When time is of the essence and teams face unexpected contextual changes, they must adapt quickly, sometimes even in real time, that is, they may have to improvise. This paper adopts an inductive approach to explore how teams decide to engage in improvised adaptation, and what happens during those processes for improvisation to be successful. The study analyzes improvisation from the perspective of paradox theory and identifies six paradoxical tensions driven by these contexts: deployment, development, temporal, procedural, structural, and behavioral tensions. We propose a dynamic equilibrium model of team improvised adaptation that leads to team plasticity. By properly managing the paradoxical tensions emerging from the convergence of design and execution, teams become more plastic and able to cope with sudden change. These findings contribute to adaptation and improvisation literatures by delving into the adaptation process under the temporal and material confluence of design and execution.
04:02
Malgré les performances avérées des méthodes modernes d’intelligence artificielles, peu de travaux s’intéressent aux impacts environnementaux liés à la quantité de ressources nécessaires à l’entrainement et à l’usage de ces modèles. Ceci est très alarmant, lorsqu’on sait que le réchauffement climatique est une menace majeure qui met en péril notre planète et nos sociétés. Ainsi, nous abordons globalement dans ce travail la question de la mesure de l’empreinte carbone des modèles d’intelligence artificielle. Plus précisément nous considérons le cas des modèles visant à réduire les émissions de CO2. Pour de tels modèles, nous proposons de mesurer leurs impacts négatifs (quantité CO2 émise par l’entrainement et l’usage des modèles), et leurs impacts positifs (quantité de CO2 non émise du fait de l’usage des modèles). Les évaluations réalisées démontrent que l’empreinte carbone générée par l’entrainement et l’usage des modèles d’intelligence artificielle est globalement non-négligeable. Ainsi, les nouvelles métriques que nous proposons peuvent permettre d’évaluer et de comparer l’impact environnemental de ces modèles, au-delà des métriques usuelles d’évaluation des performances prédictives.
- Recherche
- Développement Durable et RSE, Management et Big Data, Systèmes d'information
