Artificial intelligence in logistics and supply chain management: A primer and roadmap for research

Posted on by

Fiche de lecture

Référence (format APA)

Richey, R. G., Chowdhury, S., Davis‑Sramek, B., Giannakis, M., & Dwivedi, Y. K. (2023). Artificial intelligence in logistics and supply chain management: A primer and roadmap for research. Journal of Business Logistics, 44(4), 532‑549. https://doi.org/10.1111/jbl.12364

 Mots clés de l’article

Generative artificial intelligence, large language models (LLMs), logistics management, supply chain management, AI adoption, research roadmap, implementation challenges, robotics, machine learning.

Synthèse

Dans cet article éditorial, les auteurs analysent de manière qualitative et prospective comment l’intelligence artificielle (IA) — notamment les technologies récentes comme les modèles génératifs et les grands modèles de langage — pourrait radicalement transformer la logistique et la gestion des chaînes d’approvisionnement.

L’article ne se contente pas de faire un état de l’art : il présente une synthèse des applications actuelles et potentielles de l’IA dans le domaine de la logistique et du supply chain management (L&SCM), tout en mettant en évidence les défis d’implémentation et en proposant un cadre de recherche robuste (« roadmap ») pour guider les travaux futurs.

Développement

  1. Contexte et objectif

Les auteurs situent l’étude dans le contexte de l’émergence rapide de l’IA générative (par ex., ChatGPT, GANs, LLMs) et d’autres techniques avancées (robotique collaborative, vision par ordinateur, apprentissage profond) qui peuvent profondément transformer la logistique et les opérations Supply Chain.

L’objectif principal de cet éditorial est de :

  • cartographier les applications potentielles de l’IA dans L&SCM,
  • analyser les défis liés à l’adoption de l’IA,
  • proposer une feuille de route méthodologique et thématique pour la recherche future sur ce sujet encore relativement peu structuré dans la littérature.
  1. Applications potentielles de l’IA dans L&SCM

L’article met en avant plusieurs domaines d’application prometteurs :

  • Automatisation robotique des processus : robots collaboratifs (cobots) capables d’exécuter des tâches physiques avec moins d’intervention humaine.
  • Vision par ordinateur et reconnaissance de formes : optimisation des inspections, manutention intelligente, tri automatisé.
  • Apprentissage automatique et apprentissage profond : outils prédictifs pour la planification de la demande, la gestion des stocks, la maintenance prédictive et l’optimisation des réseaux.
  • Traitement du langage naturel : systèmes d’assistance et analyse de données textuelles, facilitation de la communication entre systèmes et acteurs humains.

Ces technologies promettent une prise de décision plus rapide et plus objective, une meilleure visibilité des opérations et une capacité accrue d’adaptation face à l’incertitude.

  1. Défis d’implémentation

Les auteurs reconnaissent plusieurs obstacles et risques associés à l’intégration de l’IA dans la logistique et le SCM :

  • Manque de recherches empiriques solides : malgré l’engouement, la littérature académique reste limitée et fragmentée.
  • Complexité technique et organisationnelle : intégration de systèmes IA avec les infrastructures existantes, besoin de données de qualité, compétences spécialisées.
  • Considérations éthiques et sociales : craintes autour de l’emploi, de la fiabilité des systèmes IA, ou de la gouvernance des décisions automatisées.

Ces défis montrent que la simple adoption technologique ne suffit pas : il faut aussi penser à une approche organisationnelle et stratégique intégrée pour que l’IA génère de la valeur réelle.

  1. Roadmap de recherche proposée

Plutôt qu’un modèle empirique rigide, l’article fournit un cadre conceptuel et des pistes de recherche futures :

  • Explorer davantage les impacts de l’IA générative sur les processus décisionnels logistiques.
  • Étudier l’interaction entre humains et IA, notamment la gouvernance, l’acceptation et la complémentarité des compétences.
  • Développer des approches multi‑disciplinaires intégrant sciences des données, gestion, ingénierie et sciences sociales.

Ce cadre agit comme un primer pour attirer l’attention des chercheurs sur les questions essentielles, les défis conceptuels et méthodologiques, et les domaines d’application susceptibles de produire des avancées significatives.