The Industry 4.0 narrative for supply chains is straightforward: deploy IoT sensors, feed data into AI analytics platforms, optimize resource allocation, and achieve both efficiency and sustainability. The narrative is partially correct—but it obscures a critical mediating variable. Technology alone does not produce sustainability. Technology combined with deliberate green supply chain practices does.

The Research Landscape: The Mediation Finding

Rashid, Baloch & Rasheed (2024), with 113 citations, provide the most impactful empirical contribution in this space. Using structural equation modeling with data from manufacturing firms in a developing country, they test whether big data analytics powered by AI directly improves sustainable performance or whether the effect operates through mediating variables.

Their key finding: the direct effect of BDA-AI on sustainable performance is not statistically significant. The effect becomes significant only when mediated by green supply chain collaboration—and critically, not all three green practices operate as mediators:

Green supply chain collaboration (GSCC): Joint sustainability initiatives with suppliers, including shared carbon accounting, green procurement criteria, and collaborative product lifecycle assessment. GSCC significantly mediates the BDA-AI → sustainable performance relationship.

Sustainable manufacturing (SM): BDA-AI positively affects SM, but SM does not have a statistically significant effect on sustainable performance in this study.

Environmental process integration (EPI): Similarly, BDA-AI positively affects EPI, but EPI does not significantly mediate the BDA-AI → sustainable performance pathway.

The practical interpretation is more targeted than it first appears: supplier collaboration is the critical mediating mechanism. Internal production redesign and environmental process embedding, while influenced by AI analytics, do not independently drive sustainable performance outcomes in this sample. An organization that deploys sophisticated AI analytics without building supplier-level green collaboration achieves efficiency improvements (lower inventory costs, faster logistics) but not sustainability improvements (lower emissions, less waste, better resource circularity). The technology provides the capability for sustainability; green supplier collaboration provides the direction.

Prioritizing Technologies: A Multi-Criteria Approach

Štreimikienė, Bathaei & Štreimikis (2025), with 10 citations, apply multi-criteria decision-making (MCDM) to rank Industry 4.0 technologies by their contribution to sustainable supply chain performance. Using a combination of fuzzy AHP and TOPSIS across expert evaluations, they find:

• IoT and sensor networks rank highest for sustainability contribution—primarily because real-time data collection enables granular emissions monitoring and waste detection.
• AI and machine learning rank second—valuable for predictive optimization but dependent on data quality from IoT infrastructure.
• Blockchain ranks third—useful for traceability and certification but currently limited by energy consumption and scalability.
• Digital twins rank fourth—powerful for scenario modeling but require substantial investment in model development and calibration.
• Robotics and automation rank lowest for sustainability—efficiency-enhancing but without inherent environmental directionality.

This ranking suggests that organizations should invest in IoT data infrastructure before deploying sophisticated AI analytics—a sequencing that contradicts the common vendor narrative of "start with AI."

The Net-Zero Policy Effect

Singh (2025), with 6 citations, examines how net-zero policy mandates interact with green technology adoption to influence supply chain sustainability. Using survey data from supply chain professionals, the study finds that regulatory pressure significantly moderates the technology-sustainability relationship: organizations operating under stronger net-zero mandates show stronger links between green technology adoption and sustainable performance.

This moderation effect suggests that technology adoption without regulatory pressure may serve efficiency rather than sustainability—firms voluntarily adopt AI analytics to cut costs but not necessarily to cut emissions. Policy mandates redirect technology toward environmental objectives.

The broader systematic review literature confirms this mediation pattern: studies that report positive sustainability outcomes consistently feature technology deployment within green operational frameworks, while studies that report technology adoption without operational change show efficiency but not sustainability gains.

Critical Analysis: Claims and Evidence

<

Claim	Evidence	Verdict
BDA-AI directly improves sustainable performance	Rashid et al.: direct effect not significant	❌ Refuted — requires green practice mediation
Green supply chain collaboration (GSCC) mediates the AI-sustainability link	Rashid et al. SEM: GSCC mediation significant; SM and EPI mediation not significant	✅ Partially supported — GSCC is the key mediator; SM and EPI effects on SP are insignificant
emissions monitoring, energy efficiency, and supply chain traceability should be prioritized in sustainability investment	Štreimikienė et al. MCDM ranking	⚠️ Uncertain — expert-based ranking, not empirical deployment data
Net-zero mandates strengthen technology-sustainability links	Singh: significant partial mediation effect	✅ Supported — survey-based, single context
Technology alone delivers sustainability outcomes	Rashid et al. + broader systematic review literature: consistently refuted	❌ Refuted across studies

The Developing Country Context

An important feature of Rashid et al.'s study is its developing country setting. Most Industry 4.0 supply chain research is conducted in developed economies where digital infrastructure, regulatory frameworks, and workforce capabilities are relatively mature. In developing economies, the barriers to AI-sustainability integration are more fundamental:

• Data infrastructure gaps: IoT deployment requires reliable connectivity, power supply, and data storage—conditions not universally available in developing country manufacturing zones.
• Workforce digital literacy: AI analytics tools require operators who can interpret and act on algorithmic recommendations. Training pipelines for these skills are underdeveloped.
• Regulatory enforcement: Net-zero mandates may exist on paper but lack enforcement mechanisms, weakening the regulatory moderation effect that Singh identifies.

These context factors suggest that the technology-green practice-sustainability pathway operates differently depending on institutional maturity—a moderating variable that most studies do not explicitly model.

Open Questions and Future Directions

Longitudinal evidence: All reviewed studies are cross-sectional. Does the technology-green practice-sustainability pathway strengthen over time as organizations mature in both digital and green capabilities?

Cost-benefit of green mediation: Implementing green supply chain practices requires investment. What is the net ROI of the combined technology + green practice package compared to technology alone?

Small firm pathways: Can SMEs achieve similar sustainability gains through simpler digital tools (spreadsheet analytics, basic sensor systems) paired with green practices?

Sector heterogeneity: Does the mediation pattern hold across manufacturing, services, agriculture, and extractive industries?

Scope 3 implications: Most studies measure sustainability at the focal firm level. Do green AI-enabled supply chains reduce emissions across the entire value chain, or do they shift emissions to less monitored tiers?

Implications for Researchers and Practitioners

The central finding across this literature is both simple and consequential: AI and Industry 4.0 technologies are necessary but not sufficient for supply chain sustainability. Green operational practices provide the essential mediation mechanism. For supply chain executives, this means that technology procurement and green strategy development should proceed in parallel—not sequentially. For technology vendors, the implication is that selling analytics tools without helping clients implement the green practices that make those tools sustainability-relevant is selling a half-solution.

For policymakers, the Singh moderation finding provides evidence that net-zero mandates do more than signal intent—they redirect technology investment toward environmental outcomes. Policy design that combines technology subsidies with green operational requirements is likely more effective than either alone.

면책 조항: 본 게시물은 정보 제공을 위한 연구 동향 개요이다. 학술 연구에서 인용하기 전에 구체적인 연구 결과, 통계 및 주장은 원본 논문을 통해 반드시 검증해야 한다.

인더스트리 4.0과 녹색 공급망의 만남: AI 기반 분석이 지속 가능한 성과를 실현하는가?

공급망에 대한 인더스트리 4.0의 서사는 단순하다. IoT 센서를 배치하고, 데이터를 AI 분석 플랫폼에 투입하며, 자원 배분을 최적화하여 효율성과 지속 가능성을 동시에 달성한다는 것이다. 이 서사는 부분적으로 옳지만, 결정적인 매개 변수를 간과하고 있다. 기술 단독으로는 지속 가능성을 실현할 수 없다. 기술이 의도적인 녹색 공급망 관행과 결합될 때 비로소 가능하다.

연구 현황: 매개 효과 발견

113회 인용된 Rashid, Baloch & Rasheed(2024)는 이 분야에서 가장 영향력 있는 실증적 기여를 제공한다. 이들은 개발도상국 제조 기업 데이터를 활용한 구조방정식 모델링(structural equation modeling)을 통해, AI 기반 빅데이터 분석(BDA-AI)이 지속 가능한 성과에 직접적인 영향을 미치는지, 아니면 그 효과가 매개 변수를 통해 작동하는지를 검증한다.

핵심 발견: BDA-AI가 지속 가능한 성과에 미치는 직접적 효과는 통계적으로 유의하지 않다. 이 효과는 녹색 공급망 협력에 의해 매개될 때만 유의미해지며, 결정적으로 세 가지 녹색 관행 모두가 매개 변수로 작동하는 것은 아니다.

녹색 공급망 협력(GSCC): 공유 탄소 회계, 녹색 조달 기준, 협력적 제품 수명주기 평가 등 공급업체와의 공동 지속 가능성 이니셔티브. GSCC는 BDA-AI → 지속 가능한 성과 관계를 유의하게 매개한다.

지속 가능한 제조(SM): BDA-AI는 SM에 긍정적인 영향을 미치지만, 본 연구에서 SM은 지속 가능한 성과에 통계적으로 유의한 영향을 미치지 않는다.

환경 프로세스 통합(EPI): 마찬가지로 BDA-AI는 EPI에 긍정적인 영향을 미치지만, EPI는 BDA-AI → 지속 가능한 성과 경로를 유의하게 매개하지 않는다.

실무적 해석은 처음 보이는 것보다 더 구체적이다. 공급업체 협력이 핵심적인 매개 메커니즘이다. 내부 생산 재설계와 환경 프로세스 내재화는 AI 분석의 영향을 받지만, 이 표본에서는 독립적으로 지속 가능한 성과를 이끌어내지 못한다. 공급업체 수준의 녹색 협력 없이 정교한 AI 분석만 도입한 조직은 효율성 개선(재고 비용 절감, 물류 가속화)은 달성하지만 지속 가능성 개선(배출량 감소, 폐기물 저감, 자원 순환성 향상)은 달성하지 못한다. 기술은 지속 가능성을 위한 역량을 제공하고, 녹색 공급업체 협력은 방향을 제공한다.

기술 우선순위 결정: 다기준 접근법

10회 인용된 Štreimikienė, Bathaei & Štreimikis(2025)는 다기준 의사결정(MCDM) 방법을 적용하여 인더스트리 4.0 기술을 지속 가능한 공급망 성과 기여도에 따라 순위를 매긴다. 전문가 평가에 퍼지 AHP와 TOPSIS를 결합하여 다음과 같은 결과를 도출한다.

• IoT 및 센서 네트워크가 지속 가능성 기여도에서 가장 높은 순위를 차지한다. 주된 이유는 실시간 데이터 수집이 세밀한 배출량 모니터링과 폐기물 감지를 가능하게 하기 때문이다.
• AI 및 머신러닝이 2위를 차지한다. 예측 최적화에 유용하지만 IoT 인프라의 데이터 품질에 의존한다.
• 블록체인이 3위를 차지한다. 추적성 및 인증에 유용하지만 현재 에너지 소비와 확장성의 한계가 있다.
• 디지털 트윈이 4위를 차지한다. 시나리오 모델링에 강력하지만 모델 개발 및 보정에 상당한 투자가 필요하다.
• 로봇공학 및 자동화가 지속 가능성 측면에서 가장 낮은 순위를 차지한다. 효율성은 향상시키지만 본질적인 환경적 방향성이 없다.

이 순위는 조직이 정교한 AI 분석을 도입하기 전에 IoT 데이터 인프라에 투자해야 함을 시사하는데, 이는 "AI부터 시작하라"는 일반적인 벤더 서사와 상충되는 순서이다.

탄소중립 정책 효과

Singh(2025)은 6회 인용으로, 탄소중립 정책 의무가 녹색 기술 채택과 상호작용하여 공급망 지속가능성에 어떠한 영향을 미치는지 검토한다. 공급망 전문가 설문 데이터를 활용한 이 연구는 규제 압력이 기술-지속가능성 관계를 유의미하게 조절함을 발견한다. 즉, 더 강력한 탄소중립 의무 하에 운영되는 조직일수록 녹색 기술 채택과 지속가능한 성과 간의 연관성이 더 강하게 나타난다.

이 조절 효과는 규제 압력 없는 기술 채택이 지속가능성보다 효율성에 기여할 수 있음을 시사한다. 즉, 기업들은 비용 절감을 위해 자발적으로 AI 분석을 채택하지만, 반드시 배출량 감축을 위해서는 아니다. 정책 의무는 기술을 환경적 목표 방향으로 재조정한다.

광범위한 체계적 문헌고찰 결과도 이러한 매개 패턴을 확인해 준다. 긍정적인 지속가능성 성과를 보고하는 연구들은 일관되게 녹색 운영 체계 내에서의 기술 도입을 특징으로 하는 반면, 운영 변화 없이 기술 채택만을 보고하는 연구들은 지속가능성 향상이 아닌 효율성 향상만을 보인다.

비판적 분석: 주장과 근거

<

주장	근거	판정
BDA-AI가 지속가능한 성과를 직접 향상시킨다	Rashid et al.: 직접 효과 비유의	❌ 반증됨 — 녹색 실천의 매개 필요
녹색 공급망 협업(GSCC)이 AI-지속가능성 연계를 매개한다	Rashid et al. SEM: GSCC 매개 유의; SM 및 EPI 매개 비유의	✅ 부분 지지 — GSCC가 핵심 매개변수; SP에 대한 SM 및 EPI 효과는 비유의
지속가능성 투자에서 배출량 모니터링, 에너지 효율, 공급망 추적가능성이 우선시되어야 한다	Štreimikienė et al. MCDM 순위	⚠️ 불확실 — 실증적 배포 데이터가 아닌 전문가 기반 순위
탄소중립 의무가 기술-지속가능성 연계를 강화한다	Singh: 유의미한 부분 매개 효과	✅ 지지됨 — 설문 기반, 단일 맥락
기술만으로 지속가능성 성과를 달성할 수 있다	Rashid et al. + 광범위한 체계적 문헌고찰: 일관되게 반증	❌ 연구 전반에 걸쳐 반증됨

개발도상국 맥락

Rashid et al. 연구의 중요한 특징은 개발도상국 환경을 배경으로 한다는 점이다. Industry 4.0 공급망 연구의 대부분은 디지털 인프라, 규제 체계, 노동력 역량이 비교적 성숙한 선진국 경제권에서 수행된다. 개발도상국 경제권에서는 AI-지속가능성 통합의 장벽이 보다 근본적이다.

• 데이터 인프라 격차: IoT 배포는 안정적인 연결성, 전력 공급, 데이터 저장 공간을 필요로 하는데, 이는 개발도상국 제조 지역에서 보편적으로 확보되지 않는 조건이다.
• 노동력 디지털 리터러시: AI 분석 도구는 알고리즘 권고사항을 해석하고 이에 따라 행동할 수 있는 운영자를 필요로 한다. 이러한 역량을 위한 교육 체계는 아직 미성숙하다.
• 규제 집행: 탄소중립 의무가 문서상으로는 존재하더라도 집행 메커니즘이 부재할 수 있으며, 이는 Singh이 확인한 규제 조절 효과를 약화시킨다.

이러한 맥락적 요인들은 기술-녹색 실천-지속가능성 경로가 제도적 성숙도에 따라 다르게 작동함을 시사한다. 이는 대부분의 연구에서 명시적으로 모형화되지 않는 조절변수이다.

미해결 질문과 향후 방향

종단 근거: 검토된 모든 연구는 횡단면적 연구이다. 기술-녹색 실천-지속가능성 경로는 조직이 디지털 및 녹색 역량 양면에서 성숙해짐에 따라 시간이 지날수록 강화되는가?

녹색 매개의 비용-편익: 녹색 공급망 실천을 구현하려면 투자가 필요하다. 기술 단독 패키지 대비 기술 + 녹색 실천의 결합 패키지에 대한 순 ROI는 어느 정도인가?

중소기업 경로: 중소기업(SME)은 녹색 실천과 결합된 보다 단순한 디지털 도구(스프레드시트 분석, 기본 센서 시스템)를 통해 유사한 지속가능성 성과를 달성할 수 있는가?

산업 이질성: 이 매개 패턴은 제조업, 서비스업, 농업, 채굴업 전반에 걸쳐 동일하게 성립하는가?

Scope 3 함의: 대부분의 연구는 개별 기업 수준에서 지속가능성을 측정한다. 녹색 AI 기반 공급망은 전체 가치사슬에 걸쳐 배출량을 감축하는가, 아니면 배출량을 덜 모니터링되는 단계로 이전시키는가?

연구자 및 실무자를 위한 시사점

이 문헌 전반에 걸친 핵심 발견은 단순하면서도 중요한 의미를 지닌다: AI 및 Industry 4.0 기술은 공급망 지속가능성을 위해 필요하지만 충분하지는 않다. 녹색 운영 실천이 핵심적인 매개 메커니즘을 제공한다. 공급망 임원에게 있어 이는 기술 조달과 녹색 전략 개발이 순차적이 아닌 병행하여 진행되어야 함을 의미한다. 기술 공급업체에게 있어 그 함의는, 분석 도구를 판매하면서 해당 도구를 지속가능성과 연관되게 만드는 녹색 실천의 구현을 클라이언트가 할 수 있도록 지원하지 않는 것은 절반의 해결책만을 판매하는 것이라는 점이다.

정책 입안자에게 있어 Singh의 조절 효과 발견은 탄소중립 의무화가 단순한 의도 표명 이상의 역할을 한다는 증거를 제공한다. 즉, 이는 기술 투자를 환경적 성과를 향해 재방향화한다. 기술 보조금과 녹색 운영 요건을 결합한 정책 설계는 어느 하나만을 단독으로 시행하는 것보다 더 효과적일 가능성이 높다.