The impact of Artificial Intelligence on procurement negotiation : a simulation experiment

Purpose, Originality and Value - The following dissertation aims in the current research to fill the lack of a systemic and defined vision on Artificial Intelligence techniques and algorithms applied to negotiation during the procurement phase. In addition, the literature misses an identification of the benefits that can drive towards the adoption of this technology by firms and related achievable performance in quantitative terms. The aim is to fill such gaps by providing a structured and repeatable approach to the implementation of artificial intelligence-based solutions for procurement negotiation, and a parallel estimation of the expected benefits. Design, methodology and approach - A multi-stage research process was applied to conduct this study. The starting point was the literature review, which was fundamental to identify the main gaps in current knowledge and to define the methodology and elements necessary to validate the proposed research questions. In parallel, the analysis made on the current status of start-ups providing AI-based services for negotiation in procurement was fundamental to outline the structure of the experiment and the Final Framework. Results - The results of this study are the following: (1) a description of the impact that AI techniques and algorithms have on negotiation in terms of effectiveness and efficiency, (2) an analysis of the role that information generated by AI platforms has in improving the buyer's position relative to the supplier, leading them to obtain more advantageous deals. The result is a practical and comprehensive model: it includes all the variables considered relevant during the negotiation and post-negotiation phase (expected outcomes) that could support companies along the decision-making process for the adoption of AI. Limitations and future research - Given the modernity of the topic, future revisions could add several factors not considered within this thesis project, and within the designed experiment (in terms of completeness and duration of data collection) as well. In particular, a quantitative model built on more variables would provide validation of the results found, overcoming the limitations given by the simplification of the model.

Scopo, originalità e valore – La seguente dissertazione ha lo scopo di colmare nella ricerca attuale la mancanza di una visione sistemica e definita sulle tecniche e gli algoritmi di Intelligenza Artificiale applicati alla negoziazione durante la fase di approvvigionamento. Inoltre, la letteratura manca di un’identificazione dei benefici che possano spingere verso l’adozione di questa tecnologia da parte delle aziende e relative prestazioni ottenibili in termini quantitativi. L’obiettivo è quello di colmare le lacune identificate fornendo un approccio strutturato e ripetibile all’implementazione di soluzioni basate sull’intelligenza artificiale per la negoziazione in ambito approvvigionamenti, e una parallela stima dei benefici attesi. Design, metodologia e approccio – Per condurre questo studio è stato applicato un percorso di ricerca a più fasi. Il punto di partenza è stata la revisione della letteratura, fondamentale per identificare le principali mancanze nella conoscenza attuale e per definire la metodologia e gli elementi necessari a validare i quesiti di ricerca proposti. In parallelo, l’analisi fatta sullo stato attuale delle start-up che forniscono servizi di intelligenza artificiale per la negoziazione in ambito approvvigionamenti è risultata fondamentale per delineare la struttura dell’esperimento e il Framework Finale. Risultati – I risultati di questo studio sono i seguenti: (1) una descrizione dell’impatto che le tecniche e gli algoritmi dell’IA hanno sulla negoziazione in termini di efficacia ed efficienza, (2) un’analisi del ruolo che l’informazione generata da piattaforme di intelligenza artificiale ha nel migliorare la posizione dell’acquirente rispetto al fornitore, portandolo ad ottenere accordi più vantaggiosi. Il risultato finale è un modello pratico e completo: include tutte le variabili ritenute rilevanti durante la fase di negoziazione e post-negoziazione (risultati attesi) che potrebbero supportare le aziende lungo il processo decisionale per l’adozione dell’IA. Limiti e ricerche future – Data la modernità dell’argomento, revisioni future potrebbero aggiungere diversi fattori non considerati all’interno di questo progetto di tesi, e in particolare all’interno dell’esperimento prodotto (in termini di completezza e di durata della raccolta dati). In particolare, un modello quantitativo costruito su più variabili fornirebbe la validazione dei risultati trovati, oltrepassando i limiti dati dalla semplificazione del modello.