Fiche de lecture

Référence (format APA)

Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., Roubaud, D., & Hazen, B. T. (2020). Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism: A study of manufacturing organisations. International Journal of Production Economics, 226, 107599. https://doi.org/10.1016/j.ijpe.2019.107599

 Mots clés de l’article

Big data analytics, artificial intelligence, entrepreneurial orientation, operational performance, environmental dynamism, dynamic capabilities, contingency theory, manufacturing organisations

 Synthèse

Dans cet article empirique, Dubey et al. explorent le rôle combiné du big data analytics et de l’intelligence artificielle (BDA‑AI) pour améliorer la performance opérationnelle des entreprises manufacturières, tout en examinant l’impact de l’orientation entrepreneuriale (EO) et du dynamisme environnemental (ED) sur cette relation. Ils mobilisent à la fois la dynamic capabilities view et la contingency theory pour proposer et tester un modèle liant ces concepts dans un contexte organisationnel réel.

Les auteurs montrent que l’orientation entrepreneuriale des organisations facilite l’exploitation des capacités BDA‑AI, améliorant ainsi la performance opérationnelle, et que les effets de ces relations varient selon le niveau de dynamisme de l’environnement.

 Développement

1. Objectifs et cadre théorique

L’article part d’un constat clair : bien que la littérature reconnaisse l’impact positif du big data analytics et de l’intelligence artificielle sur la performance opérationnelle, peu d’études ont examiné comment l’orientation entrepreneuriale influence l’adoption de ces technologies et comment le dynamisme environnemental modère cette adoption et ses effets.

Pour répondre à ces questions, les auteurs s’appuient sur deux cadres théoriques :

• La Dynamic Capabilities View (DCV), qui suggère que les organisations doivent développer des capacités dynamiques pour exploiter les technologies numériques et rester performantes dans des environnements changeants.
• La Contingency Theory (CT), qui soutient que les relations entre variables organisationnelles sont conditionnées par le contexte environnemental.

2. Méthodologie

L’étude est quantitative et empirique, basée sur une enquête auprès de 256 firmes manufacturières en Inde. Les données ont été recueillies à l’aide d’un questionnaire pré‑testé distribué via des organisations sectorielles (NASSCOM et FICCI) et analysées à l’aide de PLS‑SEM pour tester les hypothèses proposées.

3. Résultats principaux

Les résultats montrent que :

• L’orientation entrepreneuriale (EO) est un facteur clé dans l’adoption et l’exploitation des capacités de big data analytics et d’intelligence artificielle (BDA‑AI), car elle favorise la proactivité, la prise de risque et l’innovation organisationnelle.
• Les capacités BDA‑AI sont positivement associées à une meilleure performance opérationnelle (OP) des organisations manufacturières.
• Le dynamisme environnemental (ED) modère ces relations, ce qui signifie que les effets d’EO et de BDA‑AI sur la performance opérationnelle changent en fonction du degré d’incertitude et de variation dans l’environnement externe.

Ces résultats élargissent la compréhension de la manière dont des capacités technologiques avancées intégrées à une orientation stratégique (EO) peuvent conduire à des niveaux supérieurs de performance, surtout dans des contextes économiques et technologiques dynamiques.

4. Implications pratiques

Pour les managers et décideurs :

• L’EO doit être cultivée comme une ressource stratégique pour encourager l’adoption de technologies avancées telles que BDA‑AI.
• Investir dans des capacités BDA‑AI n’est pas suffisant sans une orientation organisationnelle orientée vers l’innovation et la prise de risque.
• Comprendre le niveau de dynamisme de l’environnement est crucial : dans des contextes très dynamiques, l’adoption technologique doit être alignée avec des processus décisionnels agiles et réactifs.

 Conclusion

Cet article démontre que la combinaison de big data analytics et d’intelligence artificielle (BDA‑AI) constitue une voie importante vers une meilleure performance opérationnelle  à condition qu’elle soit soutenue par une orientation entrepreneuriale forte et qu’elle tienne compte du dynamisme environnemental.

En combinant des cadres théoriques rigoureux avec des données empiriques, l’étude enrichit la littérature sur la digitalisation des opérations et la gestion des capacités dynamiques dans le contexte manufacturier

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.

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.

2. 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.

3. 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.

4. 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.

Fiche de lecture

Référence (format APA)

Dey, P. K., Chowdhury, S., Abadie, A., Vann Yaroson, E., & Sarkar, S. (2024). Artificial intelligence‑driven supply chain resilience in Vietnamese manufacturing small‑ and medium‑sized enterprises. International Journal of Production Research, 62(15), 5417‑5456. https://doi.org/10.1080/00207543.2023.2179859

 Mots clés de l’article

Artificial intelligence, supply chain resilience, Vietnamese manufacturing, small‑ and medium‑sized enterprises (SMEs), organisational behaviour, AI adoption, risk management, circular economy, supply chain agility.

 Synthèse

Dans cet article empirique, Dey et al. explorent le rôle de l’intelligence artificielle (IA) dans le renforcement de la résilience des chaînes logistiques au sein des entreprises manufacturières vietnamiennes de taille petite et moyenne (SMEs). L’objectif principal est de comprendre comment les mécanismes organisationnels influent sur l’adoption de l’IA et comment cette adoption contribue ensuite à des pratiques durables et à la résilience organisationnelle face aux perturbations.

Les auteurs intègrent les perspectives de l’orchestration des ressources et de la vision basée sur la connaissance pour développer un modèle structurel testant les antécédents de la résilience de la chaîne logistique (Supply Chain Resilience – SCR) et de l’adoption de l’IA.

 Développement

1. Contexte et objectifs

Les auteurs partent du constat que, malgré un intérêt croissant pour l’IA dans la littérature en opérations et gestion de la chaîne logistique, il existe encore peu d’études empiriques sur l’adoption de l’IA par les PME manufacturières et ses effets sur la résilience organisationnelle et durable. Leur objectif est de combler cette lacune en établissant un modèle théorique et en le testant avec des données réelles.

2. Approche théorique et méthodologie

L’étude s’appuie sur deux cadres théoriques :

• La ressource orchestration, qui se concentre sur la manière dont les dirigeants mobilisent et structurent les ressources organisationnelles ;
• La vision basée sur la connaissance, qui met l’accent sur l’apprentissage et la création de connaissances comme leviers de compétitivité.

Les auteurs utilisent l’analyse par équations structurelles (Structural Equation Modelling) sur un échantillon de 280 managers opérationnels de PME manufacturières vietnamiennes pour tester les relations du modèle proposé.

3. Résultats clés

Les principaux enseignements de l’étude sont :

• Leadership organisationnel : les dirigeants jouent un rôle clé dans la promotion de l’adoption de l’IA en créant une culture digitale, orientée données et favorable à la technologie.
• Compétences des employés : le renforcement des compétences et des capacités des employés facilite l’intégration effective de solutions IA.
• Adoption de l’IA influence positivement plusieurs dimensions organisationnelles essentielles :
  • Agilité de la chaîne logistique – capacité à répondre rapidement aux changements.
  • Gestion des risques – anticipation et mitigation des perturbations.
  • Pratiques de l’économie circulaire – intégration de la durabilité dans les processus.
• L’adoption de l’IA devient ainsi un levier central pour renforcer la résilience des chaînes logistiques, en particulier dans un contexte incertain et dynamique.

4. Implications pratiques et managériales

Les résultats suggèrent que les managers doivent :

• Développer une culture organisationnelle favorable à la transformation digitale.
• Investir dans la formation et le développement des compétences des employés pour maximiser la valeur de l’IA.
• Intégrer l’IA dans la gestion des risques et les stratégies de durabilité pour augmenter la capacité de réponse aux perturbations.

Cette approche aide les PME non seulement à adopter des technologies avancées, mais aussi à les transformer en avantages concurrentiels durables.

 Limites et pistes futures

Les auteurs reconnaissent certaines limites :

• Les résultats sont basés sur un échantillon spécifique aux PME manufacturières vietnamiennes, ce qui peut limiter la généralisabilité des résultats à d’autres secteurs ou contextes géographiques.
• La recherche pourrait être enrichie par des approches méthodologiques variées (par ex., entretiens, études de cas) pour approfondir la compréhension des mécanismes organisationnels liés à l’adoption de l’IA.

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.

2. 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.

3. 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.

4. 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.

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.

2. 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.

3. 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.

4. 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.

Fiche de lecture

Référence (format APA)

Ivanov, D., & Dolgui, A. (2020). The impact of digital technology and Industry 4.0 on the ripple effect and supply chain risk analytics. International Journal of Production Research. https://doi.org/10.1080/00207543.2019.1685701

Mots clés de l’article :

Industry 4.0, digital technology, ripple effect, supply chain risk management, risk analytics, digital supply chain, resilience, simulation modeling

Synthèse :

Dans cet article, Dmitry Ivanov et Alexandre Dolgui analysent l’impact des technologies digitales et de l’Industrie 4.0 sur la gestion des risques dans les chaînes logistiques, en particulier sur le phénomène du ripple effect (effet domino des perturbations).

Les auteurs montrent que la digitalisation transforme profondément le Supply Chain Risk Management (SCRM) en améliorant la visibilité, la capacité prédictive et la réactivité face aux disruptions. Cependant, ils soulignent également que la complexité accrue des chaînes numériques peut amplifier certains risques si elle n’est pas correctement maîtrisée.

Développement :

1. Le ripple effect dans les chaînes logistiques

Le ripple effect désigne la propagation des perturbations le long de la chaîne logistique. Une rupture chez un fournisseur peut entraîner des retards, des pénuries ou des surcoûts à différents niveaux du réseau.

Les auteurs expliquent que plus la chaîne est complexe et interconnectée, plus l’effet domino est important. La mondialisation et la digitalisation accentuent cette interconnexion.

2. Apports des technologies digitales et de l’Industry 4.0

L’article analyse le rôle des technologies suivantes :

• Internet of Things (IoT)
• Big Data analytics
• Intelligence artificielle
• Systèmes cyber-physiques
• Simulation et digital twins

Ces technologies permettent :

• une meilleure visibilité en temps réel
• une détection précoce des perturbations
• des simulations prédictives
• une prise de décision plus rapide

Les auteurs insistent sur l’importance des modèles analytiques avancés pour anticiper et limiter l’impact des disruptions.

3. Risk analytics et modélisation

L’article propose une approche basée sur la simulation et la modélisation mathématique pour analyser l’effet domino. Les outils analytiques permettent d’évaluer différents scénarios de perturbation et d’identifier les points critiques du réseau logistique.

La digitalisation facilite la collecte massive de données, ce qui améliore la précision des modèles prédictifs et la robustesse des décisions.

4. Limites et défis

Malgré les bénéfices, plusieurs défis sont identifiés :

• Coûts élevés d’implémentation
• Besoin de compétences analytiques avancées
• Risques cybernétiques
• Complexité organisationnelle accrue

La technologie seule ne garantit pas la résilience : elle doit être intégrée dans une stratégie globale de gestion des risques.

Conclusion :

Cet article démontre que les technologies digitales et l’Industrie 4.0 jouent un rôle déterminant dans l’amélioration des capacités analytiques et prédictives du Supply Chain Risk Management.

Elles permettent de mieux comprendre et maîtriser le ripple effect grâce à des outils de simulation et d’analyse avancés. Toutefois, la digitalisation accroît également la complexité des réseaux logistiques, ce qui nécessite une gouvernance adaptée et une vision stratégique intégrée.

L’étude contribue ainsi à la littérature sur la résilience des chaînes logistiques à l’ère numérique et ouvre des perspectives importantes pour la recherche future en supply chain risk analytics.

Référence (format APA)

Baryannis, G., Validi, S., Dani, S., & Antoniou, G. (2019). Supply Chain Risk Management and Artificial Intelligence: State of the Art and Future Research Directions. International Journal of Production Research. https://doi.org/10.1080/00207543.2018.1530476

Mots clés de l’article :

Supply chain risk management (SCRM), artificial intelligence (AI), machine learning, uncertainty, disruption management, predictive analytics, decision support systems

Synthèse :

Dans cet article, Baryannis et al. (2019) proposent une revue systématique de la littérature portant sur l’intégration de l’intelligence artificielle (IA) dans le Supply Chain Risk Management (SCRM). L’objectif principal est d’analyser l’état de l’art des applications de l’IA pour l’identification, l’évaluation et la mitigation des risques dans les chaînes logistiques, et de proposer des orientations futures de recherche.

Les auteurs montrent que les risques supply chain deviennent de plus en plus complexes en raison de la mondialisation, de la volatilité des marchés et de l’incertitude environnementale. Dans ce contexte, l’IA apparaît comme un levier stratégique pour améliorer la capacité prédictive, la réactivité et la résilience des chaînes logistiques.

Développement :

1. Typologie des risques dans la supply chain

L’article distingue plusieurs catégories de risques :

• risques opérationnels (ruptures d’approvisionnement, retards)
• risques liés à la demande
• risques financiers
• risques environnementaux et géopolitiques

Le SCRM vise à identifier, analyser et atténuer ces risques afin de réduire leur impact sur la performance globale.

2. Apports de l’intelligence artificielle au SCRM

Les auteurs recensent différentes techniques d’IA utilisées dans la littérature :

• Machine learning : prédiction des ruptures, détection d’anomalies
• Réseaux de neurones artificiels : modélisation de relations complexes
• Systèmes experts : aide à la décision
• Logique floue : gestion de l’incertitude
• Data mining : identification de patterns de risque

Ces outils permettent une meilleure anticipation des perturbations et une amélioration des décisions stratégiques et opérationnelles.

3. Limites identifiées dans la littérature

Les auteurs soulignent plusieurs lacunes :

• Manque d’intégration globale entre IA et stratégie supply chain
• Approches souvent techniques mais peu managériales
• Peu d’études empiriques longitudinales
• Faible prise en compte des risques interconnectés

Ils insistent sur la nécessité d’un cadre conceptuel plus structuré reliant IA, gestion des risques et performance.

4. Directions futures de recherche

L’article propose plusieurs axes de recherche :

• Développement de modèles hybrides combinant différentes techniques d’IA
• Intégration du Big Data et de l’analytique prédictive
• Études empiriques sur la résilience supply chain
• Approche multidisciplinaire intégrant management, informatique et analyse des données

Conclusion :

Cet article constitue une contribution majeure à la littérature en proposant une synthèse structurée des applications de l’IA au Supply Chain Risk Management. Il démontre que l’IA représente un outil stratégique essentiel pour renforcer la résilience et la performance des chaînes logistiques face à l’incertitude croissante.

Cependant, les auteurs soulignent que le potentiel de l’IA reste partiellement exploité et nécessite des recherches plus intégrées, empiriques et orientées vers la prise de décision managériale.

FICHE DE LECTURE

Référence (format APA)

Huang, M.-H., & Rust, R. T. (2024). Artificial intelligence in service. Journal of the Academy of Marketing Science, 52, 1–25. https://doi.org/10.1007/s11747-023-00964-0

Mots-clés

Intelligence artificielle ; services ; marketing ; création de valeur ; automatisation ; relation client ; compétences humaines ; transformation des organisations

Synthèse

Cet article propose une analyse approfondie du rôle de l’intelligence artificielle (IA) dans les activités de service, en s’inscrivant dans le champ du marketing et du management des services. Huang et Rust examinent comment l’IA transforme la nature même des services, les interactions avec les clients et les compétences requises au sein des organisations. L’objectif principal est de dépasser une vision technocentrée de l’IA pour analyser ses implications stratégiques, humaines et organisationnelles.

Les auteurs développent un cadre conceptuel structurant l’IA selon trois types d’intelligence — mécanique, analytique et émotionnelle — et montrent comment ces formes d’IA redéfinissent les rôles respectifs des technologies et des employés humains dans les services. L’article met en évidence que la valeur créée par l’IA dépend largement de la complémentarité entre automatisation technologique et compétences humaines, notamment dans les services à forte intensité relationnelle. Cette contribution est centrale pour comprendre l’impact de l’IA sur la relation client, les fonctions commerciales et les stratégies de différenciation des entreprises.

Développement

1. Objectifs et positionnement théorique

L’article vise à répondre à une question centrale : comment l’intelligence artificielle transforme-t-elle la conception, la production et la délivrance des services ? Les auteurs s’inscrivent dans la continuité de leurs travaux antérieurs sur l’IA et le marketing, tout en proposant une synthèse théorique à forte valeur explicative.

L’approche adoptée est conceptuelle et intégrative. Elle mobilise la littérature en marketing des services, en management de l’innovation et en intelligence artificielle afin de proposer un cadre structurant permettant d’analyser les impacts différenciés de l’IA selon les types de services et les formes d’interaction client.

2. Les trois formes d’intelligence artificielle dans les services

Huang et Rust distinguent trois formes d’IA, chacune ayant des implications spécifiques pour les services :

• IA mécanique : orientée vers l’automatisation des tâches répétitives et standardisées (ex. chatbots basiques, automatisation des processus). Elle permet des gains d’efficacité et de réduction des coûts.
• IA analytique : fondée sur l’analyse de données massives et les capacités prédictives (ex. CRM intelligents, systèmes de recommandation). Elle améliore la personnalisation et la prise de décision.
• IA émotionnelle : capable de reconnaître et de répondre aux émotions humaines (ex. analyse du ton de la voix, reconnaissance faciale). Elle ouvre la voie à une transformation profonde des interactions client.

Cette typologie permet de dépasser une vision homogène de l’IA et de mieux comprendre ses usages différenciés selon les contextes de service.

3. Complémentarité entre IA et compétences humaines

Un apport majeur de l’article réside dans l’analyse de la complémentarité entre intelligence artificielle et intelligence humaine. Les auteurs montrent que si l’IA excelle dans les tâches routinières, analytiques et prédictives, elle reste limitée dans les dimensions créatives, éthiques et relationnelles complexes.

Ainsi, la création de valeur dans les services repose sur une reconfiguration des rôles : l’IA prend en charge les tâches à faible valeur relationnelle, tandis que les employés humains se concentrent sur les interactions à forte intensité émotionnelle et sur la résolution de situations complexes. Cette reconfiguration implique une évolution des compétences, des modes de management et de la formation professionnelle.

4. Implications pour la relation client et les fonctions commerciales

L’article souligne que l’IA transforme profondément la relation client en rendant les services plus rapides, personnalisés et disponibles en continu. Les outils basés sur l’IA, tels que les CRM intelligents et les assistants virtuels, permettent une meilleure compréhension des besoins clients et une anticipation des comportements.

Cependant, les auteurs insistent sur le risque de déshumanisation des services si l’IA est déployée sans réflexion stratégique. Dans les fonctions commerciales et de service, l’IA doit être conçue comme un outil de soutien à la relation, et non comme un substitut total à l’interaction humaine. Cette analyse est particulièrement pertinente pour les organisations cherchant à mutualiser ou digitaliser leurs forces de vente tout en maintenant une qualité relationnelle élevée.

Conclusion

Cet article constitue une contribution théorique majeure à la compréhension de l’impact de l’intelligence artificielle sur les services. Huang et Rust montrent que l’IA ne se limite pas à un outil d’automatisation, mais qu’elle redéfinit en profondeur la création de valeur, les compétences et la relation client.

Pour les entreprises, et en particulier les PME, les enseignements de l’article soulignent que la performance des dispositifs basés sur l’IA dépend avant tout de leur intégration dans une stratégie globale, articulant technologie, organisation et compétences humaines. L’IA apparaît ainsi comme un levier de transformation stratégique des services, à condition d’être pensée dans une logique de complémentarité avec l’humain.

Références bibliographiques

Huang, M.-H., & Rust, R. T. (2024). Artificial intelligence in service. Journal of the Academy of Marketing Science, 52, 1–25. https://doi.org/10.1007/s11747-023-00964-0