I tradizionali metodi utilizzati nel procurement risk management per la previsione e la mitigazione delle minacce risultano sempre meno efficaci nella gestione dei rischi e/o disruption a cui le supply chain sono sempre più esposte. Questo studio analizza le opportunità e le sfide derivanti dall'integrazione dell'Intelligenza Artificiale (IA) nel procurement risk management, delineando come tali tecnologie possano supportare la resilienza degli approvvigionamenti e delle supply chain. A tal fine, è stata condotta una revisione sistematica della letteratura utilizzando due dei principali database accademici: Scopus e Web of Science. Attraverso la formulazione di una query basata su un’analisi delle frequenze delle keywords utilizzate nella letteratura esistente sui temi di interesse, e secondo rigorosi criteri di inclusione ed esclusione, è stato selezionato e analizzato un campione di 84 articoli per investigare lo stato dell'arte e mappare i trend emergenti. L’analisi qualitativa ha evidenziato come l'IA offra opportunità significative nell'analisi predittiva, nel risk assessment e nel monitoraggio in tempo reale delle disruptions, consentendo di ottimizzare i processi decisionali proattivi. Tuttavia, emergono sfide critiche legate alla governance e qualità dei dati, agli elevati costi di implementazione, alla carenza di competenze interne e alla natura intrinseca degli algoritmi, che può limitarne la trasparenza, l’interpretabilità e l’accettazione da parte dei manager. Consolidando una letteratura scientifica frammentata, questo lavoro colma il divario tra il potenziale teorico dell'IA e i limiti operativi nel procurement, offrendo spunti per future direzioni di ricerca.

LE SFIDE E LE OPPORTUNITÀ DELL’INTELLIGENZA ARTIFICIALE NEL PROCUREMENT RISK MANAGEMENT: UNA REVIEW SISTEMATICA DELLA LETTERATURA

RITROVATO, CAROLINA
2025/2026

Abstract

I tradizionali metodi utilizzati nel procurement risk management per la previsione e la mitigazione delle minacce risultano sempre meno efficaci nella gestione dei rischi e/o disruption a cui le supply chain sono sempre più esposte. Questo studio analizza le opportunità e le sfide derivanti dall'integrazione dell'Intelligenza Artificiale (IA) nel procurement risk management, delineando come tali tecnologie possano supportare la resilienza degli approvvigionamenti e delle supply chain. A tal fine, è stata condotta una revisione sistematica della letteratura utilizzando due dei principali database accademici: Scopus e Web of Science. Attraverso la formulazione di una query basata su un’analisi delle frequenze delle keywords utilizzate nella letteratura esistente sui temi di interesse, e secondo rigorosi criteri di inclusione ed esclusione, è stato selezionato e analizzato un campione di 84 articoli per investigare lo stato dell'arte e mappare i trend emergenti. L’analisi qualitativa ha evidenziato come l'IA offra opportunità significative nell'analisi predittiva, nel risk assessment e nel monitoraggio in tempo reale delle disruptions, consentendo di ottimizzare i processi decisionali proattivi. Tuttavia, emergono sfide critiche legate alla governance e qualità dei dati, agli elevati costi di implementazione, alla carenza di competenze interne e alla natura intrinseca degli algoritmi, che può limitarne la trasparenza, l’interpretabilità e l’accettazione da parte dei manager. Consolidando una letteratura scientifica frammentata, questo lavoro colma il divario tra il potenziale teorico dell'IA e i limiti operativi nel procurement, offrendo spunti per future direzioni di ricerca.
2025
THE CHALLENGES AND OPPORTUNITIES OF ARTIFICIAL INTELLIGENCE IN PROCUREMENT RISK MANAGEMENT: A SYSTEMATIC LITERATURE REVIEW
IA
Supply Chain
Risk Management
Purchasing
File in questo prodotto:
File Dimensione Formato  
Tesi Ritrovato Carolina.pdf

File consultabile da postazioni biblioteca

Dimensione 717.43 kB
Formato Adobe PDF
717.43 kB Adobe PDF

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14253/110770