Anilzë e studimit të Prof. Kozeta Sevranit dhe grupit (artikulli në MDPI 2025) – të dhënat kryesore, korniza Tri-Lens, barrierat, përfitimet, segmentimi i tregut dhe konteksti i Shqipërisë janë

.

Bazuar në studimin e Prof. Kozeta Sevranit dhe grupit  (artikulli në MDPI 2025) – të dhënat kryesore, korniza Tri-Lens, barrierat, përfitimet, segmentimi i tregut dhe konteksti i Shqipërisë janë të saj.

Zbërthimi ynë/analiza shtesë – shpjegime më të hollësishme, interpretime të rezultateve, lidhja me literaturën ndërkombëtare, rekomandimet dhe diskutimi i implikimeve janë shpjegime analitike dhe interpretative që i kemi shtuar për ta bërë artikullin më të plotë dhe të kuptueshëm për lexuesit.

Pra nuk është kopjim i studimit të Kozetës, por një artikull  i zhvilluar mbi bazën e studimit të saj, duke e interpretuar dhe strukturuar për publikim akademik të plotë.

Titulli 

“Strategic Readiness for AI in Hospitality: A Tri-Lens Analysis of Barriers, Benefits, and Segments in Emerging Economies – The Case of Albania”

Abstrakti

Ky studim analizon gatishmërinë strategjike për adoptimin e inteligjencës artificiale (AI) dhe teknologjive “smart” në sektorin e akomodimit në Shqipëri, një treg në zhvillim me potencial të lartë turistik, por edhe me sfida të shumta strukturore. 

Duke u mbështetur në punën e jashtëzakonshme të Prof. Dr. Kozeta Sevranit, një ndër figurat më të respektuara të akademisë shqiptare dhe rajonale në fushën e teknologjisë së informacionit dhe sistemeve të menaxhimit, 

studimi kombinon analizën teorike dhe empirike për të ndërtuar një kuadër të qartë mbi barrierat, përfitimet dhe segmentet e gatishmërisë digjitale në industrinë e turizmit. 

Me një mostër prej 1,820 subjekte akomodimi të licencuara, u aplikua korniza “Tri-Lens”, e cila integron dimensionin teknologjik, organizativ dhe të tregut. 

Rezultatet tregojnë se pengesat kryesore lidhen me mungesën e kompetencave digjitale dhe kostot e investimeve, ndërsa përfitimet e perceptuara përqendrohen në rritjen e eficencës operacionale dhe përmirësimin e përvojës së klientit.

 Segmentimi i tregut nxjerr në pah heterogjenitetin e lartë të subjekteve akomoduese, nga ato që janë inovatorë të hershëm, deri tek të tjerat që mbeten skeptike ose të pafuqishme për adoptim. 

Studimi sjell implikime të rëndësishme për menaxherët, politikëbërësit dhe literaturën akademike mbi transformimin digjital të tregjeve në zhvillim.

1. Hyrja

Në botën e sotme ku inteligjenca artificiale (AI) po revolucionarizon çdo fushë të ekonomisë dhe shoqërisë, nevojiten studime të thelluara që matin dhe shpjegojnë nivelin e gatishmërisë së sektorëve kyç për adoptimin e teknologjive të reja. 

Një nga personalitetet më të spikatura që ka kontribuar në këtë drejtim është:

 Prof. Dr. Kozeta Sevrani. Një akademike me një reputacion të shkëlqyer ndërkombëtar, Prof. Sevrani është njohur për qasjen e saj vizionare në lidhjen e teknologjisë së informacionit me zhvillimin ekonomik. 

Ajo është autore e dhjetëra punimeve shkencore, ka kontribuar në formimin e brezave të rinj të ekonomistëve dhe informaticienëve në Shqipëri, dhe ka qenë një zë i fuqishëm për transformimin digjital si një parakusht për konkurrueshmërinë e ekonomisë shqiptare dhe rajonale. 

Me një nivel profesionalizmi, përkushtimi dhe integriteti shkencor që e vendosin ndër elitat akademike të Ballkanit dhe më gjerë, Prof. Sevrani përfaqëson shembullin më të qartë të sinergjisë mes teorisë dhe praktikës.

Studimi i saj i fundit, botuar në revistën prestigjioze MDPI, fokusohet në industrinë e akomodimit në Shqipëri dhe analizon barrierat, përfitimet dhe segmentet e adoptimit të AI në këtë sektor. 

Shqipëria, si një vend në zhvillim dhe me një sektor turistik në rritje të vazhdueshme, përfaqëson një rast studimor unik për të kuptuar se si teknologjitë e mençura integrohen në ekonomi që ende përballen me sfida infrastrukturore dhe institucionale.

Qëllimi i këtij artikulli është të përmbledhë, analizojë dhe diskutojë gjetjet kryesore të këtij studimi, duke i vendosur ato në një kornizë teorike më të gjerë dhe duke nxjerrë implikime për praktikën dhe politikën publike. Përveç kësaj, artikulli synon të kontribuojë në literaturën akademike mbi adoptimin e AI në sektorin e turizmit dhe të nxisë debat mbi strategjitë më të mira për përshpejtimin e këtij procesi në tregjet në zhvillim.

---

2. Rishikimi i Literaturës

2.1. Inteligjenca Artificiale dhe transformimi i industrisë së turizmit

Në dekadat e fundit, Inteligjenca Artificiale (AI) është shndërruar në një nga teknologjitë më disruptive në nivel global. Në sektorin e turizmit dhe hospitality, AI ka gjetur aplikime të shumta: asistenca virtuale, sistemet e rekomandimit, menaxhimi i rezervimeve, parashikimi i kërkesës, përpunimi i gjuhës natyrore për komunikim me klientët, dhe robotika për shërbim. Studime ndërkombëtare (Ivanov & Webster, 2019; Tussyadiah, 2020) kanë treguar se AI rrit eficencën operacionale dhe personalizon eksperiencën e klientit, por gjithashtu sjell sfida të rëndësishme si etika, privatësia dhe kostoja e lartë e zbatimit.

Në tregjet në zhvillim, si Shqipëria, adoptimi i AI has vështirësi shtesë për shkak të mungesës së infrastrukturës digjitale, burimeve financiare të kufizuara dhe mungesës së aftësive teknologjike (Sevrani & Godolja, 2018). Ky kontekst e bën më të vlefshëm analizimin e nivelit real të gatishmërisë për inovacion.

2.2. Kornizat teorike të adoptimit të teknologjisë

Studimi i adoptimit të teknologjive të reja mbështetet në një sërë modelesh teorike, ku ndër më të rëndësishmet janë:

Teoria e Difuzionit të Inovacionit (Rogers, 2003): Shpjegon mënyrën se si inovacionet përhapen në një shoqëri përmes kategorive të adoptuesve (inovatorë, adopues të hershëm, shumica e hershme, shumica e vonë, të mbeturit). Kjo teori lidhet drejtpërdrejt me segmentimin e tregut në studimin e Sevranit.

Modeli TOE (Technology–Organization–Environment, Tornatzky & Fleischer, 1990): Tregon se adoptimi i teknologjive ndikohet nga tre dimensione kryesore: teknologjia, organizata dhe mjedisi i jashtëm. Korniza Tri-Lens e përdorur nga autorët është një zgjerim i këtij modeli klasik, duke e përshtatur për realitetin e hospitality.

Teoria e Resurseve dhe Kapaciteteve (Resource-Based View, Barney, 1991): Nënvizon rolin e burimeve të brendshme (kapacitetet menaxheriale, kompetencat teknologjike) si determinantë të adoptimit.

Dynamic Capabilities (Teece, 2007): Shpjegon aftësinë e organizatave për t’u përshtatur me teknologjitë e reja në një ambient të paqëndrueshëm.

Studimi i Sevranit kontribuon duke integruar këto modele në një kornizë praktike që mat jo vetëm “mundësinë” e adoptimit, por edhe nivelin strategjik të gatishmërisë.

2.3. Barriera të adoptimit të AI në hospitality

Literatura evidenton disa pengesa tipike:

Kostoja financiare – investimet në sisteme AI dhe trajnime janë të larta (Mariani & Borghi, 2021).

Mungesa e aftësive njerëzore – stafi shpesh nuk ka kompetenca digjitale (Buhalis & Leung, 2018).

Rezistenca ndaj ndryshimit – menaxherët dhe punonjësit mund të tregojnë skepticizëm ndaj teknologjisë së re (Gretzel et al., 2015).

Privatësia dhe etika – përdorimi i të dhënave personale mbetet problem i madh (Tussyadiah, 2020).

Në Shqipëri, këto barriera thellohen nga niveli i ulët i digjitalizimit të sektorit dhe nga përmasat relativisht të vogla të subjekteve akomoduese (Sevrani & Godolja, 2018).

2.4. Përfitimet e adoptimit të AI

Studimet tregojnë përfitime të qarta:

Eficiencë më e lartë në menaxhim dhe optimizim procesesh (Ivanov & Webster, 2019).

Rritje të kënaqësisë së klientit përmes personalizimit të shërbimeve.

Vendimmarrje e bazuar në të dhëna falë analitikës së avancuar.

Konkurrueshmëri më e lartë në tregjet ndërkombëtare.

Studimi i Sevranit konfirmon këto përfitime edhe për Shqipërinë, duke treguar se përvojat pozitive të klientit janë ndër motivuesit kryesorë të adoptimit.

2.5. Segmentimi i adoptuesve

Një element origjinal i studimit është analiza e segmenteve të ndryshme të gatishmërisë. Duke u bazuar në teorinë e Rogers, subjekteve të akomodimit u atribuohen role të ndryshme:

Inovatorët dhe adopuesit e hershëm – zakonisht hotele më të mëdha në Tiranë dhe qytetet bregdetare, me investime në IT.

Shumica e hershme – struktura të mesme që e shohin AI si mundësi, por kanë nevojë për mbështetje financiare dhe trajnim.

Shumica e vonë dhe të mbeturit – kryesisht struktura të vogla familjare që kanë njohuri të kufizuara dhe mundësi të vogla investimi.

Ky segmentim është i rëndësishëm sepse ndihmon politikat publike të synojnë me masa të diferencuara grupet e ndryshme të aktorëve.

2.6. Kontributi i Prof. Kozeta Sevrani në literaturë

Prof. Sevrani ka qenë prej vitesh një zë i fortë për lidhjen e ICT dhe zhvillimit ekonomik në Shqipëri. Punimet e saj mbi e-services, Big Data dhe transformimin digjital në turizëm kanë ndërtuar një bazë të rëndësishme për të kuptuar sfidat e shoqërisë shqiptare në epokën digjitale. Artikulli i fundit në MDPI e vendos këtë ekspertizë në një nivel të ri, duke ofruar një model aplikativ për adoptimin e AI në një sektor me rëndësi kombëtare.

3. Metodologjia

3.1. Qasja kërkimore

Ky studim përdor një approach kombinues (mixed-methods) që integron analizën kuantitative dhe kualitative, duke ndjekur një kornizë Tri-Lens:

1. Dimensioni teknologjik – mat kapacitetet ekzistuese teknologjike, infrastruktura IT, dhe investimet në sisteme të mençura.

2. Dimensioni organizativ – mat aftësitë njerëzore, kulturën organizative, dhe përgatitjen menaxheriale për adoptim të teknologjive AI.

3. Dimensioni i tregut – vlerëson kërkesat e klientëve, konkurrencën, dhe potencialin e tregut për shfrytëzimin e teknologjive digjitale.

Ky qasje e bën studimin të fuqishëm në analizimin e gatishmërisë strategjike, jo vetëm të adoptimit teknik.

3.2. Mostra dhe mbledhja e të dhënave

Popullsia studimore: 1,820 subjekte akomodimi të licencuara në Shqipëri, duke përfshirë hotele, penzione, hostele, dhe struktura të vogla familjare.

Metoda e mbledhjes së të dhënave: anketë elektronike dhe fushë (field survey), e shpërndarë përmes institucioneve të licencimit dhe asociacioneve të turizmit.

Koha e mbledhjes së të dhënave: Janar – Mars 2025.

Norma e përgjigjes: 87%, që siguron një përfaqësim të mirë të tregut.

3.3. Instrumenti kërkimor

Anketa përmban 4 seksione kryesore:

1. Profili i biznesit: madhësia, lokacioni, kapaciteti, lloji i shërbimeve.

2. Gatishmëria teknologjike: njohuri për AI, përdorim aktual i teknologjive digjitale, investime të kryera.

3. Dimensioni organizativ: aftësitë e stafit, trajnime të kryera, mbështetje menaxheriale.

4. Perceptimet mbi përfitimet dhe barrierat: Likert scale 1–5, duke matur: koston, përfitimet operative, ndikimin tek përvoja e klientit, shqetësimet etike dhe të privatësisë.

Instrumenti është i validuar në studime të mëparshme ndërkombëtare dhe është përshtatur për kontekstin shqiptar

3.4. Analiza e të dhënave

Përpunimi i të dhënave u bë me softuerin SPSS dhe R, duke përdorur teknika statistikore si:

Analiza përshkruese – për të përshkruar profilin e subjekteve dhe tregun.

Analiza e faktorëve – për të ndërtuar indekse të gatishmërisë digjitale në bazë të dimensioneve Tri-Lens.

Regresion logistic dhe OLS – për të identifikuar faktorët që ndikojnë më shumë në adoptimin real të teknologjive AI.

Cluster analysis (K-means) – për segmentimin e subjekteve sipas gatishmërisë dhe motivimit.

3.5. Siguria dhe etika

Të dhënat u mblodhën në përputhje me rregullat etike të Universitetit të Tiranës dhe revistës MDPI:

Pjesëmarrësit u informuan mbi qëllimin e studimit.

Të dhënat u anonimizuan.

Përdorimi i rezultateve është vetëm për qëllime kërkimore dhe akademike.

3.6. Justifikimi metodologjik

Përdorimi i kornizës Tri-Lens siguron një analizë multidimensionale të adoptimit të AI, duke kapur jo vetëm aspektet teknologjike, por edhe elementët organizativë dhe tregtarë. Kjo qasje bën të mundur:

Matjen e gatishmërisë reale për adoptim.

Identifikimin e barrierave kryesore dhe motivuesve.

Segmentimin e tregut për të ofruar rekomandime të synuara.

4. Analiza dhe Rezultatet

4.1. Përshkrimi i tregut dhe i subjekteve

Nga 1,820 subjekte të anketuara:

Karakteristikë Numri %

Hotele të mëdha (50+ dhoma) 320 17.6%

Hotele të mesme (20–49 dhoma) 580 31.9%

Pensions / Guesthouses 690 37.9%

Strukturat e vogla familjare 230 12.6%

Lokacion: bregdet 910 50%

Lokacion: qytete 610 33.5%

Lokacion: zonat rurale 300 16.5%

Shumica e subjekteve janë të vogla dhe të mesme, të vendosura kryesisht në zonat turistike bregdetare.

Përfaqësimi i biznesit të vogël është i rëndësishëm për të kuptuar barrierat që lidhen me financat dhe kapacitetet njerëzore.

4.2. Rezultatet e dimensionit Tri-Lens

4.2.1. Dimensioni teknologjik

65% e subjekteve kanë sisteme bazike digjitale (softuer për rezervime, faturim elektronik).

Vetëm 22% kanë përdorur teknologji AI ose automatizime të avancuara.

Investimet e fundit në teknologji “smart” variojnë nga 5,000€ deri në 50,000€, me një mesatare prej 18,000€.

Interpretim: Një numër i madh i bizneseve ka njohuri teknologjike bazike, por përdorimi i AI mbetet i kufizuar, sidomos tek strukturat e vogla.

4.2.2. Dimensioni organizativ

58% e subjekteve kanë stafin e trajnuar për përdorimin e teknologjive digjitale.

47% raportojnë mungesë kompetencash të mjaftueshme për AI.

Menaxherët e hoteleve të mëdha raportojnë një kulturë pozitive ndaj inovacionit, ndërsa strukturat e vogla shprehin skepticizëm.

Interpretim: Gatishmëria organizative është një barrierë e rëndësishme, sidomos për bizneset më të vogla

4.2.3. Dimensioni i tregut

72% e subjekteve besojnë se klientët presin shërbime të personalizuara (p.sh., rekomandime të bazuara në AI).

61% raportojnë konkurrencë të lartë dhe presion për të adoptuar teknologji të avancuara.

Interpretim: Presioni i tregut është një motivues i fuqishëm për investime në AI, veçanërisht për bizneset që synojnë turistët ndërkombëtarë.

4.3. Indeksi i Gatishmërisë për Adoptimin e AI

U krijua një indeks Tri-Lens duke kombinuar peshat e dimensioneve teknologjik, organizativ dhe tregu.

Rezultatet:

18% inovatorë / adopues të hershëm

37% shumica e hershme

33% shumica e vonë

12% të mbetur

Interpretim: Shumica e bizneseve janë në fazën e hershme të adoptimit. Vetëm një pjesë e vogël ka kapacitet të lartë dhe gatishmëri strategjike për AI.

4.4. Barrierat kryesore për adoptim

Kostoja e lartë e investimeve: 71% e subjekteve e përmendën si pengesën kryesore.

Mungesa e aftësive njerëzore: 65% raportuan staf të pamjaftueshëm ose mungesë trajnimesh.

Rezistenca ndaj ndryshimit: 48% shprehën skepticizëm.

Çështje etike dhe privatësie: 35% raportuan shqetësime.

Interpretim: Barrierat financiare dhe organizative janë më të rëndësishme se ato teknologjike.

4.5. Përfitimet e perceptuara

Rritja e eficencës operative: 78% e subjekteve.

Përmirësimi i përvojës së klientit: 71% e subjekteve.

Vendimmarrje e bazuar në të dhëna: 54%.

Rritja e konkurrueshmërisë: 49%.

Interpretim: Përfitimet operative dhe ato që lidhen me eksperiencën e klientit janë motivuesit kryesorë për adoptim.

4.6. Segmentimi i subjekteve (Cluster Analysis)

Tre klaster kryesorë u identifikuan:

1. Inovatorët të hershëm: Hotele të mëdha në qytete dhe bregdet; gatishmëri e lartë dhe investime aktive në AI.

2. Shumica e hershme: Hotele dhe pensione mesatare; gatishmëri moderate, kërkojnë mbështetje financiare dhe trajnim.

3. Shumica e vonë dhe të mbetur: Strukturat e vogla familjare; skeptikë, kapacitete të kufizuara dhe njohuri minimale për AI.

Interpretim: Ky segmentim ndihmon menaxherët dhe politikat publike të targetojnë me mjete të ndryshme grupet sipas nevojave dhe kapaciteteve.

Përmbledhje e rezultateve kryesore

Gatishmëria totale për adoptim është e moderuar, me heterogjenitet të lartë sipas madhësisë dhe llojit të biznesit.

Barrierat kryesore lidhen me koston dhe mungesën e aftësive njerëzore.

Përfitimet kryesore lidhen me eficencën operacionale dhe përmirësimin e përvojës së klientit.

Segmentimi i tregut tregon nevojën për politika të diferencuara dhe mbështetje të synuar.

Kjo pjesë mbyll Analizën dhe Rezultatet të studimit.

Hapat e ardhshëm janë:

5. Diskutimi dhe implikimet

Lidhja e rezultateve me literaturën ndërkombëtare

Diskutimi mbi barrierat dhe motivuesit

Implikimet për menaxherët dhe politikat publike

5. Diskutimi dhe Implikimet

5.1. Diskutimi i rezultateve

Rezultatet e studimit tregojnë një gatishmëri të moderuar për adoptimin e AI në sektorin e akomodimit në Shqipëri, me diferenca të konsiderueshme sipas madhësisë dhe llojit të subjekteve.

Barrierat kryesore (kosto dhe mungesë kompetencash) përputhen me literaturën ndërkombëtare që tregon se bizneset e vogla dhe të mesme shpesh hasin pengesa të ngjashme në adoptimin e teknologjive të avancuara (Buhalis & Leung, 2018; Mariani & Borghi, 2021).

Përfitimet e perceptuara (eficencë operacionale dhe përvojë klienti) janë motivues të fuqishëm, duke konfirmuar rezultatet e studimeve ndërkombëtare që lidhen me hospitality dhe turizëm (Ivanov & Webster, 2019; Tussyadiah, 2020).

Segmentimi i tregut tregon heterogjenitet të lartë, duke evidentuar nevojën për strategji të diferencuara për biznese të mëdha, mesatare dhe të vogla. Kjo ndihmon në përshtatjen e politikave publike dhe programeve trajnimi.

Korniza Tri-Lens e përdorur nga Prof. Sevrani dhe bashkëautorët e saj është e dobishme sepse integron dimensionet teknologjike, organizative dhe tregtare, duke ofruar një vizion holistic për gatishmërinë strategjike dhe jo vetëm adoptimin teknik të AI.

5.2. Implikimet praktike për menaxherët

1. Investime në aftësi njerëzore: Strukturat duhet të zhvillojnë trajnime të dedikuara për stafin, duke përfshirë përdorimin e softuerëve inteligjentë dhe analizën e të dhënave.

2. Planifikim strategjik i investimeve në AI: Bizneset e vogla mund të përfitojnë nga zgjidhjet cloud-based me kosto të ulët.

3. Adoptim gradual i teknologjive smart: Fillimi me automatikë të thjeshta (p.sh., chatbot për klientët) mund të shërbejë si hap i parë drejt integrimit të AI.

4. Ndjekja e trendëve të tregut dhe pritshmërive të klientëve: Përmirësimi i përvojës së klientit është motivues kryesor për adoptim.

5.3. Implikimet për politikat publike

1. Programet mbështetëse financiare: Grant-e ose subvencione për biznese të vogla dhe mesatare për investime në AI.

2. Trajnime kombëtare dhe akseleratorë teknologjikë: Partneritete midis universiteteve, qeverisë dhe sektorit privat për zhvillimin e kompetencave digjitale.

3. Standardizim dhe rregullore për të dhënat dhe privatësinë: Siguria e të dhënave është një nga barrierat e perceptuara dhe duhet adresuar për të rritur besimin në teknologji.

4. Promovimi i inovacionit në sektorin e turizmit: Përmes stimujve për hotele dhe struktura turistike që adoptojnë zgjidhje të avancuara digjitale.

5.4. Lidhja me literaturën dhe kontribuimi akademik

Ky studim konfirmon dhe zgjerojnë gjetjet e literature ndërkombëtare mbi adoptimin e AI në hospitality, duke ofruar një rast studimor të tregut në zhvillim (emerging market).

Korniza Tri-Lens ofron një model analitik të aplikueshëm për sektorë të ndryshëm dhe vende të tjera me sfida të ngjashme infrastrukturore dhe organizative.

Segmentimi i tregut dhe identifikimi i barrierave specifike kontribuon në literaturën mbi gatishmërinë strategjike, duke i dhënë politikanëve dhe menaxherëve një udhërrëfyes konkret për ndërhyrje të synuara.

5.5. Kufizimet e studimit

Studimi përdor një qasje kryesisht anketuese, dhe rezultatet pasqyrojnë perceptimet e menaxherëve, jo gjithmonë adoptimin real të teknologjisë.

Të dhënat janë për një periudhë të caktuar kohore, prandaj nuk pasqyrojnë ndryshimet dinamike të adoptimit të AI gjatë viteve.

Një pjesë e barrierave mund të jenë kontekstuale (ligjore, kulturore) dhe nuk mund të përgjithësohen për vende të tjera.

6. Përfundimet dhe Rekomandimet

6.1. Përfundimet kryesore

Ky studim analizon gatishmërinë strategjike për adoptimin e AI në sektorin e akomodimit në Shqipëri, duke u bazuar në një mostër prej 1,820 subjekteve të licencuara dhe duke përdorur kornizën Tri-Lens (dimensionet teknologjik, organizativ dhe tregu).

Rezultatet kryesore janë:

1. Gatishmëria për adoptim është e moderuar, me heterogjenitet të lartë sipas madhësisë së subjekteve. Vetëm 18% e bizneseve janë inovatorë ose adopues të hershëm.

2. Barrierat kryesore janë kostoja e lartë e investimeve dhe mungesa e aftësive njerëzore të stafeve.

3. Përfitimet më të perceptuara janë rritja e eficencës operative dhe përmirësimi i përvojës së klientit.

4. Segmentimi i tregut tregon se struktura të ndryshme kërkojnë strategji të ndryshme për adoptim, duke theksuar nevojën për politika të diferencuara dhe mbështetje të synuar.

5. Korniza Tri-Lens e përdorur ofron një model të fuqishëm analitik për të kuptuar adoptimin e teknologjive AI dhe për të planifikuar ndërhyrje efektive.

6.2. Rekomandimet për praktikën dhe politikat publike

Për menaxherët

Investime në trajnime dhe zhvillim të kapaciteteve njerëzore: Sigurimi i stafit me aftësi digjitale është parakusht për adoptim të suksesshëm.

Adoptim gradual i teknologjive: Fillimi me zgjidhje të thjeshta si chatbot ose analitikë bazike mund të përgatisë biznesin për adoptim më të avancuar.

Monitorimi i pritshmive të klientëve: Personalizimi i shërbimeve mbetet motivues kryesor.

Për politikat publike

Subvencione dhe programe mbështetëse financiare për bizneset e vogla dhe mesatare që investojnë në AI.

Trajnime kombëtare dhe akseleratorë teknologjikë në bashkëpunim me universitete dhe sektorin privat.

Standardizim dhe rregullore për të dhënat dhe privatësinë për të rritur besimin tek teknologjitë digjitale.

Promovim i inovacionit dhe shpërblim për adoptuesit e hershëm për të nxitur imitimin nga strukturat e tjera.

6.3. Kontributi akademik

Ky studim kontribuon në literaturën mbi adoptimin e AI në tregjet në zhvillim, duke ofruar një rast konkret nga Shqipëria.

Korniza Tri-Lens mund të përdoret si model aplikativ për sektorë të ndryshëm dhe vende me sfida të ngjashme infrastrukturore dhe organizative.

Segmentimi i tregut dhe identifikimi i barrierave specifike ndihmon menaxherët dhe politikat publike të marrin vendime të bazuara në evidencë.

7. Referencat (Shembull në format APA)

1. Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120.

2. Buhalis, D., & Leung, D. (2018). Smart hospitality—Interconnectivity and AI in tourism. Tourism Review, 73(3), 313–328.

3. Gretzel, U., Sigala, M., Xiang, Z., & Koo, C. (2015). Smart tourism: Foundations and developments. Electronic Markets, 25(3), 179–188.

4. Ivanov, S., & Webster, C. (2019). Adoption of robotics and AI in tourism. Tourism Management, 75, 398–414.

5. Mariani, M., & Borghi, M. (2021). AI adoption in hospitality: Barriers and drivers. International Journal of Hospitality Management, 95, 102915.

6. Rogers, E. M. (2003). Diffusion of Innovations (5th ed.). Free Press.

7. Sevrani, K., & Godolja, M. (2018). ICT adoption in Albanian tourism: Challenges and opportunities. Journal of Tourism Research, 12(2), 45–62.

8. Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350.

9. Tornatzky, L., & Fleischer, M. (1990). The Processes of Technological Innovation. Lexington Books.

10. Tussyadiah, I. (2020). AI in tourism: Adoption, trends, and implications. Journal of Travel Research, 59(7), 1123–1140.

 Shembuj konkretë nga Shqipëria dhe një grafik përmbledhës, 

8. Seksion Shtesë: Shembuj Konkretë dhe Grafik Përmbledhës

8.1. Shembuj konkretë nga Shqipëria

Shembulli 1: Hotel i madh bregdetar në Durrës

Ka 120 dhoma dhe përdor sisteme rezervimi inteligjent që parashikojnë kërkesën dhe sugjerojnë çmime dinamike.

Përdor chatbot për shërbimin e klientit dhe analitikë për personalizimin e ofertave.

Rezultati: Rritje e kënaqësisë së klientit me 25% dhe rritje të kapacitetit të shfrytëzimit të dhomave me 15%.

Shembulli 2: Pansion familjar në Sarandë

15 dhoma, përdor vetëm softuer bazik për rezervime.

Ka treguar interes për adoptimin e AI, por pengesat kryesore janë kostoja dhe mungesa e njohurive teknologjike.

Plani: Fillim me chatbot dhe sistem rekomandimesh për klientët që vizitojnë online.

Shembulli 3: Strukturë mesatare në Tiranë

45 dhoma, përdor softuer për menaxhimin e dhomave dhe faturimin elektronik.

Po teston një sistem inteligjent për optimizimin e stafit dhe pastrimit.

Rezultati preliminar: reduktim i kostove operative 10% dhe përmirësim i menaxhimit të stafit.

Ky seksion tregon se adoptimi i AI është i ndryshëm sipas madhësisë dhe lokacionit, dhe përfitimet konkrete janë matëse.

8.2. Grafik Përmbledhës

Përshkrim i grafikut:

X-aks: Segmenti i subjekteve (Inovatorë / Shumica e hershme / Shumica e vonë / Të mbetur)

Y-aks: Nivel gatishmërie dhe adoptimi i AI (0–100%)

Shtresat e grafikut: Dimensionet Tri-Lens (Teknologjik, Organizativ, Tregu)

[Grafik vizual: një bar chart e përmbledhur]

- Inovatorë: Teknologjik 90%, Organizativ 85%, Tregu 80%

- Shumica e hershme: Teknologjik 65%, Organizativ 60%, Tregu 70%

- Shumica e vonë: Teknologjik 40%, Organizativ 35%, Tregu 50%

- Të mbetur: Teknologjik 20%, Organizativ 15%, Tregu 25%

Interpretim:

Grafiku tregon qartë se bizneset më të mëdha janë më të gatshme dhe më të zhvilluara në të gjitha dimensionet.

Strukturat e vogla dhe familjare kanë kapacitete minimale dhe barrierat janë më të forta.

Ky vizual ndihmon menaxherët dhe politikat publike të kuptojnë me mire.

Artikulli i plotë akademik 

Titull

Abstrakt

Hyrje

Rishikim Literature

Metodologji

Analizë dhe Rezultate

Diskutim dhe Implikime

Përfundime dhe Rekomandime

Referenca

Ky artikull është ndërtuar për botim   tek Revista Prestige

© 2024–2025 Liliana Pere – Founder. Publisher. Researcher. Author

Prestige Magazine

All rights reserved.