Barriers to Artificial Intelligence Adoption in Jakarta’s Public Complaint Management System: An Interpretive Structural Modeling (ISM) and Analytic Network Process (ANP) Approach = 자카르타 공공 민원 관리(PCM) 시스템에서의 인공지능(AI) 도입 장애 요인: ISM?ANP 접근법

국문 초록 (Abstract)

인공지능(AI)은 더 빠르고 정확하며 데이터 기반의 의사결정을 가능하게 함으로써 공공서비스를 개선할 잠재력을 지니고 있다. 그러나 자카르타의 공공민원관리(PCM) 시스템을 포함한 많은 정부 환경에서 AI 도입은 초기 준비 수준을 벗어나지 못하고 있다. 인도네시아에서 가장 발전된 디지털 민원 시스템을 운영하는 자카르타 스마트시티조차도 분류, 라우팅, 피드백 분석과 같은 핵심 업무의 상당 부분이 여전히 수동으로 처리되고 있다. 본 연구는 PCM 시스템에서 AI 통합을 가로막는 내부적 장벽을 규명하고, 이러한 장벽들이 서로에게 어떻게 영향을 미치는지 분석한다.
People–Process–Technology(PPT) 프레임워크를 기반으로, 자카르타의 디지털 거버넌스 생태계에 참여하는 실무자 및 전문가와의 인터뷰를 통해 열두 개의 장벽을 검증하였다. 이후 이들 간의 구조적 관계를 파악하기 위해 해석적 구조모형(ISM)을 적용하고, 이어서 각 장벽의 상대적 우선순위를 도출하기 위해 네트워크 분석 기법인 ANP를 사용하였다. 연구 결과, 자카르타의 핵심 문제는 기술적 준비도가 아니라 제도적 준비도에 있다는 점이 드러났다. AI 도입을 가능하게 하기 위해서는 리더십의 확고한 의지, 기관 간 조정의 개선, 장기적 자원 확보가 필수적이다. 본 결과는 자카르타 스마트시티의 전략 수립에 실질적 시사점을 제공하며, 기술 역량보다 거버넌스 역량이 더 중요한 역할을 하는 공공부문 AI 도입 논의에도 기여한다.

다국어 초록 (Multilingual Abstract)

Artificial intelligence (AI) offers significant opportunities to enhance public service delivery, yet its adoption in Jakarta’s public complaint management (PCM) system remains limited. Although the platform is digitally mature, essential tasks such as classification and routing are still performed manually. This study investigates the internal barriers that hinder AI use in PCM and examines both their structural relationships and their relative importance. Using the People–Process–Technology framework, twelve barriers were identified and validated through expert judgment.
Interpretive structural modeling (ISM) reveals a seven-level hierarchy in which leadership commitment forms the foundational driver, followed by budget readiness and mid-level barriers related to coordination, data accuracy, infrastructure, and knowledge sharing. Meanwhile, challenges such as resistance to change, limited expertise, and concerns about job displacement emerge at the upper levels as dependent outcomes shaped by deeper organizational conditions.
The analytic network process (ANP) further shows that leadership support, organizational behavior, and interagency coordination carry the highest priority in influencing AI adoption. The study provides practical insights for Jakarta Smart City and contributes to broader discussions on institutional readiness for AI in the public sector.

목차 (Table of Contents)

• CHAPTER 1. INTRODUCTION 1
• 1.1 BACKGROUND AND PROBLEM STATEMENT 1
• 1.2 RESEARCH OBJECTIVES 4
• 1.3 THESIS STRUCTURE 5
• CHAPTER 2. LITERATURE REVIEW 7
• 2.1 ARTIFICIAL INTELLIGENCE IN SERVICES 7
• 2.2 ARTIFICIAL INTELLIGENCE STAGES 9
• 2.3 ARTIFICIAL INTELLIGENCE BARRIER 11
• 2.4 COMPARISON TABLE 14
• 2.5 RESEARCH QUESTIONS 19
• CHAPTER 3. METHODOLOGY 22
• 3.1 RESEARCH DESIGN 22
• 3.2 DATA COLLECTION AND EXPERT JUDGEMENT 25
• 3.3 INTERPRETIVE STRUCTURAL MODELING (ISM) 27
• 3.3.1 Development of SSIM and Conversion to IRM 32
• 3.3.2 Development of the Final Reachability Matrix (FRM) 34
• 3.3.3 Level Partitioning 35
• 3.3.4 Construction of the ISM Model 36
• 3.3.5 MICMAC Analysis 37
• 3.4 ANALYTICAL NETWORK PROCESS (ANP) 39
• 3.4.1 Development of ANP Network 40
• 3.4.2 Pairwise Comparisons and Consistency Ratio 42
• 3.4.3 Formation of the Supermatrix 45
• 3.4.4 Deriving Barrier Priorities 47
• 3.5 CHAPTER SUMMARY 49
• CHAPTER 4. RESULTS 51
• 4.1 DATA OVERVIEW AND ANALYSIS STRUCTURE 51
• 4.2 STRUCTURAL ANALYSIS OF AI ADOPTION BARRIERS USING INTERPRETIVE STRUCTURAL MODELLING (ISM) 52
• 4.2.1 Development of SSIM and Conversion Of IRM 53
• 4.2.2 Development of Final Reachability Matrix (FRM) 58
• 4.2.3 Level Partitioning 61
• 4.2.4 Construction of ISM Model 66
• 4.2.5 MICMAC Analysis 70
• 4.3 PRIORITIZATION OF AI ADOPTION BARRIERS USING THE ANALYTIC NETWORK PROCESS (ANP) 75
• 4.3.1 Development of ANP Network 75
• 4.3.2 Pairwise Comparison and Consistency Ratio 77
• 4.3.3 Formation of Supermatrix 79
• 4.3.4 Deriving Barrier Priorities 85
• CHAPTER 5. DISCUSSION 89