Η τεχνητή νοημοσύνη αποτελεί μία από τις σημαντικότερες τεχνολογικές εξελίξεις της σύγχρονης οικονομίας, επηρεάζοντας τον τρόπο λειτουργίας, οργάνωσης και ανταγωνιστικότητας των επιχειρήσεων. Η παρούσα διπλωματική εργασία εξετάζει εμπειρικά τη σχέση μεταξύ υιοθέτησης τεχνητής νοημοσύνης και οικονομικών επιδόσεων εισηγμένων αμερικανικών επιχειρήσεων του δείκτη S&P 500 για την περίοδο 2018–2025. Η μελέτη βασίζεται σε δευτερογενή δεδομένα που αντλήθηκαν από τη βάση Compustat North America και από τις ετήσιες εκθέσεις 10-K της SEC μέσω του συστήματος EDGAR.
Η ένταση υιοθέτησης τεχνητής νοημοσύνης μετρήθηκε μέσω ανάλυσης κειμένου, χρησιμοποιώντας τη συχνότητα εμφάνισης όρων όπως “artificial intelligence”, “machine learning”, “deep learning” και “neural network” στις εταιρικές εκθέσεις. Ως δείκτες οικονομικής απόδοσης χρησιμοποιήθηκαν η αποδοτικότητα ενεργητικού (ROA), η αποδοτικότητα ιδίων κεφαλαίων (ROE) και ο δείκτης Market-to-Book. Η ανάλυση πραγματοποιήθηκε με τη χρήση οικονομετρικών υποδειγμάτων panel data fixed effects και clustered standard errors.
Τα αποτελέσματα δείχνουν ότι η υιοθέτηση τεχνητής νοημοσύνης δεν εμφανίζει στατιστικά σημαντική επίδραση στους λογιστικούς δείκτες κερδοφορίας (ROA και ROE), ενώ παρουσιάζει θετική και στατιστικά σημαντική σχέση με τον δείκτη Market-to-Book, γεγονός που υποδηλώνει ότι οι αγορές αποτιμούν θετικά τις στρατηγικές επενδύσεις σε AI. Παράλληλα, επιβεβαιώνεται ότι τα οικονομικά οφέλη της τεχνητής νοημοσύνης ενδέχεται να εμφανίζονται με χρονική υστέρηση και να εξαρτώνται από συμπληρωματικές οργανωσιακές ικανότητες.

Artificial intelligence has emerged as one of the most influential technological developments in the modern economy, transforming the way firms operate, compete, and create value. This dissertation investigates the relationship between artificial intelligence adoption and the financial performance of publicly listed U.S. companies included in the S&P 500 index during the period 2018–2025. The study is based on secondary data obtained from the Compustat North America database and annual 10-K reports collected through the SEC EDGAR system.

AI adoption intensity is measured through textual analysis of annual reports by identifying the frequency of keywords such as “artificial intelligence”, “machine learning”, “deep learning”, and “neural network”. Financial performance is evaluated using three main indicators: Return on Assets (ROA), Return on Equity (ROE), and Market-to-Book ratio. The empirical analysis employs panel data fixed effects regression models with clustered standard errors.

The findings indicate that AI adoption does not have a statistically significant impact on accounting-based profitability measures such as ROA and ROE. However, a positive and statistically significant relationship is identified between AI intensity and Market-to-Book ratio, suggesting that financial markets positively value firms’ strategic investments in artificial intelligence. The results further support the argument that the benefits of AI adoption may materialize gradually over time and depend on complementary organizational capabilities, including innovation capacity, digital infrastructure, and managerial adaptation.

Overall, the study contributes to the growing literature on artificial intelligence and firm performance by combining financial analysis with text-based AI measurement techniques and by providing evidence from a large panel dataset of publicly traded firms.