler – Fad or the Future of Hotel Room Service?” The Telegraph, October 19.

114. Minsky, M. 1961a. “Steps Toward Artificial Intelligence.” Proceedings of the IRE 49 (1): 8–30. doi:10.1109/JRPROC.1961.287775.

115. Minsky, M. 1961b. “A Selected Descriptor-Indexed Bibliography to the Literature on Artificial Intelligence.” IRE Transactions on Human Factors in Electronics 1: 39–55. doi:10.1109/THFE2.1961.4503297.

116. Mittal, V., W. T. Ross, and P. M. Baldasare. 1998. “The Asymmetric Impact of Negative and Positive Attribute-Level Performance on Overall Satisfaction and Repurchase Intentions.” Journal of Marketing62: 33–47. doi:10.1177/002224299806200104.

117. Moon, Y. 2003. “Don’t Blame the Computer: When Self-Disclosure Moderates the Self-Serving Bias.” Journal of Consumer Psychology 13 (1–2): 125–137. doi:10.1207/S15327663JCP13-1&2_11.

118. Müller, J. M., O. Buliga, and K.-I. Voigt. 2018. “Fortune Favors the Prepared: How SMEs Approach Business Model Innovations in Industry 4.0.” Technological Forecasting and Social Change 132: 2–17. doi:10.1016/j.techfore.2017.12.019,

119. Munzel, A. 2016. “Assisting Consumers in Detecting Fake Reviews: The Role of Identity Information Disclosure and Consensus.” Journal of Retailing and Consumer Services 32: 96–108. doi:10.1016/j.jretconser.2016.06.002.

120. Nguyen, A., R. Pellerin, S. Lamouri, and B. Lekens. 2022. “Managing Demand Volatility of Pharmaceutical Products in Times of Disruption Through News Sentiment Analysis.” International Journal of Production Research. Advance online publication. 1–12. doi:10.1080/00207543.2022.2070044.

121. Oh, S., H. Ji, J. Kim, E. Park, and A. P. del Pobil. 2022. “Deep Learning Model Based on Expectation-Confirmation Theory to Predict Customer Satisfaction in Hospitality Service.” Information Technology & Tourism 24 (1): 109–126. doi:10.1007/s40558-022-00222-z.

122. Oliver, R. L. 1980. “A Cognitive Model of the Antecedents and Consequences of Satisfaction Decisions.” Journal of Marketing Research 17 (4): 460–469. doi:10.1177/002224378001700405.

123. Oliver, R. L., R. T. Rust, and S. Varki. 1997. “Customer Delight: Foundations, Findings, and Managerial Insight.” Journal of Retailing 73 (3): 311–336. doi:10.1016/S0022-4359(97)90021-X.

124. Paul, J., W. M. Lim, A. O’Cass, A. W. Hao, and S. Bresciani. 2021. “Scientific Procedures and Rationales for Systematic Literature Reviews (SPAR-4-SLR).” International Journal of Consumer Studies 45 (4): O1–O16. doi:10.1111/ijcs.12695.

125. Porter, M. E. 1985. “Technology and Competitive Advantage.” The Journal of Business Strategy 5 (3): 60–78. doi:10.1108/eb039075.

126. Prentice, C., Dominique Lopes, S., & Wang, X. (2020). Emotional intelligence or artificial intelligence–an employee perspective. Journal of Hospitality Marketing and Management, 29(4), 377–403. //doi.org/10.1080/19368623.2019.1647124 

127. Prentice, C., Weaven, S., & Wong, I. A. (2020). Linking AI quality performance and customer engagement: The moderating effect of AI preference. International Journal of Hospitality Management, 90, 102629. //doi.org/10.1016/j.ijhm.2020.102629 

128. Pyon, C. U., J. Y. Woo, and S. C. Park. 2011. “Service Improvement by Business Process Management Using Customer Complaints in Financial Service Industry.” Expert Systems with Applications 38 (4): 3267–3279. doi:10.1016/j.eswa.2010.08.112.

129. Qubein, R. 2020. “Robots Play Pivotal Role in Keeping Travel Safe during Covid-19 Era.” Forbes, June 21. //www.forbes.com/sites/ramseyqubein/2020/06/21/robots-play-pivotal-role-in-keeping-travel-safe-during-covid-19-era.

130. Queiroz, M. M., S. Fosso Wamba, M. C. Machado, and R. Telles. 2020. “Smart Production Systems Drivers for Business Process Management Improvement: An Integrative Framework.” Business Process Management Journal 26 (5): 1075–1092. doi:10.1108/BPMJ-03-2019-0134.

131. Rafaeli, A., D. Altman, D. D. Gremler, M. H. Huang, D. Grewal, B. Iyer, A. Parasuraman, and K. de Ruyter. 2017. “The Future of Frontline Research: Invited Commentaries.” Journal of Service Research 20 (1): 91–99. doi:10.1177/1094670516679275.

132. Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, 46(1), 192–210. //doi.org/10.5465/amr.2018.0072

133. Rasoolimanesh, S. M., Law, R., Buhalis, D., & Cobanoglu, C. (2019). Development and trend of information and communication technologies in hospitality and tourism. Journal of Hospitality and Tourism Technology, 10(4), 481–488. //doi.org/10.1108/JHTT-11-2019-143

134. Reis, J., Melão, N., Salvadorinho, J., Soares, B., & Rosete, A. (2020). Service robots in the hospitality industry: The case of Henn-na Hotel, Japan. Technology in Society, 63, 101423. //doi.org/10.1016/j.techsoc.2020.101423 

135. Rodriguez-Lizundia, E., S. Marcos, E. Zalama, J. Gómez-García-Bermejo, and A. Gordaliza. 2015. “A Bellboy Robot: Study of the Effects of Robot Behaviour on User Engagement and Comfort.” International Journal of Human-Computer Studies 82: 83–95. doi:10.1016/j.ijhcs.2015.06.001.

136. Romero, J., & Lado, N. (2021). Service robots and COVID-19: Exploring perceptions of prevention efficacy at hotels in generation Z. International Journal of Contemporary Hospitality Management, 33(11), 4057 4078. //doi.org/10.1108/IJCHM-10-2020-1214

137. Ruel, H., and E. Njoku. 2020. “AI Redefining the Hospitality Industry.” Journal of Tourism Futures 7 (1): 53–66. doi:10.1108/JTF-03-2020-0032.

138. Ruijten, P. A., Haans, A., Ham, J., & Midden, C. J. (2019). Perceived human-likeness of social robots: Testing the Rasch model as a method for measuring anthropomorphism. International Journal of Social Robotics, 11(3), 477–494. //doi.org/10.1007/s12369-019-00516-z

139. Rust, R. T., and M. H. Huang. 2012. “Optimizing Service Productivity.” Journal of Marketing 76 (2): 47–66. doi:10.1509/jm.10.0441.

140. Samara, D., Magnisalis, I., & Peristeras, V. (2020). Artificial intelligence and big data in tourism: A systematic literature review. Journal of Hospitality and Tourism Technology, 11(2), 343–367. //doi.org/10.1108/JHTT-12-2018-0118 

141. Säfsten, K., M. Winroth, and J. Stahre. 2007. “The Content and Process of Automation Strategies.” International Journal of Production Economics 110 (1–2): 25–38. doi:10.1016/j.ijpe.2007.02.027.

142. Shi, S., Gong, Y., & Gursoy, D. (2021). Antecedents of trust and adoption intention toward artificially intelligent recommendation systems in travel planning: A heuristic–systematic model. Journal of Travel Research, 60(8), 1714–1734. //doi.org/10.1177/0047287520966395

143. Shi, F., Wang, J., Shi, J., Wu, Z., Wang, Q., Tang, Z., … Shen, D. (2020). Review of artificial intelligence techniques in imaging data acquisition, segmentation, and diagnosis for COVID-19. IEEE Reviews in Biomedical Engineering, 14, 4–15. //doi.org/10.1109/RBME.2020.2987975 

144. Singh, S., Olson, E. D., & Tsai, C. H. K. (2021). Use of service robots in an event setting: Understanding the role of social presence, eeriness, and identity threat. Journal of Hospitality and Tourism Management, 49, 528–537. //doi.org/10.1016/j.jhtm.2021.10.014 

145. Shiwen, L., Kwon, J., & Ahn, J. (2021). Self-service technology in the hospitality and tourism settings: A critical review of the literature. Journal of Hospitality & Tourism Research, 46(6), 1220–1236. //doi.org/10.1177/1096348020987633 

146. Shubik, M. 1960. “Bibliography on Simulation, Gaming, Artificial Intelligence and Allied Topics.” Journal of the American Statistical Association 55 (292): 736–751. doi:10.1080/01621459.1960.10483374.

147. Sridhar, S., and R. Srinivasan. 2012. “Social Influence Effects in Online Product Ratings.” Journal of Marketing 76 (5): 70–88. doi:10.1509/jm.10.0377.

148. Stock, R. M., and M. Merkle. 2018. “Can Humanoid Service Robots Perform Better than Service Employees? A Comparison of Innovative Behavior Cues.” In Proceedings of the 51st Hawaii International Conference on System Sciences, 1056–1065. 

149. Talluri, S., M. K. Kim, and T. Schoenher. 2013. “The Relationship Between Operating Efficiency and Service Quality: Are They Compatible?” International Journal of Production Research 51 (8): 2548–2567. doi:10.1080/00207543.2012.737946.

150. Tavitiyaman, P., Zhang, X., & Tsang, W. Y. (2020). How Tourists Perceive the Usefulness of Technology Adoption in Hotels: Interaction Effect of Past Experience and Education Level. Journal of China Tourism Research, 18(1), 64–87. //doi.org/10.1080/19388160.2020.1801546 

151. Ting, S., and C. Cheng. 2002. “The Asymmetrical and Non-Linear Effects of Store Quality Attributes on Customer Satisfaction.” Total Quality Management 13: 547–569. doi:10.1080/09544120220149331.

152. Tung, V. W. S., and N. Au. 2018. “Exploring Customer Experiences with Robotics in Hospitality.” International Journal of Contemporary Hospitality Management 30 (7): 2680–2697. doi:10.1108/IJCHM-06-2017-0322.

153. Tuomi, A., I. P. Tussyadiah, and J. Stienmetz. 2021. “Applications and Implications of Service Robots in Hospitality.” Cornell Hospitality Quarterly 62 (2): 232–247. doi:10.1177/1938965520923961.

154. Tussyadiah, I. P. 2020. “A Review of Research Into Automation in Tourism: Launching the Annals of Tourism Research Curated Collection on Artificial Intelligence and Robotics in Tourism.” Annals of Tourism Research 81, 102883: 1–13. doi:10.1016/j.annals.2020.102883.

155. Tussyadiah, I. P., F. J. Zach, and J. Wang. 2020. “Do Travelers Trust Intelligent Service Robots?” Annals of Tourism Research 81, 102886: 1.14. doi:10.1016/j.annals.2020.102886.

156.  van Doorn, J., M. Mende, S. M. Noble, J. Hulland, A. L. Ostrom, D. Grewal, and J. A. Petersen. 2017. “Domo Arigato Mr. Roboto: Emergence of Automated Social Presence in Organizational Frontlines and Customers’ Service Experiences.” Journal of Service Research 20 (1): 43–58. doi:10.1177/1094670516679272.

157. Vargo, S. L., and R. F. Lusch. 2004. “Evolving to a New Dominant Logic for Marketing.” Journal of Marketing 68 (1): 1–17. doi:10.1509/jmkg.68.1.1.24036.

158. Vitezić, V., & Perić, M. (2021). Artificial intelligence acceptance in services: Connecting with Generation Z. The Service Industries Journal, 41(13–14), 926–946. //doi.org/10.1080/02642069.2021.1974406 

159. Wan, L. C., Chan, E. K., & Luo, X. (2020). Robots come to rescue: How to reduce the perceived risk of infectious disease in Covid19-stricken consumers? Annals of Tourism Research, 88, 103069. //doi.org/10.1016/j.annals.2020.103069 

160. Wang, Y., J. P. Skeete, and G. Owusu. 2021. “Understanding the Implications of Artificial Intelligence on Field Service Operations: A Case Study of BT.” Production Planning & Control 33 (16): 1591–1607. doi:10.1080/09537287.2021.18.

161. Wang, Y., Cai, X., Xu, C., & Li, J. (2021). Rise of the machines: Examining the influence of professional service robots attributes on consumers’ experience. Journal of Hospitality and Tourism Technology, 12(4), 609–623. //doi.org/10.1108/JHTT-10-2020-0262 

162. Waytz, A., Cacioppo, J., & Epley, N. (2010). Who sees humans? The stability and importance of individual differences in anthropomorphism. Perspectives on Psychological Science, 5(3), 219–232. //doi.org/10.1177/1745691610369336 

163. Wirtz, J., P. G. Patterson, W. H. Kunz, T. Gruber, V. N. Lu, S. Paluch, and A. Martins. 2018. “Brave New World: Service Robots in the Frontline.” Journal of Service Management 29 (5): 907–931. doi:10.1108/JOSM-04-2018-0119.

164. Wei, H., & Prentice, C. (2022). Addressing service profit chain with artificial and emotional intelligence. Journal of Hospitality Marketing & Management, 31(6), 730–756. //doi.org/10.1080/19368623.2022.2058671 

165. Wu, L., Fan, A., He, Z., & Her, E. (2021). To Partner with Human or Robot? Designing Service Coproduction Processes for Willingness to Pay More. Journal of Hospitality and Tourism Research, 109634802110255. //doi.org/10.1177/10963480211025594 

166. Xiong, X., Wong, I. A., & Yang, F. X. (2021). Are we behaviorally immune to COVID-19 through robots?Annals of Tourism Research, 91, 103312. //doi.org/10.1016/j.annals.2021.103312 

167. Xu, S., J. Stienmetz, and M. Ashton. 2020. “How Will Service Robots Redefine Leadership in Hotel Management? A Delphi Approach.” International Journal of Contemporary Hospitality Management 32 (6): 2217–2237. doi:10.1108/IJCHM-05-2019-0505.

168. Yang, Y., Liu, Y., Lv, X., Ai, J., & Li, Y. (2021). Anthropomorphism and customers’ willingness to use artificial intelligence service agents. Journal of Hospitality Marketing and Management, 31(1), 1 23. //doi.org/10.1080/19368623.2021.1926037 

169. Yoganathan, V., Osburg, V. S., Kunz, W. H., & Toporowski, W. (2021). Check-in at the Robo-desk: Effects of automated social presence on social cognition and service implications. Tourism Management, 85, 104309. //doi.org/10.1016/j.tourman.2021.104309 

170. Yu, J. 2018. “Humanlike robot and human staff in service: Age and gender differences in perceiving smiling behaviors.” In 2018 7th International Conference on Industrial Technology and Management (ICITM), 99–103. doi:10.1109/ICITM.2018.8333927.

171. Yuce, A., Arasli, H., Ozturen, A., & Daskin, M. (2020). Feeling the service product closer: Triggering visit intention via virtual reality. Sustainability, 12(16), 6632. //doi.org/10.3390/su12166632 

172. Zahra, S. A., S. Nash, and D. J. Bickford. 1995. “Transforming Technological Pioneering Into Competitive Advantage.” Academy of Management Perspectives 9 (1): 17–31. doi:10.5465/ame.1995.9503133481.

173. Zhang, M., Gursoy, D., Zhu, Z., & Shi, S. (2021). Impact of anthropomorphic features of artificially intelligent service robots on consumer acceptance: Moderating role of sense of humor. International Journal of Contemporary Hospitality Management, 33(11), 3883–3905. //doi.org/10.1108/IJCHM-11-2020-1256

174. Zhang, S. N., Li, Y. Q., Liu, C. H., & Ruan, W. Q. (2019). How does authenticity enhance flow experience through perceived value and involvement: The moderating roles of innovation and cultural identity. Journal of Travel and Tourism Marketing, 36(6), 710–728. //doi.org/10.1080/10548408.2019.1625846 

175. Zeng, Z., P. J. Chen, and A. A. Lew. 2020. “From High-Touch to High-Tech: COVID-19 Drives Robotics Adoption.” Tourism Geographies 22 (3): 724–734. doi:10.1080/14616688.2020.1762118.

      

     Autorský komentář PhDr. Mgr. Marka MERHAUTA, Ph.D., MBA