Journal Search Engine

ISSN : 2005-0461(Print)
ISSN : 2287-7975(Online)

Journal of Society of Korea Industrial and Systems Engineering Vol.49 No.3 pp.14-33
DOI : https://doi.org/10.11627/jksie.2026.49.3.014

Sources of Performance Gaps and a Stage-Gate Value-Realization Framework for AI-Enabled Manufacturing Supply Chains

Jonghyuk Joo†

Department of Bio Industrial Engineering, Cheongju University

^† Corresponding Author : jonghyuk@cju.ac.kr

Received 04/09/2026 Finally Revised 27/09/2026 Accepted 28/09/2026

Abstract

Why does technical success with artificial intelligence (AI) in supply chain management (SCM) not always translate into economic value for manufacturing firms? This study examines the question through a structured integrative review of 36 core publications from 2010 to 10 August 2026, selected through eight anchor reviews, citation tracking, and targeted searches including reinforcement learning. Reported outcomes are classified into six performance levels (T1-T6), separately from five evidence levels. Representative publication levels are distributed as follows: Level 1, two; Level 2, seven; Level 3, 24; Level 4, three (one of which is a review-synthesized range); and Level 5, none. Among 25 non-review studies, 19 receive 34 overlapping performance-level assignments, while six inform adoption or implementation conditions. Five publications report financial outcomes, comprising two model-based cost evaluations, two interview or case-based benefit reports, and one annualized projection. None within the selected set meets all four Level 5 requirements: objective financial effects, an adequate actual operating period, total cost of ownership, and comparison with an alternative. Publication-level classifications do not establish the evidence level of every claim. The analysis links five conversion gaps and six cause areas to six value-realization gates (G0-G5) for investment, operational integration, validation, scaling, and continuation or termination. A hypothetical predictive-maintenance scenario specifies responsible departments, data, review documents, and realistic constraints. Gate-specific applications to generative, agentic, and reinforcement-learning AI are also presented. The framework is a literature-based managerial proposal, not a field-validated intervention; the results do not estimate industry-wide effects or failure rates.

Key Words : Artificial Intelligence , Supply Chain Management , Economic Value , Manufacturing Firms , Integrative Literature Review

AI 기반 제조 공급망의 성과격차 발생요인과 단계별 가치실현 프레임워크

주종혁†

청주대학교 바이오산업공학 전공

초록

키워드 :

This article has been cited by 0 article in crossref

Cited-By

Funding:

1. 서 론

제조기업은 글로벌 경쟁, 짧아진 제품수명주기와 지정학적 불확실성에 대응하여 수요예측, 재고관리, 품질검사, 예지정비 등 공급망관리(supply chain management, SCM)에 인공지능(artificial intelligence, AI)을 적용하고 있다[34, 38, 49]. 생성형 AI는 문서검색․지식지원과 의사결정 지원으로 활용범위를 넓혔으며[42], 국내에서도 스마트팩토리 운영성과와 생성형 AI의 도입장애를 시스템 관점에서 다룬 연구가 이어지고 있다[28, 47].

그러나 AI의 도입과 경제적 성과의 실현은 다르다. 예측오차가 줄어도 발주주기와 안전재고 기준이 바뀌지 않으면 재고는 줄지 않으며, 데이터 정비․시스템 통합․교육․보안 비용을 포함하면 기술적 성공이 경제적 손실로 끝날 수도 있다. 보완적 무형자산이 갖추어진 뒤 성과가 나타나는 생산성 J커브[10]와, 객관적 재무성과와 전체 비용을 함께 다룬 연구가 드물다는 Culot et al.[14]의 분석은 이 간극을 보여준다.

전자상거래 플랫폼은 주문․재고․배송자료가 빠르게 쌓이고 실행과 연결되는 반면[55], 제조기업은 이질적 설비와 공정, 다단계 공급자, 물리적 생산제약과 희소한 고장자료를 다룬다. 따라서 플랫폼의 성공사례를 그대로 옮기기보다 제조기업에서 경제적 가치가 실현되는 조건을 별도로 검토해야 한다[11, 14, 55].

선행연구는 AI의 적용영역, 도입요인․장애, 구현과정과 성과를 축적해 왔으나[14, 38, 45, 49], 연구마다 성과의 대상과 자료․설계가 달라 직접 비교하기 어렵다. 본 논문은 도입 타당성 검토에서 구축, 실제 사용, 경제성 평가와 확산으로 이어지는 연결지점의 전환단절(conversion gap)에 주목하여, 기존 근거를 단계별 관리판단으로 연결한다.

본 논문의 목적은 기존의 리뷰 및 실증문헌을 구조적으로 재검토하여 AI 기반 공급망관리(AI-SCM)의 기술성과가 제조기업의 경제적 가치로 전환되는 과정을 분석하고, 그 과정에서 기술성과와 경제적 성과 사이의 격차가 생기는 이유를 밝히는 데 있다. 구체적인 연구질문은 세 가지이다. 첫째, AI-SCM 문헌이 보고하는 성과는 어느 수준까지 객관적 근거로 뒷받침되는가. 둘째, 기술적 잠재력이 경제적 가치로 이어지는 과정에서 어떤 전환단절이 반복되며 그 원인은 무엇인가. 셋째, 전자상거래 플랫폼과 제조기업의 가치실현 조건은 어떻게 다르며, 제조기업은 어떤 기준으로 AI-SCM의 도입, 구축, 운영, 확산, 중단을 결정해야 하는가이다.

본 논문에서 성과격차는 기업 간 성과 순위의 차이가 아니라, AI의 기술적 성과 또는 도입 당시 기대한 편익과 실제 사용․운영․재무성과 및 순경제가치 사이의 간극을 뜻한다. 따라서 어떤 성과가 보고되었는지와 그 성과가 어디까지 확인되었는지를 구분하여 분석한다.

이 세 가지 질문에 답하기 위해 본 논문은 성과와 그 근거를 구분하는 두 개의 분류기준을 36편의 핵심문헌에 적용하고, 전환단절과 원인영역을 가치실현 게이트로 연결하였다.

본 논문의 기여도는 세 가지이다. 첫째, 문헌마다 다른 층위로 보고되던 AI의 성과를 모델 성능에서 순경제가치까지 여섯 성과수준(T1~T6)으로 나누고, 각 성과가 어떤 자료와 설계로 어디까지 확인되었는지를 다섯 근거수준(Level 1~5)으로 따로 판정하였으며, 문헌별 판정 결과를 부록에 모두 공개하였다. 둘째, 성과격차를 특정 요인의 실패로 보기보다 기술성과가 경제적 가치로 이어지는 과정의 어느 연결지점에서 끊기는지의 문제로 보고, 이를 다섯 전환단절(C1~C5)과 여섯 원인영역으로 설명하였다. 셋째, 단계마다 근거를 확인하여 통과․보완․축소․중단을 결정하는 여섯 가치실현 게이트(G0~G5)와 열 가지 실행원칙을 제시하여, 근거가 확인되지 않은 사업을 일찍 멈추는 것도 정상적인 관리 판단으로 다룰 수 있게 하였다.

2. 연구 배경 및 연구방법

2.1 경제적 가치와 가치실현 관점

본 논문은 운영․재무적 편익과 위험감소 효과의 합에서 AI의 도입․운영에 필요한 전체 비용과 남아 있는 위험을 뺀 값을 순경제가치(net economic value)로 정의한다. 전체 비용은 구매부터 사용과 폐기까지 포괄하는 총소유비용(total cost of ownership, TCO)의 관점에서 파악하며[19], 데이터 정비, 시스템 통합, 모델 유지․재학습, 보안, 교체․종료비용을 포함한다. 이 정의는 도입 이후에 발생하는 비용을 빠뜨려 경제성을 과대평가하지 않도록 평가범위를 넓게 잡은 것이다.

성과는 모델 성능(T1)에서 순경제가치(T6)까지 여섯 수준으로 구분한다(<Table 1>). 예측 정확도가 높아져도 발주결정이 달라지지 않으면 재고성과로 이어지지 않으며, 운영성과가 나타나더라도 TCO를 차감한 편익이 남아야 순경제가치가 실현된다.

IT 비즈니스 가치 연구는 업무프로세스․조직․인적자원 등 보완자산이 기술투자의 성과를 좌우한다고 설명한다[9, 32]. AI 역시 데이터․시스템․사람과 업무절차가 함께 작동해야 하며[33, 48], 사회기술시스템 관점에서 인간과 AI의 역할은 잘못된 결정이 초래할 손실의 크기와 자동화 가능성에 맞추어 설계해야 한다[24, 26, 39].

<Figure 1>은 의사결정문제에서 AI 모델, 운영시스템, 실제 사용을 거쳐 경제적 가치에 이르는 과정과, 그 단계들 사이에서 가치가 끊길 수 있는 다섯 전환단절을 나타낸다. C1~C4는 연속된 단계 사이의 연결지점에서 생기고, C5는 성공한 파일럿을 다른 공장․제품으로 확산할 때 생긴다. 이 그림은 각 단절에서 무엇을 보완하고 어디에서 중단할지를 판단하기 위한 분석틀이다.

기업의 의사결정은 예측만으로 끝나지 않는다. 예지정비에서도 고장 가능성 외에 정비인력․부품, 생산일정과 정지비용을 함께 고려해야 한다. 예측오차를 최소화하는 모델이 의사결정 비용까지 최소화하는 것은 아니므로[6, 20], AI는 OR․최적화, 업무규칙과 인간의 판단에 연결되어야 한다.

전쟁․팬데믹․급격한 제도변화처럼 과거와 다른 상황에서는 예측의 신뢰성이 낮아진다. AI의 조기신호 탐지와 시나리오 검토를 실제 대응으로 연결하려면 안전재고․여유용량․복수 공급자․강건계획을 함께 준비해야 한다[5, 35].

2.2 AI-SCM 선행연구와 연구 공백

AI-SCM 분야의 선행연구는 서로 다른 분석목적을 갖는다. 적용영역을 정리한 Min[34], Toorajipour et al.[49], Pournader et al.[38]은 AI 기술과 SCM 기능의 연결을 보여주었고, Riahi et al.[41]은 1996~2020년의 문헌 136편을 계량서지분석으로 검토하여 분석수준․AI 기법․산업․공급망 프로세스의 네 차원에서 연구의 흐름을 정리하였다. Baryannis et al.[4]은 공급망 위험관리에서 AI의 활용과 연구과제를 정리하였다. 도입과 조직조건에 초점을 둔 Shahzadi et al.[45]은 68편의 문헌에서 촉진요인․장애요인․성과를, Hangl et al.[23]은 3차 연구에서 장애․촉진요인과 사회적 고려사항을 종합하였다. Daios et al.[15]과 Richey et al.[42]은 생성형 AI를 포함한 응용과 연구과제를 제시하였다. 이러한 연구는 기술의 적용범위와 도입․운영 조건을 파악하는 본 논문의 출발점이다.

성과근거와 구현과정을 직접 다룬 연구도 중요하다. Culot et al.[14]은 123편의 실증연구를 검토하여 성과, 데이터, 구현에 관한 근거와 공백을 분석하였다. Bokrantz et al.[7]은 데이터마이닝 표준 절차인 CRISP-DM(Cross-Industry Standard Process for Data Mining)에 운영․유지보수와 역량의 결합을 포함하였으며, Cannas et al.[11]과 Peretz-Andersson et al.[37]은 제조기업 사례에서 편익․장애와 자원 배치를 다루었다. 본 논문은 이들 연구의 결과를 바탕으로, 보고된 성과를 무엇을 보고했는가와 어떤 근거로 뒷받침되는가의 두 축으로 정리하고, 구현 과정에서 나타나는 문제들이 가치실현 과정의 어느 단계에서 생기는지를 다섯 전환단절로 나타낸다.

이론적으로는 IT 비즈니스 가치와 보완자산 연구[9, 32], 생산성 J커브 논의[10]가 기술투자와 조직․업무 변화의 관계를 설명하고, 스테이지-게이트 모형[13]은 단계 사이에 명시적 판단점을 두는 구조를 제공한다. 본 논문은 이 논의들을 AI-SCM의 성과․구현 근거와 연결하여 투자, 확산 및 중단의 판단기준으로 구체화한다. 강화학습 재고관리 문헌[21, 22, 29, 43]과 알고리즘 설계 로드맵[8]은 순차적 의사결정 정책의 성능과 현장적용의 근거를 구분하는 데 사용한다. 국내 MES 기반 스마트팩토리 사례[28]는 제조 운영성과의 맥락으로, 통신산업의 생성형 AI 도입장애 연구[47]는 도입조건의 비교 맥락으로 활용한다.

본 논문은 이러한 선행연구를 바탕으로 성과내용과 근거를 구분하고, 전환단절의 과정을 해석하며, 단계별 투자와 운영에 관한 판단을 연결한다. 이는 서로 다른 목적과 단위로 제시된 근거를 제조기업의 경제적 가치실현이라는 질문 아래 재구성하는 작업이다.

2.3 연구 설계와 자료선정

본 논문은 연구설계와 성과지표가 다른 문헌을 공통 기준으로 비교하고, 성과․구현․장애에 관한 결과를 연결하는 구조화된 통합문헌고찰(structured integrative literature review)을 적용하였다[46, 50]. 연구질문에 대한 설명력을 기준으로 문헌을 목적표집하였다.

출판 범위는 2010년부터 2026년 8월 10일까지이다. Min[34], Baryannis et al.[4], Toorajipour et al.[49], Pournader et al.[38], Riahi et al.[41], Culot et al.[14], Shahzadi et al.[45], Daios et al.[15]의 여덟 리뷰를 검색의 기준 문헌으로 삼았다. 특히 Culot et al.[14]과 참고문헌에서 출발하여 전․후방 인용추적과 기술․SCM 기능별 표적 검색을 병행하였다. Google Scholar는 인용추적과 누락 확인에, 출판사․학술지․기관 저장소의 본문과 부록은 내용․서지정보 대조에 사용하였다.

표적 검색의 검색어는 네 개념군을 조합하였다. AI 기술군은 artificial intelligence, machine learning, deep learning, reinforcement learning, deep reinforcement learning, computer vision, natural language processing, generative AI, intelligent analytics이다. SCM 기능군에는 supply chain, demand forecasting, inventory, procurement, sourcing, quality, logistics, manufacturing, production, warehouse, transport를, 도입․성과군에는 value realization, adoption, implementation, deployment, integration, performance, productivity, economic impact, return on investment을 썼다. 장애․성과격차군은 barrier, failure, pilot, challenge, underperformance, scalability, data quality, legacy system, skills, trust, governance, uncertainty, lifecycle cost로 구성하였다.

포함기준은 세 가지이다. 첫째, AI가 공급망이나 기업 내부 SCM 프로세스에 적용되었을 것, 둘째, 실제 기업․관리자․사용자․공급망․운영자료를 이용했거나 이러한 적용연구를 종합한 리뷰일 것, 셋째, 성과․비용․장애․실제 사용․구현․확산 가운데 하나 이상을 보고한 연구여야 한다. 기업자료 기반 계산․시뮬레이션 연구는 포함하되 실제 배치 후 성과와는 구분하였다. SCM과 무관하거나 AI 효과를 다른 정보기술 효과와 구분할 수 없는 연구, SCM 의사결정과의 연결 또는 실제 기업․운영자료 없이 알고리즘 성능만 제시한 연구는 제외하거나 방법․맥락 설명에만 사용하였다. 제조업을 중심으로 하되 유통․전자상거래는 비교근거로 포함하였다(부록 B의 <Table B1>).

참고문헌 55편은 핵심 근거문헌 36편과 이론․방법․맥락 문헌 19편으로 나뉜다. 핵심집합은 리뷰 11편, 기업 사례․현장․질적연구 9편, 설문․실험․시뮬레이션․기타 연구 16편이며(<Table 2>), 리뷰를 제외한 25편에는 기업자료 기반 계산연구 2편이 포함된다. 문헌별 역할과 배정은 부록 A의 <Table A1>에 제시하였다. Boute et al.[8]은 알고리즘 설계․평가의 방법 근거로 사용하며 핵심집합에는 포함하지 않는다.

핵심문헌은 International Journal of Production Research, International Journal of Production Economics, Production Planning & Control, Journal of Manufacturing Technology Management, Journal of Business Logistics, International Journal of Information Management 등 생산․운영관리, 물류․공급망관리, 정보관리, 인공지능․응용과학 분야의 학술지 23종에 걸쳐 있으며, 그중 28편이 2022년 이후 문헌이다(부록 A의 <Table A1>). 리뷰 11편은 각각 한 편으로 세었다. Culot et al.[14]이 검토한 123편의 논문처럼 리뷰가 다룬 원 연구들은 본 논문이 직접 검토한 문헌이 아니므로, 핵심문헌 36편에 더하여 문헌 수를 늘리지 않았다. 선정규칙은 부록 B의 <Table B1>에 정리하였다.

2.4 코딩 및 분석방법

성과 분석의 기본 단위는 개별 문헌이 보고한 성과주장(performance claim)이며, 도입․구현 조건에 관한 내용도 함께 분석하였다. 문헌별로 산업․기업규모, AI 기술과 SCM 기능, 도입단계, 데이터․시스템, 조직․인력, 기대성과와 실제성과, 비용․부정적 결과, 확산과 한계를 정리하였다. 한 문헌이 여러 성과를 보고한 경우에는 각 성과주장을 구분하여 분석하였다.

성과수준(T1~T6)은 무엇을 보고했는지를, 근거수준(Level 1~5)은 어떤 자료와 설계가 이를 뒷받침하는지를 나타낸다(<Table 1>, <Table 3>). 시뮬레이션의 재고․서비스 지표와 모형상 비용은 각각 T3․T4에 해당할 수 있지만 근거수준은 Level 1이다. 반대로 T1 예측 정확도도 현장 비교로 검증될 수 있다. 기대․자기보고․추정편익은 관측된 현장성과와 구분한다.

분포는 문헌 단위로 보고한다. 한 문헌이 같은 T수준을 여러 번 보고해도 한 번만 세고, 다른 T수준을 보고하면 각각 센다. 기대성과와 추정치도 성과내용에는 포함하되 검증 여부는 따로 판단한다. 부록 A <Table A1>의 문헌별 배정을 3.2.1절의 <Table 5>에 집계하였으며, 표의 교차분류는 개별 주장이 아니라 그 주장을 보고한 문헌의 대표 근거수준을 사용한다.

리뷰 11편은 연구영역․분석범주와 관련 근거를 연결하는 데 사용하고 성과수준 집계에서는 제외하였다. 나머지 25편의 현장․조직 기반 근거와 기업자료 기반 계산평가도 구분하여 해석하였다.

계산․시뮬레이션의 기술적 가능성은 Level 1, 관리자․사용자의 기대․인식과 기대편익․도입조건에 대한 명시적인 전문가 평가는 Level 2로 구분한다. 리뷰가 향후 과제를 제안했다는 이유만으로 Level 2를 부여하지는 않으며, 문헌 기반 전문가 평가를 새로운 현장조사로 보지도 않는다. 두 수준은 근거의 성격을 구분하는 것이지 연구방법의 보편적 우열을 뜻하지 않는다.

Level 4는 객관적 현장 비교검증(Objective comparative field evidence)으로, 실제 현장의 객관적 측정자료를 기준선․대안․비교조건과 대조한 근거이다. 측정 대상은 T1 또는 T3 등으로 별도 분류한다. 계산․시뮬레이션의 비교만으로 Level 4를 부여하지 않으며, 현장에서 비교했더라도 관측된 차이가 모두 AI의 효과라고 확정할 수 있는 것은 아니다.

Level 5는 객관적 재무효과, 충분한 실제 운영기간, TCO, 기존 방식 또는 대안과의 비교라는 네 요건을 함께 요구한다. 실제 운영자료는 최소 12개월 동안 축적되고 관련 수요․정비주기를 포괄해야 하며, 주기가 더 길거나 자료가 부족하면 관찰기간을 연장한다. 계획기간, 과거 입력자료의 길이, 시뮬레이션 기간, 단기 편익을 연간으로 환산한 값은 이를 대신하지 않는다. 12개월은 본 연구의 판정기준이지 보편적으로 검증된 최소기간은 아니다.

문헌 단위 대표 근거수준(Representative Publication Level)은 본 연구에서 주로 활용한 근거의 성격을 문헌당 한 번 요약한 값이다. Rolf et al.[43]은 기대편익․도입제약의 전문가 평가를 근거로 대표 Level 2로 분류하되, 검토된 기술적 평가가 주로 Level 1임을 구분하였다. 코딩은 저자 1인이 수행하였다.

전환단절과 원인영역은 기존 이론의 범주에 문헌의 결과를 대조․연결하는 최적 적합 프레임워크 종합(best-fit framework synthesis)의 원리를 따라 분석하였다[12]. IT 비즈니스 가치와 보완자산 이론[9, 32]을 바탕으로 본 연구의 분석 범주를 전략․문제 적합성, 데이터․시스템, 모델․의사결정, 프로세스․조직, 역량․신뢰․책임, 비용․생태계․불확실성의 여섯 영역으로 구성하였다. 각 문제의 발생 지점을 C1~C5로 해석하였다. 문헌별 배정은 부록 A의 <Table A1>, 선정규칙과 분포는 부록 B의 <Table B1>․<Table B2>, 성과수준 집계는 3.2.1절의 <Table 5>, 전환단절․원인영역의 대표 근거는 3.2.2절의 <Table 6>과 3.2.3절의 <Table 7>, Level 5 요건별 검토는 부록 B의 <Table B3>에 제시하였다. 여섯 원인영역은 이론적 분석범주, C1~C5는 문헌의 문제를 재구성한 해석틀, G0~G5는 이에 기초한 관리적 제안이다.

3. 분석 결과: AI-SCM의 가치실현과 성과격차

3.1 SCM 기능별 성과와 근거의 범위

SCOR 모델의 계획(Plan), 조달(Source), 생산(Make), 배송(Deliver), 지원(Enable), 회수(Return)에 따라 AI의 활용과 성과근거를 정리하였다(<Table 4>). 계획에는 판매․운영계획(sales and operations planning, S&OP), 배송에는 예상도착시간(estimated time of arrival, ETA) 예측을 포함하고, 조달에서는 공급자 평가와 구매․계약자료 기반 의사결정 지원을 살펴보았다[3].

계획과 생산에서는 기술지표와 일부 운영성과가 보고되었다. 인간-AI의 역할 배분에 따라 예측 정확도가 달라져도[40], 발주규칙이나 생산계획이 바뀌지 않으면 재고․서비스 개선으로 이어지지 않는다. 비전검사와 예지정비는 정지시간․불량률․종합설비효율(overall equipment effectiveness, OEE)을 측정할 수 있지만, 설비 차이, 희소한 고장, 오탐․미탐 및 확산비용에 따라 공장별 혹은 공정별 경제성은 얼마든지 달라진다[7, 11, 52].

강화학습(reinforcement learning) 재고관리는 재고․공급 상태에 따라 보충 행동을 선택하는 순차적 의사결정 정책을 학습한다. Rolf et al.[43]은 SCM 강화학습의 알고리즘․응용․자료 출처와 산업 적용의 제약을 종합하였고, Boute et al.[8]은 알고리즘 설계․조정․평가의 계산부담을 설명하는 방법론 문헌으로 활용하였다.

Gijsbrechts et al.[22]은 온라인 부록에서 제조기업의 수요․운송비․리드타임 자료로 이중조달 정책의 비용(T4)을 평가하였고, Geevers et al.[21]은 기업 네트워크와 과거자료를 반영한 시뮬레이션에서 재고․서비스(T3)와 비용(T4)을 평가하였다. 두 연구는 실제 자료를 사용하지만 배치 후의 실제 관측성과가 아닌 계산평가이므로 Level 1이다.

Liu et al.[29]의 알리바바 보충발주는 인간 구매담당자와의 재고․품절 비교(T3)가 대표 Level 4의 근거이다. 납기 예측오차․충족률 분류 정확도(T1), 자동화․업무 배분(T2), 연간 잠재 재무편익(T4), 확산․교란 대응역량(T5)도 보고하지만 모두 Level 4인 것은 아니며, 전체 시스템의 변화를 강화학습 단독 효과로 해석하지 않는다.

선정한 강화학습 1차 연구 세 편은 기업자료 기반 계산평가 두 편과 플랫폼 현장 비교 한 편이다. 계산상 정책성능을 실제 발주와 경제적 가치로 연결하는 조건을 C1․C2와 G1~G3의 검토항목으로 해석하였다.

배송에서는 플랫폼의 자동화설비․표준 물류단위․운영통제․규모의 경제가 함께 작용하므로 성과를 AI 모델만의 효과로 돌리기 어렵다[55]. 조달․지원은 정보 접근성과 가시성을 높이지만 외부 데이터․이해관계와 생성결과의 검증비용이 따르며[3, 30], 회수는 경제적 효과가 낮다고 단정하기보다 연구근거 자체가 제한적이라는 점을 고려해야 한다.

3.2 핵심결과

기능별 비교 결과는 세 가지로 요약된다. 첫째, 보고된 성과는 운영성과(T3)와 전략성과(T5)에 집중되어 있고, 순경제가치를 보고한 문헌(T6)도, 객관적 재무효과․충분한 운영기간․TCO․대안 비교의 네 요건을 함께 충족한 근거(Level 5)도 선정집합에서 확인되지 않았다. 둘째, 기술적 가능성이 경제적 가치로 이어지지 못하는 문제는 가치실현 과정의 다섯 전환단절(C1~C5)로 반복되며, 그 원인은 여섯 영역으로 모인다. 셋째, 전자상거래 플랫폼의 가치실현 조건은 제조기업과 달라 그대로 옮기기 어렵다. 아래에서 차례로 살펴본다.

3.2.1 보고된 성과수준과 근거수준의 분포

리뷰 11편을 제외한 25편의 성과수준을 부록 A <Table A1>의 배정에 따라 문헌 단위로 집계한 결과가 <Table 5>이다. T1 기술성과 4편, T2 프로세스 성과 6편, T3 운영성과 9편, T4 재무성과 5편, T5 전략성과 10편, T6 순경제가치 0편으로, 19편에서 총 34개의 중복 배정이 이루어졌다. 한 문헌이 여러 성과수준에 해당하면 각 수준에 한 번씩 포함하였다. 나머지 6편[7, 17, 24, 27, 31, 37]은 본 연구에서 도입․구현 조건을 설명하는 근거로 사용하였다.

<Table 5>의 Level 1․3․4 열은 문헌의 대표수준이며 개별 성과의 검증수준이 아니다. 예를 들어 Liu et al.[29]은 T1~T5를 보고하는 대표 Level 4 문헌이지만 그 성과 전부가 객관적 현장 비교로 검증된 것은 아니다. T4의 5편은 모형상 비용평가 2편[21, 22], 인터뷰․공개 사례의 편익 보고 2편[11, 53], 연간 잠재 재무편익의 추정 1편[29]이므로, 이 문헌들은 객관적으로 재무효과가 검증되었다고 보기는 어렵다.

핵심 36편의 대표수준은 Level 1 2편, Level 2 7편, Level 3 24편, Level 4 3편, Level 5 0편이다(부록 B의 <Table B2>). Level 4는 Revilla et al.[40]의 예측 정확도 비교(T1), Liu et al.[29]의 플랫폼 재고․품절 비교(T3), Culot et al.[14]의 리뷰 종합범위이다. 리뷰를 제외한 25편의 분포는 Level 1 2편, Level 3 21편, Level 4 2편이다.

Cannas et al.[11]과 Walter[52]는 각각 사례․인터뷰와 초기 구현의 근거로서 대표 Level 3이다. 특히 Walter의 기대 KPI는 실제 운영성과와 구분한다. Revilla의 T1 비교를 재고․재무성과의 검증으로 확대하지 않으며, 관련 문헌의 Level 5 요건별 판단은 부록 B의 <Table B3>에 제시하였다.

2.4절의 네 요건을 모두 충족한 Level 5 문헌이 없고, 리뷰를 제외한 25편 가운데 제조기업이 AI를 실제 도입한 뒤 실제 운영자료로 기존 방식과 성과를 비교한 연구도 없었다는 결과는 모두 본 논문이 선정한 문헌 안에서의 결과이다. 비용․기간의 미보고는 효과가 없다는 뜻이 아니다.

AI 역량과 운영성과[1], 민첩성․혁신[2], 위험관리[54]의 정(+)의 관계는 주로 설문에 기초하며, 이러한 자기보고를 객관적 현장 비교와 구분해야 한다. Hangl et al.[23]의 도입장애․촉진요인․사회적 조건 종합도 독립적인 성과검증이 아니다. 이 구분은 Culot et al.[14]의 성과․구현 근거 논의와 연결된다.

3.2.2 가치실현 과정의 다섯 전환단절

<Table 6>은 가치실현 과정의 연결지점을 C1~C5로 나누고 각 단절의 양상․원인․결과와 대표 문헌을 제시한다. C1~C4는 문제선정에서 경제적 가치까지의 연결이고, C5는 성공한 파일럿의 확산에 관한 단절이다.

단절은 서로 영향을 줄 수 있다. Cannas et al.[11]의 6개 기업․17개 활용사례와 Bokrantz et al.[7]의 제조기업 연구를 연결하면, 복잡한 시스템의 정비․연계 부담(C2)이 수동 우회․이중작업(C3)으로 이어지고, 실제 사용이 운영성과와 순경제가치로 연결되는지(C4)를 확인하는 데 제약이 생기는 경로를 설명할 수 있다. Hasija and Esper[24]와 Vann Yaroson et al.[51]은 신뢰․책임 있는 AI와 실제 사용의 관계를, Wamba-Taguimdje et al.[53]은 프로세스․조직 변화와 가치실현의 관계를 뒷받침한다. 다만 모든 사례가 같은 순서의 단절을 겪는다는 뜻은 아니다.

확장 가능성을 확인하지 않은 플랫폼 투자는 다른 공장․제품에 대한 재개발 부담과 공급업체 종속성을 키울 수 있다[27, 37]. 따라서 하나의 실패요인만 보기보다 문제가 시작된 연결과 그 후속 영향을 함께 보아야 한다. 단절을 해소하지 않은 확장은 시스템의 숨은 기술부채를 누적시킬 수 있다[44].

3.2.3 성과격차의 여섯 원인영역

여섯 원인영역의 문제와 관리방향은 <Table 7>에 정리하였다. Dubey et al.[18]과 Helo and Hao[25]는 분석역량이 업무절차와 사업모델에 연결되는 조건을, Dey et al.[16]과 Dora et al.[17]은 경영진․인력․신뢰의 역할을 다룬다. Mandal et al.[31]은 예측 AI의 인프라․데이터․비용 장애를, Olan et al.[36]은 공급망 금융의 파트너 네트워크 조건을 보여준다. 이 문헌들은 문제가 어디에서 어떤 형태로 생기는지를 보여주는 근거가 되며, 각 요인이 성과에 얼마나 큰 영향을 주는지를 측정한 것은 아니다. 여섯 영역은 하나씩 따로 점검하면 되는 항목이 아니라 서로 맞물려 있다. 예컨대 데이터가 갖추어져도 시스템과 현업의 권한이 연결되지 않으면 운영성과가 제한되고, 운영성과가 나더라도 TCO와 파트너 조건에 따라 순경제가치는 달라진다. Peretz-Andersson et al.[37]의 자원 오케스트레이션 관점처럼 자원의 보유와 함께 결합․배치 및 영역 간 영향을 살펴야 한다.

3.2.4 플랫폼과 제조기업의 가치실현 조건 비교

플랫폼과 제조기업의 조건 차이는 데이터 밀도, 피드백 주기, 운영통제, 물리적 이질성, 규모의 경제와 오류비용으로 정리하였다(<Table 8>)[11, 14, 29, 55]. 플랫폼은 거래․배송자료와 실행권한이 비교적 밀접하게 연결되어 있지만, 제조기업은 고장자료가 희소하고 설비가 서로 다르며 권한이 분산되어 있어 자료와 실행을 연결하기 어렵고, 오류가 생겼을 때의 손실도 크다. 따라서 단기 파일럿의 성과를 공장 간에 그대로 확산하기 어렵다.

제조기업이 플랫폼 사례에서 참고할 것은 특정 기술이나 자동화 수준 그 자체가 아니라, 데이터를 표준화하고, 결과를 빠르게 피드백하며, 분석을 실행과 연결하고, 단계적으로 확산하는 운영원리이다. 이를 공정지식, 설비․품질자료, 공급자 관계와 현장의 경험에 맞추어 적용해야 한다.

4. 제조기업의 AI-SCM 가치실현 관리 정책

4.1 단계별 가치실현 게이트

본 논문은 스테이지-게이트 모형[13]이 단계 사이에 판단점을 두고 통과․보완․중단을 결정하는 구조를 응용하여, 다섯 전환단절과 여섯 원인영역을 단계별로 점검하는 G0~G5의 가치실현 게이트를 구성하였다. 원래의 스테이지-게이트 모형이 신제품 개발의 진척도와 시장성을 심사하는 것과 달리, 이 게이트는 각 전환이 실제로 이루어졌음을 뒷받침하는 운영․경제적 근거를 심사한다. 다음 단계의 비용과 위험을 감수할 근거가 부족하면 보완․축소․중단을 결정한다.

<Figure 2>는 가치실현 게이트를 구성하는 여섯 게이트, 즉 문제적합성(G0), 준비도(G1), 운영통합(G2), 가치검증(G3), 확장성(G4), 유지․갱신․중단(G5)의 진행과 재검토 구조를 나타낸다.

게이트와 단절은 일대일 대응이 아니다. G0은 C1을, G2는 C2․C3를, G3과 G4는 각각 C4와 C5를 다룬다. G1은 사전 준비도를, G5는 운영 중 사용률․드리프트․비용 변화와 지속가치를 점검한다. G2의 수동 보정이 지속되면 업무절차를 먼저 고치고, G4의 추가 비용이 편익을 넘으면 확산을 보류한다.

<Table 9>는 SCM․재무․정보기술․현업․위험관리 부서가 공동으로 사용할 질문․근거․판단기준이다. 서비스 수준, 허용오류, 회수기간, 위험한도는 G0․G1 단계에서 기업이 자기 상황에 맞게 정하되, 그 잣대는 AI를 도입한 결과가 지금의 성과보다, 그리고 AI 이외의 방법으로 얻을 수 있는 성과보다 나아야 한다는 것이다. G3의 최종 통과는 충분한 기간의 실제 운영에서 편익이 총소유비용과 남은 위험을 넘어서는 순경제가치가 확인될 때 이루어진다.

4.2 총소유비용과 성과관리

TCO에는 모델․라이선스뿐 아니라 데이터 수집․정제․라벨링, 센서․엣지 장비, ERP․MES․WMS․TMS 연계, 교육․직무재설계, 보안․감사, 모니터링․재학습, 공급자 관리와 종료․이식비용을 포함한다[19]. G1에서는 이를 추정하고 G3에서는 실제 발생비용과 편익을 같은 평가범위에서 확인한다.

공통 데이터․인터페이스 비용은 실제 활용계획에 따라 나누어 반영하며, 막연한 재사용 기대만으로 선행투자를 정당화하지 않는다. 프로젝트 전체의 경제성에는 초기 통합․교육․설비비를 포함하되, 확산․유지․종료의 추가 결정은 매몰비용과 구분하여 향후 편익, 회피 가능한 비용과 전환비용으로 판단한다.

성과관리는 예측오차, 권고의 수용․수정, 계획주기, 재고․품절․긴급생산, 운전자본․운영비를 연결하여 실제 변화가 어디까지 이루어졌는지를 확인한다. 시장변화․설비투자․조직개편이 함께 발생할 수 있으므로, 가능하면 단계적 적용, 비교 라인․품목이나 중단시계열분석(interrupted time series analysis)으로 단순 전후 비교의 한계를 보완한다.

4.3 사람․거버넌스와 불확실성 관리

사람의 개입 정도는 오류가 났을 때의 손실이 클수록, 잘못된 결정을 복구하기 어려울수록 높이고, 반복적이고 정형화된 업무일수록 낮춘다[39]. 반복적이고 쉽게 고칠 수 있는 업무에는 자동처리 후 표본검사를, 그 중간에는 AI 추천과 예외승인을, 공급자 배제․중대한 품질 판정․대규모 발주에는 책임자의 최종 승인을 받도록 적용할 수 있다. 모든 결과를 다시 검토하는 이중작업과 무감독 자동화의 위험도 함께 피해야 한다.

현업 담당자가 AI 권고를 수정하거나 거부한 기록은 단순한 저항으로 보지 않고, 누락된 현장조건을 반영한 판단인지 편향인지 사후성과와 함께 검토하여 모델․업무규칙․권한을 보완한다[24, 40].

구조적 불확실성에는 AI의 조기경보와 함께 안전재고, 이중조달, 대체자재․공급자 인증, 유연용량과 스트레스 테스트를 준비해야 한다[5, 35]. 이들은 위험신호를 실제 대응으로 바꾸는 보완수단이다.

공급파트너와 데이터를 공유할 때는 사용목적․품질기준․소유권․접근권한․보안․오류정정․계약종료 후 처리와 편익배분을 합의해야 한다. 데이터와 실행권한이 분산된 공급망에서는 이러한 합의가 분석과 공동 대응을 연결한다.

4.4 제조기업의 AI-SCM 가치실현 실행원칙

3장에서 확인한 성과격차의 발생 지점과 원인, 4.1~4.3절의 게이트․총소유비용․거버넌스 관리를 제조기업이 도입 단계에서 적용할 수 있도록 <Table 10>의 열 가지 실행원칙으로 종합하였다. 원칙 1․2는 기술이 아니라 의사결정과 경제적 손실에서 출발하여 더 단순한 대안과 비교하게 하고(G0, C1), 원칙 3은 모델 성능과 운영․재무성과, 순경제가치를 구분하는 성과수준(T1~T6)의 구분을 관리에 옮긴 것이다. 원칙 5․6은 실제 시스템․사용자․예외를 포함한 파일럿과 위험에 따른 사람의 권한 설계로 C2․C3를, 원칙 4․7․8은 총소유비용을 빠짐없이 반영하고 운영성과와 단위경제성이 확인된 뒤에 확산하게 하여 C4․C5를 다룬다. 원칙 9는 구조적 불확실성에서 예측을 완충․다변화․강건계획으로 보완하고, 원칙 10은 보완․축소․교체․중단의 기준을 투자 전에 정하게 하여 게이트의 판단을 실제 결정으로 연결한다.

열 가지 원칙이 공통으로 요구하는 것은 AI 도입을 한 번의 기술 선택이 아니라 단계마다 근거를 확인하는 투자결정으로 관리하는 것이다. 모델의 정확도는 출발점이며, 실제 사용과 운영성과, 재무효과와 총소유비용이 단계별로 확인될 때 다음 단계의 비용과 위험을 감수한다. 4.5절은 이 원칙과 게이트가 가상의 제조기업에서 어떻게 적용되는지를 보여준다.

4.5 가상 적용 시나리오와 현실적 제약

가상의 중견 자동차부품 제조기업 P사가 두 공장의 프레스․용접 라인을 운영하며 핵심 프레스의 돌발정지를 줄일 예지정비 AI를 검토한다고 가정한다. <Table 11>은 각 게이트의 책임부서, 자료․심사서류, 제약과 판단을 연결한 운용 예이며 실제 기업의 관측결과가 아니다. 3년 TCO는 투자계획, 3개월 파일럿은 통합․사용 점검, 6개월 심사는 조건부 계속시험의 판단이다. 최종 경제성 검증에는 2.4절의 네 요건을 충족하는 자료가 필요하며, 실제 운영자료는 최소 12개월 동안 축적되고 관련 수요․정비주기를 포괄해야 한다.

이 시나리오는 자료․책임․현업 목표의 제약을 함께 다룬다. 불완전한 손실 이력과 희소한 고장 라벨은 측정체계부터 보완하고, 가동률 목표와 예방정지의 충돌은 KPI․승인권한을 조정하되 법정․안전 점검은 유지한다. 재무부서는 실제 편익․TCO를 공동 심사하며, 비교자료나 관찰주기가 부족하면 시험을 연장한다. 공장별 추가비용은 따로 검토하고, 공급업체 교체를 위한 이식․종료 조건은 G1부터 준비한다.

5. 결론 및 시사점

5.1 연구결과의 요약

본 논문은 핵심문헌 36편을 비교하여 기술성과가 운영과 순경제가치로 이어지는 조건을 분석하였다. 보고된 성과는 19편에 대한 34개의 중복 배정으로 정리되며(<Table 5>), 재무성과(T4)를 보고한 5편도 모형상 비용, 사례별 편익 보고, 연간으로 환산한 추정으로 구분된다. 네 요건을 모두 갖춘 Level 5는 선정집합에서 확인되지 않았으며, 리뷰를 제외한 25편의 현장 비교근거도 소매․전자상거래에 한정되었다. 이는 기술적 가능성이 곧 경제적 가치를 보장하지는 않으며, 그 사이의 간극인 성과격차를 따로 확인해야 한다는 본 논문의 논지를 뒷받침한다.

성과격차의 발생 지점을 다섯 전환단절과 여섯 원인영역으로 정리하고, 플랫폼과 제조기업의 조건 차이를 고려하여 여섯 가치실현 게이트를 제안하였다. 게이트의 목적은 모든 프로젝트를 확산하는 것이 아니라 근거에 따라 다음 투자를 결정하고, 필요하면 보완․축소․중단하도록 하는 데 있다.

5.2 시사점

가장 중요한 시사점은 AI의 성과를 모델 하나가 아니라 데이터․시스템․프로세스․사람의 결합에서 평가해야 한다는 점이다. 이는 보완자산과 생산성 J커브 논의[9, 10, 32]를 가치실현 과정에 연결한다. 따라서 준비도를 점수의 합으로만 판단하기보다 취약한 연결을 확인하고, 예측을 OR․최적화․업무규칙․인간의 판단에 결합해야 한다[6, 20, 24, 26, 39].

제조기업은 플랫폼의 성공사례나 자동화 수준을 그대로 따르기보다 공장별 검증기간․통합비용․오류위험․확산조건을 검토해야 한다[11, 14, 55]. 안전재고․다변화․유연용량은 AI를 대신하기보다 불확실성에 대한 실제 대응을 보완한다[5, 35].

중소 제조기업은 표준 솔루션과 외부 전문역량을 활용할 수 있지만[37], 문제선정․데이터 의미․내부 책임․경제성 판단까지 외부에 맡겨서는 안 된다. MES 기반 스마트팩토리 사례[28]처럼 데이터와 운영관리의 연결이 성과측정의 전제이다. 더 단순한 대안이 경제적이면 AI를 도입하지 않거나 중단하는 결정도 가능해야 한다.

<Table 12>는 생성형 AI의 활용․도입조건[30, 42], 인간-AI 역할 분담[39], 강화학습의 평가․적용 문제[8, 21, 22, 29, 43]를 여섯 게이트에 연결한다. 공통 판단은 <Table 9>를 따르고, 문서 검증, 학습환경․보상, 도구 실행권한 등 기술별 항목을 추가한다. 심사 강도는 기술의 명칭이 아니라 오류 손실의 크기, 잘못된 결정의 복구 가능성, 자료의 충분성에 따라 정한다. 특히 강화학습의 시뮬레이션 보상이나 생성형 AI의 단기 시간 절감을 연간으로 환산한 값은 G3의 최종 경제성 근거로 삼지 않는다.

5.3 연구의 한계 및 향후 연구

핵심 36편은 연구질문에 따라 목적표집한 문헌이므로, 본 논문의 분포와 결과는 이 선정집합에서 확인한 성과근거의 구조를 나타낸다. 기술영역별 비율, 산업 전체의 평균효과와 프로젝트 실패율을 추정하려면 보다 체계적으로 축적된 풍부한 자료와 연구 표본이 필요하다. 본 논문은 경제적 가치의 비교를 지금까지 공개된 연구가 보고한 비용․운영기간의 범위 안에서 해석하였다.

대표수준의 부여와 전환단절․원인영역의 연결에는 저자 1인의 해석적 판단이 개입되므로, 코딩 규칙과 문헌별 배정을 2.4절과 부록에 모두 공개하여 독자가 추적할 수 있게 하였다. 게이트와 가상 시나리오는 문헌에 기초한 관리적 제안이며, 실제 적용에서의 검증은 향후 과제이다. 플랫폼․제조기업 비교는 제한된 자료에서 확인한 경향이므로 산업․규모․디지털 성숙도․공급망 구조에 맞추어 적용해야 한다.

AI 도입의 경제적 성과는 아직 연구가 충분히 쌓이지 않은 영역이다. 무엇보다 실제 운영자료로 KPI와 비용을 장기간 추적하여 순경제가치를 확인하는 현장연구가 필요하며, 공개된 연구가 성공사례에 치우칠 수 있으므로 중단되거나 확산에 실패한 프로젝트도 함께 분석하여 전환단절이 생기는 조건을 밝혀야 한다. 생성형․에이전트형 AI와 강화학습에서는 시뮬레이션․파일럿 성과가 실제 운영성과로 이어지는 조건, 검증비용, 인간 개입과 게이트 적용방식을 델파이․기업사례․설문으로 확인할 필요가 있다.

Acknowledgements

This work was supported by a research grant from the Research Institute of Industrial Science at Cheongju University (March 1, 2025-February 28, 2027).

ORCID

Jonghyuk Joo | https://orcid.org/0009-0002-4229-8629

Figure

<Figure 1>.

Value-Realization Process and Five Conversion Gaps in Manufacturing AI-SCM

<Figure 2>.

Stage-Gate Framework for AI Value Realization in Manufacturing SCM

Table

<Table 1>.

Performance Levels and Economic Interpretation of AI-SCM

Note: T1-T6 classify reported outcome content, not verified effects; evidence is rated separately in <Table 3> (Section 2.4).

Performance Level	Definition	Representative Indicators	Interpretation Note
T1 Technical	Model prediction, classification, and generation performance	Forecast error, accuracy, detection rate, latency	Do not treat technical performance as economic performance
T2 Process	Speed, standardization, and visibility of work processes	Planning time, automation rate, throughput	Check transferred manual work and dual-operation cost
T3 Operational	SCM operating outcomes, including inventory, service, quality and lead time	Inventory, OTIF, OEE, defects, lead time	Distinguish simulated and reported outcomes from observed field changes and attributable AI effects
T4 Financial	Direct outcomes expressed in monetary terms	Cost, working capital, sales, margin, avoided loss	Distinguish model-based costs and projected or self-reported benefits from verified financial effects
T5 Strategic	Long-term capability, resilience, and scalability	Recovery time, reuse, multi-site deployment	Do not convert qualitative expectations into confirmed value
T6 Net Economic Value	Benefits less total cost of ownership and residual risk	TCO, ROI, payback period, risk-adjusted value	Include integration, operation, switching, and technical-debt costs

<Table 2>.

Composition of the Core Evidence Set by Research Design

Research Design	No.	Representative Content	Role in This Study
Review, tertiary, and integrative studies	11	Applications, research trends, drivers, barriers, gaps, and reinforcement-learning applications	Define the classification scheme and research landscape
Company cases, field, and qualitative studies	9	Implementation, user behavior, process integration, scaling, operating outcomes, and platform replenishment	Identify value-conversion mechanisms
Survey, experiment, simulation, and other studies	16	AI capability, agility, resilience and adoption relationships; two company-data computational studies	Compare reported relationships and computational policy outcomes; do not equate them with field validation
Total	36	Core evidence on value, implementation, and barriers	Unit of qualitative evidence synthesis

<Table 3>.

Evidence Levels for AI-SCM Performance Claims

Note: Levels 1 and 2 distinguish technical feasibility from expectations or explicit appraisals, not study quality. Plans, simulation horizons and annualized projections do not satisfy the Level 5 operating-period requirement.

Evidence Level	Meaning	Typical Data	What It Supports	Interpretation Limit
Level 1	Technical feasibility	Synthetic or historical inputs; offline computation, simulation or model comparison	Performance under specified technical conditions	Not evidence of actual organizational use, operating gains or net value
Level 2	Expected benefits and perceptions	Manager/user perceptions; adoption intention; explicit expert or review-based appraisals	Expected usefulness, benefits and adoption constraints	Expectations are not realized effects; a review appraisal is not a new survey
Level 3	Field application	Company cases, interviews and organizational implementation/use evidence	Implementation, use and organizational conditions	Individual benefit claims may remain expected or self-reported
Level 4	Objective comparative field evidence	Objective field measurements with a baseline, comparator or contrasting conditions	Comparative evidence for the measured outcome (e.g., T1 or T3)	Outcome content is coded separately; comparison alone is not complete causal identification
Level 5	Net economic value	Objective financial effects; actual operations for at least 12 months covering relevant cycles; TCO; alternative comparison	Benefits exceeding lifecycle costs and residual risk within a consistent scope	All four criteria required; missing evidence is not evidence of no effect

<Table 4>.

AI Applications and Economic Evidence by SCM Function

SCM Function	Representative Applications	Reported Performance and Evidence Scope	Limits of Economic Interpretation
Plan	Demand forecasting, inventory and production planning, S&OP, reinforcement-learning-based replenishment	T1 forecasting and selected T3 inventory/service claims; reinforcement-learning simulation evidence (Level 1) and comparative platform field evidence (Level 4)	Forecast-action gap, manual overrides, structural change, and limited T6 evidence
Source	Supplier evaluation and risk, spend and contract analysis	Search speed, visibility, and analytical efficiency	Rare events, external data, explainability, relationships, and incentive constraints
Make	Vision-based quality, predictive maintenance, process control and scheduling	T3-T4 claims concerning defects, downtime, and yield; evidence strength varies by study	Sensor and equipment integration, process change, safety, and scaling costs
Deliver	Warehousing and picking, ETA, routing, dispatching, and autonomous logistics	Throughput, lead time, service, and selected cost results	Automation fixed cost, exceptions, network dependence, and economies of scale
Enable	Visibility, document and knowledge support, generative AI	Information access and decision speed	Hallucination, security, verification cost, and adoption-performance confusion
Return	Return classification, recovery, and remanufacturing	Potential gains in classification and processing speed	Relatively limited research and economic-value data

<Table 5>.

Reported Performance Levels by Representative Publication Level: 25 Non-Review Studies

Note: Nineteen of the 25 non-review studies receive 34 overlapping assignments; six inform implementation conditions. Pub. L1/L3/L4 classify publications, not each claim; assignment bases are in Table A1 (Appendix A).

Performance Level	Studies (n)	Pub. L1	Pub. L3	Pub. L4	Study References	Typical Evidence Basis
T1 Technical	4	0	2	2	[11, 52]; Pub. L4: [29, 40]	Field forecast comparison [40]; reported lead-time MAE and fill-rate classification accuracy [29]; case/expected model performance.
T2 Process	6	0	5	1	[11, 25, 52, 53, 55]; Pub. L4: [29]	Case-based process time and integration; platform automation/work allocation [29], not a separate Level 4 test.
T3 Operational	9	1	7	1	[1, 11, 18, 25, 30, 52, 55]; Pub. L1: [21]; Pub. L4: [29]	Survey/case outcomes; simulated inventory/service [21]; comparative platform inventory/stockouts [29].
T4 Financial	5	2	2	1	[11, 53]; Pub. L1: [21, 22]; Pub. L4: [29]	Interview/case benefits [11, 53]; model costs [21, 22]; annualized potential benefit [29], not realized annual net value.
T5 Strategic	10	0	9	1	[2, 5, 16, 30, 35, 36, 51, 52, 54]; Pub. L4: [29]	Mostly perceived agility, resilience and innovation; platform rollout/disruption response [29].
T6 Net Economic Value	0	0	0	0	—	No assigned claim of net value after TCO and residual risk; evidence strength is assessed separately.
Condition evidence only	6	0	6	0	[7, 17, 24, 27, 31, 37]	Used here to explain adoption/implementation conditions rather than assign a T level.

<Table 6>.

Five Conversion Gaps in AI-SCM

Note: C1-C4 follow the value-realization chain; C5 concerns scaling. References are non-exclusive and not frequency rankings; review-level constraints or missing economic validation are not evidence of observed failure. Reference [44] supplies methodological context, not a core observation.

Gap	Conversion-Gap Pattern	Representative Causes	Potential Economic Consequence	Representative References
C1 Problem-Technology	AI is introduced before the decision problem and follow-up action are clearly defined.	Technology-led adoption; no baseline or comparison with alternatives.	More information without measurable KPI improvement or economic value.	[7, 11, 25, 27, 31, 37]
C2 Model-System	The model works in a test environment, but integration with operational systems fails.	Poor data quality; legacy systems; hardware/software incompatibility; security and data-access constraints.	Higher integration costs, delays, and continued manual work.	[7, 11, 14, 27, 31, 52]; context: [44]; RL review: [43]
C3 System-Use	The system is deployed, but users bypass, override, or ignore it.	Weak process design; unclear authority; limited skills; low trust; weak accountability.	Loss of automation benefits and parallel manual-system operation.	[7, 11, 24, 37, 40, 51]; review appraisal: [43]
C4 Use-Economic Value	The system is used, but operational gains or net economic value do not materialize.	Misaligned objectives and KPIs; incomplete TCO assessment; external changes.	Technical gains may fail to produce positive net economic value.	[1, 11, 18, 40, 52, 53]
C5 Pilot-Scale	A pilot succeeds, but the results are not reproduced across plants or products.	Heterogeneous data and equipment; custom integration; weak economies of scale.	Rising marginal scaling costs and failure to move beyond proof of concept.	[7, 11, 27, 37, 52, 55]

<Table 7>.

Linkage between Performance-Gap Causes and Managerial Responses

Note: References are non-exclusive, not rankings of importance; [6, 20] provide theory and [43] a review-based appraisal. One publication may inform more than one cause area.

Cause Area	Recurring Problems	Core Managerial Response	Representative References
Strategy and Problem Fit	AI is selected before the decision problem, economic loss, baseline, and alternatives are clearly defined.	Define the decision problem first and compare AI with statistical, OR, rule-based, and process alternatives.	[7, 11, 25, 27, 31, 37, 45]
Data and Systems	Inconsistent quality and meaning; legacy systems, APIs, sensors, security, data rights, and technical debt.	Assign data ownership and quality standards; design end-to-end interfaces, operational architecture, and exit conditions.	[7, 11, 14, 27, 31, 52]
Model and Decision	Drift, rare events, low explainability, and mismatch between prediction and optimal action.	Use error-cost and uncertainty criteria; link prediction and optimization; revalidate after deployment.	[1, 5, 21, 22, 29, 40, 54]; theory: [6, 20]
Process and Organization	Existing approvals and KPIs remain; local optimization; unclear exceptions and authority.	Redesign workflows, authority, KPIs, and exception handling together.	[7, 11, 18, 25, 37, 53]
Skills, Trust, and Accountability	Limited technical and operational capability, underuse or overreliance, one-time training, unclear responsibility.	Use co-design, role-specific training, override logs, and risk-proportionate human oversight.	[16, 17, 24, 37, 40, 51]; review appraisal: [43]
Cost, Ecosystem, and Uncertainty	Omitted TCO, partner data and incentives, vendor lock-in, structural uncertainty.	Use staged investment and stop rules, contracts and joint KPIs, buffers, diversification, and robust planning.	[5, 14, 16, 27, 31, 35, 36, 37, 55]

<Table 8>.

Comparison of AI Value-Realization Conditions between Digital Platforms and Manufacturing Firms

Value-Realization Condition	Digital Platforms and E-Commerce Firms	Manufacturing Firms	Implications for Manufacturing Firms
Data Density	High-frequency order, click, inventory, and delivery data.	Failure and defect events may be rare, and demand may be intermittent.	Combine AI with domain knowledge, process and equipment data, and human judgment.
Feedback Cycle	Results are often observed within minutes, hours, or days.	Equipment, product, and quality cycles may take months or years.	Allow sufficient validation time and avoid generalizing short pilot results.
Operational Control	Platforms often coordinate orders, inventory, warehousing, and delivery within an integrated system.	Decision authority is often distributed across plants, suppliers, and logistics providers.	Align contracts, data standards, decision rights, and partner incentives.
Physical Heterogeneity	Orders and logistics units are relatively standardized.	Plants, equipment, processes, and products differ substantially.	Estimate integration and scaling costs by plant or process.
Economies of Scale	Fixed costs can be spread over large transaction volumes.	Volumes may be smaller or fragmented in high-mix, low-volume production.	Use standard services, selective adoption, and shared infrastructure where feasible.
Cost of Error	Some recommendation and forecasting errors can be corrected relatively quickly.	Safety, quality, and delivery errors may cause severe losses.	Set validation and human oversight according to error risk.

<Table 9>.

Pass, Improve, and Stop Criteria for the Value-Realization Gates

Gate	Core Question	Required Evidence	Pass Criteria	Improve or Stop Signals
G0 Problem Fit	Is this a high-value decision problem, and can AI add more value than simpler alternatives?	Baseline loss, decision owner and authority, current process, feasible alternatives.	An actionable problem, a measurable baseline, and an explicit incremental-value hypothesis.	No owner or baseline; technology-led adoption; a simpler alternative is more economical.
G1 Readiness	Are data, systems, people, and partners ready for a pilot?	Data profile and ownership; integration path; roles and skills; partner access; TCO and risk scope.	Core data, integration path, accountable owners, budget, and controls are secured.	Critical data or access is absent; integration is infeasible; foundation cost is excessive.
G2 Operational Integration	Is the system safely integrated into and used in actual work?	End-to-end pilot, use and override logs, exception records, rollback plan.	Actual use and workflow change are observed; errors remain controllable.	Persistent parallel work, low use, or excessive manual correction.
G3 Value Validation	Do operational and financial gains justify TCO?	T3+ field KPIs and objective financial effects; baseline or alternative comparison; actual benefit/TCO ledger; at least 12 months covering relevant demand and maintenance cycles	Final validation only when comparable benefits exceed lifecycle costs and risk and the operating-period requirement is met	Only T1 improves; costs are incomplete; cycles are insufficient. Interim evidence may justify a limited continued trial, not final validation
G4 Scalability	Can the results be reproduced economically across plants or products?	Reuse rate, local differences, marginal integration cost, validation period.	Marginal benefit exceeds scaling cost; core components are reusable.	Each site requires redevelopment or local exceptions proliferate.
G5 Continue, Renew, or Terminate	Does continued operation or renewal still create value?	Periodic review of drift, use, TCO, incidents, alternatives, and switching costs.	Sustained net value and controllable risk relative to alternatives.	Persistent nonuse, declining results, rising costs, lock-in, or unacceptable risk.

<Table 10>.

Ten Action Principles for AI-SCM in Manufacturing Firms

No.	Action Principle	No.	Action Principle
1	Start from the decision and economic loss, not from the technology.	6	Set human decision rights, explanation, approval, and audit requirements according to risk and reversibility.
2	Compare AI with simpler statistical, OR, rule-based, and process alternatives.	7	Scale only after objective operational performance and sustainable unit economics are verified.
3	Measure technical performance separately from operational, financial, and net economic value.	8	Reuse common data, interfaces, and controls while avoiding an oversized platform built before use cases are proven.
4	Include the costs of data preparation, integration, workforce and process change, model operation, security, switching, and termination in TCO.	9	Complement prediction with buffers, diversification, scenarios, and robust planning under structural uncertainty.
5	Run an end-to-end pilot with actual systems, users, exceptions, and recovery procedures.	10	Define improvement, scope reduction, replacement, and termination criteria before investment begins.

<Table 11>.

Illustrative Application of the Value-Realization Gates: Predictive Maintenance in a Hypothetical Auto-Parts Manufacturer

Note: The company, periods and decisions are hypothetical, not observed field results or empirical validation. PLC: programmable logic controller; MES: manufacturing execution system; CMMS: computerized maintenance management system.

Gate	Responsible Departments	Data and Review Documents	Realistic Constraint and Illustrative Decision
G0 Problem Fit	Production engineering; SCM; finance	Assumed two-year stoppage and cost history; baseline-loss statement; decision owner and authority; comparison memo for time-based maintenance, spare-part buffers, and sensor-based rules	Incomplete loss records require baseline measurement first. Proceed only with an actionable problem and an incremental-value hypothesis; prefer a simpler alternative when equally economical.
G1 Readiness	IT/data owner; maintenance; finance	PLC/sensor coverage, missingness and failure labels; data profile and access-rights record; MES/CMMS integration plan; role/skill assessment; three-year estimated TCO; portability and exit terms	Sparse failure labels: improve the data basis, illustrated by six more months of labeling. This is not proof of rare-failure coverage. Approve a pilot only when data, integration, budget and controls are adequate.
G2 Operational Integration	Plant operations; maintenance; safety; IT	Assumed three-month end-to-end pilot on one line; alert-to-work-order and spare-part links; use/override and false-alarm logs; exception and rollback procedures	Uptime incentives may conflict with preventive stoppages. Review workflow, authority and error costs. Reduce avoidable duplicate work, but retain mandatory and safety inspections. Rework when use or safety criteria fail.
G3 Value Validation	Finance; SCM; plant operations (joint review)	Interim at six months; final after at least 12 months of actual operations covering demand and maintenance cycles. Baseline/comparison-line downtime, OEE and emergency maintenance cost; financial-benefit statement; actual TCO ledger including sensors, integration, training, false alarms, retraining and exit	At six months, decide only on conditional trial continuation. Extend observation if cycles or comparisons remain inadequate. Final validation requires all four criteria, comparable benefits exceeding lifecycle cost and risk, and a consistent evaluation period; savings alone are insufficient.
G4 Scalability	Second-plant owner; IT; finance	Equipment, code and data differences; reuse assessment; additional sensor/integration/validation quotations; plant-level marginal benefit-and-cost review	Different equipment may require redevelopment. Scale first to lines with supported incremental benefit; defer, narrow or exclude sites where additional costs are not justified.
G5 Continue, Renew, or Terminate	Operations owner; finance; risk management	Periodic drift, use, incident and cost report; model/authority change log; alternative comparison; switching-cost estimate; portability and exit plan agreed from G1	Vendor dependence can restrict switching. Compare future benefits and avoidable costs, not sunk costs alone. Continue, renew, narrow, switch or terminate while maintaining safety requirements.

<Table 12>.

Gate-by-Gate Review Items for Generative, Agentic, and Reinforcement-Learning AI

Note: Apply these technology-specific checks with the common gate criteria in Table 9. The table is a literature-based managerial proposal, not an empirical validation.

Gate	Common Review Focus	Generative AI	Reinforcement Learning	Agentic AI
G0 Problem Fit	Owner, baseline loss, simpler alternatives and incremental-value hypothesis before investment	Document search/review time and error losses	Inventory and stockout costs under current ordering rules	Recommendation only or authorized order/schedule execution
G1 Readiness	Data, integration, permissions and TCO, including verification, rework, updates and exit	Document source, currency and access rights	State/action/reward; simulator fidelity to demand, lead times and constraints	Tool and data permissions; execution scope
G2 Operational Integration	End-to-end use; approval for high-risk actions; exception, override and rollback logs	Verify generated content against sources; record errors/rework	Order limits, service constraints and rollback to incumbent policy	Execution rights; approval, cancellation and recovery procedures
G3 Value Validation	Actual benefits and TCO against a comparator; interim review may justify conditional continuation; final review follows Section 2.4	Review-time savings net of checking and rework	Actual inventory/stockouts; compute and retraining costs; simulated reward is insufficient	Costs of erroneous actions and recovery
G4 Scalability	Site revalidation, reuse, integration cost and supported marginal benefit; copying is not scaling	Site-specific terminology and documents	Local demand, lead-time and equipment constraints	Local rules, interfaces and approval rights
G5 Continue / Renew / Terminate	Review changes, drift, use, incidents and costs; compare future value, switching costs, lock-in and technical debt [44]	Source-document or model changes	Policy updates and performance drift	Changes in tools or execution rights; audit trail

<Table A1>.

Evidence Map of the 36 Core Publications and Performance Levels Reported by the 25 Non-Review Studies

Note: Reviews are marked ‘Not counted’; a dash identifies the six condition-evidence studies and does not mean no reported outcomes or no AI effect. Representative levels summarize the evidence used, not every claim; review ranges are not independent observations. Full journal titles appear in References; see Section 2.4 for coding rules.

Study	Journal	Design	Representative Publication Level	Reported T Levels	Contribution / Assignment Basis
Min[34]	Int. J. Logist. Res. Appl.	Review	Level 2 (range 1-2)	Not counted	Early framework of AI-SCM applications
Baryannis et al.[4]	Int. J. Prod. Res.	Review	Level 2 (range 1-2)	Not counted	AI and supply chain risk
Toorajipour et al.[49]	J. Bus. Res.	Systematic review	Level 3 (range 1-3)	Not counted	Classification of AI technologies and SCM functions
Pournader et al.[38]	Int. J. Prod. Econ.	Review	Level 3 (range 1-3)	Not counted	Classification of AI applications
Culot et al.[14]	Comput. Ind.	SLR of 123 empirical studies	Level 4 (range 2-4)	Not counted	Review of 123 empirical studies; performance/implementation evidence gaps. Level 4 denotes the review-synthesized range, not an independent field comparison.
Shahzadi et al.[45]	J. Manuf. Technol. Manag.	SLR of 68 studies	Level 3 (range 1-3)	Not counted	Drivers, barriers, and outcomes
Richey et al.[42]	J. Bus. Logist.	Integrative review	Level 2 (range 1-2)	Not counted	Research roadmap for logistics and SCM
Cannas et al.[11]	Int. J. Prod. Res.	Multiple cases	Level 3	T1, T2, T3, T4	Interview-based benefits across 17 use cases: model performance, process, operations and cost. Not coded as objective comparative field validation.
Helo and Hao[25]	Prod. Plan. Control	Company case	Level 3	T2, T3	Exploratory case of AI business models and value areas; benefits described qualitatively
Bokrantz et al.[7]	Prod. Plan. Control	Manufacturing case	Level 3	—	Manufacturing implementation process and CRISP-DM extensions; used here as implementation-condition evidence.
Zhang et al.[55]	Int. J. Inf. Manag.	Alibaba case	Level 3	T2, T3	Warehouse throughput and operational integration achieved through resource orchestration
Hasija and Esper[24]	J. Bus. Logist.	Qualitative interviews	Level 3	—	Qualitative evidence on trust and acceptance; used here to explain actual use rather than assign outcomes.
Dey et al.[16]	Int. J. Prod. Res.	Manufacturing SME survey	Level 3	T5	Leadership and capability associated with resilience (self-reported)
Vann Yaroson et al.[51]	Ann. Oper. Res.	SCM manager survey	Level 3	T5	Human-AI collaboration and supply-chain outcomes mediated by responsible AI (self-reported)
Dora et al.[17]	Int. J. Prod. Res.	Empirical study	Level 3	—	Adoption success factors in food supply chains; factor importance is not coded as realized performance.
Dubey et al.[18]	Int. J. Prod. Econ.	Manufacturing survey	Level 3	T3	Analytics and AI capability associated with operational performance (self-reported)
Wamba-Taguimdje et al.[53]	Bus. Process Manag. J.	Project cases	Level 3	T2, T4	Process and financial value of AI transformation projects reported in published cases
Al-Surmi et al.[1]	Int. J. Prod. Res.	Survey	Level 3	T3	Strategy alignment and AI decision-making associated with operational performance (self-reported)
Belhadi et al.[5]	Int. J. Prod. Res.	Framework and empirical application	Level 3	T5	AI-based resilience decision framework with empirical application
Olan et al.[36]	Int. J. Prod. Res.	Empirical study	Level 3	T5	AI networks and sustainable supply-chain finance
Modgil et al.[35]	Int. J. Logist. Manag.	Empirical study	Level 3	T5	Supply-chain resilience during COVID-19
Wong et al.[54]	Int. J. Prod. Res.	Survey and ANN	Level 3	T5	AI-driven risk management associated with agility (self-reported)
Al-Zoubi and Ramayah[2]	Supply Chain Manag. Int. J.	Manufacturing survey	Level 3	T5	AI analytics associated with agility and innovation (self-reported)
Peretz-Andersson et al.[37]	Int. J. Inf. Manag.	SME cases	Level 3	—	Resource orchestration and implementation conditions in manufacturing SMEs.
Walter[52]	Discov. Artif. Intell.	Manufacturing use case	Level 3	T1, T2, T3, T5	Expected model, planning-time, operating and adaptability KPIs in an early-stage use case; benefit expectations are distinct from Level 3 implementation evidence.
Hangl et al.[23]	Logistics	Tertiary study	Level 2 (range 1-2)	Not counted	Synthesis of barriers and social factors
Daios et al.[15]	Appl. Sci.	Review of applications	Level 2 (range 1-2)	Not counted	Applications and barriers including generative AI
Malhotra and Manzoor[30]	J. Enterp. Inf. Manag.	Manufacturing survey	Level 3	T3, T5	Generative-AI adoption associated with efficiency, circularity, and sustainability (self-reported)
Kunecová et al.[27]	J. Manuf. Technol. Manag.	Manufacturing survey	Level 3	—	Organizational evidence on resources, problem fit and ecosystem barriers to adoption.
Mandal et al.[31]	Int. J. Product. Perform. Manag.	Expert analysis	Level 3	—	Expert analysis of infrastructure, data and cost barriers to AI forecasting.
Revilla et al.[40]	J. Manag. Inf. Syst.	Field experiment	Level 4	T1	Retail field comparison of forecast accuracy under human-AI roles: T1/Level 4, not inventory or financial validation.
Riahi et al.[41]	Expert Syst. Appl.	Bibliometric analysis	Level 2 (range 1-2)	Not counted	AI-SCM research landscape
Rolf et al.[43]	Int. J. Prod. Res.	Review	Level 2 (appraisal)	Not counted	Review-based expert appraisal of anticipated benefits, reliability and adoption constraints; reviewed technical evaluations mainly Level 1, not a maximum level for every source.
Gijsbrechts et al.[22]	Manuf. Serv. Oper. Manag.	Computational study with manufacturer data	Level 1	T4	Online appendix: dual-sourcing policy evaluated on about one year of manufacturer demand, transport-cost and lead-time data (70/30 train-test split); model-based cost, not deployment savings.
Geevers et al.[21]	Cent. Eur. J. Oper. Res.	Simulation (manufacturer-based network)	Level 1	T3, T4	PPO policies evaluated in simulated multi-echelon systems including a manufacturer network and historical inputs; inventory/service and model-based costs, not deployed effects.
Liu et al.[29]	INFORMS J. Appl. Anal.	Platform field application	Level 4	T1, T2, T3, T4, T5	T1: lead-time MAE and fill-rate classification accuracy (p. 378); T2: automation/work allocation; T3: field inventory/stockout comparison (Level 4); T4: annualized potential benefit (Level 2); T5: rollout/disruption response. Other claims are not automatically Level 4 or solely RL effects.

<Table B1>.

Review Construction, Search, and Selection Protocol

Element	Operationalization in This Study
Coverage	Eligible publication window: 2010 to 10 August 2026 (publication cutoff).
Search concepts	AI technologies (including reinforcement learning and deep reinforcement learning); SCM functions; adoption/performance; barriers/performance gaps. Anchor reviews, citation tracking and sources are specified in Section 2.3.
Inclusion	AI applied to SCM; actual firm, managerial, user, supply-chain or operating data, or reviews synthesizing such applications; at least one reported performance, cost, implementation, use, barrier or scaling issue. Firm-data computational studies are eligible but remain distinct from deployed field evidence. Retail/e-commerce provide comparison evidence.
Exclusion / supporting use	General AI outside SCM; inseparable ERP/RPA/big-data effects; algorithm-only studies without an SCM decision link or actual firm/operating data; unsupported claims or promotion. Boute [8] is retained for algorithm-design context outside the core counts.
Screening record	The original counts of candidate records, duplicates, and exclusions were not retained; PRISMA-style flow counts are therefore not reported, and the corpus is described by its construction rules, sources, and composition (Section 2.3, Table A1).
Final evidence set and counting scope	36 publications: 11 reviews/tertiary/integrative, 9 company case/field/qualitative, and 16 survey/experiment/simulation/other studies (including 2 firm-data computational studies). 55 references = 36 core + 19 theory/method/context publications; only the core set enters the evidence-level distribution.

<Table B2>.

Distribution of Representative Publication Levels

Note: Each core publication is counted once; the non-review subtotal is not added again. The three Level 4 entries comprise two field-comparison studies [29, 40] and a review-synthesized range [14], not three independent field observations.

Research Design	No.	Level 1	Level 2	Level 3	Level 4
Review, tertiary, and integrative studies	11	0	7	3	1
Company cases, field, and qualitative studies	9	0	0	8	1
Survey, experiment, simulation, and other studies	16	2	0	13	1
Non-review subtotal (not added again)	25	2	0	21	2
Total	36	2	7	24	3

<Table B3>.

Assessment of Selected Studies against the Four Level 5 Requirements

Note: Level 5 requires all four criteria (Section 2.4). ‘Not established’ means insufficient support in the evidence used here, not no effect; this table is not an exhaustive revalidation of all publications.

Study	Publication Level	Financial Effect	Actual Operating Period	TCO	Comparator	Assessment
Revilla [40]	Level 4	T1 accuracy, not financial performance	Required coverage not established here	Not established	Human-AI role conditions	T1 field comparison; not Level 5
Culot [14] (review)	Level 4 (review range)	Varies across reviewed studies	Varies by primary study	No joint study-level basis established here	Varies by primary study	Review-synthesized range; not an independent Level 5 case
Cannas [11]	Level 3	Interview-reported benefits, not objective financial validation	Required coverage not established here	Joint criterion not established	No systematic objective comparator established here	Implementation evidence; four criteria not jointly established
Walter [52]	Level 3	Expected KPIs in an early-stage use case	Planned duration is not actual operations	Not established	Not established	Implementation and expected benefits; not Level 5
Liu [29] (platform)	Level 4	Annualized potential benefit (T4), not realized annual net value	Common qualifying period for benefits and costs not established	Joint criterion not established	Human buyers	T3 field comparison; projected T4 and cost/period limits preclude Level 5

Reference

Al-Surmi, A., Bashiri, M., and Koliousis, I., AI based decision making: Combining strategies to improve operational performance, International Journal of Production Research, 2022, Vol. 60, No. 14, pp. 4464-4486.
Al-Zoubi, L. and Ramayah, T., How artificial intelligence-based supply chain analytics enable supply chain agility and innovation? An intellectual capital perspective, Supply Chain Management: An International Journal, 2025, Vol. 30, No. 2, pp. 233-249.
Allal-Chérif, O., Simón-Moya, V., and Cuenca Ballester, A.C., Intelligent purchasing: How artificial intelligence can redefine the purchasing function, Journal of Business Research, 2021, Vol. 124, pp. 69-76.
Baryannis, G., Validi, S., Dani, S., and Antoniou, G., Supply chain risk management and artificial intelligence: State of the art and future research directions, International Journal of Production Research, 2019, Vol. 57, No. 7, pp. 2179-2202.
Belhadi, A., Kamble, S., Fosso Wamba, S., and Queiroz, M.M., Building supply-chain resilience: An artificial intelligence-based technique and decision-making framework, International Journal of Production Research, 2022, Vol. 60, No. 14, pp. 4487-4507.
Bertsimas, D. and Kallus, N., From predictive to prescriptive analytics, Management Science, 2020, Vol. 66, No. 3, pp. 1025-1044.
Bokrantz, J., Subramaniyan, M., and Skoogh, A., Realising the promises of artificial intelligence in manufacturing by enhancing CRISP-DM, Production Planning & Control, 2024, Vol. 35, No. 16, pp. 2234-2254.
Boute, R.N., Gijsbrechts, J., van Jaarsveld, W., and Vanvuchelen, N., Deep reinforcement learning for inventory control: A roadmap, European Journal of Operational Research, 2022, Vol. 298, No. 2, pp. 401-412.
Brynjolfsson, E. and Hitt, L.M., Beyond computation: Information technology, organizational transformation and business performance, Journal of Economic Perspectives, 2000, Vol. 14, No. 4, pp. 23-48.
Brynjolfsson, E., Rock, D., and Syverson, C., The productivity J-curve: How intangibles complement general purpose technologies, American Economic Journal: Macroeconomics, 2021, Vol. 13, No. 1, pp. 333-372.
Cannas, V.G., Ciano, M.P., Saltalamacchia, M., and Secchi, R., Artificial intelligence in supply chain and operations management: A multiple case study research, International Journal of Production Research, 2024, Vol. 62, No. 9, pp. 3333-3360.
Carroll, C., Booth, A., Leaviss, J., and Rick, J., Best fit framework synthesis: Refining the method, BMC Medical Research Methodology, 2013, Vol. 13, Article 37.
Cooper, R.G., Stage-gate systems: A new tool for managing new products, Business Horizons, 1990, Vol. 33, No. 3, pp. 44-54.
Culot, G., Podrecca, M., and Nassimbeni, G., Artificial intelligence in supply chain management: A systematic literature review of empirical studies and research directions, Computers in Industry, 2024, Vol. 162, Article 104132.
Daios, A., Kladovasilakis, N., Kelemis, A., and Kostavelis, I., AI applications in supply chain management: A survey, Applied Sciences, 2025, Vol. 15, No. 5, Article 2775.
Dey, P.K., Chowdhury, S., Abadie, A., Vann Yaroson, E., and Sarkar, S., Artificial intelligence-driven supply chain resilience in Vietnamese manufacturing small- and medium-sized enterprises, International Journal of Production Research, 2024, Vol. 62, No. 15, pp. 5417-5456.
Dora, M., Kumar, A., Mangla, S.K., Pant, A., and Kamal, M.M., Critical success factors influencing artificial intelligence adoption in food supply chains, International Journal of Production Research, 2022, Vol. 60, No. 14, pp. 4621-4640.
Dubey, R., Gunasekaran, A., Childe, S.J., Bryde, D.J., Giannakis, M., Foropon, C., Roubaud, D., and Hazen, B.T., Big data analytics and artificial intelligence pathway to operational performance, International Journal of Production Economics, 2020, Vol. 226, Article 107599.
Ellram, L.M., Total cost of ownership: An analysis approach for purchasing, International Journal of Physical Distribution & Logistics Management, 1995, Vol. 25, No. 8, pp. 4-23.
Elmachtoub, A.N. and Grigas, P., Smart predict, then optimize, Management Science, 2022, Vol. 68, No. 1, pp. 9-26.
Geevers, K., van Hezewijk, L., and Mes, M.R.K., Multi-echelon inventory optimization using deep reinforcement learning, Central European Journal of Operations Research, 2024, Vol. 32, No. 3, pp. 653-683.
Gijsbrechts, J., Boute, R.N., Van Mieghem, J.A., and Zhang, D.J., Can deep reinforcement learning improve inventory management? Performance on lost sales, dual-sourcing, and multi-echelon problems, Manufacturing & Service Operations Management, 2022, Vol. 24, No. 3, pp. 1349-1368.
Hangl, J., Behrens, V.J., and Krause, S., Barriers, drivers, and social considerations for AI adoption in supply chain management: A tertiary study, Logistics, 2022, Vol. 6, No. 3, Article 63.
Hasija, A. and Esper, T.L., In artificial intelligence (AI) we trust: A qualitative investigation of AI technology acceptance, Journal of Business Logistics, 2022, Vol. 43, No. 3, pp. 388-412.
Helo, P. and Hao, Y., Artificial intelligence in operations management and supply chain management: An exploratory case study, Production Planning & Control, 2022, Vol. 33, No. 16, pp. 1573-1590.
Jarrahi, M.H., Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making, Business Horizons, 2018, Vol. 61, No. 4, pp. 577-586.
Kunecová, J., Prester, J., Šebo, J., and Palčič, I., Why do manufacturing firms struggle with artificial intelligence?, Journal of Manufacturing Technology Management, 2026, Vol. 37, No. 4, pp. 705-726.
Lee, B., Park, O., and Kim, P., The implementation and operational performance of a MES-based smart factory: Case of S Corporation, Journal of Korean Society of Industrial and Systems Engineering, 2026, Vol. 49, No. 1, pp. 52-60.
Liu, J., Lin, S., Xin, L., and Zhang, Y., AI vs. human buyers: A study of Alibaba’s inventory replenishment system, INFORMS Journal on Applied Analytics, 2023, Vol. 53, No. 5, pp. 372-387.
Malhotra, G. and Manzoor, R., Generative artificial intelligence adoption for achieving supply chain efficiency, circularity and sustainability, Journal of Enterprise Information Management, 2026, Vol. 39, No. 2, pp. 736-758.
Mandal, S., Babu, A.S., Dubey, R., Srinija, M., and Sukruthi, M., From infrastructure to insight: A systemic analysis of AI adoption barriers in supply chain forecasting, International Journal of Productivity and Performance Management, 2026, Vol. 75, No. 5, pp. 1721-1751.
Melville, N., Kraemer, K., and Gurbaxani, V., Information technology and organizational performance: An integrative model of IT business value, MIS Quarterly, 2004, Vol. 28, No. 2, pp. 283-322.
Mikalef, P. and Gupta, M., Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance, Information & Management, 2021, Vol. 58, No. 3, Article 103434.
Min, H., Artificial intelligence in supply chain management: Theory and applications, International Journal of Logistics Research and Applications, 2010, Vol. 13, No. 1, pp. 13-39.
Modgil, S., Singh, R.K., and Hannibal, C., Artificial intelligence for supply chain resilience: Learning from COVID-19, The International Journal of Logistics Management, 2022, Vol. 33, No. 4, pp. 1246-1268.
Olan, F., Liu, S., Suklan, J., Jayawickrama, U., and Arakpogun, E.O., The role of artificial intelligence networks in sustainable supply chain finance for food and drink industry, International Journal of Production Research, 2022, Vol. 60, No. 14, pp. 4418-4433.
Peretz-Andersson, E., Tabares, S., Mikalef, P., and Parida, V., Artificial intelligence implementation in manufacturing SMEs: A resource orchestration approach, International Journal of Information Management, 2024, Vol. 77, Article 102781.
Pournader, M., Ghaderi, H., Hassanzadegan, A., and Fahimnia, B., Artificial intelligence applications in supply chain management, International Journal of Production Economics, 2021, Vol. 241, Article 108250.
Raisch, S. and Krakowski, S., Artificial intelligence and management: The automation-augmentation paradox, Academy of Management Review, 2021, Vol. 46, No. 1, pp. 192-210.
Revilla, E., Saenz, M.J., Seifert, M., and Ma, Y., Human-artificial intelligence collaboration in prediction: A field experiment in the retail industry, Journal of Management Information Systems, 2023, Vol. 40, No. 4, pp. 1071-1098.
Riahi, Y., Saikouk, T., Gunasekaran, A., and Badraoui, I., Artificial intelligence applications in supply chain: A descriptive bibliometric analysis and future research directions, Expert Systems with Applications, 2021, Vol. 173, Article 114702.
Richey, R.G. Jr., Chowdhury, S., Davis-Sramek, B., Giannakis, M., and Dwivedi, Y.K., Artificial intelligence in logistics and supply chain management: A primer and roadmap for research, Journal of Business Logistics, 2023, Vol. 44, No. 4, pp. 532-549.
Rolf, B., Jackson, I., Müller, M., Lang, S., Reggelin, T., and Ivanov, D., A review on reinforcement learning algorithms and applications in supply chain management, International Journal of Production Research, 2023, Vol. 61, No. 20, pp. 7151-7179.
Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., and Dennison, D., Hidden technical debt in machine learning systems, Proceedings of the 28th International Conference on Neural Information Processing Systems (NIPS 2015), 2015, Montreal, Canada, pp. 2503-2511.
Shahzadi, G., Jia, F., Chen, L., and John, A., AI adoption in supply chain management: A systematic literature review, Journal of Manufacturing Technology Management, 2024, Vol. 35, No. 6, pp. 1125-1150.
Snyder, H., Literature review as a research methodology: An overview and guidelines, Journal of Business Research, 2019, Vol. 104, pp. 333-339.
Sung, B. and Kim, J., Structural relationship analysis of barriers to generative AI adoption: A case of the telecommunications industry, Journal of Korean Society of Industrial and Systems Engineering, 2026, Vol. 49, No. 1, pp. 69-81.
Teece, D.J., Pisano, G., and Shuen, A., Dynamic capabilities and strategic management, Strategic Management Journal, 1997, Vol. 18, No. 7, pp. 509-533.
Toorajipour, R., Sohrabpour, V., Nazarpour, A., Oghazi, P., and Fischl, M., Artificial intelligence in supply chain management: A systematic literature review, Journal of Business Research, 2021, Vol. 122, pp. 502-517.
Torraco, R.J., Writing integrative literature reviews: Guidelines and examples, Human Resource Development Review, 2005, Vol. 4, No. 3, pp. 356-367.
Vann Yaroson, E., Abadie, A., and Roux, M., Human-artificial intelligence collaboration in supply chain outcomes: The mediating role of responsible artificial intelligence, Annals of Operations Research, 2025, Vol. 354, pp. 35-69.
Walter, S., AI impacts on supply chain performance: A manufacturing use case study, Discover Artificial Intelligence, 2023, Vol. 3, Article 18.
Wamba-Taguimdje, S.-L., Fosso Wamba, S., Kala Kamdjoug, J.R., and Tchatchouang Wanko, C.E., Influence of artificial intelligence on firm performance: The business value of AI-based transformation projects, Business Process Management Journal, 2020, Vol. 26, No. 7, pp. 1893-1924.
Wong, L.-W., Tan, G.W.-H., Ooi, K.-B., Lin, B., and Dwivedi, Y.K., Artificial intelligence-driven risk management for enhancing supply chain agility: A deep-learning-based dual-stage PLS-SEM-ANN analysis, International Journal of Production Research, 2024, Vol. 62, No. 15, pp. 5535-5555.
Zhang, D., Pee, L.G., and Cui, L., Artificial intelligence in e-commerce fulfillment: A case study of resource orchestration at Alibaba's Smart Warehouse, International Journal of Information Management, 2021, Vol. 57, Article 102304.