Fiche de lecture

 Référence (format APA)

Riahi, Y., Saikouk, T., Badraoui, I., & Wamba, S. F. (2023). Researched topics, patterns, barriers and enablers of artificial intelligence implementation in supply chain: a Latent‑Dirichlet‑allocation‑based topic‑modelling and expert validation. Production Planning & Control, 36(5), 565‑592. https://doi.org/10.1080/09537287.2023.2286523

 

 Mots clés de l’article

Artificial intelligence implementation, supply chain, topic modelling, latent Dirichlet allocation (LDA), barriers, enablers, research patterns, expert validation

 

 Synthèse

Cet article propose une analyse systématique et exploratoire des recherches scientifiques sur la mise en œuvre de l’intelligence artificielle (IA) dans les chaînes d’approvisionnement, en mettant l’accent non seulement sur les thèmes de recherche dominants, mais aussi sur les obstacles et facteurs facilitant (enablers) de l’adoption de l’IA dans ce domaine. Pour ce faire, les auteurs combinent une méthodologie de topic modelling à base de Latent Dirichlet Allocation (LDA) avec une validation qualitative auprès d’experts afin de cartographier les tendances de la littérature et d’identifier les défis et leviers principaux.

La contribution majeure de l’article est de dépasser les simples revues de littérature descriptives pour proposer une vision structurée et validée des domaines de recherche, des modèles émergents, ainsi que des freins et facilitateurs de l’implémentation de l’IA dans les chaînes logistiques.

 

 Développement

1. Objectifs et approche méthodologique

Les auteurs se fixent trois objectifs principaux :

1. Identifier les thèmes de recherche centraux dans la littérature sur l’IA en supply chain grâce à la modélisation de sujets non supervisée (LDA).
2. Mettre en lumière les schémas (patterns) d’adoption, d’application et de recherche autour de l’IA dans ce contexte.
3. Comprendre les barrières (barriers) et éléments facilitateurs (enablers) qui freinent ou favorisent l’adoption de l’IA dans des environnements logistiques et supply chain.

La méthodologie intégrée repose sur :

• Une analyse de texte automatique des publications pertinentes pour extraire les thèmes latents (topics) par LDA.
• Une validation experte des résultats tirés du topic modelling, renforçant la pertinence pratique des conclusions.

 

2. Thèmes de recherche (topics) et patterns identifiés

L’analyse montre que la littérature se concentre sur plusieurs sujets clés, par exemple :

• Prévision de la demande et planification des stocks,
• Optimisation multi‑objectifs (production‑distribution),
• Analyse de données massives pour le support décisionnel,
• Automatisation et intégration technologique des opérations SCM.

Ces thèmes révèlent que les chercheurs explorent l’IA non seulement pour des processus opérationnels traditionnels (ex. forecasting), mais aussi pour des problématiques plus holistiques comme la prise de décision en environnement incertain, le couplage entre optimisation et apprentissage automatique, et les interactions entre technologies émergentes et supply chain intégrée.

 

3. Barrières à l’implémentation de l’IA

Plusieurs obstacles à l’adoption de l’IA dans les chaînes d’approvisionnement ressortent clairement du corpus analysé :

• Fragmentation des données et silos d’information, qui rendent difficile l’application d’algorithmes d’IA à large échelle.
• Pénurie de compétences spécialisées en IA, notamment sur des profils capables de combiner expertise supply chain et techniques de machine learning.
• Intégration des systèmes existants avec des solutions IA avancées, souvent coûteuse et complexe à gérer.
• Résistance organisationnelle au changement, liée à la culture d’entreprise et à la peur de l’automatisation.

Ces barrières montrent que l’implémentation de l’IA reste souvent plus un défi organisationnel et institutionnel qu’un simple problème technologique.

 

4. Facteurs facilitateurs (enablers)

L’étude met aussi en évidence des leviers importants qui favorisent l’adoption de l’IA :

• Infrastructure solide de données, permettant l’accès, la qualité et le partage des données nécessaires aux modèles d’IA.
• Vision stratégique et leadership engagés dans la transformation digitale.
• Collaboration inter‑fonctionnelle entre équipes métiers et data scientists.
• Culture d’apprentissage et d’expérimentation, encourageant la prise de risques mesurée et l’innovation progressive.

Ces enableurs sont essentiels pour transformer l’IA d’une ambition technique en projet organisationnel intégré.

 Conclusion

L’article de Riahi et al. offre une analyse approfondie, intégrée et validée des thèmes de recherche dominants, des obstacles majeurs et des éléments facilitateurs relatifs à la mise en œuvre de l’intelligence artificielle dans les chaînes d’approvisionnement.

En combinant une approche de topic modelling (LDA) avec une validation par des experts, les auteurs parviennent à proposer une cartographie fiable des tendances, défis et leviers clés :

• Les recherches se concentrent sur les cas d’usage IA classiques et émergents en SCM.
• Les barrières montrent l’importance de facteurs techniques, organisationnels et humains.
• Les facilitateurs illustrent des conditions organisationnelles et culturelles nécessaires à une adoption réussie.

Ce travail apporte une feuille de route conceptuelle utile aux chercheurs et aux praticiens qui souhaitent comprendre non seulement quoi est étudié dans l’intégration de l’IA en supply chain aujourd’hui, mais pourquoi certaines implémentations réussissent ou échouent.