Artificial Intelligence and Prescriptive Analytics for Supply Chain Resilience: A Systematic Literature Review and Research Agenda

Posted on by

Fiche de lecture

 

Référence (format APA)

Smyth, C., Dennehy, D., Fosso Wamba, S., Scott, M., & Harfouche, A. (2024). Artificial intelligence and prescriptive analytics for supply chain resilience: a systematic literature review and research agenda. International Journal of Production Research, 62(23), 8537‑8561. https://doi.org/10.1080/00207543.2024.2341415

 Mots clés de l’article

Artificial intelligence, prescriptive analytics, supply chain resilience, literature review, systematic review, strategic AI framework, decision‑making

Synthèse

Cet article propose une revue systématique de la littérature sur l’usage de l’intelligence artificielle (IA) combinée à l’analytics prescriptif pour renforcer la résilience des chaînes logistiques (SC). Les auteurs constatent que, bien que l’IA soit fréquemment associée à l’amélioration de la performance des supply chains, la littérature est fragmentée selon les technologies, secteurs et approches analytiques. Pour y remédier, ils identifient et synthétisent 76 articles pertinents publiés dans des revues académiques de haut rang (CABS 3* et 4*), couvrant la période 2000‑2023, afin d’éclairer la manière dont l’IA et les analyses prescriptives contribuent à la résilience des chaînes logistiques.

L’étude met en évidence l’importance des technologies IA dans les quatre fonctions analytiques — descriptive, diagnostique, prédictive et prescriptive — en soulignant l’impact particulier de cette dernière pour la prise de décision proactive, la gestion des disruptions et le développement de supply chains plus robustes et adaptables.

Développement

  1. Objectifs et contexte

Les auteurs partent du constat que les chaînes logistiques sont de plus en plus complexes et exposées aux chocs externes, ce qui rend obsolètes les méthodologies traditionnelles de gestion des risques. L’IA et les analytics avancés — en particulier l’analytics prescriptif — sont présentés comme des leviers prometteurs pour améliorer la résilience organisationnelle.

L’objectif principal est de regrouper et structurer la littérature dispersée autour des applications de l’IA pour soutenir des décisions prescriptives qui anticipent, atténuent et permettent de se remettre de perturbations dans la supply chain.

  1. Méthodologie — Revue systématique

Les auteurs effectuent une revue systématique basée sur des critères stricts de sélection :

  • Publications entre 2000 et 2023 dans des revues classées par CABS,
  • Inclusion de contributions liant explicitement IA, analytics et résilience du SC,
  • Tri initial de 5 293 études, dont 76 ont été retenues pour analyse approfondie.
  1. Principaux résultats et apports

L’analyse met en évidence plusieurs tendances et insights clés :

 Importance croissante de l’IA dans les études sur le SC

  • Le nombre de publications traitant de l’IA dans ce contexte a fortement augmenté ces dernières années.
  • L’industrie manufacturière et le secteur du retail sont les plus représentés dans la littérature existante.

Différentiation des fonctions analytiques

  • La littérature montre que l’IA est utilisée dans les trois premières fonctions analytiques (descriptive, diagnostique, prédictive), mais qu’il y a un mouvement croissant vers l’analytics prescriptif, qui va au‑delà de la prévision pour recommander des actions.
  • L’analytics prescriptif est particulièrement pertinent pour améliorer la capacité des chaînes à anticiper les perturbations et à proposer des stratégies de réponse optimales.

 Cadre stratégique pour la résilience (Strategic AI Resilience Framework)

  • Les auteurs élaborent un cadre stratégique qui articule comment les capacités IA peuvent être intégrées dans les processus décisionnels pour renforcer la résilience des supply chains.
  • Ce cadre se concentre sur des fonctions comme l’identification des vulnérabilités, la prise de décision proactive, l’intégration de technologies multiples, et l’apprentissage organisationnel.
  1. Implications pour la recherche et la pratique

L’article propose une roadmap de recherche comprenant :

  • Explorer davantage l’intégration des fonctions analytiques pour passer d’une logique principalement descriptive et prédictive à des systèmes prescriptifs complets.
  • Étudier des technologies émergentes (ex. IA hybride, optimisation en temps réel) et leur impact sur la résilience opérationnelle.
  • Renforcer les approches interdisciplinaires reliant management, informatique et ingénierie pour développer des solutions plus robustes.
  • Approfondir la validation empirique des cadres proposés avec des cas industriels réels.

Pour les praticiens, le cadre stratégique aide à concevoir des systèmes décisionnels fondés sur l’IA capables de renforcer la visibilité, l’agilité et la réactivité face aux disruptions.