This dissertation examines how artificial intelligence is changing supply chain business processes and what organizations need to make that change effective. Drawing on a structured review of academic literature, it considers applications in procurement, production, inventory management, logistics and demand forecasting. The study uses a qualitative approach, comparing and synthesizing findings from existing research rather than collecting primary data.

The literature suggests that AI can improve forecasting accuracy, operational efficiency and the speed of response to changing conditions. It can also help organizations identify risks earlier and make better use of information across the supply chain. These benefits, however, depend on more than the choice of technology. Reliable data, integration with existing systems, leadership support and employees’ skills influence whether AI applications become part of everyday decisions.

The dissertation brings these relationships together in a conceptual framework linking technological and organizational foundations, changes in supply chain processes and performance outcomes. It argues that AI adoption should be understood as an organizational transition: firms must adapt how they work and decide, as well as the tools they use. Because the study is based on secondary sources, the proposed framework remains to be tested through empirical research.

Η παρούσα διπλωματική εργασία εξετάζει πώς η τεχνητή νοημοσύνη μεταβάλλει τις επιχειρησιακές διαδικασίες της εφοδιαστικής αλυσίδας και ποιες προϋποθέσεις χρειάζονται για να αξιοποιηθεί αποτελεσματικά από τους οργανισμούς. Βασίζεται σε δομημένη ανασκόπηση της επιστημονικής βιβλιογραφίας και εστιάζει σε εφαρμογές που αφορούν τις προμήθειες, την παραγωγή, τη διαχείριση αποθεμάτων, τις μεταφορές και την πρόβλεψη της ζήτησης. Η έρευνα ακολουθεί ποιοτική προσέγγιση, συγκρίνοντας και συνθέτοντας ευρήματα προηγούμενων μελετών, χωρίς συλλογή πρωτογενών δεδομένων.

Από την ανάλυση προκύπτει ότι η τεχνητή νοημοσύνη μπορεί να συμβάλει σε ακριβέστερες προβλέψεις, αποδοτικότερες λειτουργίες και ταχύτερη ανταπόκριση στις μεταβολές της αγοράς. Μπορεί επίσης να βοηθήσει στον έγκαιρο εντοπισμό κινδύνων και στην καλύτερη αξιοποίηση των διαθέσιμων πληροφοριών. Τα οφέλη αυτά, ωστόσο, δεν προκύπτουν αυτόματα από την εγκατάσταση μιας τεχνολογίας. Η ποιότητα των δεδομένων, η σύνδεση με τα υφιστάμενα συστήματα, η στήριξη της διοίκησης και οι δεξιότητες των εργαζομένων επηρεάζουν καθοριστικά την εφαρμογή της.

Η εργασία προτείνει ένα εννοιολογικό πλαίσιο που συνδέει τις τεχνολογικές και οργανωσιακές προϋποθέσεις με τις αλλαγές στις διαδικασίες και τα αποτελέσματα στην απόδοση της εφοδιαστικής αλυσίδας. Η υιοθέτηση της τεχνητής νοημοσύνης αναδεικνύεται έτσι ως διαδικασία οργανωσιακής μετάβασης, η οποία απαιτεί αλλαγές στον τρόπο εργασίας και λήψης αποφάσεων. Καθώς το πλαίσιο προκύπτει από βιβλιογραφική ανάλυση, η εμπειρική δοκιμή του αποτελεί αντικείμενο μελλοντικής έρευνας.