Artificial intelligence in supply chain management: A systematic literature review

Posted on by

Fiche de lecture

Référence (format APA)

Toorajipour, R., Sohrabpour, V., Nazarpour, A., Oghazi, P., & Fischl, M. (2021). Artificial intelligence in supply chain management: A systematic literature review. Journal of Business Research, 122, 502–517. https://doi.org/10.1016/j.jbusres.2020.09.009

 

Mots clés de l’article

Artificial intelligence, AI techniques, supply chain management (SCM), neural networks, fuzzy logic, genetic algorithms, logistics, production, marketing, AI adoption, literature gaps, future research.

Synthèse

Dans cet article, Reza Toorajipour et al. réalisent une revue systématique de la littérature pour analyser l’apport de l’intelligence artificielle (IA) à la gestion de la chaîne logistique (Supply Chain Management, SCM).

L’objectif principal est de déterminer :

  1. Les techniques d’IA les plus utilisées dans les recherches SCM,
  2. Les techniques potentielles encore sous‑explorées,
  3. Les sous‑domaines du SCM déjà améliorés par l’IA,
  4. Et ceux qui présentent un fort potentiel d’amélioration grâce à l’IA.

L’étude montre que plusieurs techniques d’IA, notamment les réseaux de neurones, la logique floue et les algorithmes génétiques, ont déjà été adoptées dans différents domaines du SCM, tandis que certaines approches restent peu exploitées malgré leur potentiel.

Développement

  1. Objectifs et approche méthodologique

Les auteurs adoptent une méthodologie systématique fondée sur des critères d’inclusion et d’exclusion pour sélectionner des publications pertinentes dans les domaines de la logistique, du marketing, de la production et du SCM.

L’analyse comprend la classification des articles retenus selon :

  • Le champ d’application (production, logistique, marketing, SCM),
  • Les techniques d’IA utilisées,
  • Les résultats et apports des études.

 

  1. Techniques d’IA identifiées

Les techniques d’intelligence artificielle les plus fréquemment utilisées dans le SCM sont :

  • Réseaux de neurones artificiels (ANNs) — technique dominante utilisée pour la classification, la prédiction et l’optimisation.
  • Logique floue (Fuzzy Logic) — utile pour gérer l’incertitude dans les décisions.
  • Algorithmes génétiques (GAs) — employés pour l’optimisation combinatoire.
  • Systèmes multi‑agents ou basés sur agents (ABS/MAS) et d’autres techniques comme data mining, SVM, heuristiques.

Certaines techniques comme NLP (traitement du langage naturel), robotique avancée ou processus décisionnels markoviens sont mentionnées comme potentielles mais encore peu exploitées.

  1. Applications de l’IA dans le SCM

Selon la littérature analysée, l’IA contribue à améliorer plusieurs sous‑domaines du SCM :

  • Production : optimisation des flux et des processus.
  • Prévision de la demande : meilleure précision via ANNs, data mining ou SVM.
  • Gestion des fournisseurs : décisions renforcées par des modèles Bayésiens ou flous.
  • Logistique : optimisation des opérations de terminal et de planification.
  • Marketing SCM : segmentation, prévision des ventes et planification marketing.

Ces applications montrent que l’IA améliore la prédictivité, l’efficacité opérationnelle et la prise de décision dans différentes tâches logistiques et stratégiques.

 

  1. Gaps et défis

L’article identifie plusieurs lacunes importantes dans la littérature existante :

  • Sous‑utilisation de certaines techniques d’IA malgré leur potentiel théorique (ex. NLP, planification automatisée).
  • Faible couverture de domaines comme la gestion des risques SCM, l’intégration inter‑organisationnelle ou l’optimisation des coûts logistiques.
  • Besoin d’études empiriques et d’applications industrielles concrètes pour valider les modèles proposés.

 

Conclusion

Cette revue systématique montre que l’intelligence artificielle joue un rôle croissant dans le domaine du Supply Chain Management en améliorant la prévision, l’optimisation et la prise de décision.

Les auteurs soulignent toutefois que certaines techniques restent sous‑explorées et que la recherche future devrait :

  • approfondir l’usage de méthodes comme le traitement du langage naturel ou la robotique intelligente,
  • intégrer davantage d’études empiriques appliquées dans des contextes industriels,
  • et élargir l’analyse à des sous‑domaines encore peu traités comme la gestion des risques ou la durabilité.

Cette revue apporte donc une vision complète de l’état de l’art de l’IA dans le SCM tout en suggérant des pistes de recherche future importantes.