Generative AI in Supply Chain Resource Orchestration: A Conceptual Perspective
Notice bibliographique
Résumé
Generative Artificial Intelligence (GAI) revolutionizes supply chain management (SCM) by facilitating resource orchestration via predictive analytics, intelligent resource allocation, network synchronization, and ongoing learning. This research relies on Resource Orchestration Theory (ROT) to examine the role of GAI in organizing, integrating, and utilizing resources within SCM. A systematic literature review (SLR) was performed, incorporating findings from 32 research papers to propose a conceptual framework that aligns GAI-enabled capabilities with resource orchestration processes, specifically elucidating how GAI facilitates the structuring, bundling, and leveraging of resources. Then, this proposed paradigm demonstrates the relationship between GAI’s predictive and adaptive capabilities and the essential processes of resource orchestration, offering a systematic method for comprehending its contribution to improving supply chain operations. The results highlight GAI-enabled capacities to enhance decision-making, optimize resource distribution, and bolster supply chain resilience and efficiency. The study improves theoretical understanding by extending the relevance of ROT to digital supply chains and provides practical insights for managers seeking to integrate GAI into supply chain operations. This study identifies GAI as a crucial enabler of competitive advantage in dynamic supply chain environments by integrating technical capabilities with resource management tactics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,016 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».