The role of AI in the evolution of quality management in post-harvest agri-food

This thesis analyses the role of artificial intelligence in post-harvest agri-food quality management, a context characterised by high biological variability, stringent requirements and high exposure to rapid deterioration risks. The main question concerns how AI is used in quality management activities and what conditions influence its evolution from operational control technologies to more preventive and decision-making approaches. The research adopts a mixed approach: a Systematic Literature Review (2020-2025) and an empirical campaign based on semi-structured interviews conducted with six Italian post-harvest companies that develop or employ AI solutions. Data integration was interpreted using five frameworks: SCOR, Cost of Quality, Heptagon of food quality extended with the aspect of food security, DOI, and TOE. The results show that the current use of AI is mainly concentrated in control and evaluation activities, such as automatic visual analysis of batches and product classification, with a dominant impact on food safety and sensory and economic aspects. Preventive applications are present, but still limited to specific predictive uses, such as shelf-life prediction. The evolution towards more integrated and preventive forms requires significant organisational and technological conditions: data quality and integration, infrastructure readiness, clear decision-making roles, and the ability to interpret algorithmic outputs. The theoretical contribution of the thesis is to show that the transformative potential of AI is not only about the efficiency of product control, but also the scale at which quality is defined and governed. AI becomes a lever for managerial evolution only when the organisation can absorb its informational effects and redistribute responsibility for quality decisions throughout the system.

Questa tesi analizza il ruolo dell’intelligenza artificiale nella gestione della qualità nel post-raccolta agroalimentare, un contesto caratterizzato da alta variabilità biologica, requisiti stringenti e forte esposizione a rischi di deterioramento rapido. La domanda principale riguarda come l’AI viene effettivamente utilizzata nelle attività di gestione della qualità e quali condizioni ne influenzano l’evoluzione da tecnologie di controllo operativo verso logiche più preventive e decisionali. La ricerca adotta un approccio misto: una Systematic Literature Review (2020-2025) e una campagna empirica basata su interviste semi-strutturate condotte con sei aziende italiane della fase post-raccolta che sviluppano o impiegano soluzioni AI. L’integrazione dei dati è stata interpretata tramite cinque framework: SCOR, Cost of Quality, Heptagon of food quality esteso con l’aspetto di food security, DOI e TOE. I risultati mostrano che l’utilizzo corrente dell’AI è concentrato principalmente in attività di controllo e valutazione, come l’analisi visiva automatica dei lotti e la classificazione dei prodotti, con impatto dominante su food safety e su dimensioni sensoriali ed economiche. Le applicazioni preventive sono presenti, ma ancora limitate a specifici usi predittivi, come la previsione della shelf-life. L’evoluzione verso forme più integrate e preventive richiede condizioni organizzative e tecnologiche non banali: qualità e integrazione dei dati, prontezza infrastrutturale, ruoli decisionali chiari, e capacità di interpretare gli output algoritmici. Il contributo teorico della tesi consiste nel mostrare che il potenziale trasformativo dell’AI non riguarda solo l’efficienza del controllo prodotto, ma la scala a cui la qualità viene definita e governata. L’AI diventa leva di evoluzione manageriale solo quando l’organizzazione è in grado di assorbirne gli effetti informativi e redistribuire la responsabilità delle decisioni di qualità attraverso il sistema.