Στο πλαίσιο του ψηφιακού μετασχηματισμού, οι τράπεζες ενσωματώνουν
συστήματα Τεχνητής Νοημοσύνης (ΤΝ) και επεξεργασίας Μεγάλων Δεδομένων (Big Data)
στις διαδικασίες χορήγησης δανείων. Τέτοια εργαλεία επιτρέπουν, μεταξύ άλλων, τη
συνεχή παρακολούθηση του χαρτοφυλακίου δανείων σε πραγματικό χρόνο και την άμεση
προσαρμογή πολιτικών κινδύνου των τραπεζών. Επιπλέον, αυτοματοποιούν μεγάλο μέρος
των εργασιών, μειώνοντας δραστικά τα σφάλματα και το λειτουργικό κόστος. Ωστόσο, η
χρήση τους εγείρει σημαντικά ζητήματα, καθώς φέρει συχνά τα τραπεζικά ιδρύματα
αντιμέτωπα με σημαντικές προκλήσεις διαφάνειας και ιδιωτικότητας.

Σκοπός: Η παρούσα εργασία εστιάζει στις επιπτώσεις αυτών των τεχνολογιών στον
τραπεζικό δανεισμό από τη σκοπιά των υπαλλήλων. Σκοπός είναι η αξιολόγηση της
εξοικείωσής των στάσεων και των αντιλήψεών των τραπεζικών υπαλλήλων, σχετικά με την
ΤΝ και τα μεγάλα δεδομένα στις διαδικασίες δανειοδότησης.

Μεθοδολογία: Πραγματοποιήθηκε ποσοτική έρευνα μέσω αυτοσυμπληρούμενου
ηλεκτρονικού ερωτηματολογίου, που απευθύνθηκε σε 123 τραπεζικούς υπαλλήλους.

Αποτελέσματα : Το 63,4% των συμμετεχόντων έχει παρακολουθήσει ειδικά σεμινάρια για
ΤΝ/Big Data και συνολικά το δείγμα εμφανίζει γενικά θετική στάση ως προς τη συμβολή
της ΤΝ. Στις ερωτήσεις πιστοληπτικής αξιολόγησης οι μέσοι όροι κυμαίνονταν περίπου στο
3,5 (κλίμακα 1–5), υποστηρίζοντας ότι η ΤΝ βελτιώνει την ακρίβεια των εκτιμήσεων και
την εξατομίκευση των δανείων. Στην κατηγορία «Αυτοματοποίηση & Διαχείριση
Κινδύνων» οι μέσοι όροι ήταν 3,37–3,57 (Δείκτης 14,61), δείχνοντας ότι οι υπάλληλοι
αναγνωρίζουν πως η αυτοματοποίηση μειώνει σημαντικά το χρόνο γραφειοκρατικών
εργασιών και ενισχύει τον εντοπισμό κινδύνων. Παρά τη θετική αποτίμηση, εκφράζονται
σημαντικές ανησυχίες, από το 49,6% των συμμετεχόντων για την προστασία προσωπικών
δεδομένων και από το το 51,2% για πιθανές ανισότητες στην πρόσβαση σε δάνεια.

Συμπεράσματα: Οι υπάλληλοι αναγνωρίζουν τα οφέλη της ΤΝ και των μεγάλων
δεδομένων στη διαδικασία χορήγησης δανείων, αλλά θέτουν ζητήματα όπως διαφάνεια,
επαρκής επιμόρφωση, συμμόρφωση με κανονισμούς και ανθρώπινη επίβλεψη. Η
ενσωμάτωση των τεχνολογιών αυτών πρέπει να γίνεται σε «συμμετοχική κουλτούρα», όπου
η ΤΝ να ενισχύει το ανθρώπινο δυναμικό και να μην το αντικαθιστά. Η μελέτη τονίζει την
ανάγκη συνεχούς κατάρτισης και ενισχυμένης ανθρώπινης εποπτείας, ώστε τα οφέλη της
ΤΝ να αξιοποιηθούν, χωρίς να εντείνονται οι εργασιακές ανισότητες. 

Introduction: In the context of digital transformation, banks are integrating Artificial
Intelligence (AI) and Big Data (BD) processing systems into their lending processes.
Such tools allow, among other things, the continuous monitoring of the loan portfolio
in real time and the immediate adjustment of banks' risk policies. In addition, they
automate a large part of the operations, drastically reducing errors and operational costs.
However, their use raises important issues, as they often confront banking institutions
with significant transparency and privacy challenges.

Purpose: This paper focuses on the impact of these technologies on bank lending from
the perspective of employees. The purpose is to assess the familiarity of bank
employees' attitudes and perceptions about AI and big data in lending processes.

Methodology: A quantitative survey was conducted through a self-completed
electronic questionnaire, addressed to 123 bank employees.

Results : 63.4% of the participants have attended specific AI/Big Data seminars and
overall, the sample shows a generally positive attitude towards the contribution of AI.
On credit rating questions, the mean scores were around 3.5 (scale 1-5), claiming that
AI improves the accuracy of appraisals and personalization of loans. In the
"Automation & Risk Management" category, averages ranged from 3.37-3.57 (Index
14.61), indicating that employees recognize that automation significantly reduces
paperwork time and enhances risk identification. Despite the positive assessment,
significant concerns were expressed, by 49.6% of participants, about privacy and by
51.2% about potential inequalities in access to loans.

Conclusions: Officials recognize the benefits of AI and big data in the loan process,
but raise issues such as transparency, adequate training, compliance with regulations,
and human oversight. The integration of these technologies should be done in a
"participatory culture" where AI enhances human resources and does not replace them.
The study stresses the need for continuous training and enhanced human supervision so
that the benefits of AI can be realized without increasing labor inequalities.