A structured methodology for AI business process automation in SMEs

Abstract

Digital Transformation is a strategic priority for modern businesses, as it affects not only the adoption of new technologies but also the way in which organizations redesign business processes, structures, and decision-making practices. In this context, Artificial Intelligence is recognized as a key catalyst for digital transformation. However, in small and medium-sized enterprises (SMEs), its use, and in particular its application in business process automation, remains limited, fragmented, and often unsustainable. The main obstacles are related to limited resources, low data maturity, lack of specialized skills, organizational uncertainty, and the absence of structured methodological guidance. This thesis aims to fill this gap by proposing and evaluating a structured methodology that supports digital transformation using artificial intelligence in small and medium-sized enterprises, with an emphasis on business process automation. Following the Design Science Research approach, the thesis develops the AIM-SME framework, a five-phase methodological artefact that guides companies from assessing organisational readiness and identifying appropriate processes to designing, piloting, integrating and continuously improving artificial intelligence solutions. The proposed framework is process-centric, gradual, and technologically neutral, treating the limitations of SMEs as basic design assumptions rather than secondary obstacles. The application of the methodology is presented through an empirical case study in a Greek company, highlighting how the structured approach supports evidence-based decision-making, prevents premature or inappropriate adoption of artificial intelligence, and enhances learning and strategic alignment in the context of digital transformation. Finally, the evaluation of the subsequent phases of the methodology is carried out through feedback from experienced executives and consultants in digital transformation and artificial intelligence, confirming the realism, usability, and transferability of the framework. The work contributes both theoretically, by enriching the literature on digital transformation and the adoption of artificial intelligence in small and medium-sized enterprises, as well as practically, by providing an applicable tool to support sustainable and gradual organizational transformation.Ο Ψηφιακός Μετασχηματισμός (Digital Transformation) αποτελεί στρατηγική προτεραιότητα για τις σύγχρονες επιχειρήσεις, καθώς επηρεάζει όχι μόνο την υιοθέτηση νέων τεχνολογιών αλλά και τον τρόπο με τον οποίο οι οργανισμοί ανασχεδιάζουν επιχειρησιακές διαδικασίες, δομές και πρακτικές λήψης αποφάσεων. Στο πλαίσιο αυτό, η Τεχνητή Νοημοσύνη (Artificial Intelligence) αναγνωρίζεται ως βασικός καταλύτης του ψηφιακού μετασχηματισμού. Ωστόσο, στις μικρές και μεσαίες επιχειρήσεις (SMEs), η αξιοποίησή της και ειδικότερα η εφαρμογή της στην αυτοματοποίηση επιχειρησιακών διαδικασιών (BPA) παραμένει περιορισμένη, αποσπασματική και συχνά μη βιώσιμη. Τα κύρια εμπόδια σχετίζονται με περιορισμένους πόρους, χαμηλή ωριμότητα δεδομένων, έλλειψη εξειδικευμένων δεξιοτήτων, οργανωσιακή αβεβαιότητα και την απουσία δομημένης μεθοδολογικής καθοδήγησης. Η παρούσα διπλωματική εργασία στοχεύει στην κάλυψη αυτού του κενού, προτείνοντας και αξιολογώντας μια δομημένη μεθοδολογία που υποστηρίζει τον ψηφιακό μετασχηματισμό με τη χρήση τεχνητής νοημοσύνης στις μικρές και μεσαίες επιχειρήσεις, με έμφαση στην αυτοματοποίηση επιχειρησιακών διαδικασιών. Ακολουθώντας την προσέγγιση της Έρευνας Σχεδιαστικής Επιστήμης (Design Science Research), η εργασία αναπτύσσει το πλαίσιο AIM-SME, ένα μεθοδολογικό artefact που καθοδηγεί τις επιχειρήσεις από την αξιολόγηση οργανωσιακής ετοιμότητας και τον εντοπισμό κατάλληλων διαδικασιών, έως τον σχεδιασμό, την πιλοτική εφαρμογή, την οργανωσιακή ενσωμάτωση και τη συνεχή βελτίωση λύσεων τεχνητής νοημοσύνης. Το προτεινόμενο πλαίσιο είναι διαδικασιοκεντρικό, σταδιακό και τεχνολογικά ουδέτερο, αντιμετωπίζοντας τους περιορισμούς των μικρών και μεσαίων επιχειρήσεων ως βασικές σχεδιαστικές παραδοχές και όχι ως δευτερεύοντα εμπόδια. Η εφαρμογή της μεθοδολογίας παρουσιάζεται μέσω εμπειρικής μελέτης περίπτωσης σε ελληνική επιχείρηση, αναδεικνύοντας πώς η δομημένη προσέγγιση υποστηρίζει τεκμηριωμένη λήψη αποφάσεων, αποτρέπει πρόωρη ή ακατάλληλη υιοθέτηση τεχνητής νοημοσύνης και ενισχύει τη μάθηση και τη στρατηγική ευθυγράμμιση στο πλαίσιο του ψηφιακού μετασχηματισμού. H αξιολόγηση των μεταγενέστερων φάσεων της μεθοδολογίας πραγματοποιείται μέσω ανατροφοδότησης από έμπειρα στελέχη και συμβούλους ψηφιακού μετασχηματισμού και τεχνητής νοημοσύνης, επιβεβαιώνοντας τη ρεαλιστικότητα, τη χρηστικότητα και τη μεταφερσιμότητα του πλαισίου. Η εργασία συμβάλλει τόσο θεωρητικά, εμπλουτίζοντας τη βιβλιογραφία του ψηφιακού μετασχηματισμού και της υιοθέτησης τεχνητής νοημοσύνης στις μικρές και μεσαίες επιχειρήσεις, όσο και πρακτικά, παρέχοντας ένα εφαρμόσιμο εργαλείο υποστήριξης βιώσιμου και σταδιακού οργανωσιακού μετασχηματισμού.