Impact of Artificial Intelligence on food sustainability

This thesis examines how artificial intelligence (AI) can help address sustainability challenges in the post-harvest food supply chain, with sustainability read through the triple bottom line (TBL) of environmental, economic, and social performance. Existing research describes what AI could do across the chain but offers little primary evidence on what firms have done. This thesis addresses that gap, asking how supply chain stages contribute and share data within AI-enabled systems, what determines whether AI delivers a sustainability outcome, and what trade-offs and synergies arise across the three TBL dimensions. The study has two parts. The first synthesises 34 papers into a conceptual framework developed for this thesis, grouping reported applications into six AI capabilities (C1 to C6) across four post-harvest stages and the three sustainability dimensions. The second is a qualitative multiple case study of eleven cases, seven AI providers and four food companies in Europe and the United States, drawing on twelve informants and public company materials, analysed with the Gioia methodology. Two lenses guide interpretation: Dynamic Capabilities (sensing, seizing, transforming) organises the determinants, the triple bottom line the outcomes. Three findings stand out. First, AI here runs mainly on data held within a single firm, and single-stage use is the norm; cross-stage sharing matters only for systems that plan across firms, where the binding constraint is organisational, not technological. Second, the seven determinants cluster under sensing, convert into results only through the changed decision under seizing, and are gated throughout by the firm's capacity to transform. Third, the effect of AI is conditional: a system delivers whatever it is built to optimise, so the line that matters runs between targeted and derived outcomes rather than between the pillars, with lower emissions, resource efficiency, and food security appearing only as consequences of reduced waste. The clearest synergy is co-production, where one decision improves several outcomes at once. The thesis thus locates AI as mainly a sensing instrument, whose sustainability payoff lies downstream, in the decisions firms change.

La presente tesi esamina come l'intelligenza artificiale (IA) possa contribuire ad affrontare le sfide di sostenibilità nella filiera agroalimentare post-raccolta, letta attraverso la triple bottom line (TBL) nelle sue dimensioni ambientale, economica e sociale. La letteratura esistente descrive ciò che l'IA potrebbe fare lungo la filiera, ma offre poche evidenze empiriche su ciò che le imprese hanno effettivamente realizzato. La tesi affronta questa lacuna, chiedendosi come le fasi della filiera forniscano e condividano dati all'interno dei sistemi basati sull'IA, quali siano i determinanti che decidono se l'IA produce un risultato di sostenibilità e quali compromessi e sinergie emergano fra le tre dimensioni della TBL. Lo studio si compone di due parti. La prima sintetizza 34 articoli in un quadro concettuale sviluppato per questa tesi, raggruppando le applicazioni riportate in letteratura in sei capacità dell'IA (da C1 a C6) lungo quattro fasi post-raccolta e le tre dimensioni della sostenibilità. La seconda è uno studio di caso multiplo qualitativo su undici casi, sette fornitori di IA e quattro aziende alimentari in Europa e negli Stati Uniti, basato su dodici intervistati e su materiali pubblici delle aziende, analizzati con la metodologia Gioia. Due lenti teoriche guidano l'interpretazione: le Dynamic Capabilities (sensing, seizing, transforming) organizzano i determinanti, la triple bottom line i risultati. Emergono tre risultati principali. Primo, l'IA opera qui soprattutto su dati interni a una singola impresa, e l'impiego in un'unica fase è la norma; la condivisione fra fasi conta solo per i sistemi che pianificano a cavallo di più imprese, dove il vincolo determinante è organizzativo, non tecnologico. Secondo, i sette determinanti si concentrano nel sensing, si convertono in risultati solo attraverso la decisione modificata nel seizing, e sono vincolati lungo tutto il percorso dalla capacità di trasformazione dell'impresa. Terzo, l'effetto dell'IA è condizionato: un sistema produce ciò per cui è stato progettato, perciò la distinzione che conta corre fra risultati mirati e risultati derivati, più che fra i pilastri, con la riduzione delle emissioni, l'efficienza nell'uso delle risorse e la sicurezza alimentare che compaiono solo come conseguenze della riduzione degli sprechi. La sinergia più netta è la co-produzione, in cui un'unica decisione migliora più risultati insieme. La tesi colloca così l'IA come strumento principalmente di sensing, il cui beneficio per la sostenibilità si situa a valle, nelle decisioni che le imprese modificano.