Fiche de Lecture n°11

Référence : Marinho, M., Silva, E. C., & Nakano, D. (2021). Cloud computing adoption in developing countries: A systematic review. International Journal of Information Management, 58, 102295.

MOTS-CLÉS & DÉFINITIONS

• Leapfrogging (Saut technologique) : Stratégie consistant pour un pays ou une entreprise émergente à sauter des étapes de développement technologique (ex: passer directement au Cloud sans construire de Data Centers massifs).

• Contraintes environnementales (Modèle TOE) : Facteurs externes limitant l’adoption technologique, tels que l’instabilité du réseau électrique ou le manque de bande passante.

• Risque de change : Vulnérabilité financière liée à la facturation des services Cloud (souvent en dollars) face à une monnaie locale fluctuante ou arrimée.

SYNTHÈSE Les auteurs Marinho, Silva et Nakano démontrent que l’adoption du Cloud dans les pays émergents répond à une dynamique fondamentalement différente de celle des pays matures. Si la volonté de “Leapfrogging” pousse les directions générales vers le Cloud, ce sont les défaillances de l’infrastructure nationale (énergie, connectivité) et macro-économique qui dictent la véritable architecture, forçant souvent une adoption hybride par contrainte plutôt que par stratégie.

DÉVELOPPEMENT 1. L’ampleur du phénomène : Le mirage du tout-Cloud L’étude systématique de la littérature sur les pays en développement (PED) révèle un contraste frappant :

• Le désir d’accélération : Plus de 70 % des entreprises dans les PED voient le Cloud comme l’unique moyen d’être compétitives à l’échelle mondiale sans investir de lourds CAPEX.

• Le mur de la réalité physique : La disponibilité réelle des services Cloud est souvent amputée par des coupures de fibre optique ou d’électricité, rendant le “100 % Cloud public” inopérant pour les systèmes critiques.

2. Le comportement stratégique : L’hybridation palliative Contrairement aux entreprises françaises qui choisissent le Cloud Hybride pour des raisons de souveraineté ou d’optimisation (FinOps), les entreprises africaines l’adoptent souvent comme un “plan de secours”. Le On-Premise (serveurs locaux) est maintenu pour pallier les coupures internet, créant une redondance coûteuse.

3. Les risques : L’épée de Damoclès financière La facturation internationale est identifiée comme un frein environnemental majeur :

• Les variations du taux de change (ex: Dollar par rapport au Franc CFA) peuvent faire exploser le budget OPEX de 10 à 20 % d’un mois à l’autre, sans aucune augmentation de la consommation réelle.

4. La solution : L’adaptation locale L’article souligne que le succès dans ces régions passe par des architectures résilientes (Edge Computing) et une négociation contractuelle stricte pour figer les coûts face à l’incertitude.

CONCLUSION Ces travaux constituent le socle académique de notre étude sur la Côte d’Ivoire. Nous soutenons que le frein financier en Afrique n’est pas qu’une question de budget, mais une incertitude structurelle. Ces données valident notre Proposition 1, justifiant les questions de notre Phase 2 et 3 sur la gestion du risque de change et la stabilité d’internet à Abidjan. Nous concluons que le DSI ivoirien doit faire preuve d’un leadership particulièrement agile pour concilier l’ambition de croissance de son entreprise avec les limites de son environnement physique et monétaire.

Références bibliographiques : Marinho, M., Silva, E. C., & Nakano, D. (2021). Cloud computing adoption in developing countries: A systematic review. International Journal of Information Management, 58, 102295.

Fiche de Lecture n°10

Référence : Bartelheimer, C., Wolf, V., & Beverungen, D. (2023). Workarounds as generative mechanisms for bottom-up process innovation—Insights from a multiple case study. Information Systems Journal, 33(5), 1085-1150.

MOTS-CLÉS & DÉFINITIONS

• Workarounds (Contournements) : Déviations intentionnelles par rapport aux procédures standards, utilisées par les employés pour surmonter des obstacles techniques au quotidien (cf. Bartelheimer et al.).

• Innovation Bottom-up (Ascendante) : Innovation qui naît directement du terrain (des employés) plutôt que d’être imposée par la direction ou la DSI.

• Mécanisme génératif : Processus par lequel une solution de bricolage temporaire (Shadow IT) finit par transformer durablement l’architecture officielle de l’entreprise.

SYNTHÈSE À travers une étude de cas multiple, Bartelheimer, Wolf et Beverungen démontrent que les pratiques de contournement (Shadow IT) ne sont pas de simples anomalies à réprimer. Elles constituent de véritables mécanismes générateurs d’innovation. L’employé qui utilise un Cloud non autorisé le fait pour pallier une faille d’agilité de la DSI officielle.

DÉVELOPPEMENT 1. L’ampleur du phénomène : Le bricolage comme norme L’article confirme que les “workarounds” commencent toujours comme des correctifs temporaires face à des systèmes d’information perçus comme trop rigides ou inadaptés aux réalités opérationnelles. 2. Le comportement humain : L’efficacité avant la règleL’employé ne cherche pas à nuire à l’entreprise, il cherche à atteindre ses objectifs. Si l’outil officiel bloque son processus, il inventera un chemin parallèle (SaaS, tableur non partagé) pour accomplir sa tâche. 3. Les risques : La diffusion silencieuse Le risque majeur identifié n’est pas l’existence du contournement, mais sa diffusion non contrôlée : une solution de bricolage adoptée par tout un département devient une infrastructure critique “fantôme” sans aucune garantie de sécurité. 4. La solution : L’intégration DSI La DSI doit identifier ces pratiques de contournement non pas pour les sanctionner, mais pour comprendre les failles de ses propres services et transformer ces bricolages en processus officiels et sécurisés (posture de Service Broker).

CONCLUSION Cette fiche est une munition redoutable pour notre Proposition 3 (Le Shadow IT). Elle nous permet de prouver que “l’informatique fantôme” observée en France comme en Côte d’Ivoire est en réalité une tentative d’innovation freinée par la bureaucratie. En entretien, il faudra amener nos interlocuteurs à avouer s’ils voient les “contournements” de leurs équipes comme des menaces ou comme des opportunités d’amélioration.

Fiche de Lecture n°9

Référence : Leonhardt, D., Haffke, I., Kranz, J., & Benlian, A. (2017/2023). Reinventing the IT function: The role of IT agility and IT ambidexterity in supporting digital business transformation. ECIS Research Papers / European Journal of Information Systems.

MOTS-CLÉS & DÉFINITIONS

• IT Ambidexterity (Ambidextrie IT) : Capacité vitale d’une direction informatique à gérer simultanément deux logiques opposées : l’exploration (innovation, agilité Cloud) et l’exploitation (stabilité, sécurité des vieux systèmes).

• Agilité IT : Capacité à reconfigurer rapidement les ressources informatiques pour répondre aux opportunités numériques du marché.

• Bimodalité : Stratégie de division de la DSI en deux vitesses pour tenter de résoudre le paradoxe de l’ambidextrie.

SYNTHÈSE Les auteurs théorisent la crise identitaire de la fonction informatique. Face à la transformation numérique, la DSI traditionnelle (focalisée sur la stabilité et la réduction des coûts) est inadaptée. Pour survivre et soutenir la création de valeur, elle doit se réinventer en devenant “ambidextre”, un exercice d’équilibriste extrêmement complexe à mettre en œuvre politiquement.

DÉVELOPPEMENT 1. L’ampleur du phénomène : La double injonction Les directions générales exigent de leur DSI qu’elle soit irréprochable sur la fiabilité (zéro panne), tout en lui demandant de déployer des innovations Cloud à la vitesse des start-ups. 2. Le comportement organisationnel : La tension de rôle Cette double attente génère un conflit de rôle profond au sein des équipes. Le technicien réseau (Exploitation) et l’architecte Cloud (Exploration) n’ont ni les mêmes rythmes, ni la même culture du risque. 3. Les risques : Le déclassement stratégique Si la DSI privilégie la sécurité au détriment de l’agilité, elle est contournée par les métiers. Si elle privilégie l’agilité sans maîtrise, elle expose l’entreprise. L’incapacité à gérer cette ambidextrie entraîne une perte de légitimité au sein du COMEX. 4. La solution : Repenser l’architecture et la gouvernance La DSI doit développer de nouvelles capacités organisationnelles (orchestration) pour que les deux mondes cohabitent sans se détruire.

CONCLUSION C’est le document clé pour valider l’Axe de l’Identité du DSI (Proposition 2). Cette étude prouve que le DSI est pris dans un étau psychologique et structurel. Les entretiens nous permettront de vérifier comment les DSI ivoiriens et français gèrent concrètement cette “schizophrénie” entre l’urgence d’innover (Leapfrogging) et l’obligation de maintenir les vieux systèmes opérationnels.

Fiche de Lecture n°8

Référence : Tumbas, S., Berente, N., & Brocke, J. V. (2020). Digital innovation and institutional entrepreneurship: Chief Digital Officer perspectives. Journal of Strategic Information Systems, 29(3), 101617.

MOTS-CLÉS & DÉFINITIONS

• Identité IT : Perception qu’ont les professionnels de l’informatique de leur rôle, de leur légitimité et de leur valeur au sein de l’organisation (cf. Tumbas et al.).

• Entrepreneuriat institutionnel : Action d’acteurs internes (comme le CDO) qui modifient les règles, les structures ou les cultures établies pour imposer l’innovation numérique.

• Service Broker (Courtier) : Nouveau rôle de la DSI consistant à orchestrer et gouverner des services informatiques externalisés plutôt qu’à les produire en interne.

• Balkanisation de l’IT : Éclatement du pouvoir technologique à travers différents départements (Métiers, CDO, DSI).

SYNTHÈSE Les auteurs démontrent que la transformation numérique génère un conflit de territoire majeur au sein des comités de direction. L’émergence de nouveaux acteurs de l’innovation (CDO, métiers) menace directement l’identité historique et institutionnelle du DSI “bâtisseur”, le forçant à repenser sa légitimité.

DÉVELOPPEMENT 1. L’ampleur du phénomène : La dilution du pouvoir L’article met en évidence que le monopole de la DSI sur la technologie est terminé :

• Guerre de leadership : L’apparition des Chief Digital Officers (CDO) ou des directions de l’innovation capte les budgets à forte valeur ajoutée, reléguant souvent le DSI à la simple gestion de l’infrastructure héritée (Legacy).

• Contournement institutionnel : Les métiers préfèrent s’adresser à ces nouveaux acteurs plus agiles pour déployer des solutions Cloud plutôt que de passer par la DSI traditionnelle jugée trop procédurière.

2. Le comportement humain : La crise de légitimité La perte de la maîtrise physique des serveurs (due au Cloud) est perçue par de nombreux DSI comme une dévalorisation de leur expertise technique. Ils vivent une véritable crise identitaire face à la transformation de leur métier d’ingénieur vers un métier de gestionnaire de contrats (cf. Tumbas et al.).

3. Les risques : La paralysie par la protection de territoire La réaction défensive des DSI traditionnels menace l’innovation de l’entreprise :

• Empire Building : Pour maintenir son influence, un DSI peut bloquer l’adoption de solutions Cloud performantes sous couvert d’arguments de sécurité, cherchant en réalité à préserver son parc matériel On-Premise.

• Désalignement stratégique : La guerre froide entre le DSI et le CDO conduit à une architecture numérique fragmentée.

4. L’évolution forcée vers l’orchestration Pour survivre, le DSI doit opérer une mue psychologique et institutionnelle pour embrasser le rôle de Service Broker, devenant le garant de la cohérence globale plutôt que le propriétaire des machines.

CONCLUSION Les travaux de Tumbas et al. valident de manière éclatante la psychologie politique des décideurs IT. Nous soutenons que la résistance au Cloud Hybride n’est pas un problème de bande passante, mais d’ego et de pouvoir. Pour notre Proposition 2, ces données confirment que la DSI perçoit l’externalisation comme une attaque territoriale. Lors de nos entretiens, il sera crucial d’identifier si les DSI (en France comme en Côte d’Ivoire) assument ce glissement vers le courtage ou s’ils s’accrochent à l’image valorisante du “Constructeur” technique, au risque de devenir obsolètes.

Références bibliographiques : Tumbas, S., Berente, N., & Brocke, J. V. (2020). Digital innovation and institutional entrepreneurship: Chief Digital Officer perspectives. Journal of Strategic Information Systems, 29(3), 101617.

Fiche de Lecture n°7

Référence : Siddiqui, N. A., Limon, G. Q., Hossain, M. S., & Mintoo, A. A. (2023). A systematic review of ERP implementation strategies in the retail industry: Integration challenges, success factors, and digital maturity models. American Journal of Scholarly Research and Innovation, 2(2), 135-165.

MOTS-CLÉS & DÉFINITIONS

• Défis d’intégration (Integration Challenges) : Obstacles techniques et organisationnels rencontrés lors de la connexion d’un nouveau système (Cloud/ERP) avec l’architecture héritée (Legacy).

• Modèles de maturité numérique : Cadres permettant d’évaluer la capacité réelle d’une entreprise à absorber une transformation technologique majeure.

• Systèmes critiques (ERP) : Colonne vertébrale numérique de l’entreprise dont la migration vers le Cloud est la plus risquée et la plus coûteuse.

SYNTHÈSE Siddiqui et ses co-auteurs démontrent à travers une revue systématique que l’implémentation de systèmes d’information critiques n’est jamais un simple projet technique. Les défis d’intégration liés à la maturité numérique des entreprises génèrent des surcoûts massifs et des résistances au changement qui peuvent paralyser l’organisation.

DÉVELOPPEMENT 1. L’ampleur du phénomène : Le mur de la complexité L’étude montre que la majorité des échecs ou des dépassements budgétaires lors du déploiement de systèmes majeurs (ERP/Cloud) proviennent d’une sous-estimation de la complexité d’intégration avec les bases de données existantes. 2. Le comportement managérial : Le déni de maturité Les décideurs achètent souvent des solutions technologiques avancées sans avoir évalué le niveau de maturité numérique de leurs équipes, créant un désalignement immédiat. 3. Les risques : L’inefficience opérationnelleSans une stratégie d’intégration rigoureuse et un accompagnement au changement, l’outil censé optimiser les processus devient une source de frustration, poussant les employés à revenir à leurs anciennes méthodes manuelles. 4. La solution : L’évaluation de la maturité L’adoption doit être graduelle et indexée sur un “modèle de maturité” strict. La formation et l’implication des utilisateurs finaux dès les phases de test sont identifiées comme le premier facteur clé de succès.

CONCLUSION Cette fiche est indispensable pour notre Proposition 1 (Les freins technico-financiers). Elle remplace à merveille l’article sur l’OPEX en prouvant que les coûts explosent lorsque l’entreprise manque de maturité face à la complexité d’intégration. Le concept de “maturité numérique” fait écho au titre même de notre mémoire et sera un axe d’analyse majeur pour comparer le panel français et le panel ivoirien.

Fiche de Lecture n°6

Référence : Mahmood, T., & Lacity, M. (2022). Cloud computing economics: A review and research agenda on FinOps. Journal of Information Technology, 37(4), 438-466.

MOTS-CLÉS & DÉFINITIONS

• FinOps (Financial Operations) : Modèle opérationnel et culturel favorisant la collaboration entre les équipes informatiques, financières et métiers pour optimiser les coûts du Cloud (cf. Mahmood & Lacity).

• Cloud Waste (Gaspillage Cloud) : Dépenses informatiques inutiles générées par des ressources Cloud surdimensionnées ou non éteintes (cf. Mahmood & Lacity).

• Modèle OPEX : Tarification basée sur la consommation réelle et continue (Dépenses d’exploitation), s’opposant à l’investissement initial (CAPEX).

• Élasticité des coûts : Capacité des dépenses à fluctuer instantanément en fonction de l’usage technique, rendant la prévision budgétaire complexe.

SYNTHÈSE Les auteurs T. Mahmood et M. Lacity démontrent que la transition vers le Cloud est un piège financier si elle n’est pas accompagnée d’une gouvernance stricte. Le modèle OPEX, vendu comme une source d’économies, engendre paradoxalement des dérapages budgétaires massifs car il transfère le pouvoir d’achat informatique aux développeurs sans cadre de contrôle financier.

DÉVELOPPEMENT 1. L’ampleur du phénomène : L’hémorragie budgétaire du Cloud L’article souligne que le passage au Cloud sans FinOps crée un gaspillage structurel. Les indicateurs retenus montrent l’écart entre la promesse commerciale et la réalité opérationnelle :

• Le Cloud Waste : On estime qu’en moyenne 30 % à 35 % des dépenses Cloud d’une grande entreprise sont gaspillées (instances fantômes, surdimensionnement).

• La décentralisation des dépenses : L’acte d’achat n’est plus un processus de validation trimestriel par la DAF, mais un clic instantané réalisé par un ingénieur technique.

2. Le comportement humain : L’illusion d’abondance Le Cloud crée un biais cognitif chez les équipes techniques. La facilité de déploiement pousse les développeurs à provisionner des serveurs plus puissants que nécessaire “par sécurité”, sans conscience du coût journalier généré (cf. Mahmood & Lacity). La performance prime sur la rationalisation.

3. Les risques : La perte de prévisibilité Si l’agilité technique progresse, la visibilité financière s’effondre :

• Le cauchemar comptable : La facturation à la seconde rend les budgets informatiques annuels obsolètes.

• Friction inter-départements : Le manque de langage commun entre le DAF (qui veut des prévisions) et le DSI (qui gère des pics de charge) crée des tensions politiques internes majeures.

4. La solution : Le changement de paradigme vers le FinOps L’article met en lumière que la technologie seule ne résout pas le problème du coût. L’entreprise doit instaurer une culture où le coût devient une “métrique de première classe”, au même titre que la sécurité ou la performance.

CONCLUSION Au terme de cette analyse, les travaux de Mahmood et Lacity (2022) constituent la preuve que la résistance financière de la DSI est légitime. Nous soutenons que la peur de l’OPEX est un frein majeur à l’adoption. Pour notre étude comparative, ces données valident notre Proposition 1 : la transition vers l’OPEX crée une perte de repères et un sentiment de vulnérabilité. En Côte d’Ivoire, ce défi FinOps sera logiquement décuplé par le risque de fluctuation du taux de change (CFA/Dollar), rendant l’élasticité des coûts encore plus dangereuse pour la survie financière de l’entreprise. Nous concluons que le DSI moderne ne doit plus seulement être un expert technique, mais un courtier financier capable d’orchestrer la valeur métier de chaque centime dépensé dans le Cloud.

Références bibliographiques : Mahmood, T., & Lacity, M. (2022). Cloud computing economics: A review and research agenda on FinOps. Journal of Information Technology, 37(4), 438-466.

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.