Η παρούσα διπλωματική εργασία μελετά την εφαρμογή της Τεχνητής Νοημοσύνης (ΤΝ) στον κλάδο της φαρμακοβιομηχανίας στην Ελλάδα. Σκοπός της εργασίας είναι να αποτυπώσει και να αξιολογήσει τον βαθμό υιοθέτησης και αξιοποίησης τεχνολογιών ΤΝ από τις ελληνικές φαρμακοβιομηχανίες, σε ένα περιβάλλον όπου η ακρίβεια αποτελεσμάτων, η ασφάλεια δεδομένων και η συμμόρφωση με αυστηρά ρυθμιστικά πλαίσια αποτελούν θεμελιώδεις απαιτήσεις. Η μελέτη επιδιώκει να καλύψει το βιβλιογραφικό κενό που προκύπτει από το γεγονός ότι οι ελληνικές έρευνες επικεντρώνονται κυρίως στον γενικότερο ψηφιακό μετασχηματισμό των επιχειρήσεων και όχι ειδικά στην υιοθέτηση τεχνολογιών ΤΝ.

Για τη διερεύνηση επτά ερευνητικών ερωτημάτων υιοθετήθηκε ποσοτική προσέγγιση μέσω δομημένου ηλεκτρονικού ερωτηματολογίου, το οποίο συμπληρώθηκε από 236 εργαζόμενους φαρμακευτικών επιχειρήσεων που δραστηριοποιούνται στην Ελλάδα, από διαφορετικά τμήματα και ιεραρχικά επίπεδα. Τα δεδομένα υποβλήθηκαν σε περιγραφική στατιστική ανάλυση με το λογισμικό Minitab, σε διασταυρώσεις με τα δημογραφικά και επαγγελματικά χαρακτηριστικά και σε ανάλυση συσχέτισης Pearson.

Τα ευρήματα δείχνουν ότι η εξοικείωση των εργαζομένων με τις έννοιες της ΤΝ κινείται μεταξύ μικρής και μεσαίας, πλησιέστερα στη μικρή, με την Ανάλυση Δεδομένων ως την πλέον οικεία έννοια και τη Συμβολική ΤΝ, τα Μεγάλα Γλωσσικά Μοντέλα και την Προγνωστική Μοντελοποίηση ως τις λιγότερο γνωστές, ενώ το 62,7% των συμμετεχόντων δηλώνει ότι δεν γνωρίζει τον Κανονισμό της Ευρωπαϊκής Ένωσης (EU AI Act) για την ΤΝ. Ως βασικότερος παράγοντας διαφοροποίησης της εξοικείωσης αναδεικνύεται ο επαγγελματικός ρόλος, ενώ η ηλικία, η εμπειρία ή το εκπαιδευτικό υπόβαθρο δεν φαίνεται να προκαλούν έντονη διαφοροποίηση. Παρά το περιορισμένο επίπεδο γνώσης, η στάση των επιχειρήσεων απέναντι στην υιοθέτηση της ΤΝ καταγράφεται ως δεκτική, όμως η πραγματική αξιοποίηση περιορίζεται κυρίως σε γενικές χρήσεις, όπως οι βοηθοί (agents) ΤΝ και η μετάφραση, ενώ η πλειονότητα των εξειδικευμένων εφαρμογών ανά τμήμα συγκεντρώνει απαντήσεις μηδενικής ή περιορισμένης αξιοποίησης. Σχετικά ωριμότερη εφαρμογή εντοπίζεται σε λειτουργίες με σαφές, μετρήσιμο αντικείμενο, όπως η πρόβλεψη ζήτησης και η διαχείριση αποθεμάτων στην Εφοδιαστική Αλυσίδα, η προγνωστική συντήρηση στη Μηχανική και Συντήρηση και η αυτοματοποιημένη οπτική επιθεώρηση στις Παραγωγικές Διεργασίες.

Η συνολική χρήση εργαλείων ΤΝ συσχετίζεται θετικά και στατιστικά σημαντικά τόσο με την εξοικείωση των εργαζομένων όσο και με την ψηφιακή ωριμότητα των επιχειρήσεων, οι συσχετίσεις όμως παραμένουν ασθενείς, ερμηνεύοντας μόλις το 13,8% και το 5,8% της διακύμανσης αντίστοιχα, ενώ και το μέγεθος της εταιρείας εμφανίζει περιορισμένη επίδραση, καθώς σε όλες τις κατηγορίες μεγέθους ο βαθμός χρήσης παραμένει κοντά στην τιμή 2 της πενταβάθμιας κλίμακας. Παράλληλα, καταγράφεται σημαντικό έλλειμμα διαδικαστικής ωριμότητας, καθώς το 43,6% των συμμετεχόντων εργάζεται σε εταιρείες χωρίς αρμόδιο ρόλο για τις πρωτοβουλίες ΤΝ και μόλις το 12,3% δηλώνει πλήρως εφαρμοσμένες διαδικασίες επαλήθευσης των παραγόμενων δεδομένων. Ως σημαντικότερο όφελος αναδεικνύεται η διεύρυνση της ικανότητας επεξεργασίας δεδομένων, ως κυριότερες προκλήσεις τα εσφαλμένα αποτελέσματα και η συμβατότητα με τα υπάρχοντα συστήματα, ως σοβαρότερες απειλές η κανονιστική συμμόρφωση, η κυβερνοασφάλεια και οι παραβιάσεις προσωπικών δεδομένων, και ως κρισιμότερη πρόκληση για την ανάπτυξη εργαλείων ΤΝ η πολυπλοκότητα της επικύρωσης.

Συμπερασματικά, ο κλάδος εμφανίζεται δεκτικός απέναντι στην ΤΝ και σε πολλές περιπτώσεις τεχνολογικά επαρκώς εξοπλισμένος, η αξιοποίηση όμως των εργαλείων ΤΝ παραμένει γενικευμένα χαμηλή και καθορίζεται μόνο σε περιορισμένο βαθμό από την ψηφιακή ωριμότητα και την εξοικείωση του προσωπικού, στοιχεία που αποδεικνύονται αναγκαίες αλλά όχι ικανές συνθήκες. Τα ευρήματα αναδεικνύουν ως προτεραιότητες τη στοχευμένη εκπαίδευση στις τεχνολογίες και στο κανονιστικό πλαίσιο, τη θέσπιση σαφών διαδικασιών διακυβέρνησης, επικύρωσης και ελέγχου των δεδομένων και τη συστηματική αξιοποίησή τους, ώστε να καταστεί δυνατή η μετάβαση από την ευκαιριακή χρήση στη συστηματική ενσωμάτωση της ΤΝ.

This diploma thesis examines the application of Artificial Intelligence (AI) in the pharmaceutical industry in Greece, placing the subject within the context of the 4th Industrial Revolution and the digital transformation it entails. The purpose of the study is to record and evaluate the degree to which Greek pharmaceutical companies adopt AI technologies, in an environment where accuracy, safety and compliance with strict regulatory frameworks constitute fundamental requirements. The study seeks to address the gap arising from the fact that Greek research focuses mainly on the digital transformation of companies rather than specifically on the adoption of AI technologies.

To address seven research questions, a quantitative approach was adopted through a structured online questionnaire, completed by 236 employees of pharmaceutical companies operating in Greece, from different departments and hierarchy levels. The data were subjected to descriptive statistical analysis using Minitab software, to cross-tabulations with demographic and professional characteristics and to Pearson correlation analysis.

The findings indicate that employees' familiarity with AI concepts ranges between low and moderate, closer to low, with Data Analytics being the most familiar concept and Symbolic AI, Large Language Models and Predictive Modeling the least familiar, while 62.7% of participants report that they are unaware of the European Union AI Act. The main differentiating factor of familiarity proves to be the professional role rather than age, experience or educational background. Despite this limited level of knowledge, the attitude of companies towards AI adoption is recorded as receptive; actual use, however, is largely confined to general applications such as AI agents and translation, while the majority of the specialized applications per department attract responses of no use or limited use. Relatively more mature application is identified in functions with a clear, measurable object, such as demand forecasting and inventory management in Supply Chain, predictive maintenance in Engineering and Maintenance, and automated visual inspection in Manufacturing.

The overall use of AI tools correlates positively and with statistical significance to both employees' familiarity with AI and to digital maturity of the companies; these correlations, however, remain weak, explaining only 13.8% and 5.8% of the variance respectively, while company size also shows limited influence, as the degree of use remains close to value 2 of the five-point scale across all size companies. At the same time, a considerable lack in procedural maturity is recorded, as 43.6% of participants work in companies without a dedicated role for AI initiatives and only 12.3% report fully implemented procedures for verifying AI-generated data. According to the responses, the most important benefit of AI proves to be the expansion of data processing capacity, the main challenges are incorrect outputs and compatibility with existing systems, the most serious threats are regulatory compliance, cybersecurity and personal data breaches, and the most critical challenge for developing AI tools is the complexity of validation.

In conclusion, the Greek pharmaceutical companies appear to be receptive to AI and, in many cases, adequately equipped in technological terms; the use of AI tools, however, remains generally low and is determined only to a limited extent by digital maturity and staff familiarity, which prove to be necessary but not sufficient conditions. The findings highlight as priorities targeted training in both the AI technologies and the regulatory framework, the establishment of clear procedures for governance, validation and data control, and the systematic collection of data, so as to enable the transition from opportunistic use to systematic integration of AI.