人工智能 (AI) 正在变革供应链管理 (Supply Chain Management，SCM)，但许多组织难以评估自身采用 AI 的准备情况，也难以理解 AI 能力如何在各个成熟阶段发展。本论文旨在弥补这一空白，开发了一种基于组织信息处理理论 (OIPT)、资源基础观及相关能力框架的 AI 集成到 SCM 中的能力成熟度模型 (Capability Maturity Model，CMM)。该模型提供了一种结构化的方法，用于评估组织在有效开展 AI 赋能的供应链运营方面所需的信息处理需求、资源配置和协调性。
本研究采用设计科学研究方法，从理论和系统文献综述中提炼出 AI-SCM CMM 及其相关评估工具，并通过多轮德尔菲研究进行迭代完善，研究对象包括 AI、数据科学和 SCM 领域的专家。形成性评估侧重于需求协调性检查和专家对陈述相关性和清晰度的评分，随后对评估工具量表进行内部一致性信度分析。
一项总结性的组织案例研究演示应用了最终版工具，生成了涵盖六个人工智能供应链管理（AI-SCM）能力维度的成熟度概况，并揭示了能力差距和改进重点。该演示展示了组织如何利用成熟度模型（CMM）对标人工智能赋能的供应链能力，并优先考虑分析、自动化、互操作性、韧性和学习型实践等方面的转型举措。
本研究将人工智能概念化为一种更高阶的组织能力，它能够增强供应链运营的信息处理能力和战略协同性。它不仅深化了学术界对人工智能赋能的组织能力的理解，还提供了一个可供实践者使用的成熟度模型和评估方法，用于构建智能、韧性强且创新驱动的供应链。
论文题目：A Capability Maturity Model for Artificial Intelligence Integration in Supply Chain Management

作者：Becklines, Lordt

类型：2026年博士论文

学校：Dakota State University（美国达科他州立大学）

下载论文：https://t.zsxq.com/vO0S5

请索引第133篇博士论文

图片
图片


引言

问题背景

供应链管理 (SCM) 是现代全球商业的命脉，它确保了商品、服务、信息和金融资源从原材料供应商到最终消费者的无缝流动。当代供应链日益呈现出复杂性、不确定性、波动性和全球网络间深度相互依存的特点。如今，企业不仅需要提高运营效率，还需要构建具有韧性、敏捷性、适应性和可持续性的供应链，以应对持续不断的干扰（Ivanov，2022）。

在不断变化的环境中，人工智能 (AI) 已成为一种变革性的推动力量，能够重塑供应链管理实践。人工智能驱动的功能涵盖预测分析、需求预测、智能自动化、优化算法和增强的决策支持，为提高供应链绩效和战略响应能力提供了重要机遇（Abeysekara et al., 2019; Um & Kim, 2019; Yadav, Sachdeva, et al., 2024）。

尽管人工智能 (AI) 具有变革潜力，但其在供应链管理 (SCM) 中的应用仍然缺乏一致性、碎片化，且缺乏提供评估和指导的结构化框架。现有的 AI 成熟度模型往往侧重于企业层面或特定行业的应用，而未能充分解决 SCM 中固有的独特运营、技术和战略复杂性（H. Guo et al., 2025; Seyedghorban et al., 2020; Turner et al., 2018）。此外，许多此类模型缺乏严格的实证验证，通常仅作为概念框架提出，缺乏在实际供应链环境中应用的充分证据。

当前的AI成熟度模型为组织内部AI应用阶段提供了基础性的理解。然而，它们往往缺乏供应链管理（SCM）应用所需的具体性。例如，“AI蓝图：企业五阶段成熟度模型”虽然提供了从基础到转型的渐进过程，但却忽略了SCM独特的运营和战略复杂性。Schuster等人（2021）提出了一种标准化方法，但它未能全面涵盖SCM的详细需求。一些特定行业的模型，例如由健康管理学院、微软和Nuance联合开发的专注于医疗保健行业的AI成熟度路线图，可能并不适用于SCM更广泛的需求（Guan等人，2025）。Ferraro等人（2023）指出，以工业4.0为中心的模型也忽略了SCM的全面需求。

许多模型缺乏实证支持，这引发了人们对其在供应链管理（SCM）中适用性的担忧（Patil & Gudivada，2024；Ponnambalam 等，2014）。Correia 等（2023）强调了这些模型的利用率低和缺乏科学验证，质疑其实用性。此外，Correia 等（2023）还指出，目前缺乏详细的供应链管理发展指南。人工智能模型的复杂性可能会阻碍供应链管理的实施，而且其静态特性无法反映技术和市场的动态变化，因此需要开发能够适应供应链管理不断发展的格局的自适应模型（Sonntag 等，2024）。一些模型侧重于逐步引入人工智能或流程优化，而另一些模型则致力于提升韧性、敏捷性或可持续性。这些模型的共同之处在于，数据处理、分析和决策支持是其基础要素。

然而，在将技术与环境动态和组织结构相连接，以及在促进创新和学习方面，仍然存在差距。组织如何才能有效弥合人工智能准备度和人工智能优化之间的鸿沟，确保无缝集成并最大限度地发挥其效益？这一差距需要进一步探索和验证，从而推动人工智能在构建稳健、高效和创新型供应链中发挥关键作用。

问题陈述

尽管机器学习、自然语言处理和预测分析等人工智能技术在供应链中的应用日益广泛，但企业仍然缺乏经过验证的模型来评估其人工智能应用准备度和成熟度。现有的成熟度模型要么未能充分考虑供应链管理（SCM）的独特需求，例如互操作性、韧性和全球监管的复杂性；要么缺乏实证检验。这种缺失导致学术研究和实践中都存在着严重的差距，使得管理者缺乏可靠的工具来衡量其人工智能在供应链管理中的应用准备度，也使得研究人员缺乏经过验证的工具来研究人工智能对供应链管理绩效的影响。因此，迫切需要一种经过验证的、专门针对供应链管理的人工智能成熟度模型（CMM），以连接理论与实践。

论文结构

本论文结构如下。第2章对人工智能（AI）在供应链领域的应用、供应链管理（SCM）环境的复杂性以及所提出的AI-SCM能力成熟度模型（AI-SCM CMM）的概念基础进行了全面的文献综述。第3章阐述了模型构建和成熟度逻辑的理论基础和指导视角（例如，组织信息处理理论（OIPT）、资源基础观（RBV）、动态能力以及相关的能力框架）。第4章详细介绍了研究方法，该方法基于设计科学研究（DSR），并通过德尔菲专家验证方法执行，包括参与者选择、迭代轮次和数据收集程序。第5章报告了AI-SCM CMM的设计和开发，包括维度、成熟度级别和指标的定义，以及将这些要素转化为评估工具的过程。第6章描述了AI-SCM CMM评估工具及其测量结构的开发和配置。第7章在一个组织场景中演示并评估了所提出的模型和工具，包括对由此产生的成熟度概况和实用决策支持见解的分析。第8章讨论并解释了评估结果及其意义，包括对模型贡献和局限性的反思。第9章总结了论文，综合了研究发现，阐述了贡献，指出了局限性，并提出了未来研究方向。

在第1章确立了研究问题、目标和论文范围之后，第2章综合了关于供应链管理中人工智能、成熟度模型以及论证和定位所提出的能力成熟度模型所需的理论基础的现有文献。

微信群

内容中包含的图片若涉及版权问题，请及时与我们联系删除