Η λειτουργία των προμηθειών υπήρξε για δεκαετίες ένας από τους πιο οργανωμένους τομείς κάθε επιχείρησης. Διαγωνισμοί, προσφορές, αξιολογήσεις, συμβάσεις, όλα βασισμένα σε διαδικασίες, κανόνες και εμπειρία. Σήμερα, όμως, η Τεχνητή Νοημοσύνη (ΤΝ) δεν έρχεται απλώς να βελτιώσει ή να αυτοματοποιήσει αυτές τις διαδικασίες αλλά να τις ανατρέψει ριζικά. Και αυτή η ανατροπή δεν είναι σταδιακή. Είναι άμεση, δομική και μόνιμη.
Σε έναν κόσμο γεωπολιτικής αστάθειας, ενεργειακών κρίσεων και διαρκών διαταραχών στην εφοδιαστική αλυσίδα (supply chain), οι προμήθειες παύουν να είναι μια απλή “διοικητική” λειτουργία αλλά μια καθοριστική λειτουργία επιβίωσης.
Η εικόνα του αγοραστή που σκύβει πάνω από στοίβες τιμολογίων, συμβάσεων και αιτήσεων αγοράς, προσπαθώντας να συνδυάσει χειρόγραφα δεδομένα, ανήκει στο παρελθόν. Σήμερα, το 2026, ο κλάδος των προμηθειών (procurement) βρίσκεται στο επίκεντρο μιας άνευ προηγουμένου τεχνολογικής επανάστασης, με την Τεχνητή Νοημοσύνη να μην αποτελεί απλώς ένα εργαλείο, αλλά τον ίδιο τον πυρήνα της λειτουργίας.
Από την αυτοματοποίηση ρουτίνας μέχρι την αυτόνομη λήψη αποφάσεων, η τεχνητή νοημοσύνη (ΤΝ) μεταμορφώνει ριζικά το τοπίο, δημιουργώντας νέες προκλήσεις και τεράστιες ευκαιρίες.
Από τις παραδοσιακές διαδικασίες στην ψηφιακή κρίση της ΤΝ
Παραδοσιακά, οι προμήθειες (procurement) είναι μια λειτουργία που στηρίζεται σε ιστορικά δεδομένα, προσωπικές σχέσεις με προμηθευτές, εμπειρικές εκτιμήσεις, χρονοβόρες συγκρίσεις προσφορών κλπ.
Η ΤΝ αλλάζει πλήρως τα παραπάνω. Πλέον, δεν μιλάμε για “υποστήριξη αποφάσεων”, αλλά για δυναμική λήψη αποφάσεων σε πραγματικό χρόνο καθώς ένα σύγχρονο σύστημα ΤΝ μπορεί:
- να αναλύσει χιλιάδες προσφορές μέσα σε δευτερόλεπτα
- να εντοπίσει κρυφά κόστη ή ασυνέπειες
- να προβλέψει διακυμάνσεις τιμών πρώτων υλών
- να προτείνει τον βέλτιστο προμηθευτή με βάση πολλαπλά κριτήρια
Με απλά λόγια οι προμήθειες αποκτούν “ψηφιακή κρίση” η οποία είναι ταχύτερη, πιο αξιόπιστη και πιο τεκμηριωμένη από τις αντίστοιχες κρίσεις που έχουν διαχειριστεί άνθρωποι.
Για παράδειγμα πριν από λίγα χρόνια, η επιλογή προμηθευτή σήμαινε: συλλογή προσφορών, μερικά emails, ίσως μια επίσκεψη στις εγκαταστάσεις και μια τελική απόφαση βασισμένη σε τρία-τέσσερα κριτήρια. Σήμερα, συστήματα TN αναλύουν ταυτόχρονα εκατοντάδες πρόσθετους παράγοντες: οικονομική υγεία του προμηθευτή, ιστορικό παραδόσεων, γεωπολιτικό ρίσκο, κριτικές από άλλες εταιρείες, δεδομένα βιωσιμότητας και ακόμα σήματα από τα μέσα κοινωνικής δικτύωσης (social media) που μπορεί να προμηνύουν προβλήματα.
Η νέα πραγματικότητα: Data-driven procurement
Η μεγαλύτερη αλλαγή δεν είναι η ταχύτητα επεξεργασίας των δεδομένων όσο η ποιότητα και η τεκμηρίωση της πληροφορίας που προκύπτει. Η ΤΝ ενσωματώνει και επεξεργάζεται δεδομένα από:
- Προγράμματα ERP (π.χ. δεδομένα από το SAP)
- Ιστορικά δεδομένα συμβάσεων και διαπραγματεύσεων αγορών
- Πληροφορίες από διεθνείς αγορές (π.χ. για τιμές διεθνώς)
- E-mails επικοινωνίας με προμηθευτές
- αξιολογήσεις προμηθευτών ακόμη και
- εξωτερικά δεδομένα (γεωπολιτικά, ενεργειακά, logistics κλπ.)
Αυτό σημαίνει ότι η απόφαση δεν βασίζεται πλέον στην εμπειρία ή σε πρακτικές τύπου “ποιος προμηθευτής είναι γνωστός” ή “ποιος είχε το μεγαλύτερο τζίρο πέρυσι”, αλλά σε μια πολυδιάστατη, αντικειμενική και τεκμηριωμένη ανάλυση δεδομένων.
Για παράδειγμα: Ένας προμηθευτής μπορεί να είναι φθηνότερος κατά 3%, αλλά η ΤΝ να εντοπίζει ότι έχει υψηλό ρίσκο καθυστερήσεων, δραστηριοποιείται σε περιοχή με γεωπολιτική αστάθεια ή παρουσιάζει αυξημένες επιστροφές. Και έτσι, η «φθηνή» επιλογή παύει να είναι η βέλτιστη.
Η μεγάλη αλλαγή: Από το reactive στο predictive procurement
Μέχρι σήμερα, οι προμήθειες λειτουργούσαν κυρίως αντιδραστικά (reactive) με μοτίβα όπως: αυξήθηκε η τιμή τότε ψάχνουμε νέο προμηθευτή ή υπάρχει έλλειψη μιας πρώτης ύλης τότε κάνουμε έκτακτη αγορά κλπ.
Με την ΤΝ περνάμε σε εντελώς νέες διαδικασίες που ονομάζονται Προγνωστικές Προμήθειες (predictive procurement) και περιλαμβάνουν τεκμηριωμένες βασισμένες σε δεδομένα εργασίες όπως:
- Προβλέψεις αυξήσεων τιμών πρώτων υλών
- Έγκαιρη αναγνώριση κινδύνων στην εφοδιαστική αλυσίδα
- Αυτόματες προτάσεις για εναλλακτικούς προμηθευτές
- Βελτιστοποίηση αποθεμάτων πριν εμφανιστεί πρόβλημα κλπ.
Αυτό έχει τεράστια σημασία για ελληνικές επιχειρήσεις παραγωγής κατά παραγγελία (make to order), όπου το κόστος πρώτων υλών και ενέργειας είναι κρίσιμο στο να κάνουν προσφορές στους πελάτες τους.
Η αυτοματοποίηση δεν είναι πια μόνο RPA αλλά «thinking automation»
Τα τελευταία χρόνια είδαμε, με την υιοθέτηση της ΤΝ στις επιχειρήσεις, τη μεγάλη εξάπλωση της Ρομποτικής Αυτοματοποίησης Διαδικασιών (Robotic Process Automation – RPA), η οποία είναι τεχνολογία λογισμικού που χρησιμοποιεί ψηφιακά ρομπότ ή”bots” (δηλαδή ρομπότ προγράμματα λογισμικού) για την αυτοματοποίηση επαναλαμβανόμενων, κανόνο-βασιζόμενων (rule-based) εργασιών.
Η τεχνολογία αυτή χρησιμοποιεί ΤΝ μιμούμενη τις ανθρώπινες ενέργειες σε υπολογιστικά συστήματα. Αυτοματοποιεί διεργασίες όπως η καταχώρηση δεδομένων π.χ. διαβάζοντας PDF τιμολόγια προμηθευτών, αυξάνοντας την ταχύτητα αλλά και την ακρίβεια, λειτουργώντας 24 ώρες επί 7 ημέρες την εβδομάδα χωρίς λάθη, απελευθερώνοντας το ανθρώπινο δυναμικό από μονότονες καταχωρητικές εργασίες.
Όμως η ΤΝ πάει πολύ πιο πέρα από το RPA, καθώς μπορεί πλέον να κατανοεί να αξιολογεί να προτείνει διαδικασίες και να εκτελεί εργασίες όπως:
- Η Αυτόματη σύγκριση συμβάσεων και ο εντοπισμός “παραγράφων παγίδων”
- Η Ανάλυση emails και προσφορών σε φυσική γλώσσα (ελληνικά/αγγλικά)
- Η Δημιουργία Προσκλήσεων για Υποβολή Προσφορών (Request for Quotation RFQs) με βάση ιστορικά πρότυπα ή μοντέλα (patterns)
- Η Αυτόματη κατηγοριοποίηση δαπανών OPEX, CAPEX, κλπ.
Εδώ η διαφορά είναι κρίσιμη καθώς δεν αυτοματοποιείται μόνο η εργασία, αλλά αναβαθμίζεται η νοημοσύνη της λειτουργίας των προμηθειών.
Από τις χειροκίνητες διαδικασίες στους ειδικούς πράκτορες ΤΝ προμηθειών (agentic» procurement)
Οι παραδοσιακές προμήθειες βασίζονταν σε ανθρώπινη κρίση, περιορισμένα δεδομένα και αργές χειροκίνητες διαδικασίες. Η ΤΝ αλλάζει τα πάντα με τους τρεις παρακάτω τρόπους:
- Αυτοματισμός & χρήση πρακτόρων ΤΝ (Agentic AI): Τα συστήματα δεν απαντούν απλώς σε ερωτήσεις αλλά χρησιμοποιούν λογισμικά «πράκτορες» (agents) που θέτουν στόχους, σχεδιάζουν και εκτελούν εργασίες (όπως να αναζητούν προμηθευτές, να συγκρίνουν προσφορές, να συντάσσουν συμβόλαια και ακόμα να διαπραγματεύονται αυτόνομα).
- Προβλεπτική ανάλυση: Μετά από μηχανική μάθηση (machine learning), η ΤΝ προβλέπει διακυμάνσεις τιμών, κινδύνους εφοδιαστικής αλυσίδας και ζήτηση με ακρίβεια που ξεπερνά τον άνθρωπο που συνδυαστικά έχει θεαματικά αποτελέσματα.
- Εξατομίκευση & ανάπτυξη «διορατικών» δεδομένων σε πραγματικό χρόνο (Real-time insights): Η ΤΝ επιτρέπει στις επιχειρήσεις να έχουν ζωντανή εικόνα δαπανών, κινδύνων και ευκαιριών με προτάσεις βελτιστοποίησης.
Σύμφωνα με την EY Global CPO Survey 2025, το 80% των Επικεφαλής των Προμηθειών (Chief Procurement Officers) σχεδιάζει να ενσωματώσει την ΤΝ τα επόμενα τρία χρόνια, με πρώτες προτεραιότητες την ανάλυση δαπανών και τη διαχείριση συμβάσεων. Το Hackett Group προσθέτει ότι το 64% των ηγετών προμηθειών περιμένει η ΤΝ να μεταμορφώσει πλήρως τον ρόλο τους μέσα στα επόμενα πέντε χρόνια.
Η ΤΝ δεν είναι απλώς «cool technology». Παράγει ήδη μετρήσιμα αποτελέσματα:
Η ΤΝ εφαρμόζεται ήδη στη λειτουργία των προμηθειών σε πολλές επιχειρήσεις παράγοντας ήδη μετρήσιμα αποτελέσματα όπως:
- Εξοικονόμηση χρόνου: Μέχρι 80% πιο γρήγορη συλλογή και επεξεργασία δεδομένων (KPMG).
- Μείωση κόστους αγορών: 10-40% λιγότερα έξοδα (McKinsey) με χρήση μοντέλων αναμενόμενου κόστους (should-cost modeling) και εξοικονομήσεων από διαπραγματεύσεις (Negotiated savings)
- Ακρίβεια & συμμόρφωση: Βελτίωση ταξινόμησης δαπανών πάνω από 90%, και μείωση απωλειών λόγω μη τήρησης συμβάσεων («contract leakage» κατά σχεδόν 50% (APQC).
- Διαχείριση κινδύνου: Με χρήση δεδομένων πραγματικού χρόνου για την παρακολούθηση προμηθευτών, γεωπολιτικών κινδύνων και περιβαλλοντικών παραγόντων.
- Στρατηγική εστίαση: Οι ομάδες απελευθερώνονται από τα καθημερινά «transactional» καθήκοντα και ασχολούνται με καινοτομία, βιωσιμότητα και μακροπρόθεσμες σχέσεις.
Ο ρόλος του στελέχους προμηθειών (Procurement Manager) αλλάζει
Ίσως η πιο σημαντική αλλαγή δεν είναι τεχνολογική αλλά ανθρώπινη. Το στέλεχος προμηθειών (Procurement Manager) του χθες που ήταν διαπραγματευτής, διαχειριστής διαδικασιών και καταχωρητής “keeper” των δεδομένων των προμηθευτών, γίνεται σήμερα αναλυτής δεδομένων, στρατηγικός σύμβουλος, διαχειριστής κινδύνου και ενορχηστρωτής εργαλείων Τεχνητής Νοημοσύνης (AI orchestrator). Η αξία μετατοπίζεται από τη γνώση της αγοράς στη δυνατότητα αξιοποίησης της πληροφορίας.
Καθώς η ΤΝ αναλαμβάνει όλο και περισσότερα καθήκοντα, προκύπτει τα εξής ερωτήματα: α) Μέχρι πού αφήνουμε την ΤΝ να αποφασίζει και β) ποιος είναι ο ρόλος των στελεχών των προμηθειών; Οι πιο ώριμες επιχειρήσεις δεν επιλέγουν την πλήρη αυτοματοποίηση και τον πλήρη έλεγχο της ΤΝ, αλλά φροντίζουν να περιλαμβάνουν άνθρωπο στο βρόχο (Human-in-the-loop), έτσι ώστε η ΤΝ να προτείνει και ο άνθρωπος να εγκρίνει να ή παρεμβαίνει διατηρώντας ισορροπία.
Η εμπειρία, η κρίση, η διαπραγμάτευση σε υψηλό επίπεδο, η διαχείριση σχέσεων εμπιστοσύνης, η ηθική λήψη αποφάσεων, δεν αντικαθίστανται. Άρα τα έμπειρα στελέχη των προμηθειών δεν θα χάσουν τη δουλειά τους αλλά θα αναβαθμιστούν με τις γνώσεις της χρήσης των εργαλείων της ΤΝ.
Διαπραγμάτευση με δεδομένα και αλγόριθμους και όχι μόνο με ανθρώπους
Ένα από τα πιο εντυπωσιακά πεδία εφαρμογής της ΤΝ είναι οι διαπραγματεύσεις. Ηλεκτρονικές πλατφόρμες αντίστροφων δημοπρασιών (reverse auctions) υπήρχαν εδώ και χρόνια, αλλά η ΤΝ τις κάνει δραματικά πιο αποτελεσματικές. Αλγόριθμοι αναλύουν το ιστορικό τιμών, την τρέχουσα κατάσταση της αγοράς και τη στρατηγική θέση κάθε προμηθευτή και βοηθούν τους αγοραστές να βρουν το κατώτατο όριο τιμής κάθε προμηθευτή (price floor). Ο αλγόριθμος:
- Αναλύει ιστορικά δεδομένα προηγούμενων διαπραγματεύσεων, τιμών και όρων
- Κατανοεί τις προτεραιότητες της επιχείρησης (κόστος, χρόνοι παράδοσης, ποιότητα)
- Ξεκινά συνομιλίες με τους προμηθευτές μέσω chat ή email
- Προσαρμόζει τις προτάσεις του σε πραγματικό χρόνο με βάση τις αντιδράσεις του συνομιλητή
- Καταλήγει σε συμφωνίες που βελτιστοποιούν την αξία για όλες τις πλευρές
- δημιουργεί τις αρχικές συνθήκες ενός συμβολαίου, βασισμένες σε νομική βάση δεδομένων και στο προφίλ κινδύνου της εκάστοτε συναλλαγής
Τα αποτελέσματα είναι εντυπωσιακά όπως π.χ. στην περίπτωση της Otto Group, το ποσοστό αποδοχής των προτάσεων από τους προμηθευτές άγγιξε το 65%, ενώ το 70% των διαπραγματεύσεων ολοκληρώθηκε επιτυχώς χωρίς ανθρώπινη εμπλοκή.
Ανάλυση Δαπανών (Spend analytics): Ο κρυφός χρυσός των επιχειρήσεων
Κάθε μεγάλη εταιρεία έχει εκατοντάδες κατηγορίες δαπανών. Παραδοσιακά, η κατανόηση αυτών των δαπανών απαιτεί μεγάλο φόρτο εργασιών από εξειδικευμένους αναλυτές που καλούνται να “καθαρίσουν” και να ταξινομήσουν δεδομένα πολλές φορές και από πολλά και διαφορετικά ERP συστήματα. Σήμερα, τα εργαλεία ΤΝ Ανάλυσης Δαπανών (Spend Analytics) όπως π.χ. της SAP Ariba αναλύουν ταχύτατα τις δαπάνες και δημιουργούν αναφορές με πολύ μεγαλύτερη ακρίβεια και τεκμηρίωση.
Σε ένα περιβάλλον όπου κάθε ευρώ μετράει και τα περιθώρια κέρδους συμπιέζονται διαρκώς, τα δεδομένα των δαπανών που έχει “επεξεργαστεί” η Τεχνητή Νοημοσύνη για να αποκαλύπτουν ευκαιρίες εξοικονόμησης και βελτιστοποίησης που παραμένουν αόρατες ακόμα και στους πιο έμπειρους επαγγελματίες προμηθειών, αναδεικνύονται σε ένα από τα πολυτιμότερα περιουσιακά στοιχεία μιας επιχείρησης.
Διαχείριση Κινδύνων Risk management: Το νέο επίκεντρο
Σε ένα περιβάλλον γεωπολιτικής αβεβαιότητας, οι προμήθειες γίνονται ο ένας από τους πιο βασικούς πυλώνες διαχείρισης κινδύνου καθώς η ΤΝ μπορεί να:
- Εντοπίσει τα ασθενή σήματα (weak signals) πριν εξελιχθούν σε κρίση
- αξιολογήσει την ανθεκτικότητα προμηθευτών
- προτείνει στρατηγικές διαφοροποίησης (diversification)
- υπολογίσει ανάλυση σεναρίων «τι θα γινόταν αν» (what-if analysis)
Τα πεδία άμεσης εφαρμογής της ΤΝ στις προμήθειες
Για όσες εταιρίες το ζητούμενο είναι η άμεση εφαρμογή της ΤΝ στις προμήθειες, οι παρακάτω διαδικασίες μπορούν να αλλάξουν σχετικά άμεσα:
- Επιλογή & αξιολόγηση προμηθευτών (επιτρέποντας αυτοματοποιημένη ανάλυση εκατοντάδων κριτηρίων σε πραγματικό χρόνο)
- Ανάλυση Δαπανών (Spend analytics) (επιτρέποντας παρακολούθηση, κατηγοριοποίηση και οπτικοποίηση δαπανών)
- Πρόβλεψη ζήτησης με σκοπό τη μείωση των ελλείψεων και των υπεραποθεμάτων μέσω προγνωστικής μοντελοποίησης (predictive modeling)
- Διαχείριση συμβολαίων (με σκοπό την αυτόματη δημιουργία, ανάλυση και παρακολούθηση των συμβατικών υποχρεώσεων) και
- Ανίχνευση απάτης (fraud detection) (με σκοπό τον εντοπισμό ανωμαλιών σε εντολές αγοράς, τιμολόγια και πληρωμές σε πραγματικό χρόνο)
Η ελληνική πραγματικότητα: ευκαιρία ή καθυστέρηση;
Αν κάποιος ρωτούσε σήμερα τους υπεύθυνους προμηθειών των μεγαλύτερων ελληνικών επιχειρήσεων πόσοι χρησιμοποιούν ΤΝ στην καθημερινή τους δουλειά, η απάντηση θα ήταν αποκαρδιωτική καθώς τη χρησιμοποιεί μόνο ένα μικρό ποσοστό επιχειρήσεων που κυρίως ανήκει σε μεγάλους ομίλους. Αυτό βέβαια δεν είναι αποκλειστικά ελληνική ιδιαιτερότητα, αλλά ήδη έχει αρχίσει να διαφαίνεται μια σημαντική καθυστέρηση έναντι των ευρωπαϊκών ανταγωνιστών μας.
Η ελληνική αγορά έχει συγκεκριμένα δομικά χαρακτηριστικά που επιβραδύνουν την υιοθέτηση της ΤΝ στις προμήθειες. Το πρώτο και σημαντικότερο χαρακτηριστικό είναι ο κατακερματισμός. Η συντριπτική πλειονότητα των ελληνικών επιχειρήσεων είναι μικρομεσαίες, με λιγότερα από 50 άτομα προσωπικό. Για τις μικρομεσαίες επιχειρήσεις, η επένδυση σε ΤΝ στις προμήθειες δεν είναι μόνο ακριβή αλλά και δυσανάλογη με τον όγκο των συναλλαγών τους. Το δεύτερο εμπόδιο είναι πολιτισμικό.
Στην Ελλάδα, η επιχειρηματική σχέση με τον προμηθευτή βασίζεται παραδοσιακά στην εμπιστοσύνη που χτίζεται μέσα στον χρόνο, συχνά ανάμεσα σε πρόσωπα, και όχι ανάμεσα σε επιχειρήσεις. Το να αντικαταστήσεις αυτή τη σχέση με έναν αλγόριθμο που αξιολογεί αντικειμενικά κάθε προμηθευτή σε εκατοντάδες παραμέτρους είναι για πολλούς όχι μόνο τεχνολογικό αλλά και ψυχολογικό άλμα.
Παρ’ όλα αυτά, κάτι κινείται. Μεγάλες εταιρείες του κλάδου ενέργειας (όπως π.χ. η ΔΕΗ) έχουν ήδη αρχίσει να υιοθετούν ψηφιακές πλατφόρμες για τις δημόσιες συμβάσεις, εν μέρει λόγω ευρωπαϊκών κανονιστικών απαιτήσεων. Ο φαρμακευτικός κλάδος επίσης, υπό την πίεση του ΕΟΠΥΥ για κοστολογική αποδοτικότητα, έχει στρέψει το βλέμμα σε χρήση ΤΝ στην ανάλυση δαπανών (spend analytics).
Τέλος το λιανεμπόριο και ιδίως οι μεγάλες αλυσίδες σούπερ μάρκετ επενδύουν σε ΤΝ κυρίως για την πρόβλεψη της ζήτησης και τη διαχείριση της εφοδιαστικής αλυσίδας. Ενδιαφέρον επίσης παρουσιάζει και η δημόσια διοίκηση με το Εθνικό Σύστημα Ηλεκτρονικών Δημοσίων Συμβάσεων (ΕΣΗΔΗΣ) που αποτελεί ήδη μια ψηφιακή υποδομή που θα μπορούσε με τις κατάλληλες επεκτάσεις να γίνει πλατφόρμα ενσωμάτωσης εργαλείων ΤΝ για τον έλεγχο δαπανών του δημοσίου τομέα.
Όμως στις περισσότερες επιχειρήσεις στην Ελλάδα, οι προμήθειες παραμένουν έντονα προσωποκεντρικές, λιγότερο ψηφιοποιημένες και εξαρτημένες από την εμπειρία και όχι από τα δεδομένα Αυτό έχει τις εξής επιπτώσεις: Από τη μία συνεχίζει την υστέρηση στην υιοθέτηση ΤΝ και από την άλλη δημιουργεί μια τεράστια ευκαιρία για ποιοτικό άλμα άμεσης ανάπτυξης (leapfrogging).
Οι Ευκαιρίες είναι πολλές όπως : Cloud λύσεις με χαμηλό κόστος εισόδου για ΜΜΕ, Ευρωπαϊκά κονδύλια (RRF) για ψηφιακή αναβάθμιση, αυξημένη πίεση για κοστολογική αποδοτικότητα, νέα γενιά στελεχών με ψηφιακή νοοτροπία κλπ.
Υπάρχουν όμως και πολλοί κίνδυνοι για καθυστερήσεις που εστιάζονται στην αδυναμία ανταγωνισμού με ευρωπαϊκούς ομίλους σε κόστος, στην έκθεση σε εφοδιαστικές κρίσεις χωρίς δυνατότητες πρόβλεψης, στην κανονιστική πίεση που έρχεται από την ΕΕ κλπ. Τα επόμενα δύο με τρία χρόνια θα κρίνουν ποιες εταιρείες θα μπουν στη νέα εποχή με τους δικούς τους όρους και ποιες θα αναγκαστούν να προσαρμοστούν υπό πίεση.
Επιχειρήσεις που θα επενδύσουν τώρα στις προμήθειες που υποστηρίζονται από ΤΝ (AI-powered procurement) και στην ενσωμάτωση της ΤΝ με τα θα αποκτήσουν ανταγωνιστικό πλεονέκτημα που δεν θα είναι εύκολο να καλυφθεί.
Συμπέρασμα: Οι προμήθειες δεν είναι πια μια υποστηρικτική λειτουργία
Η Τεχνητή Νοημοσύνη μετατρέπει τις προμήθειες από λειτουργική διαδικασία σε στρατηγικό εργαλείο, από διαχείριση κόστους σε διαχείριση αξίας και από εμπειρική πρακτική σε επιστήμη δεδομένων.
Οι επιχειρήσεις που θα κατανοήσουν εγκαίρως ότι οι προμήθειες του χθες δεν είναι απλώς ξεπερασμένες αλλά επικίνδυνες, θα προσαρμοστούν και θα επιβιώσουν, επιτυγχάνοντας καλύτερα περιθώρια κέρδους, μεγαλύτερη ανθεκτικότητα και πιο ευέλικτη εφοδιαστική αλυσίδα.
Το ερώτημα για την ελληνική επιχείρηση δεν είναι αν θα υιοθετήσει την ΤΝ στις προμήθειες, αλλά αν θα προλάβει να το κάνει πριν ο ανταγωνισμός το μετατρέψει σε ανυπέρβλητο εμπόδιο.
