Inteligência artificial em logística e gestão da cadeia de suprimentos: um guia básico e um roteiro para pesquisa

A inteligência artificial generativa (doravante denominada IA) está no topo do ciclo de hype de Gartner em relação às tecnologias relacionadas à logística e ao gerenciamento da cadeia de suprimentos (LeGCS). Várias manifestações de IA, incluindo automação de processos robóticos (por exemplo, robôs colaborativos ou “cobots”), técnicas em visão computacional, reconhecimento de fala, aprendizado profundo e de máquina e processamento de linguagem natural, abriram novos caminhos para gerenciar de forma eficiente e eficaz a tomada de decisões e operações complexas (Pessot et al., 2023). A Figura 1 ilustra as capacidades dos aplicativos de IA existentes no ecossistema empresarial. Esses recursos de ponta podem potencialmente desenvolver capacidades dinâmicas, permitindo que as organizações reinventem estruturas, flexibilizem políticas, inovem processos e ofereçam novas improvisações em direção à criação de valor (Richey et al., 2022). Os gerentes de LeGCS agora esperam uma tomada de decisão objetiva e orientada por dados excepcionalmente rápida (Brau et al., 2023).

No entanto, todos nós já vivenciamos esse hype antes, não é mesmo? Há apenas alguns anos, os preços das ações estavam explodindo em corporações (que logo seriam) supervalorizadas, alegando investimentos significativos em tecnologia blockchain (Gligor et al., 2022; Treiblmaier e Garaus, 2023; Treiblmaier e Rejeb, 2023). A especulação carregada de hype é comum na prática e pesquisa de LeGCS porque a tecnologia é vital para movimentar bens, informações, finanças e pessoas. No entanto, a IA parece diferente dos avanços tecnológicos anteriores. A IA já demonstrou vários graus de sucesso. Indivíduos — como editores — estão notando imediatamente a capacidade da IA ​​de acumular texto escrito "plausível" (Boston Consulting Group, 2023). Robôs mostram destreza notável, fazendo com que os não iniciados reflitam sobre alguns dos filmes de Arnold Schwarzenegger. Deixando todo o humor de lado, nossa questão de pesquisa no Journal of Business Logistics (JBL) deve se concentrar em o que, quando, como e por que a IA realmente agrega valor. Ainda assim, a IA apresenta um paradoxo, pois reduz o envolvimento humano na simplificação de tarefas, ao mesmo tempo em que sobrecarrega os humanos com novas responsabilidades de tomada de decisão decorrentes das informações que ela gera.

Figura 1: Capacidades de IA em aplicativos empresariais existentes.

IA generativa se refere à integração de modelos de aprendizado de máquina para fabricar novos conteúdos. Isso abrange texto, áudio, vídeo, imagens, código de software e simulações com base em grandes conjuntos de dados que treinam o modelo generativo (Dwivedi, Kshetri, et al., 2023). Este subconjunto de tecnologias de IA inclui algoritmos como redes adversárias generativas (do inglês generative adversarial networks - GANs), modelos de grandes linguagens (do inglês large language models - LLMs) e técnicas de aprendizado por reforço com feedback humano (do inglês reinforcement learning with human feedback - RLHF) (Budhwar et al., 2023; Dwivedi, Kshetri, et al., 2023). A qualidade da saída depende da qualidade de sua entrada, considerando tanto os dados de treinamento quanto os prompts fornecidos pelos usuários para definir a tarefa desejada. A autenticidade das respostas de modelos de IA generativa, como GPT4, é limitada, visto que esses algoritmos são "opacos" em sua metodologia, não iluminando como as respostas foram geradas. Há preocupação sobre esses algoritmos gerarem informações espúrias, eufemisticamente denominadas “alucinações”, e alimentarem preocupações consideráveis ​​em relação à confiabilidade. Isso traz riscos éticos e de reputação significativos para o planejamento da cadeia de suprimentos. Por exemplo, o Google perdeu US$ 100 bilhões em ações devido a uma resposta imprecisa de seu chatbot de IA no Twitter durante uma demonstração em fevereiro de 2023 (Thorbecke, 2023).

O surgimento do ChatGPT na esfera pública desencadeou uma onda de interesse no mercado de chatbots de IA (Davenport, 2023). O anúncio da Microsoft de um investimento de US$ 10 bilhões na OpenAI galvanizou essa tendência, impulsionando outros provedores de tecnologia a entrar na corrida. O Google revelou recentemente um serviço experimental chamado “Bard” e “Project Magi”, com o objetivo de revolucionar as experiências de pesquisa na web (Data Scientist, 2023), enquanto o Meta introduziu o LLaMA, um modelo de linguagem que compreende 65 bilhões de parâmetros (Meta, 2023). Da mesma forma, o Baidu lançou um serviço no estilo ChatGPT chamado “Wenxin Yiyan” em chinês ou “Ernie Bot” em inglês. Os participantes adicionais incluem o Character.ai, um chatbot de IA capaz de personificar indivíduos famosos ou personagens fictícios. A empresa de mecanismos de busca sul-coreana Naver lançou sua própria ferramenta de IA, HyperCLOVAX, que foi incorporada ao seu mecanismo de busca e pode analisar e gerar texto, imagens, vídeos e áudio. Da mesma forma, no domínio LeGCS, a Microsoft revelou um novo recurso chamado Dynamics 365 Copilot como parte de sua plataforma de gerenciamento da cadeia de suprimentos (Microsoft Dynamics 365, 2023). O recurso aproveita a IA para auxiliar as empresas a monitorar e reagir prontamente a interrupções que podem afetar suas cadeias de suprimentos. Após a identificação de um possível risco, o sistema pode criar automaticamente uma mensagem e enviá-la aos fornecedores envolvidos. Por meio desse aplicativo de IA, a Microsoft visa aumentar a resiliência das cadeias de suprimentos, promovendo uma estratégia de operação empresarial mais eficiente e informada.

Prevemos que, à medida que novos participantes continuem a entrar no mercado de IA, a tecnologia se tornará mais poderosa e sofisticada, estendendo suas aplicações comerciais e potenciais riscos comerciais. Nesse contexto, a integração de redes neurais líquidas com GPTs permitirá que os modelos de IA aprendam de forma mais eficaz após o treinamento inicial e automaticamente, com intervenções humanas mínimas (Heater, 2023). Ao contrário do hype em torno de sistemas de IA generativos como GPT-4, as organizações enfrentam uma tarefa hercúlea no treinamento e operacionalização desses sistemas dentro de seus processos comerciais existentes. Isso tem implicações profundas para organizações que planejam implementar e usar IA (Rese e Tränkner, 2024). O processo de treinamento é intensivo em mão de obra e deve estar alinhado com a estratégia organizacional. Isso levanta questões sobre o tipo de treinamento; há uma diferença entre o domínio técnico de um sistema de IA e o conhecimento funcional da área de gestão ou operações que ele pretende facilitar.

Em contraste, os métodos tradicionais de IA geralmente exibem uma abordagem mais reativa, utilizando dados para previsões, mas não necessariamente criando algo novo. Por exemplo, a análise de regressão, uma forma de IA preditiva, pode prever a demanda com base em dados históricos de vendas e logística. No entanto, ela não fabrica novos cenários ou o impacto de alternativas estratégicas da cadeia de suprimentos. A IA pode prever a demanda e formular uma estratégia abrangente para atender a essa demanda, incluindo atividades de sourcing, produção, distribuição e atendimento ao cliente. Ela também pode

estender estratégias alternativas, fornecendo uma gama de opções para os tomadores de decisão. A IA introduz um elemento de criatividade e a capacidade de gerar novas ideias (Dwivedi, Pandey, et al., 2023). Para a LeGCS, isso pode implicar na elaboração de estratégias de sourcing, aquisição e gerenciamento de estoque inteiramente novas. Ela permite dinamismo e capacidade de resposta normalmente não associados a sistemas de IA mais tradicionais e baseados em regras.

No ecossistema dinâmico de LeGCS, a integração da IA ​​promete uma mudança sísmica nos paradigmas operacionais, remodelando fundamentalmente as práticas tanto cadeia acima, abrangendo aquisição de matéria-prima, complexidades de fabricação e relações com fornecedores, quanto para cadeia abaixo, incorporando estratégias de distribuição, engajamento do cliente e serviços pós-venda (IBM, 2023). À medida que as organizações navegam nessa transformação complexa, torna-se imperativo decifrar como a IA pode ser um catalisador para a inovação sem sucumbir a armadilhas potenciais. Cadeia acima, a IA pode transformar relacionamentos com fornecedores e gerenciamento de estoque por meio de análises preditivas e processamento de dados em tempo real. No entanto, essa transição exige um exame robusto das preocupações com segurança e privacidade de dados, garantindo a integridade e a confidencialidade de informações confidenciais. Além disso, uma dependência excessiva de algoritmos de IA pode potencialmente eclipsar a experiência humana, criando um equilíbrio delicado a ser mantido.

Simultaneamente, a cadeia de suprimentos movendo-se para baixo se beneficia de experiências aprimoradas do cliente facilitadas por insights e personalização orientados por IA. No entanto, isso deve ser navegado com uma abordagem consciente para evitar possíveis dilemas éticos, como algoritmos tendenciosos ou desinformação, que podem surgir inadvertidamente durante a implantação da IA ​​(Ashok et al., 2022). Portanto, à medida que as organizações contemplam a integração da IA, é vital promover uma abordagem aberta e proativa para a formulação de políticas e implementação de processos. Isso inclui a elaboração de ajustes estruturais completos que capitalizem as eficiências e inovações trazidas pela IA e abordem preventivamente os desafios potenciais, criando uma trajetória resiliente, ética e sustentável para a evolução do setor de LeGCS. Isso inclui o desenvolvimento de uma estratégia multifacetada que envolva as partes interessadas em todos os níveis e incentive esforços colaborativos para navegar no terreno complexo, mas promissor, que a IA apresenta. Pesquisas futuras em LeGCS podem tentar entender como a IA pode transformar práticas tanto cadeia acima quanto cadeia abaixo, evitando possíveis armadilhas que precisam ser consideradas antes que os planos de ajustes estruturais, de políticas e de implementação de processos sejam concretizados.

APLICAÇÕES: EM BUSCA DO DR. JEKYLL

Avaliação de sourcing e aquisição

A aplicação de IA generativa na avaliação e escolha de fornecedores oferece uma abordagem revolucionária, superando métodos convencionais que normalmente envolvem análise manual e tomada de decisão. A capacidade da IA ​​de examinar rapidamente grandes quantidades de dados de muitos fornecedores em potencial, ao mesmo tempo em que considera uma gama diversificada de parâmetros, incluindo custo-efetividade, qualidade do produto, confiabilidade, eficiência operacional e sustentabilidade, permite a geração de um portfólio de fornecedores ideal. Além disso, a IA estende sua promoção de inclusão e igualdade ao sugerir proativamente estratégias para integrar empresas de propriedade de minorias, mulheres ou veteranos do exército na cadeia de suprimentos. Aprimorada por sua capacidade de geração de texto, a IA pode fornecer descrições detalhadas das vantagens e desvantagens de cada fornecedor. Além disso, pode facilitar a criação de várias táticas de negociação e termos contratuais baseados em dados históricos e comportamento previsto do fornecedor.

Mitigação de riscos na cadeia de suprimentos

A utilidade da IA ​​generativa se estende ao domínio da gestão de risco (por exemplo, político, econômico, cultural e de parceiros), onde auxilia na avaliação de risco baseada em cenários, gerando modelos de interrupção em potencial, incluindo instâncias como insolvência de fornecedores, greves, calamidades naturais, pandemias e muito mais. Por meio de uma análise detalhada e contínua de interrupções em potencial e pontos de perigo, as empresas podem elaborar estratégias resilientes para garantir a continuidade dos negócios. Por exemplo, em uma interrupção da cadeia de suprimentos, a IA pode gerar alternativas viáveis ​​com base em vários fatores vinculados às nossas métricas tradicionais de qualidade de serviço de logística (Mentzer et al., 2021), mantendo assim as metas de compensação de atendimento ao cliente. Esses modelos sofisticados também podem desenvolver planos de contingência para várias interrupções, incorporando todas as informações de prompts gerenciais.

Precisão de aquisição e inventário

Os poderes preditivos da IA ​​generativa facilitam previsões de demanda e vendas mais precisas, permitindo que as empresas programem seus pedidos e quantidades de fornecedores de forma otimizada. Isso permite práticas de gerenciamento enxuto, mitigando desperdícios e ampliando a eficiência de recursos e processos. Além da previsão de demanda — uma aplicação tradicional do modelo de IA, a IA generativa pode elaborar políticas de estoque flexíveis, otimizando os custos de estoque excessivo ou insuficiente. Por exemplo, ela pode formular estratégias para gerenciamento de estoque just-in-time, potencialmente diminuindo os custos de armazenamento e melhorando o fluxo de caixa.

Distribuição, transporte e coordenação logística

A IA generativa pode formular estratégias de distribuição eficazes e caminhos logísticos, considerando restrições e objetivos, como redução de custos, maximização do nível de serviço, interrupções de roteamento, condições climáticas e considerações ambientais. Além disso, a IA pode desenvolver planos de backup em caso de interrupções, como engarrafamentos ou clima severo. Com a capacidade de analisar grandes quantidades de dados diversos em tempo real — incluindo tráfego, clima, especificações de veículos e custos de combustível — a IA pode elaborar as rotas de transporte mais eficientes. Por exemplo, o sistema de IA pode projetar uma rota para um caminhão de entrega fazendo várias paradas em uma cidade que minimiza o tempo de viagem ou o uso de combustível. Além disso, a IA pode fornecer justificativas textuais para as rotas selecionadas, oferecendo aos gerentes de logística uma gama mais ampla de opções e facilitando a tomada de decisões superiores. Dadas as restrições e estipulações explícitas como entradas, a IA generativa pode arquitetar layouts ideais para atividades de armazenamento e coleta em armazéns. Fatores como frequência de demanda específica do item, dimensões físicas da mercadoria e diversas capacidades de aparelhos de armazenamento e manuseio são essenciais para esse projeto algorítmico.

Relações com o cliente

A IA generativa pode ser alavancada como chatbots dentro do setor de consumo para automatizar a interação com a clientela. Isso envolve fornecer atualizações personalizadas sobre status de pedidos, tempos estimados de entrega e abordar dúvidas ou reclamações. O resultado é melhorar a satisfação do cliente, a experiência geral, a qualidade do serviço e a retenção de clientes. Nesse contexto, esses modelos complexos podem ajudar a criar estratégias de marketing e vendas personalizadas para demografias, produtos ou regiões distintas do cliente com base na análise preditiva de dados do consumidor e tendências de mercado.

Práticas sustentáveis ​​e eticamente conscientes

Ao otimizar rotas logísticas, minimizar necessidades de armazenagem e reforçar a utilização de recursos, a IA pode ajudar as empresas a diminuir sua pegada de carbono e promover a sustentabilidade. A IA pode arquitetar modelos para discernir e avaliar as implicações sociais e ambientais do fornecimento de fornecedores variados, auxiliando assim as empresas a priorizar práticas de comércio justo e fornecimento ético. Além disso, esses modelos podem ser implantados para criar estratégias de esforços de distribuição (particularmente em setores como saúde e fornecimento de alimentos) para garantir acessibilidade adequada para comunidades carentes em condições regulares e durante crises ou desastres. Por exemplo, uma corporação pode empregar IA generativa para garantir operações diligentes da cadeia de suprimentos. A IA pode examinar dados de auditorias de fornecedores, registros regulatórios e relatórios de mídia para identificar potenciais riscos de conformidade. Ao detectar um risco, como um fornecedor infringindo as leis trabalhistas, a IA pode sugerir um espectro de respostas, incluindo auditorias detalhadas, busca de fornecedores alternativos ou colaboração com fornecedores para resolver o problema (Pan e Nishant, 2023).

DESAFIOS: CONTENDO O SR. HYDE

No cenário atual de LeGCS, a integração da IA ​​promete um potencial sem precedentes para inovação e eficiência. No entanto, não é isenta de desafios substanciais. A adoção e integração da IA ​​dentro de estruturas existentes impulsionam uma gama complexa de obstáculos que abrangem considerações éticas, privacidade de dados, transparência e visibilidade (Morgan et al., 2023), questões de direitos autorais, falta de modelos regulatórios e adaptabilidade da força de trabalho (Budhwar et al., 2023; Dwivedi, Kshetri, et al., 2023). Além disso, o setor estabelece estratégias robustas para proteger contra possíveis usos indevidos e violações de segurança inerentes às tecnologias de IA e suas variantes, ao mesmo tempo em que nutre uma sinergia entre a experiência humana e a inteligência automatizada. À medida que o setor de LeGCS atravessa essa jornada transformadora, explorar esses desafios é vital para criar um caminho que possa aproveitar todo o potencial da IA ​​enquanto mitiga os riscos associados, promovendo um setor de LeGCS que não seja apenas tecnologicamente avançado, mas também produtivo, resiliente e sustentável. Nesse contexto, destacamos os desafios vitais abaixo.

Treinamento de IA

O treinamento de aplicativos de IA e suas variantes, como ChatGPT, apresenta desafios significativos ao integrá-los a qualquer domínio, incluindo LeGCS. Esses aplicativos exigem grandes quantidades de dados para funcionar de forma otimizada, e adquirir ou gerar esses dados pode exigir muitos recursos. Embora os dados sejam um dos ingredientes essenciais para operacionalizar a IA em qualquer aplicativo de negócios, as organizações, especialmente os parceiros de pequenas e médias empresas (PMEs) da cadeia de suprimentos, geralmente não têm processos, políticas e infraestrutura técnica robustos de gerenciamento de dados, o que pode impedir significativamente sua capacidade de alavancar aplicativos de IA em várias operações de negócios com sucesso. Para sistemas de IA como ChatGPT, dados de alta qualidade, diversos e representativos são essenciais para garantir que os sistemas possam gerar resultados significativos e perspicazes, dependendo do contexto de uso. Quaisquer lacunas, imprecisões ou corrupção nos dados podem levar a modelos de IA ineficazes ou até mesmo contraproducentes, produzindo insights errôneos ou perpetuando vieses existentes. Além disso, as organizações podem achar desafiador cumprir com os requisitos regulatórios em torno da privacidade e segurança de dados sem processos de gerenciamento de dados estabelecidos. A ausência de dados rigorosos expõe uma organização a ramificações legais, pois podem violar involuntariamente as leis que envolvem o uso e o manuseio de dados, especialmente informações pessoais ou confidenciais. Esse aspecto se torna cada vez mais crítico considerando a ênfase global na proteção de dados, como visto com regulamentações como o GDPR na Europa, novas regras de direitos autorais para IA propostas pela Comissão Europeia e um recente julgamento histórico sobre imagens criadas por IA não elegíveis para proteção de direitos autorais nos EUA. Além disso, uma política de gerenciamento de dados inadequada pode prejudicar a escalabilidade e a utilidade. À medida que as empresas evoluem, o volume e a complexidade dos dados que elas manipulam geralmente crescem exponencialmente. Sem processos estruturados para gerenciar esses dados de forma eficaz, as organizações podem ficar sobrecarregadas e incapazes de aproveitar todo o potencial dos aplicativos de IA, que prosperam em ambientes de big data para oferecer insights e análises mais profundas.

Problema de vieses

O próprio processo de treinamento é suscetível a incorporar vieses presentes nos dados de treinamento, o que pode levar a resultados tendenciosos e processos de tomada de decisão potencialmente falhos. Relatórios da mídia e pesquisas acadêmicas destacaram inúmeras instâncias em que sistemas de IA exibiram comportamento tendencioso. Relatórios mostraram sistemas de IA exibindo vieses raciais, de gênero ou de idade em várias aplicações, como recrutamento, pontuação de crédito e aplicação da lei. Isso prejudica a credibilidade e a confiabilidade dos sistemas de IA e levanta sérias preocupações éticas. A principal razão por trás da incorporação de vieses em qualquer modelo de IA é a presença de dados tendenciosos usados ​​durante a fase de treinamento. Esses vieses podem ocorrer devido a vários fatores, incluindo dados históricos contendo preconceitos, falta de representação de grupos minoritários e as perspectivas dos criadores influenciando o processo de coleta de dados. Quando os modelos de IA são treinados em tais dados, eles naturalmente absorvem esses vieses, influenciando seu processo de tomada de decisão. As implicações de tais vieses podem ser múltiplas. No contexto do LeGCS, isso pode significar que o sistema de IA pode priorizar injustamente certos fornecedores, produtos ou regiões, possivelmente levando a oportunidades desiguais e discriminação sistêmica. Também pode resultar em previsões falhas e tomada de decisão abaixo do ideal, afetando significativamente a eficiência e eficácia de uma organização.

Operacionalização

Operacionalizar aplicativos de IA, especialmente em LeGCS, pode ser um esforço complexo e cheio de nuances. O processo de aprendizado por reforço da IA ​​exige consolidação de dados, experiência humana e perspicácia tecnológica. No aprendizado por reforço, um modelo aprende a interagir com um ambiente para atingir algum objetivo ou maximizar alguma noção de recompensa cumulativa. O modelo aprende por tentativa e erro, aprendendo efetivamente as melhores ações a serem tomadas em vários estados. Embora poderosa, essa abordagem requer recursos computacionais consideráveis, e o processo de aprendizado pode às vezes ser um tanto opaco, dificultando a previsão ou compreensão completa das decisões do modelo. No contexto da IA, "alucinações" referem-se a instâncias em que o modelo gera saídas que não são baseadas em dados reais ou informações factuais, mas são fabricadas ou distorcidas pelo próprio modelo. Essas alucinações podem ser um problema significativo em LeGCS, onde precisão e confiabilidade são primordiais.

Na gestão de logística, previsões ou decisões incorretas por um sistema de IA podem ter repercussões econômicas substanciais. Por exemplo, um sistema de IA que prevê incorretamente um aumento na demanda por um produto específico pode resultar em excesso de estoque, aumento dos custos de transporte e potencial obsolescência. Por outro lado, subestimar a demanda pode resultar em rupturas de estoque, perda de vendas e relacionamentos com clientes prejudicados. No domínio de LeGCS, as percepções e a experiência de profissionais experientes são frequentemente indispensáveis. Esses profissionais podem fornecer informações diferenciadas para orientar o processo de aprendizado por reforço, ajudando a ajustar o modelo para refletir as complexidades do mundo real relevantes para o gerente de logística. A saída pode fornecer insights sobre o gerenciamento de interrupções na cadeia de suprimentos, que podem ser incorporados ao sistema de IA para torná-lo mais robusto e adaptável (Johnson et al., 2022). Desenvolver e manter um aplicativo de IA requer uma equipe com experiência em ciência de dados, aprendizado de máquina, desenvolvimento de software e outras áreas técnicas, o que também exige muito capital e muitas vezes é difícil de contemplar para empresas menores. Por exemplo, a integração de recursos de IA em um sistema de gerenciamento de armazém pode exigir conhecimento técnico para garantir integração perfeita com a infraestrutura de TI existente, recursos de processamento de dados em tempo real e o desenvolvimento de interfaces fáceis de usar para usuários finais.

Resiliência cibernética

As violações de dados relacionadas à IA são uma preocupação crescente, particularmente em LeGCS, onde uma grande quantidade de informações confidenciais é tratada regularmente. As violações de dados podem ocorrer como resultado de bancos de dados ou redes insuficientemente protegidos, que agentes mal-intencionados podem explorar para obter acesso não autorizado a informações confidenciais, esquemas de phishing, visando elos fracos na cadeia de suprimentos, como um fornecedor menor com protocolos de segurança menores, para entrar em bancos de dados de empresas maiores e APIs mal protegidas (usadas para coletar dados, alimentar o modelo de IA e acessar a saída de IA), que podem ser exploradas para extrair dados ou introduzir código malicioso no sistema de IA. Por exemplo, o ataque cibernético da SolarWinds (2020) se destacou como um incidente significativo não apenas devido ao comprometimento de uma empresa, mas porque iniciou uma interrupção de longo alcance na cadeia de suprimentos, impactando várias entidades, incluindo o governo dos EUA. Recentemente, em março de 2023, os desenvolvedores do ChatGPT relataram uma falha técnica que inadvertidamente permitiu que alguns usuários acessassem os históricos de bate-papo de outros, expondo informações pessoais confidenciais, como os últimos quatro dígitos dos números de cartão de crédito e suas respectivas datas de validade.

Uma violação de dados pode resultar na perda de oportunidades de negócios, pois clientes e parceiros podem optar por se dissociar de uma organização comprometida. Após uma violação, as organizações devem investir pesadamente na atualização de sua infraestrutura e protocolos de segurança. As organizações podem enfrentar maior escrutínio de reguladores, incluindo possíveis auditorias e requisitos regulatórios mais rigorosos. As organizações podem enfrentar ações legais de partes afetadas, incluindo clientes, fornecedores ou acionistas. Dada a crescente dependência de sistemas de IA na cadeia de suprimentos e gerenciamento de logística, as organizações devem estar cientes dos riscos elevados de violações de dados. Medidas proativas, incluindo proteção de redes, salvaguarda de dados e promoção de uma cultura de conscientização sobre segurança cibernética, podem ter grande importância na proteção de organizações contra as ameaças significativas representadas por violações de dados. No entanto, elas exigem muitos recursos e capital e exigem habilidades humanas.

Modelos e estratégias de negócios

A implementação de aplicativos de IA nas esferas complexas de LeGCS requer uma mudança monumental nas estruturas organizacionais e nas operações comerciais. Essas transformações provavelmente influenciarão a configuração da cadeia de suprimentos, reformularão os protocolos de tomada de decisão e iniciarão mudanças substanciais na estrutura organizacional. No entanto, esse é um território amplamente desconhecido e inexplorado, especialmente quando se consideram as capacidades e limitações dos modelos de IA em comparação com os sistemas de IA existentes. No cenário contemporâneo, as organizações se encontram navegando em um cenário de negócios dinâmico, volátil, impulsionado por crises, incerto e profundamente influenciado pela tecnologia em rápida evolução. Elas estão presas em um cenário complexo de escalada de suas iniciativas de sustentabilidade enquanto avançam em sua infraestrutura digital para manter uma vantagem competitiva. Esses imperativos gêmeos exigem uma recalibração profunda e cuidadosa de seus modelos de negócios existentes, incitando-as a inovar e evoluir.

No entanto, a inovação do modelo de negócios é um desafio formidável para qualquer organização. Ela exige recursos e capital substanciais e envolve um nível de risco, dado que os retornos sobre o investimento não são garantidos e raramente são realizados no curto prazo. Por exemplo, uma riqueza de dados está disponível sobre modelos de negócios e casos de economia circular, que podem servir como um campo de treinamento para modelos de IA. Esses sistemas de IA podem posteriormente auxiliar na elaboração de estratégias robustas de gerenciamento de mudanças, um componente crítico em quaisquer esforços de reengenharia e inovação. No entanto, a implementação prática dessas recomendações continua sendo um domínio complexo onde a expertise dos profissionais de LeGCS é indispensável. Seus anos de experiência prática, conhecimento tácito profundamente enraizado e profunda compreensão das estruturas organizacionais atuais desempenharão um papel decisivo na avaliação da viabilidade das mudanças propostas.

Além disso, encontramos uma lacuna significativa quando exploramos conceitos emergentes como modelos de negócios regenerativos (Konietzko et al., 2023), que se baseiam e estendem os princípios dos modelos de economia circular. Em seu estágio atual de desenvolvimento, os aplicativos de IA podem não oferecer às organizações um modelo abrangente para renovar os processos de negócios existentes e as configurações da cadeia de suprimentos. Os dados limitados sobre modelos de negócios regenerativos bem-sucedidos e as barreiras cognitivas, como a falta de consenso sobre seu potencial para melhorar o desempenho empresarial sustentável, representam desafios significativos. Além disso, suponha que as organizações contemplem a integração de diversos modelos de negócios, como servitização e estruturas regenerativas. Nesse caso, elas podem descobrir que os modelos de IA não oferecem um caminho claro para uma implementação bem-sucedida, apesar de serem alimentados com dados abundantes. Essa limitação surge de alguns fatores fundamentais: (a) a capacidade limitada da IA ​​de analisar criticamente os benefícios e as desvantagens da integração de dois modelos de negócios distintos; (b) sua falta de profundidade na compreensão das nuances das configurações da cadeia de suprimentos, relacionamentos com stakeholders e dinâmica cultural, que é frequentemente desenvolvida por meio de anos de experiência na indústria; (c) sua compreensão limitada da cognição humana, cultura organizacional e as complexidades multifacetadas que governam os ecossistemas de negócios. Portanto, embora a jornada em direção à integração da IA ​​na reestruturação das operações de negócios seja promissora, ela é repleta de complexidades e desafios que exigem uma abordagem colaborativa, ponderada e adaptável.

Dinâmica da força de trabalho

A infiltração de aplicações de IA no setor de LeGCS incorpora uma força potente capaz de remodelar de forma abrangente a dinâmica de emprego da indústria. Isso sinaliza uma mudança transformadora que promete redefinir os contornos da dinâmica de trabalho, cenários de emprego e a natureza dos empregos dentro do setor, o que tem sido amplamente discutido na literatura existente (Klumpp e Ruiner, 2022).

A pesquisa da Goldman Sachs indica que aproximadamente 300 milhões de cargos de tempo integral globalmente, incluindo dois terços nos EUA e na Europa, enfrentam o potencial de serem substituídos pela IA (Vallance, 2023). Ao mesmo tempo, dados recentes da OCDE sugerem que a IA poderia automatizar prontamente quase 27% das funções em nações da OCDE que dependem predominantemente de expertise humana (OECD Employment Outlook, 2023). Além disso, um estudo separado do Pew Research Center revelou que um em cada cinco trabalhadores americanos ocupa uma posição suscetível à substituição por IA (Kochhar, 2023). Embora a influência da digitalização impulsionada pela IA na força de trabalho pouco qualificada esteja bem documentada na literatura existente (Duan et al., 2019; Dwivedi et al., 2021), eventos recentes ressaltaram seu crescente impacto em profissões altamente qualificadas que tradicionalmente dependem da inteligência humana, criatividade, pensamento de ordem superior e experiência intuitiva tácita (Budhwar et al., 2023; Grennan e Michaely, 2020; The White House, 2022). Exemplos notáveis ​​incluem escritores e atores de Hollywood em greve por regulamentações mais rígidas sobre o uso de IA em estúdios para proteger empregos humanos e a controversa decisão da Universidade de Harvard de substituir professores humanos por um chatbot de IA para aulas de codificação neste outono. Esses incidentes destacam a necessidade urgente de reavaliar e se adaptar à dinâmica em evolução da IA ​​no cenário profissional.

Portanto, o impacto na natureza dos empregos provavelmente será profundo. Tarefas que antes eram manuais e demoradas podem em breve ser automatizadas, permitindo um fluxo de trabalho mais simplificado e eficiente (Loske, 2022). Essa automação, ao mesmo tempo em que aumenta a produtividade, o que é discutível, também pode gerar uma mudança nos conjuntos de habilidades exigidos no local de trabalho. Os funcionários podem precisar se adaptar promovendo habilidades que complementem as capacidades da IA, concentrando-se em áreas onde a inteligência humana tem uma vantagem distinta, como pensamento estratégico, resolução de problemas, persuasão, negociação e relações interpessoais.

A substituição e o deslocamento de empregos são prováveis ​​resultados consequentes dessa adoção tecnológica. Tarefas rotineiras, particularmente aquelas que são repetitivas e exigem intervenção humana mínima, estão prestes a ser as primeiras a serem deslocadas. Essa mudança pode potencialmente interromper as estruturas de empregos existentes, possivelmente levando ao deslocamento de trabalhadores em funções específicas. No entanto, é crucial observar que o surgimento da IA ​​também pode levar a novas oportunidades de emprego. Esses empregos podem envolver gerenciamento, manutenção e otimização de sistemas de IA, necessitando de uma força de trabalho adepta à navegação nas nuances da tecnologia avançada. Simultaneamente, o cenário de empregos no setor de LeGCS está programado para passar por transformações significativas. As organizações podem se inclinar cada vez mais para uma força de trabalho que possa colaborar perfeitamente com sistemas de IA, promovendo um relacionamento simbiótico que alavanca os pontos fortes de humanos e máquinas, ou seja, inteligência colaborativa (Chowdhury et al., 2022; Peng et al., 2022). As organizações devem planejar e formular estratégias proativamente considerando esses desenvolvimentos. Isso inclui investimento em programas de treinamento e requalificação, fomento de uma cultura de aprendizagem contínua e desenvolvimento de estruturas que facilitem transições e adaptações suaves às mudanças no cenário de empregos

UM CHAMADO CONTÍNUO PARA PESQUISA FUTURA

Considerando o cenário em evolução das aplicações de IA, um exame abrangente de suas implicações e desafios é crítico, particularmente dentro do setor de LeGCS. Desenvolvemos uma estrutura ilustrada de pesquisa na Figura 2 para facilitar isso.

Figura 2: Estrutura de pesquisa

Esta estrutura visa servir como um mapa de navegação que direciona a direção da pesquisa futura, revelando a interação entre os atributos da IA ​​e os resultados organizacionais que são altamente valorizados dentro do setor de LeGCS. No cerne da nossa estrutura proposta está o entendimento de que os aspectos técnicos inerentes da IA, ou seja, capacidades e limitações, são fundamentalmente influentes no fomento de sua aceitação e integração. Essas características intrínsecas simplificam a integração da IA ​​em sistemas de LeGCS existentes e introduzem obstáculos potenciais. Consequentemente, esses aspectos são vitais no estabelecimento de estruturas legais, éticas e políticas que regem sua aplicação. As organizações que operam no setor de LeGCS enfrentarão gradualmente os potenciais e obstáculos complexos associados à adoção da IA. Em resposta, elas modificarão suas estratégias para encapsular os pontos fortes e as oportunidades que a IA apresenta. Essa mudança estratégica tem implicações em várias facetas das operações de LeGCS, incluindo reengenharia de processos, transformação de práticas, coordenação e protocolos de tomada de decisão. Posteriormente, isso impulsiona uma transformação nos processos de LeGCS, abrindo caminho para modelos de negócios inovadores. Além disso, essa transição não se limita a alterar a disponibilidade de empregos ou a natureza das funções existentes. Ela permeia mais profundamente, influenciando como os indivíduos veem suas posições dentro da esfera profissional. Essa mudança é aparente nas preferências em evolução para o desenvolvimento de habilidades, onde há uma ênfase crescente no aprendizado contínuo para manter a relevância em um ambiente em rápida mudança. Finalmente, isso leva a uma transformação no setor de LeGCS, particularmente no que diz respeito aos resultados de produtividade, sustentabilidade e responsabilidade corporativa. Por meio da integração da IA, antecipamos uma evolução substancial no setor de LeGCS, que promete direcioná-lo para um futuro caracterizado por maior eficiência, resiliência e capacidade de resposta às demandas e desafios globais emergentes.

NÍVEL 1: FATORES QUE CONTRIBUEM PARA A ADOÇÃO DA IA

No cenário de IA em rápida evolução, a exploração de fatores que impulsionam e dificultam a adoção de tecnologias emergentes constitui uma fronteira crítica para pesquisas futuras (Duan et al., 2019; Hasija e Esper, 2022). Acadêmicos e profissionais podem se beneficiar significativamente de estudos abrangentes que se aprofundem nos elementos intrincados que impulsionam a rápida adoção de inovações de IA, bem como nas barreiras potenciais que podem retardar esse processo (Hendriksen, 2023). Nesse empreendimento, as pesquisas podem ser canalizadas para abordar um espectro de questões diferenciadas, como:

• Quais fatores socioeconômicos promovem um ambiente propício para a integração suave da IA?

• Como as culturas e estruturas organizacionais influenciam a velocidade e a extensão da adoção de tecnologia?

• Qual o papel da política e regulamentação governamental no avanço ou na restrição da permeação de soluções inovadoras em vários setores?

• Como as considerações éticas, incluindo privacidade e segurança de dados, influenciam a taxa de adoção?

• Além disso, entender os aspectos psicológicos vinculados à adoção de tecnologia, incluindo a resistência do usuário e a lacuna de habilidades, é vital.

Há uma necessidade urgente de pesquisar as dimensões éticas que regem a adoção da IA ​​(Dwivedi, Kshetri, et al., 2023; von Krogh et al., 2023). A natureza emergente dessa tecnologia abriu uma caixa de Pandora de dilemas e considerações éticas que exigem uma investigação acadêmica rigorosa para promover o uso responsável e equitativo. Nesse cenário, pesquisas futuras devem se concentrar em colocar questões críticas como:

• Quais potenciais vieses estão incorporados em sistemas de IA e como eles podem influenciar a disseminação de desinformação ou reforçar preconceitos sociais existentes?

• Quais medidas podem ser implementadas para garantir a implantação responsável da IA, evitando assim o uso indevido ou a exploração? Como o desenvolvimento e a operação da IA ​​podem ser direcionados para priorizar a proteção da privacidade do usuário e a segurança dos dados?

• Além disso, à medida que esses sistemas imitam cada vez mais interações semelhantes às humanas, como isso pode confundir os limites entre as comunicações humanas e de IA e quais implicações isso pode ter para o bem-estar psicológico individual e a dinâmica social?

As pesquisas também devem se concentrar no desenvolvimento de estruturas éticas que possam orientar a criação e a implantação de sistemas de IA. Esses estudos podem explorar o estabelecimento de diretrizes que promovam transparência, responsabilidade e inclusão (Dwivedi et al., 2021) em operações de LeGCS de IA. Isso pode envolver esforços colaborativos, reunindo especialistas das áreas de tecnologia, ética, direito, sociologia e psicologia para construir um modelo coeso e abrangente para uso ético ou responsável de IA (Ashok et al., 2022; Dwivedi et al., 2021).

Além disso, à medida que a IA evolui, os estudos devem reavaliar e adaptar continuamente essas estruturas éticas para garantir sua relevância e eficácia na mitigação de desafios emergentes. Este campo dinâmico necessita de pesquisa contínua para acompanhar os rápidos desenvolvimentos e promover um ecossistema de tecnologia que priorize o bem-estar e o tratamento ético de todas as suas partes interessadas. Em essência, as trajetórias de pesquisa futuras devem ter como objetivo criar um cenário onde uma abordagem consciente marque a adoção de sistemas de IA como o ChatGPT, uma que equilibre a busca pela inovação com um compromisso firme de defender os princípios éticos que governam a sociedade. Isso contribuiria significativamente para esculpir um futuro onde a tecnologia sirva como promotora do progresso sem comprometer os princípios éticos fundamentais que mantêm unida a estrutura da sociedade.

Pesquisas futuras devem dissecar e avaliar as estruturas legais existentes, identificando potenciais lacunas e nuances que podem surgir especificamente no contexto de aplicações de IA. Questões-chave a serem consideradas podem incluir:

• Quais são as implicações da adoção de IA em contratos e responsabilidades dentro da cadeia de suprimentos?

• Como as políticas regulatórias podem ser estruturadas para garantir a privacidade e a segurança dos dados, particularmente em operações de logística transfronteiriças?

• Quais salvaguardas legais são necessárias para evitar o uso indevido potencial da tecnologia de IA no setor, incluindo manipulação de dados ou práticas competitivas desleais?

Além disso, explorar a dinâmica das políticas deve facilitar a formulação de diretrizes que possam promover a inovação responsável, protegendo contra potenciais interrupções ou exploração (Richey e Davis-Sramek, 2022c). Pode ser pertinente estudar como as políticas podem ser estruturadas para encorajar a transparência e a responsabilização nas operações de IA dentro do setor, facilitando um ambiente de confiança e colaboração (Clayton, 2023). As pesquisas também podem se aprofundar nas implicações da IA ​​nas leis trabalhistas, investigando como a natureza evolutiva do trabalho e das funções dentro da cadeia de suprimentos pode ser acomodada dentro das estruturas legais. Outra área significativa de estudo diz respeito à dimensão internacional dos requisitos regulatórios. Dada a natureza global das cadeias de suprimentos, a pesquisa deve explorar como a cooperação internacional e a harmonização de regulamentações podem ser facilitadas para garantir uma operação tranquila e compatível das redes de suprimentos integradas à IA. Isso inclui estudar os mecanismos para transferências de dados transfronteiriças e estabelecer padrões internacionais para ética e operações de IA no setor de logística.

NÍVEL 2: PRÁTICAS E PROCESSOS DE LeGCS

À medida que nos aventuramos mais profundamente na era digital, a cadeia de suprimentos e a logística estão à beira de uma reviravolta tecnológica significativa facilitada por aplicativos de IA como o ChatGPT. Um território desconhecido de oportunidades de pesquisa se desdobra, acenando para a exploração acadêmica em várias facetas dos processos, práticas, reconfiguração, coordenação e inovação da cadeia de suprimentos.

Os esforços de pesquisa futuros devem investigar profundamente como a IA pode transformar os processos da cadeia de suprimentos. As principais questões neste campo podem abranger:

• Como a IA pode facilitar a reconfiguração dinâmica das estruturas da cadeia de suprimentos para responder rapidamente às demandas e interrupções do mercado?

• Quais práticas inovadoras podem ser previstas na gestão de logística, alavancando as capacidades preditivas e analíticas da IA?

• Além disso, o estudo deve se estender para entender como a coordenação entre várias partes interessadas na cadeia de suprimentos pode ser aprimorada por meio de plataformas de comunicação e compartilhamento de dados habilitadas por IA.

Em relação ao aspecto da inovação, as pesquisas devem se aprofundar na exploração de novos modelos de negócios que a IA pode promover dentro deste setor. As questões a serem consideradas incluem:

• Como a IA pode promover a inovação no design e desenvolvimento de produtos por meio de suas capacidades analíticas?

• Quais papéis a IA pode desempenhar na promoção de práticas sustentáveis ​​e ecologicamente corretas da cadeia de suprimentos?

• Além disso, uma análise de estudos de caso em que a IA impulsionou a inovação com sucesso pode servir como uma plataforma de aprendizado, oferecendo insights e estratégias para adoção mais ampla.

Uma parte integrante da adoção da IA ​​é a reconfiguração potencial das estruturas da cadeia de suprimentos, caracterizada por eficiência, adaptabilidade e inovação aprimoradas em LeGCS digitais. Essa nova fronteira exige uma pesquisa extensa, mapeando as potenciais vias e ramificações da integração da tecnologia de IA nas operações da cadeia de suprimentos. Devemos examinar rigorosamente a dinâmica da reconfiguração da cadeia de suprimentos no contexto da adoção da IA. No centro dessa investigação estariam questões como:

• Como a IA pode contribuir para criar redes de cadeia de suprimentos mais responsivas, resilientes e adaptáveis?

• Quais são as estratégias para alavancar a IA para otimizar o gerenciamento de estoque, a previsão de demanda e o planejamento logístico?

• Além disso, a pesquisa deve explorar as possibilidades de criar redes de suprimentos inteligentes que possam se adaptar autonomamente às mudanças na dinâmica do mercado e nas preferências do cliente, alavancando a criação de conteúdo da IA, a análise preditiva e os recursos de processamento de dados heterogêneos.

Além disso, os estudos devem investigar as mudanças organizacionais que podem acompanhar essa reconfiguração. As principais questões de pesquisa podem incluir: Como as organizações podem promover uma cultura contínua de aprendizado e adaptação para acompanhar os rápidos avanços técnicos? Além disso, um aspecto significativo a ser considerado são as potenciais estratégias de gerenciamento de mudanças, examinando como as organizações podem fazer uma transição suave para operações habilitadas por IA, ao mesmo tempo em que mitigam a resistência e promovem a adesão das partes interessadas.

A integração de sistemas de IA abre novos caminhos para transformar processos de tomada de decisão (Kumar et al., 2023). Pesquisas futuras neste domínio devem empreender uma abordagem multifacetada, compreendendo de forma abrangente várias dimensões que abrangem as oportunidades e os desafios do setor de integrações de IA. Considere:

• Como a IA pode contribuir para melhorar a precisão da previsão de demanda na cadeia de suprimentos?

• Qual papel a IA pode desempenhar na manutenção preditiva e otimização de estoque?

• Como os sistemas de IA podem auxiliar no rastreamento e ajuste em tempo real das operações de logística?

• Como os sistemas de IA podem servir como ferramentas de suporte à decisão para gerentes de LeGCS?

• Quais estruturas podem ser estabelecidas para integrar insights de IA ao planejamento estratégico perfeitamente?

• Quais são as implicações éticas de confiar na IA para tomada de decisão crítica em LeGCS?

• Quais são as análises potenciais de ROI e custo-benefício da implementação de IA na tomada de decisão de LeGCS?

• Como as organizações podem medir o sucesso da integração de IA em suas operações de cadeia de suprimentos?

O futuro cenário de pesquisa deve ter como objetivo promover um ecossistema onde a IA se integre perfeitamente à tomada de decisões da cadeia de suprimentos, aumentando a eficiência ao mesmo tempo em que adere às normas éticas e aos padrões regulatórios. O foco deve ser criar estruturas e metodologias que permitam que as organizações aproveitem totalmente o potencial da IA ​​enquanto navegam pelas complexidades e desafios dessa mudança tecnológica.

NÍVEL 3: TRABALHO, EMPREGO E INOVAÇÃO DO MODELO DE NEGÓCIOS

Aplicações de IA como ChatGPT no setor de LeGCS prometem trazer mudanças significativas na dinâmica do mercado de trabalho, influenciando o design do trabalho, a dinâmica organizacional, os padrões de emprego, as funções de trabalho e as trajetórias de carreira (Zagorin, 2023). Esse fenômeno necessita de pesquisa abrangente para entender as nuances dessas transições e equipar as partes interessadas com o conhecimento e as estratégias para navegá-las com sucesso. Aqui, fornecemos um roteiro para pesquisas futuras nesta área:

• Quais novas funções e responsabilidades devem surgir com a integração da IA ​​no setor de LeGCS?

• Como os requisitos de habilidades evoluirão para profissionais neste setor adotando tecnologias habilitadas para IA?

• Quais estratégias podem ser implementadas para facilitar uma transição suave da força de trabalho para ambientes integrados à IA?

• Como os programas de treinamento podem ser projetados para qualificar e requalificar os funcionários existentes para novas funções geradas devido à adoção da IA ​​em diferentes gerações?

• Como a integração da IA ​​deve influenciar os padrões de desenvolvimento e progressão de carreira no setor de LeGCS?

• Quais novas oportunidades e desafios os profissionais podem encontrar em suas carreiras com a evolução da IA?

• Quais são as implicações da adoção da IA ​​na segurança do emprego, direitos dos trabalhadores e dinâmica do mercado de trabalho? O objetivo deve ser estudar padrões de emprego em mudança, incluindo acordos contratuais, oportunidades freelance, estruturas salariais, taxas de emprego e segurança do emprego.

• Quais considerações éticas estão associadas às transições induzidas pela IA no mercado de trabalho?

• Como as organizações podem garantir inclusão e justiça em ambientes de trabalho orientados por IA?

• Como os formuladores de políticas podem promover um ambiente propício para a integração de IA, ao mesmo tempo em que protegem os interesses dos funcionários?

Portanto, pesquisas futuras devem se concentrar no desenvolvimento de um caminho equilibrado que maximize os benefícios da integração de IA, ao mesmo tempo em que mitiga potenciais impactos adversos na força de trabalho. Por meio de análise empírica, os pesquisadores podem ajudar a forjar um futuro em que a IA transforme o setor e promova um ambiente caracterizado por crescimento, oportunidade e inclusão ao longo dos princípios-chave da Indústria 5.0.

A IA é um catalisador promissor para promover modelos de negócios regenerativos e de servitização no setor de LeGCS. Por um lado, o modelo regenerativo enfatiza a restauração, renovação e revitalização das fontes de energia e materiais, criando sistemas sustentáveis ​​que integram a comunidade e o meio ambiente em seu núcleo (Hahn e Tampe, 2021). A IA pode facilitar isso otimizando a alocação de recursos, prevendo ciclos de vida de materiais e ajudando a criar sistemas de circuito fechado que minimizam o desperdício e nutrem o meio ambiente natural. Por outro lado, o modelo de servitização é centrado na transição da venda de produtos para a entrega de serviços abrangentes que oferecem maior valor aos clientes. A IA pode desempenhar um papel fundamental ao analisar dados do cliente para elaborar ofertas de serviços personalizadas, prever necessidades de manutenção de produtos antes que surjam problemas e promover canais de entrega de serviços dinâmicos e responsivos. Por meio da análise e utilização hábeis de big data heterogêneo, a IA pode, portanto, auxiliar na construção de modelos de negócios inovadores que impulsionem o crescimento econômico e promovam o rejuvenescimento ambiental e uma abordagem mais centrada no cliente, abrindo caminho para um cenário de negócios mais sustentável e orientado a serviços. Isso abriria caminho para uma nova era em que os modelos de negócios são caracterizados por inovação, inclusão e criação de valor. Várias questões de pesquisa que são críticas para promover uma compreensão mais profunda e facilitar a adaptação bem-sucedida ao ambiente de negócios em evolução são as seguintes:

• Como a IA pode melhorar a prestação de serviços e a experiência do cliente no setor de LeGCS?

• Quais novos modelos de negócios podem surgir para alavancar os recursos de IA para melhorar o engajamento e a satisfação do cliente?

• Como a IA pode facilitar a integração de práticas sustentáveis ​​e princípios de economia circular em modelos de negócios?

• Qual papel a IA pode desempenhar no fomento de modelos de negócios que promovam a eficiência de recursos e a redução de desperdícios?

• Como a IA pode contribuir para aumentar a transparência e a rastreabilidade nas cadeias de suprimentos?

• Quais modelos de negócios inovadores podem ser desenvolvidos para alavancar a IA para rastreamento e relatórios em tempo real nas cadeias de suprimentos?

• Como a IA pode auxiliar no desenvolvimento de modelos de negócios que aprimorem o gerenciamento de riscos e a resiliência nas cadeias de suprimentos?

• Quais são as perspectivas da IA ​​para facilitar a análise preditiva para mitigação proativa de riscos?

• Como a IA pode contribuir para o desenvolvimento de modelos de negócios regenerativos no setor de LeGCS com foco em benefícios sociais e restauração ecológica?

• Quais estratégias inovadoras podem ser formuladas usando IA para promover modelos de negócios que promovam a regeneração ambiental e a equidade social?

• Como as organizações podem garantir a conformidade com os requisitos regulatórios ao adotar modelos de negócios baseados em IA?

O futuro cenário de pesquisa deve lançar luz sobre o potencial transformador da IA ​​na formação de modelos de negócios inovadores dentro do setor de LeGCS. Ao explorar as implicações complexas da integração de IA, os pesquisadores podem contribuir para a evolução de estratégias de negócios que não apenas alavancam as capacidades da IA, mas também promovem sustentabilidade, eficiência e resiliência na indústria.

NÍVEL 4: RESULTADOS DE LeGCS

O futuro cenário de pesquisa examinando o impacto da implementação de aplicativos de IA, particularmente com foco em melhorias de produtividade e desempenho, é vasto e promissor (Wamba et al., 2023). Várias questões que os pesquisadores podem explorar para aprofundar o entendimento nesta área são descritas abaixo.

• Como os sistemas de IA podem otimizar as operações no setor de LeGCS?

• Quais são as áreas específicas dentro das operações da cadeia de suprimentos onde a aplicação da IA ​​pode aumentar significativamente a produtividade?

• Como a IA pode transformar o atendimento ao cliente, a cadeia de suprimentos e o engajamento logístico? Quais inovações a IA pode trazer para personalizar as experiências do cliente e promover relacionamentos mais fortes?

• Quais são as perspectivas para a IA no fomento de inovações que promovam a otimização de recursos e a sustentabilidade ambiental?

• Como a IA pode facilitar uma melhor gestão do conhecimento e promover a inovação nas operações da cadeia de suprimentos?

• Quais caminhos a IA pode abrir para criar repositórios de conhecimento e facilitar o aprendizado e a inovação organizacional?

• Quais oportunidades podem surgir da integração bem-sucedida de tecnologias de IA para melhorar o desempenho da cadeia de suprimentos?

A pesquisa deve envolver a compreensão dos potenciais aprimoramentos em produtividade e desempenho e a exploração de estratégias e modelos inovadores que podem redefinir a trajetória do setor. Por meio de estudos rigorosos, os pesquisadores podem promover uma base de conhecimento que oriente as organizações a alavancar a IA para criar um cenário de cadeia de suprimentos mais eficiente, sustentável e responsivo.

Pesquisas futuras devem priorizar uma abordagem interdisciplinar, extraindo de campos como ciência ambiental, ciência de dados e gestão de LeGCS, para estudar holisticamente o potencial da IA ​​em promover uma gestão de LeGCS mais sustentável. Isso inclui analisar os impactos diretos na sustentabilidade ambiental e social e examinar as implicações mais amplas para práticas, políticas e estruturas de governança da indústria. As principais questões de pesquisa que surgem são descritas abaixo.

• Como a IA pode facilitar o desenvolvimento de redes de cadeia de suprimentos mais sustentáveis?

• De que maneiras a IA pode aumentar a transparência e a rastreabilidade dentro da cadeia de suprimentos para promover a sustentabilidade?

• A IA pode desempenhar um papel fundamental no aprimoramento da eficiência energética e na redução da pegada de carbono das operações da cadeia de suprimentos?

• Como a análise orientada por IA pode auxiliar na elaboração de estratégias de transporte e logística sustentáveis?

• Como a IA pode facilitar o design e o desenvolvimento de produtos e serviços sustentáveis?

• Como a IA pode auxiliar as organizações a cumprir seus compromissos de responsabilidade social corporativa (RSC)?

• De que maneiras a IA pode aprimorar o engajamento e a colaboração das partes interessadas para promover a sustentabilidade?

• Como a IA pode auxiliar as organizações a cumprir com regulamentações e políticas relacionadas à sustentabilidade?

• Qual papel a IA pode desempenhar no aprimoramento das estruturas de governança para promover a sustentabilidade nas operações da cadeia de suprimentos?

• Quais metas de desenvolvimento de sustentabilidade se beneficiarão da adoção de aplicações de IA no setor de LeGCS?

Investigar as ramificações da incorporação de tecnologias de IA no aprimoramento da due diligence dentro do setor de LeGCS oferece uma nova fronteira que garante uma exploração detalhada de como a IA pode facilitar a mitigação de riscos, conformidade e transparência. Possíveis vias de pesquisa e questões críticas que podem moldar futuros esforços acadêmicos nesta área são descritas abaixo.

• Como a IA pode ajudar a identificar e mitigar riscos em vários estágios da cadeia de suprimentos?

• Até que ponto as tecnologias de IA podem fornecer insights preditivos sobre potenciais interrupções e vulnerabilidades na cadeia de suprimentos?

• Como a IA pode agilizar e aprimorar o processo de avaliação de fornecedores?

• Os aplicativos de IA podem fornecer insights mais abrangentes sobre o desempenho e a confiabilidade do fornecedor?

• Como a IA pode facilitar a conformidade com os requisitos regulatórios em constante evolução no setor da cadeia de suprimentos?

• As ferramentas de IA podem ajudar as organizações a manter a adesão aos padrões ambientais, sociais e de governança (ESG)?

• De que maneiras as tecnologias de IA podem aprimorar os processos de due diligence financeira no setor de LeGCS?

• A IA pode fornecer ferramentas mais sofisticadas para análise e previsão financeira?

• Até que ponto as tecnologias de IA podem fornecer insights em tempo real sobre as jornadas do produto e as operações da cadeia de suprimentos?

• A IA pode promover práticas éticas de aquisição e fornecimento?

A integração de tecnologias de IA no setor de LeGCS promete uma transformação com várias implicações. À medida que avançamos para essa nova fronteira, a necessidade de pesquisa robusta sobre os cenários legais, políticos e regulatórios que regem essa adoção se torna primordial. Em um setor inerentemente complexo e globalmente interconectado, questões de jurisdição, conformidade e execução surgem como áreas críticas de estudo.

NÍVEL 5: ESTRUTURAS TEÓRICAS E PRÁTICAS

Em sua essência, a IA se destaca dos avanços tecnológicos anteriores devido à sua capacidade inerente de recomendar decisões, adaptar-se com base em experiências de aprendizagem e aprimorar progressivamente as interações com base no conhecimento adquirido (Haenlein e Kaplan, 2019). Este processo evolutivo é marcadamente distinto das transições tecnológicas anteriores, focadas principalmente em alterar ou substituir tarefas manuais por processos automatizados. Além disso, os aplicativos de IA atuais, como ChatGPT e Bard, se destacam na compreensão das nuances da linguagem natural por meio de padrões e sequências e possuem uma capacidade notável de compreender e gerar texto contextualmente, oferecendo respostas mais sofisticadas e coerentes em interações estendidas.

Portanto, a IA possui uma série de camadas complexas que redefinem sua integração em vários setores (Makar-ius et al., 2020). Essas complexidades podem ser categorizadas em várias dimensões, incluindo aspectos cognitivos que se relacionam com as capacidades e limitações dos sistemas de IA e facetas relacionais, que abrangem os vários fatores que entram em jogo durante o processo de adoção da IA. Além disso, a dimensão estrutural encapsula o amplo impacto da IA ​​nos padrões de trabalho, estruturas organizacionais, a interação entre IA e funcionários e a complexidade regulatória, ressaltando a necessidade imperativa de considerações éticas e promovendo a utilização sustentável da IA. Essa transição precipitou limites confusos entre funções humanas e funcionalidades de máquinas, promovendo um paradigma onde os processos automatizados de tomada de decisão estão cada vez mais interligados com complexidades contextuais. Dado esse cenário, torna-se aparente que as estruturas teóricas existentes podem não conseguir capturar a profundidade e a amplitude das transformações resultantes da IA ​​no setor de LeGCS. As rupturas e evoluções causadas pela IA são profundas e sem precedentes, muitas vezes ultrapassando os limites estabelecidos pelas teorias tradicionais.

Assim, navegar no cenário matizado criado pela IA requer o desenvolvimento de uma lente teórica mais sofisticada. Essa lente deve ser capaz de compreender as complexidades multifacetadas introduzidas pela IA, oferecendo um modelo dinâmico e adaptável para estudar e entender as mudanças radicais que ocorrem no setor de LeGCS. À medida que nos aproximamos dessa transformação, cabe a nós promover uma abordagem teórica que ressoe com o dinamismo e a inovação devidos à IA, facilitando assim uma integração e aplicação perfeitas da IA ​​no cenário de LeGCS, o que levará à produtividade, sustentabilidade e resiliência, e à sinergia com a expertise humana. As principais questões de pesquisa que podem ajudar com essas dimensões são descritas abaixo.

• Até que ponto as teorias existentes no setor de LeGCS podem abordar de forma abrangente as implicações e a integração da IA?

• Quais lacunas e limitações notáveis ​​estão presentes nas teorias atuais ao examinar os fenômenos da integração da IA ​​no setor de LeGCS, e como elas podem ser abordadas para promover uma compreensão mais profunda?

• Como a síntese de teorias e insights existentes de estudos interdisciplinares pode melhorar a compreensão e a explicação do impacto potencial da IA ​​no setor de LeGCS?

• Quais novas teorias podem ou devem ser formuladas para entender holisticamente os fenômenos da IA ​​dentro do setor de LeGCS, e qual justificativa sustenta a necessidade de tal desenvolvimento teórico?

Abordagens metodológicas

As questões de pesquisa e a agenda apresentadas na seção acima sugerem claramente que o domínio é complexo, necessitando do uso de vários métodos estabelecidos e emergentes para abordar as questões de pesquisa mencionadas anteriormente. Em outras palavras, um exame rigoroso da aplicação de IA em LeGCS exige uma abordagem de pesquisa de métodos múltiplos ou mistos. Abaixo, descrevemos alguns métodos quantitativos e qualitativos adequados para conduzir pesquisas rigorosas neste domínio.

Começando com o método de pesquisa experimental, ele se destaca como uma ferramenta essencial na avaliação da eficácia de aplicações de IA em um ambiente controlado. Os pesquisadores têm a latitude para criar protótipos de sistemas de IA e submetê-los a diversas condições simuladas para avaliar seu desempenho. Isso pode abranger tarefas como alavancar IA para previsão de demanda — com modelos generativos treinados para antecipar tendências de demanda futuras com base em dados anteriores — ou utilizar IA para otimização de rotas para elaborar as rotas de transporte mais eficientes em termos de tempo e custo. Além disso, a pesquisa experimental pode facilitar uma comparação detalhada da eficiência e eficácia das ferramentas de IA em relação aos resultados derivados de métodos tradicionais, incluindo abordagens manuais. Testes de teoria baseados em pesquisa podem ser empregados para aprofundar questões em torno da adoção e utilização de IA, especialmente em nível individual. Além disso, metodologias como análise de regressão e previsão de séries temporais podem ser aplicadas para examinar conjuntos de dados extensos e promover o desenvolvimento de modelos preditivos. Técnicas de aprendizado de máquina e aprendizado profundo podem ser alavancadas para capacitar sistemas de IA a formular soluções de forma autônoma com base na análise de dados.

A pesquisa qualitativa pode complementar métodos quantitativos, permitindo uma compreensão mais profunda por meio de entrevistas e grupos de foco envolvendo partes interessadas da indústria. Este método é fundamental para explorar os desafios práticos e oportunidades de implementação de IA em logística e gerenciamento da cadeia de suprimentos, orientando assim os sistemas de IA a se alinharem com os requisitos e preferências do usuário final. O método de estudo de caso oferece um terreno fértil para a compreensão de cenários individuais ou comparativos, fornecendo uma narrativa rica da implantação de IA em vários contextos logísticos. Por exemplo, os estudos de caso podem explorar as melhorias que a IA pode trazer para o gerenciamento de depósito por meio de estratégias ideais de armazenamento e recuperação. A abordagem é igualmente potente para examinar o uso e o impacto da IA ​​em níveis organizacionais e de equipe. Além disso, a metodologia da teoria fundamentada pode ser utilizada para construir teorias intimamente ligadas aos dados acumulados durante a pesquisa, apoiando a criação de sistemas de IA fundamentados em evidências empíricas.

A pesquisa de ação pode ser empregada como um método iterativo, promovendo um ciclo de planejamento, ação, observação e reflexão, auxiliando assim o desenvolvimento de sistemas de IA adaptativos e otimizados. Essa abordagem acolhe ajustes em tempo real para sistemas de IA, refletindo o feedback adquirido durante as fases de teste. Resultados semelhantes podem ser alcançados por meio da Pesquisa de Design de Ação. Ao aproveitar uma mistura de métodos de pesquisa qualitativos e quantitativos, os pesquisadores podem forjar uma compreensão substancial do potencial e das restrições da IA ​​em LeGCS, guiando o caminho para soluções inovadoras e pragmáticas nessa área. As questões essenciais de pesquisa que são relevantes para metodologias para examinar o impacto da IA ​​em LeGCS são descritas abaixo:

• Quais são os projetos e métodos de pesquisa apropriados para investigar o impacto da IA ​​nos níveis micro, macro e meso em LeGCS?

• Quais metodologias podem ser aplicadas para estudar os potenciais vieses e desigualdades introduzidos pela integração da IA ​​em LeGCS?

• Quais são as métricas e técnicas de avaliação apropriadas para medir o impacto da IA ​​na eficiência e produtividade da cadeia de suprimentos?

• Como métodos mistos podem ser usados ​​para entender a experiência humana e as perspectivas sobre o papel crescente da IA ​​na logística?

• Como as metodologias de pesquisa existentes e novas auxiliam na identificação e compreensão de potenciais inovações em LeGCS através das lentes do desenvolvimento de IA?

CONCLUSÃO E ARTIGOS NESTA EDIÇÃO

A JBL tem uma longa história de apoio à pesquisa conectada e ao avanço da prática de LeGCS. Embora esta discussão generativa sobre IA abra as portas para uma chamada contínua para pesquisa relacionada em LeGCS, este periódico sempre apoia a pesquisa orientada para a tecnologia. Os três primeiros artigos desta edição continuam nossa tradição de 45 anos de examinar tópicos emergentes baseados em tecnologia, como Blockchain, sistemas de e-fulfillment e tendências da Indústria 4.0. Em “Explorando Blockchain para Prevenção e Alívio de Desastres: Uma Estrutura Abrangente Baseada em Estudos de Caso da Indústria”, Treiblmaier e Rejeb empregam um grupo de estudos de caso para investigar como as soluções Blockchain podem ser implementadas em cenários de prevenção e alívio de desastres. Examinando os papéis das principais partes interessadas, os autores ilustram as motivações firmes na implantação da tecnologia blockchain, listando as propriedades relevantes e destacando os fatores de contingência. As descobertas demonstram oportunidades de blockchain para agilizar os fluxos de informações e aumentar as capacidades das partes interessadas. Usar a tecnologia LeGCS para salvar vidas é uma prioridade para nossa pesquisa. Espere ver uma atenção crescente à logística humanitária na JBL em breve!

No segundo artigo, “Modularização dos serviços de logística front-end em e-Fulfillment”, Yurt et al. (2023) exploram o contexto da modularidade de serviço na logística voltada para o cliente para e-fulfillment. Ficamos felizes em receber este artigo, pois continuamos a pedir mais trabalho de logística do consumidor. Espere um fórum de tópico especial no início de 2024. Esses autores usaram uma pesquisa online de clientes para extrair dados e identificar clusters (compradores multicanal, compradores pouco frequentes e fãs online), fornecendo evidências preliminares sobre como os aspectos de comunalidade e variabilidade da modularidade de serviço otimizam o número de opções de serviço e os níveis de desempenho relacionados. Pessot et al. (2023) sobem para o nível da indústria ao “Capacitar cadeias de suprimentos com tecnologias da Indústria 4.0 para enfrentar megatendências”. Eles aproveitam entrevistas em grupo focal para investigar como as megatendências impactam o cenário da cadeia de suprimentos e o papel da tecnologia no suporte ao alinhamento da cadeia de suprimentos. Cinco capacidades da cadeia de suprimentos são identificadas como contingências externas prevalentes e adequadas. O estudo também destaca e compara o potencial das tecnologias I 4.0 e suas aplicações no suporte a capacidades específicas da cadeia de suprimentos. Este é um artigo que deve abrir mentes para futuras ideias de pesquisa.

Após os três primeiros artigos voltados para tecnologia nesta edição, continuamos trabalhando para colocar mais artigos em cada volume anual da JBL. Não há limite para o número de artigos que publicaremos. Se conseguirmos 100 artigos de qualidade, publicaremos 100 artigos de qualidade. Os cinco artigos restantes nesta edição final são de alta qualidade e abrangem tópicos diversos, o que nos leva a 32 artigos citáveis ​​no ano. Do mundo do transporte, Balthrop et al. (2023) nos trazem “Como as empresas de transporte respondem a repressões de segurança anunciadas versus não anunciadas? O caso de blitzes de inspeção do governo”. Este artigo abrange nosso apelo contínuo por pesquisa de políticas (consulte: Richey e Davis-Sramek, 2022a, 2022b). Os autores investigam como as transportadoras respondem a mudanças na probabilidade de regulamentação por meio de inspeções. Usando um conjunto de dados longitudinais, eles descobriram que empresas com menores custos de conformidade e maiores custos de evitar inspeções melhoram a conformidade antes e durante as “blitzes” anunciadas. Pequenas empresas com menores custos de prevenção tendem a evitar blitzes anunciadas, enquanto blitzes não anunciadas não resultam em mudanças na conformidade ou prevenção.

Também continuamos a pedir trabalho na entrega de última milha. A última milha é onde a pesquisa e os revisores são escassos. Em "You're Driving Me Crazy! How Emotions Elic- ited by Negative Driver Behaviors Impact Customer Outcomes in Last Mile Delivery", Masorgo et al. (2023) realizam um experimento baseado em cenários examinando — quem está na porta com um pacote? À medida que os motoristas de entrega atuam cada vez mais como funcionários da linha de frente dos varejistas eletrônicos por meio de entregas em domicílio, os comportamentos negativos dos motoristas impactam cada vez mais a satisfação do cliente e as intenções de recompra. A afiliação do motorista está alterando a magnitude das respostas do cliente. Os resultados mostram que os efeitos adversos do comportamento inadequado do motorista nos resultados do cliente são mediados pela raiva e que os efeitos da inflexibilidade do motorista são mediados pela tristeza. Além disso, o efeito negativo da inflexibilidade do motorista nos resultados do cliente é mais fraco para a logística terceirizada do que para motoristas de frotas privadas. O comportamento inadequado do motorista exibe seus efeitos adversos semelhantes nos resultados do cliente para ambas as afiliações de motorista.

Os três artigos finais examinam questões estratégicas clássicas de adiamento, sourcing baseado em relacionamento e substituição de estoque. Essas questões merecem atenção adicional à medida que avançamos por uma mudança de paradigma pós-pandemia. Em um estudo muito necessário intitulado “Revisitando o postponement: problemas de cruzamento de fronteiras e implicações fiscais para cadeias de suprimentos globais de soluções integradas”, Norrman e Prataviera (2023) examinam a tomada de decisão de adiamento para cadeias de suprimentos globais. Esta abordagem de estudo de caso de um a quatro explora decisões, implicações fiscais e legais relacionadas e integração multifuncional em uma empresa global de alta tecnologia. Os autores detalham os motivadores contextuais do aumento da complexidade de limites de adiamento para ilustrar mudanças em sua tomada de decisão.

Em “Ações competitivas e relacionamentos na cadeia de suprimentos: como as ações de redução de valor dos fornecedores afetam as decisões de aquisição dos compradores.” Hofer et al. (2023) usam análise econométrica e baseada em dados de painel para abranger os efeitos das ações competitivas no contexto de relacionamentos verticais comprador-fornecedor, examinando explicitamente como as ações competitivas de redução de valor de uma empresa fornecedora levam a reduções subsequentes nas alocações de aquisição do comprador e como fatores contextuais moderam tais efeitos. As descobertas mostram que as ações de redução de valor de um fornecedor estão associadas a reduções nas compras do comprador do fornecedor, bem como a relação vertical a jusante do fornecedor e o grau em que fornecedores rivais buscam ações de redução de valor moderam esse efeito.

Finalmente, Pritchard et al. (2023) examinam um problema clássico de logística relacionado a taxas de preenchimento e rupturas de estoque. Este estudo é um excelente exemplo de como até mesmo nossas expectativas neoclássicas de Deming e outros especialistas em JIT e lean não são mais geralmente aceitas, nem deveriam ser se realmente estivermos focados no cliente. Em “The impact of stockout-based switching on fill rates”, os autores examinam como o comportamento de substituição do cliente pode influenciar as medidas de atendimento ao cliente. Os autores descobrem que a taxa de preenchimento do item é principalmente uma função do nível de serviço alvo do item focal e da disposição de mudar de um item alternativo para o item focal. A taxa de preenchimento da categoria é influenciada pelo nível de serviço alvo de ambos os itens, com uma disposição de mudar amplificando seu efeito. No entanto, a abordagem da árvore de decisão pode superestimar a taxa de preenchimento do item quando a disposição de substituir o item alternativo aumenta e prevê com precisão as taxas de preenchimento da categoria fora de cenários com substituibilidade assimétrica.

Esperamos que o volume 44 do JBL tenha sido informativo e impactante. Também esperamos que este editorial de perspectiva ajude a orientar pesquisas futuras e incentive o campo a enviar trabalhos importantes para o periódico. Obrigado por apoiar o Journal of Business Logistics.

DOI: 10.1111/jbl.12364

REFERÊNCIAS
Ashok, M., Madan, R., Joha, A., & Sivarajah, U. (2022). Ethical framework for artificial intelligence and digital technologies. International Journal of Information Management, 62, 102433. https://doi.org/10.1016/j.ijinfomgt.2021.102433
Balthrop, A., Scott, A., & Miller, J. (2023). How do trucking compa- nies respond to announced versus unannounced safety crack- downs? The case of government inspection blitzes. Journal of Business Logistics. https://doi.org/10.1111/jbl.12353
Boston Consulting Group. (2023). Generative AI. https://www.bcg. com/x/artificial-intelligence/generative-ai
Brau, R. I., Sanders, N. R., Aloysius, J., & Williams, D. (2023). Utilizing people, analytics, and AI for digitalized retail supply chain decision-making. Journal of Business Logistics. https:// doi.org/10.1111/jbl.12355
Budhwar, P., Chowdhury, S., Wood, G., Aguinis, H., Bamber, G. J., Beltran, J. R., Boselie, P., Cooke, F. L., Decker, S., DeNisi, A., Dey, P. K., Guest, D., Knoblich, A. J., Malik, A., Paauwe, J., Papagiannidis, S., Patel, C., Pereira, V., Ren, S., ... Varma, A. (2023). Human resource management in the age of generative artificial intelligence: Perspectives and research directions on ChatGPT. Human Resource Management Journal, 33(3), 606– 659. https://doi.org/10.1111/1748-8583.12524
Chowdhury, S., Budhwar, P., Dey, P. K., Joel-Edgar, S., & Abadie, A. (2022). AI-employee collaboration and business perfor- mance: Integrating knowledge-based view, socio-technical systems and organisational socialisation framework. Journal of Business Research, 144, 31–49. https://doi.org/10.1016/j.jbusr es.2022.01.069
Clayton, J. (2023, May 17). Sam Altman, CEO of OpenAI calls for US to regulate artificial intelligence. BBC News. https://www.bbc. com/news/world-us-canada-65616866
Data Scientist. (2023, April 19). Internet searches will change forever with Google's “Magi”. https://datascientest.com/en/internet- searches-will-change-forever-with-googles-magi
Davenport, T. (2023, March 20). How Morgan Stanley is training GPT to help financial advisors. Forbes. https://www.forbes.com/ sites/tomdavenport/2023/03/20/how-morgan-stanley-is-train ing-gpt-to-help-financial-advisors/?sh=2961c4f73fc3
Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelli- gence for decision making in the era of Big Data – Evolution, challenges and research agenda. International Journal of Information Management, 48, 63–71. https://doi.org/10.1016/j. ijinfomgt.2019.01.021
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Edwards, J., Eirug, A., Galanos, V., Ilavarasan, P. V., Janssen, M., Jones, P., Kar, A. K., Kizgin, H., Kronemann, B., Lal, B., Lucini, B., ... Williams, M. D. (2021). Artificial intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, 101994. https://doi.org/10.1016/j.ijinf omgt.2019.08.002
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., Ahuja, M., & Albanna, H. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges, and implications of generative conversational AI for research, practice, and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinf omgt.2023.102642
Dwivedi, Y. K., Pandey, N., Currie, W., & Micu, A. (2023). Leveraging ChatGPT and other generative artificial intelligence (AI)- based applications in the hospitality and tourism industry: Practices, challenges, and research agenda. International Journal of Contemporary Hospitality Management. https://doi. org/10.1108/IJCHM-05-2023-0686
Gligor, D. M., Davis-Sramek, B., Tan, A., Vitale, A., Russo, I., Golgeci, I., & Wan, X. (2022). Utilizing blockchain technology for sup- ply chain transparency: A resource orchestration perspec- tive. Journal of Business Logistics, 43(1), 140–159. https://doi. org/10.1111/jbl.12287
Grennan, J., & Michaely, R. (2020). Artificial intelligence and high- skilled work: Evidence from analysts. Swiss Finance Institute Research Paper, 20–84.
Haenlein, M., & Kaplan, A. (2019). A brief history of artificial in- telligence: On the past, present, and future of artificial intelli- gence. California Management Review, 61(4), 5–14. https://doi. org/10.1177/0008125619864925
Hahn, T., & Tampe, M. (2021). Strategies for regenerative busi- ness. Strategic Organization, 19(3), 456–477. https://doi. org/10.1177/147612702097922
Hasija, A., & Esper, T. L. (2022). In artificial intelligence (AI) we trust: A qualitative investigation of AI technology accep- tance. Journal of Business Logistics, 43(3), 388–412. https://doi. org/10.1111/jbl.12301
Heater, B. (2023, August 17). What is a liquid neural network, really? TechCrunch. https://techcrunch.com/2023/08/17/what-is-a- liquid-neural-network-really/
Hendriksen, C. (2023). AI for supply chain management: Disruptive innovation or innovative disruption? Journal of Supply Chain Management, 59(3), 65–76. https://doi. org/10.1111/jscm.12304
Hofer, C., D'Oria, L., Cantor, D. E., & Ren, X. (2023). Competitive actions and supply chain relationships: How suppliers' value- diminishing actions affect buyers' procurement decisions. Journal of Business Logistics. https://doi.org/10.1111/jbl.12357 IBM. (2023). Generative AI in supply chain. https://www.ibm.com/ thought-leadership/institute-business-value/en-us/report/ Generative-AI-supplychain
Johnson, M., Albizri, A., Harfouche, A., & Fosso-Wamba, S. (2022). Integrating human knowledge into artificial intelligence for complex and ill-structured problems: Informed artificial intel- ligence. International Journal of Information Management, 64, 102479. https://doi.org/10.1016/j.ijinfomgt.2022.102479 Klumpp, M., & Ruiner, C. (2022). Artificial intelligence, robotics, and logistics employment: The human factor in digital logis- tics. Journal of Business Logistics, 43(3), 297–301. https://doi. org/10.1111/jbl.12314
Kochhar, R. (2023, July 26). Which US workers are more exposed to AI on their jobs. Pew Research Center. https://www.pewre search.org/social-trends/2023/07/26/which-u-s-workers-are- more-exposed-to-ai-on-their-jobs/
Konietzko, J., Das, A., & Bocken, N. (2023). Towards regenerative business models: A necessary shift? Sustainable Production and Consumption, 38, 372–388. https://doi.org/10.1016/j. spc.2023.04.014
Kumar, A., Gupta, N., & Bapat, G. (2023). Who is making the de- cisions? How retail managers can use the power of ChatGPT. Journal of Business Strategy. https://doi.org/10.1108/ JBS-04-2023-0067
Loske, D. (2022). Empirical evidence on human learning and work characteristics in the transition to automated order pick- ing. Journal of Business Logistics, 43(3), 302–342. https://doi. org/10.1111/jbl.12300
Makarius, E. E., Mukherjee, D., Fox, J. D., & Fox, A. K. (2020). Rising with the machines: A sociotechnical framework for bringing artificial intelligence into the organization. Journal of Business Research, 120, 262–273. https://doi.org/10.1016/j.jbusr es.2020.07.045
Masorgo, N., Mir, S., & Rossiter Hofer, A. (2023). You're driving me crazy! How emotions elicited by negative driver behaviors impact customer outcomes in last mile delivery. Journal of Business Logistics. https://doi.org/10.1111/jbl.12356
Mentzer, J. T., Flint, D. J., & Hult, G. T. M. (2021). Logistics ser- vice quality as a segment-customized process. Journal of Marketing, 65(4), 82–104. https://doi.org/10.1509/ jmkg.65.4.82.183
Meta, A. I. (2023, February 24). Introducing LLaMA: A foundational, 65-billion-parameter large language model. https://ai.facebook. com/blog/large-language-model-llama-meta-ai/
Microsoft Dynamics 365. (2023, June 15). Introducing next-generation AI and Microsoft Dynamics 365 copilot capabilities for ERP. Microsoft https://cloudblogs.microsoft.com/dynamics365/ bdm/2023/06/15/introducing-next-generation-ai-and-micro soft-dynamics-365-copilot-capabilities-for-erp/
Morgan, T. R., Gabler, C. B., & Manhart, P. S. (2023). Supply chain transparency: Theoretical perspectives for future research. The International Journal of Logistics Management, 34(5), 1422– 1445. https://doi.org/10.1108/IJLM-02-2021-0115
Norrman, A., & Prataviera, L. B. (2023). Revisiting postponement: Boundary-crossing problems and tax implications for global supply chains of integrated solutions. Journal of Business Logistics. https://doi.org/10.1111/jbl.12351
OECD Employment Outlook. (2023). Artificial and jobs. An ur- gent need to act. OECD survey on AI use in the manufacturing and finance sectors. https://www.oecd.org/employment-outlo ok/2023/#ai-jobs
Pan, S. L., & Nishant, R. (2023). Artificial intelligence for digital sus- tainability: An insight into domain-specific research and future directions. International Journal of Information Management, 72, 102668. https://doi.org/10.1016/j.ijinfomgt.2023.102668 Peng, C., van Doorn, J., Eggers, F., & Wieringa, J. E. (2022). The effect of required warmth on consumer acceptance of artificial intel- ligence in service: The moderating role of AI-human collabo- ration. International Journal of Information Management, 66, 102533. https://doi.org/10.1016/j.ijinfomgt.2022.102533 Pessot, E., Zangiacomi, A., Marchiori, I., & Fornasiero, R. (2023). Empowering supply chains with Industry 4.0 technologies to face megatrends. Journal of Business Logistics. https://doi. org/10.1111/jbl.12360
Pritchard, A., Sweeney, K. D., Çelebi, H., & Evers, P. T. (2023). The impact of stockout-based switching on fill rates. Journal of Business Logistics. https://doi.org/10.1111/jbl.12359
Rese, A., & Tränkner, P. (2024). Perceived conversational ability of task-based chatbots – Which conversational elements influence the success of text-based dialogues? International Journal of Information Management, 74, 1–20. https://doi.org/10.1016/j. ijinfomgt.2023.102699 Richey, R. G., & Davis-Sramek, B. (2022a). A research agenda to re- flect reality: On being responsive. Journal of Business Logistics, 43(1), 4–8. https://doi.org/10.1111/jbl.12297
Richey, R. G., & Davis-Sramek, B. (2022b). Scholarship that mat- ters. Journal of Business Logistics, 43(2), 164–168. https://doi. org/10.1111/jbl.12308
Richey, R. G., Jr., & Davis-Sramek, B. (2022c). What about policy research? Journal of Business Logistics, 43(4), 416–420. https:// doi.org/10.1111/jbl.12324
Richey, R. G., Roath, A. S., Adams, F. G., & Wieland, A. (2022). A responsiveness view of logistics and supply chain manage- ment. Journal of Business Logistics, 43(1), 62–91. https://doi. org/10.1111/jbl.12290
The White House. (2022, December 5). Issue briefing on the Impact of Artificial Intelligence on the future of workforces in the European Union and the United States of America. https://www.white house.gov/cea/written-materials/2022/12/05/the-impact-of- artificial-intelligence/
Thorbecke, C. (2023, February 9). Google shares lose $100 billion after company's AI chatbot makes an error during demo. CNN Business. https://edition.cnn.com/2023/02/08/tech/google-ai- bard-demo-error/index.html
Treiblmaier, H., & Garaus, M. (2023). Using blockchain to signal quality in the food supply chain: The impact on consumer pur- chase intentions and the moderating effect of brand familiarity. International Journal of Information Management, 68, 102514. https://doi.org/10.1016/j.ijinfomgt.2022.102514
Treiblmaier, H., & Rejeb, A. (2023). Exploring blockchain for disaster prevention and relief: A comprehensive framework based on industry case studies. Journal of Business Logistics. https://doi. org/10.1111/jbl.12345
Vallance, C. (2023, March 28). AI could replace equivalent of 300 million jobs – Report. BBC News. https://www.bbc.com/news/ technology-65102150
von Krogh, G., Roberson, Q., & Gruber, M. (2023). Recognizing and utilizing novel research opportunities with artificial in- telligence. Academy of Management Journal, 66(2), 367–373. https://doi.org/10.5465/amj.2023.4002
Wamba, S. F., Queiroz, M. M., Jabbour, C. J. C., & Shi, C. V. (2023). Are both generative AI and ChatGPT game changers for 21st- century operations and supply chain excellence? International Journal of Production Economics, 265, 109015. https://doi. org/10.1016/j.ijpe.2023.109015
Yurt, O., Sorkun, M. F., & Hsuan, J. (2023). Modularization of the front-end logistics services in e-fulfillment. Journal of Business Logistics. https://doi.org/10.1111/jbl.12354
Zagorin, E. (2023, June 29). How generative AI is transforming supply chain and procurement roles. Forbes Innovation. Forbes. https:// www.forbes.com/sites/forbestechcouncil/2023/06/29/how-gener ative-ai-is-transforming-supply-chain-and-procurement-roles/