Strategic procurement depends increasingly on the choice of suppliers as global supply chains, over the years become more and more complex. A crucial first step in supply chain management, the supplier’s choice greatly affects cost efficiency, supplier performance, and the long-term competitiveness of the organization. The usual evaluation methods usually fall short in handling multi-criteria decision-making in uncertain environments. With the arrival of Industry 4.0 Artificial intelligence (AI) has attracted a lot of attention as a means of improving analytical precision and automating decision-making to thus improve supplier evaluation. One feasible approach to enhance supplier assessment and decision-making procedures is the application of artificial intelligence (AI) techniques.

This thesis, utilizing a Systematic Literature Review (SLR), aims to investigate the theoretical foundations, methodological approaches, and practical applications of artificial intelligence in supplier selection. Rather than focusing on author trends or publishing statistics, the emphasis is placed on understanding the use of artificial intelligence techniques—such as machine learning, expert systems, and hybrid models—in enabling supplier selection decision-making. Under five basic research questions, this thesis investigates: (1) the variants of AI techniques applied in supplier selection; (2) the decision-making methodologies associated with AI; (3) the theoretical frameworks supporting these applications; (4) the research deficiencies and prospects for future advancement; and (5) the geographical and industrial settings of AI implementation.

Applied within decision-making systems including Multi-Criteria Decision-Making (MCDM), Analytical Hierarchy Process (AHP), and Data Envelopment Analysis (DEA), the theoretical component provides a disciplined synthesis of AI techniques—including machine learning, fuzzy logic, neural networks, and hybrid models. The thesis examines how these artificial intelligence methods support supplier selection in various industrial environments. The bibliometric component uses a no-coding, tool-based approach, by analyzing publication trends, research patterns, and important field players.Τhis thesis   offers a comprehensive view of AI's influence on supplier selection by combining a conceptual theoretical framework with quantitative bibliometric insights, which will serve only to support the theory. The results add to both scholarly knowledge and useful implementation techniques for data-driven supplier management in contemporary supply chains.

Although this study is exploratory and mainly qualitative, proposes the hypothesis that AI-driven methodologies will improve the efficiency, consistency, and flexibility of supplier selection decisions in many scenarios. The result will benefit both academic and practical sectors by combining existing knowledge and proposing options for additional research and application.

 Η στρατηγική των προμηθειών εξαρτάται ολοένα και περισσότερο από την επιλογή προμηθευτών καθώς οι παγκόσμιες αλυσίδες εφοδιασμού γίνονται όλο και πιο περίπλοκες με την πάροδο των ετών. Ένα κρίσιμο πρώτο βήμα στη διαχείριση της εφοδιαστικής αλυσίδας, η επιλογή προμηθευτή επηρεάζει σημαντικά την αποδοτικότητα , την απόδοση του προμηθευτή και την μακροχρόνια ανταγωνιστικότητα του οργανισμού. Οι συνήθεις μέθοδοι αξιολόγησης συνήθως υστερούν στην αντιμετώπιση της λήψης αποφάσεων πολλαπλών κριτηρίων σε αβέβαια περιβάλλοντα. Με την άφιξη της Industry 4.0, η τεχνητή νοημοσύνη (AI) έχει προσελκύσει πολύ την προσοχή ως μέσο βελτίωσης της αναλυτικής ακρίβειας και αυτοματοποίησης της λήψης αποφάσεων, προκειμένου να βελτιωθεί η αξιολόγηση των προμηθευτών. Μία εφικτή προσέγγιση για την ενίσχυση της αξιολόγησης προμηθευτών και των διαδικασιών λήψης αποφάσεων είναι η εφαρμογή τεχνικών τεχνητής νοημοσύνης (AI). Με τη χρήση της Συστηματικής Ανασκόπησης της Βιβλιογραφίας (SLR), η παρακάτω διατριβή στοχεύει στη μελέτη των θεωρητικών θεμελίων, των μεθοδολογικών προσεγγίσεων και των πρακτικών εφαρμογών της τεχνητής νοημοσύνης στην επιλογή προμηθευτών. Αντί για τις τάσεις των συγγραφέων ή τις στατιστικές δημοσίευσης, η προσοχή εστιάζεται στην κατανόηση της χρήσης τεχνικών τεχνητής νοημοσύνης—όπως η μηχανική μάθηση, τα συστήματα εμπειρογνωμόνων και τα υβριδικά μοντέλα—στην υποστήριξη της λήψης αποφάσεων επιλογής.  Υπό πέντε βασικές ερευνητικές ερωτήσεις, αυτή η διατριβή διερευνά: (1) τις παραλλαγές των τεχνικών AI που εφαρμόζονται στην επιλογή προμηθευτών; (2) τις μεθοδολογίες λήψης αποφάσεων που σχετίζονται με την AI; (3) τα θεωρητικά πλαίσια που υποστηρίζουν αυτές τις εφαρμογές; (4) τις ερευνητικές ελλείψεις και τις προοπτικές μελλοντικής προόδου; και (5) τα γεωγραφικά και βιομηχανικά περιβάλλοντα εφαρμογής της AI.

Το θεωρητικό πλαίσιο παρουσιάζει μια σύνθεση τεχνικών Τεχνητής Νοημοσύνης, —συμπεριλαμβανομένης της μηχανικής μάθησης, της ασαφούς λογικής, των νευρωνικών δικτύων και των υβριδικών μοντέλων, κάτω από εφαρμογές συστημάτων λήψης αποφάσεων, όπως η Πολυκριτηριακή Λήψη Απόφασης (MCDM), η Αναλυτική Ιεραρχική Διαδικασία (AHP) και η Ανάλυση Δεδομένων (DEA). Η διατριβή εξετάζει πώς αυτές οι μέθοδοι τεχνητής νοημοσύνης υποστηρίζουν την επιλογή προμηθευτών σε διάφορα βιομηχανικά περιβάλλοντα. Το βιβλιομετρικό στοιχείο χρησιμοποιεί μια προσέγγιση χωρίς κωδικοποίηση, βασισμένη σε εργαλεία, αναλύοντας τις τάσεις δημοσιεύσεων, τα ερευνητικά πρότυπα και τους σημαντικούς παίκτες του τομέα. Η παρακάτω διατριβή προσφέρει μια ολοκληρωμένη εικόνα της επιρροής της τεχνητής νοημοσύνης στην επιλογή προμηθευτών, συνδυάζοντας ένα εννοιολογικό θεωρητικό πλαίσιο με ποσοτικές βιβλιομετρικές γνώσεις, οι οποίες θα χρησιμεύσουν μόνο για να υποστηρίξουν τη θεωρία. Τα αποτελέσματα προσθέτουν τόσο στη θεωρητική γνώση όσο και σε χρήσιμες τεχνικές εφαρμογής για τη διαχείριση προμηθευτών με βάση τα δεδομένα στις σύγχρονες αλυσίδες εφοδιασμού.

Αν και η παρακάτω μελέτη είναι διερευνητική και κυρίως ποιοτική, προτείνει την υπόθεση ότι οι μεθοδολογίες που βασίζονται στην τεχνητή νοημοσύνη θα βελτιώσουν την αποδοτικότητα, τη συνέπεια και την ευελιξία των αποφάσεων επιλογής προμηθευτών σε πολλές περιπτώσεις. Το αποτέλεσμα θα ωφελήσει τόσο τον ακαδημαϊκό όσο και τον πρακτικό τομέα, συνδυάζοντας την υπάρχουσα γνώση και προτείνοντας επιλογές για επιπλέον έρευνα και εφαρμογή.