Nel contesto attuale, segnato da crescente complessità, volatilità e interdipendenza, la gestione della supply chain richiede strumenti in grado di interpretarne le dinamiche e valorizzare il potenziale dei dati. In questo scenario, la System Dynamics (SD) consente di analizzare feedback, ritardi temporali e comportamenti emergenti nel lungo periodo, mentre le tecniche di Artificial Intelligence e Machine Learning (AI/ML) rafforzano la capacità predittiva dei modelli e il supporto ai processi decisionali. La presente tesi analizza le principali sinergie tra SD e AI/ML, con particolare attenzione alle applicazioni in ambito supply chain e logistica. L’obiettivo è comprendere in che modo la modellazione dinamica possa supportare la simulazione e l’interpretazione delle dinamiche complesse della supply chain e favorire l’adozione di soluzioni basate sull’intelligenza artificiale per migliorarne efficienza, resilienza e qualità decisionale.