The Role of Artificial Intelligence in Supply Chain Risk Management: Understanding Applications and Challenges for Resilient Supply Chains

This thesis investigates how Supply Chain Risk Management (SCRM) can be strengthened, first by clarifying where risks originate across supply chain processes, and second by examining how Artificial Intelligence (AI) is actually applied in real organizational settings. Adopting a PRISMA-guided Systematic Literature Review, the study addresses two questions: (RQ1) “How can risk sources identified in recent literature be systematically mapped across the processes of the SCOR framework?” and (RQ2) “What are the applications and outcomes of AI technologies for Risk Identification, Risk Assessment, and Risk Mitigation in supply chain case studies?”. For RQ1, 10 post-2015 studies are synthesized into 325 risk-source statements, consolidated into a 14-category taxonomy and mapped onto the six SCOR processes (Plan, Source, Make, Deliver, Return, Enable), providing a process-based origin map of vulnerabilities that could be useful for guiding the development and deployment of AI techniques in SCRM. For RQ2, 15 papers, comprising also multiple case studies, are analyzed, showing that supervised Machine Learning is the most frequently used AI family across all risk management stages, complemented by Deep Learning, NLP/LLMs and other techniques, leading to outcomes such as improved forecast accuracy, fewer defects, reduced downtime and faster response. The discussion highlights organizational, economical, data-related and technological challenges that still hinder AI adoption in SCRM. Overall, the thesis contributes a SCOR-based view of risk origins and an evidence-based synthesis of AI applications in risk management stages, along with the challenges with AI use in building more resilient supply chains.

Questa tesi analizza come il Supply Chain Risk Management (SCRM) possa essere rafforzato, da un lato chiarendo dove hanno origine i rischi lungo i processi della supply chain e, dall’altro, esaminando come l’Intelligenza Artificiale (AI) venga effettivamente applicata in contesti organizzativi reali. Attraverso una Systematic Literature Review guidata dal protocollo PRISMA, lo studio affronta due domande di ricerca: (RQ1) «In che modo le fonti di rischio identificate nella letteratura recente possono essere mappate in modo sistematico sui processi del framework SCOR?» e (RQ2) «Quali sono le applicazioni e gli esiti delle tecnologie di AI nelle fasi di Risk Identification, Risk Assessment e Risk Mitigation in casi studio relativi alla supply chain?». Per RQ1, 10 studi pubblicati dopo il 2015 vengono sintetizzati in 325 fonti di rischio, successivamente ricondotti a una tassonomia di 14 categorie e mappati sui sei processi SCOR (Plan, Source, Make, Deliver, Return, Enable), producendo una mappa delle vulnerabilità basata sui processi, potenzialmente utile a orientare lo sviluppo e il dispiegamento di tecniche di AI nello SCRM. Per RQ2, vengono analizzati 15 articoli, che presentano uno o più casi studi ciascuno, dai quali emerge come il supervised Machine Learning rappresenti la famiglia di AI più frequentemente impiegata in tutte le fasi del risk management, seguita da tecniche di Deep Learning, NLP/LLM e altre metodologie. Tali applicazioni danno luogo a risultati quali un miglioramento dell’accuratezza previsionale, una riduzione dei difetti, minori tempi di giacenza e una risposta più rapida agli eventi avversi. In conclusione, la discussione mette in luce le principali sfide organizzative, economiche, tecnologiche e di gestione dei dati che ancora ostacolano l’adozione dell’AI nello SCRM. Nel complesso, la tesi fornisce una lettura delle fonti di rischio basata sul framework SCOR e una sintesi, supportata da casi studio, delle applicazioni dell’AI nelle diverse fasi del risk management, insieme ai principali ostacoli e sfide legati al suo impiego nella costruzione di supply chain più resilienti.