The increasing adoption of large language models (LLMs) in organisational settings is transforming how innovation-related decisions are prepared, framed, and justified. In innovation management, LLMs are increasingly used across ideation, screening, proposal development, and portfolio prioritisation, promising greater speed, structure, and analytical support. However, when such tools are adopted as shared infrastructure across roles and decision stages, they may also introduce system-level risks that extend beyond individual bias or performance effects.

This dissertation examines the phenomenon of algorithmic sameness in innovation decision making, defined as a tendency for decision processes to converge toward similar ideas, evaluations, and selections when mediated by common AI models, prompts, templates, and evaluative routines. Rather than treating AI as a neutral decision aid, the study conceptualises LLMs as socio-technical infrastructure that can reshape how innovation options are framed, compared, and legitimised within organisations.

The research adopts a qualitative, theory-driven case study design and draws on one in-depth semi-structured interview and twenty-one written qualitative responses collected from different organisational roles involved in innovation screening and portfolio-related decisions within an innovation-oriented, knowledge-intensive SME. Data were analysed using thematic analysis and pattern matching to examine how shared AI infrastructure interacts with human judgement, role-based accountability, and organisational governance practices.

The findings indicate that algorithmic sameness is conditional rather than inevitable. In the case examined, LLMs were predominantly used as sense-making and preparatory tools rather than as authoritative decision-makers. While shared AI use increased the legibility and comparability of innovation proposals—often reinforcing feasibility and defensibility considerations—human contestation, role diversity, and evaluator literacy functioned as important counterbalances that preserved interpretive plurality. The study also identifies a mechanism of legibility bias, whereby AI-polished language can inflate perceived credibility and subtly disadvantage more exploratory or experimental ideas. 

The dissertation contributes to innovation management research by refining understanding of how AI reshapes innovation decision systems at a system level and by proposing practical guardrails that allow organisations to benefit from AI-enabled speed without sacrificing variety, learning, and human judgement.

Η αυξανόμενη αξιοποίηση της Τεχνητής Νοημοσύνης και ειδικότερα των Μεγάλων Γλωσσικών Μοντέλων (Large Language Models – LLMs) μετασχηματίζει τον τρόπο με τον οποίο οι οργανισμοί προετοιμάζουν, πλαισιώνουν και τεκμηριώνουν αποφάσεις που αφορούν την καινοτομία. Στο πεδίο της διοίκησης της καινοτομίας, τα LLMs χρησιμοποιούνται ολοένα και περισσότερο σε στάδια όπως η παραγωγή ιδεών, η αξιολόγηση προτάσεων, η ανάπτυξη concept notes και η ιεράρχηση χαρτοφυλακίων έργων, προσφέροντας αυξημένη ταχύτητα, δομή και αναλυτική υποστήριξη. Ωστόσο, όταν τα εργαλεία αυτά υιοθετούνται ως κοινή υποδομή από πολλούς ρόλους και σε διαφορετικά στάδια λήψης αποφάσεων, ενδέχεται να προκύψουν συστημικοί κίνδυνοι που υπερβαίνουν τα ζητήματα ατομικής μεροληψίας ή ακρίβειας.

Η παρούσα διπλωματική εργασία εξετάζει το φαινόμενο της αλγοριθμικής ομοιομορφίας στη λήψη αποφάσεων καινοτομίας, το οποίο ορίζεται ως η τάση σύγκλισης των διαδικασιών αξιολόγησης και επιλογής προς παρόμοιες ιδέες, ερμηνείες και αποφάσεις όταν αυτές διαμεσολαβούνται από κοινά μοντέλα ΤΝ, prompts, πρότυπα και αξιολογικές ρουτίνες. Αντί να αντιμετωπίζει την ΤΝ ως ουδέτερο εργαλείο υποστήριξης, η εργασία προσεγγίζει τα LLMs ως κοινωνικο-τεχνική υποδομή που επηρεάζει τον τρόπο με τον οποίο οι επιλογές καινοτομίας καθίστανται συγκρίσιμες, «αξιόπιστες» και νομιμοποιημένες.

Η έρευνα υιοθετεί ποιοτικό, θεωρητικά καθοδηγούμενο σχεδιασμό μελέτης περίπτωσης και βασίζεται σε μία εις βάθος ημι-δομημένη συνέντευξη και είκοσι μία γραπτές ποιοτικές απαντήσεις από διαφορετικούς οργανωσιακούς ρόλους σε μία καινοτομο- προσανατολισμένη, γνωσιοεντατική μικρομεσαία επιχείρηση. Η ανάλυση δείχνει ότι η αλγοριθμική ομοιομορφία δεν αποτελεί αναπόφευκτο αποτέλεσμα της χρήσης ΤΝ, αλλά ένα φαινόμενο εξαρτώμενο από τον τρόπο ενσωμάτωσης των εργαλείων αυτών στις οργανωσιακές πρακτικές. Η ανθρώπινη κρίση, η αμφισβήτηση των αποτελεσμάτων της ΤΝ και η διαφοροποίηση ρόλων λειτουργούν ως κρίσιμα αντίβαρα. Η εργασία καταλήγει σε προτάσεις διακυβέρνησης που επιτρέπουν τη διατήρηση της ποικιλίας και της δημιουργικότητας χωρίς απώλεια της ταχύτητας στη λήψη αποφάσεων.