Η τεχνητή νοημοσύνη (ΤΝ) αναδεικνύεται ως μια από τις πιο μετασχηματιστικές
τεχνολογίες του 21ου αιώνα, με έντονο αποτύπωμα στον χρηματοπιστωτικό τομέα. Η
διαδικασία αξιολόγησης της πιστοληπτικής ικανότητας, ιστορικά βασισμένη σε στατικά
οικονομικά δεδομένα και ανθρώπινη κρίση, μετασχηματίζεται ριζικά μέσω αλγορίθμων
μηχανικής μάθησης, επεξεργασίας φυσικής γλώσσας, νευρωνικών δικτύων και ανάλυσης
μεγάλων δεδομένων. Τα συστήματα αυτά επιτρέπουν την αξιοποίηση εναλλακτικών πηγών
πληροφόρησης, ενισχύοντας τη δυνατότητα πρόβλεψης του πιστωτικού κινδύνου, αλλά
ταυτόχρονα εγείρουν ερωτήματα διαφάνειας, αμεροληψίας και θεσμικής λογοδοσίας.
Η εργασία εξετάζει πώς η ΤΝ εφαρμόζεται στη διαχείριση πιστωτικού κινδύνου και στη
χορήγηση δανείων, τόσο από παραδοσιακές τράπεζες όσο και από ψηφιακούς παρόχους.
Ιδιαίτερη έμφαση δίνεται στην είσοδο των Fintech, οι οποίες αξιοποιούν τεχνολογίες όπως
το P2P lending, το BNPL και το crowdlending, επαναπροσδιορίζοντας τον ρόλο της
πιστοδοτικής διαμεσολάβησης. Παράλληλα, αναλύονται οι ρυθμιστικές εξελίξεις στην
Ευρωπαϊκή Ένωση και διεθνώς, με αναφορές στο GDPR, την PSD2, το Open Banking και
τον νέο AI Act.
Η εργασία περιλαμβάνει βιβλιογραφική ανασκόπηση, καθώς και πρωτογενή εμπειρική
έρευνα στον τραπεζικό κλάδο. Στόχος είναι η ολιστική αποτύπωση των επιδράσεων της ΤΝ
στην αξιολόγηση πιστοληπτικής ικανότητας, με στόχο τη συμβολή στον διάλογο για ένα
διαφανές, δίκαιο και τεχνολογικά επαρκές πιστοδοτικό σύστημα.

Artificial Intelligence (AI) is emerging as one of the most transformative technologies of
the 21st century, leaving a profound impact on the financial sector. The process of
creditworthiness assessment—traditionally grounded in static financial data and human
judgment—is undergoing a radical transformation through the integration of machine
learning algorithms, natural language processing, neural networks, and big data analytics.
These intelligent systems allow for the use of alternative information sources and enhance
the predictive accuracy of credit risk models, yet they also raise important concerns about
transparency, bias, and institutional accountability.
This thesis explores how AI is applied in credit risk management and loan origination, both
by traditional banks and digital financial actors. Particular attention is given to the rise of
Fintech firms, which leverage technologies such as peer-to-peer lending (P2P), buy now,
pay later (BNPL), and crowd lending, reshaping the landscape of credit intermediation.
Additionally, the study reviews the evolving regulatory frameworks in the European Union
and beyond, with reference to the GDPR, PSD2, Open Banking, and the newly introduced
AI Act.
The research combines a literature review with primary empirical analysis, through a
structured questionnaire distributed to professionals in the banking sector. The aim is to
provide a holistic overview of the impact of AI on creditworthiness assessment, and to
contribute to the broader discussion on the development of a credit system that is
transparent, fair, and technologically sound.