Η παρούσα διπλωματική εργασία διερευνά τη συνδυασμένη εφαρμογή των τεχνολογιών Ρομποτικής Αυτοματοποίησης Διαδικασιών (RPA) και Τεχνητής Νοημοσύνης (AI) στη λογιστική, με στόχο τη βελτίωση της ακρίβειας, της αποδοτικότητας και της στρατηγικής αξιοποίησης των λογιστικών αναλύσεων και προβλέψεων. Στο θεωρητικό μέρος (Κεφάλαια 2–4) παρουσιάζονται οι βασικές αρχές και η εξέλιξη των τεχνολογιών, ενώ στο Κεφάλαιο 5 αναλύεται ο τρόπος με τον οποίο ο συνδυασμός RPA+AI μπορεί να προσφέρει προστιθέμενη αξία στις λογιστικές διαδικασίες και να απαντήσει σε τεχνολογικές προκλήσεις.

Η μελέτη βασίστηκε σε πρόσφατη βιβλιογραφία, με έμφαση σε εφαρμογές RPA/AI σε μικρές και μεγάλες λογιστικές οντότητες και διεθνείς ελεγκτικούς οργανισμούς, αναδεικνύοντας εμπειρικά τα οφέλη, τα εμπόδια και τους οργανωσιακούς παράγοντες υιοθέτησης. Η εμπειρική έρευνα (Κεφάλαια 7–8) διεξήχθη μέσω δομημένου ερωτηματολογίου (Likert scale) και περιλάβανε στατιστική ανάλυση (Jamovi) με περιγραφικά μέτρα, Χ² και ANOVA.

Τα αποτελέσματα έδειξαν ότι δεν καταγράφονται στατιστικά σημαντικές διαφορές ως προς το φύλο, την εκπαίδευση ή τη θέση εργασίας, όμως η εξοικείωση με την RPA συσχετίζεται θετικά με την αντίληψη για μείωση σφαλμάτων. Οι πιο έμπειροι χρήστες αναγνωρίζουν αυξημένη λειτουργική αξία των τεχνολογιών, ενώ η συνδυασμένη χρήση RPA και AI κρίνεται κατάλληλη για την αυτοματοποίηση σύνθετων διαδικασιών, την πρόβλεψη και την ανίχνευση ανωμαλιών. Παράλληλα, αναδεικνύεται διαφοροποίηση στη στάση απέναντι στις τεχνολογίες ανά ηλικιακή ομάδα, με ερμηνευτικά στοιχεία που συνδέονται με την τεχνολογική αυτοπεποίθηση και την οργανωσιακή κουλτούρα

Η εργασία καταλήγει σε θεματικά δομημένες πρακτικές συστάσεις που αφορούν: α) την ενσωμάτωση των τεχνολογιών στις διαδικασίες, β) την ανάγκη για συνεχή εκπαίδευση και τεχνική υποστήριξη, και γ) τη διαχείριση κινδύνων και τη διακυβέρνηση. Ειδική αναφορά γίνεται στις οργανωσιακές και διοικητικές επιπτώσεις για οικονομικούς διευθυντές και ελεγκτικά τμήματα. Παράλληλα, διατυπώνονται προτάσεις για μελλοντική έρευνα με έμφαση σε ανθρωποκεντρικούς παράγοντες, διατομεακές συγκρίσεις και μακροπρόθεσμη αξιολόγηση. Αναγνωρίζονται οι περιορισμοί της έρευνας ως προς τη σύνθεση του δείγματος και το πλαίσιο εφαρμογής.

This dissertation explores the combined application of Robotic Process Automation (RPA) and Artificial Intelligence (AI) technologies in accounting, aiming to enhance accuracy, efficiency, and the strategic use of financial analyses and forecasts. The theoretical framework (Chapters 2–4) presents the core concepts and evolution of these technologies, while Chapter 5 focuses on how their integration can add value to accounting workflows and address technological challenges.

The study draws on recent literature, with emphasis on implementations of RPA and AI in small and large accounting entities as well as international audit firms. Empirical findings highlight benefits, adoption barriers, and organizational conditions affecting the use of intelligent automation. The empirical part (Chapters 7–8) was conducted through a structured Likert-scale questionnaire and analyzed with the Jamovi software, applying descriptive statistics, Chi-square tests, and ANOVA.

The results showed no statistically significant differences regarding gender, education, or job position; however, RPA familiarity was positively associated with perceived error reduction. More experienced users reported greater value from these technologies, while the combined use of RPA and AI was evaluated as effective in automating complex accounting tasks, forecasting, and anomaly detection. In addition, age-related differences in attitudes were observed, potentially linked to digital confidence and organizational culture.

The thesis concludes with thematically structured practical recommendations, focusing on: (a) integration of technologies in business processes, (b) continuous training and technical support, and (c) risk management and governance mechanisms. It also outlines managerial implications for accounting firms, CFOs, and audit departments. Finally, future research directions are proposed, including human-centric parameters, cross-sectoral comparisons, and long-term impact evaluation. The limitations of the study are acknowledged, particularly regarding sample composition and the scope of applicability.