Формирование траектории развития возможностей управления цепями поставок на основе генеративного искусственного интеллекта

Интеграция генеративного искусственного интеллекта (GenAI) в управление цепями поставок (SCM) стремительно ускоряется. Однако понимание того, каким образом следует расставлять приоритеты между возможностями, обеспечиваемыми GenAI, для создания устойчивой ценности, остается ограниченным. В существующих исследованиях преимущественно описываются области применения, но не рассматривается иерархическая структура базовых возможностей, необходимых для эффективного внедрения. В связи с этим в настоящем исследовании разработана ориентированная на возможности концептуальная модель, основанная на подходе соответствия задачи и технологии (Task–Technology Fit, TTF). В рамках систематического обзора литературы были выявлены соответствующие возможности, затем уточненные с помощью метода нечеткого Дельфи и структурированные посредством интерпретирующего структурного моделирования (Interpretive Structural Modeling, ISM) с применением нечеткого MICMAC-анализа. Полученная модель была подтверждена результатами вторичного анализа кейсов DHL Supply Chain и Walmart, что позволило сформулировать эмпирически обоснованные положения о механизмах внедрения. Результаты выявляют четырехэтапную последовательность развития: от консолидации данных к операционному интеллекту, адаптивности и дифференциации. Интеграция данных в реальном времени выступает обеспечивающим фактором, поддерживающим промежуточные возможности автоматизации, тогда как адаптивность и дифференциация формируются как зависимые результаты, отражающие стратегический рубеж создания ценности. Исследование расширяет подход TTF, предлагая опосредованную возможностями перспективу, которая обеспечивает предписывающую дорожную карту для определения приоритетов развития возможностей и руководства проектированием систем на основе GenAI в цепях поставок.