Artificial intelligence (AI) is rapidly evolving into one of the most impactful technologies of our time. Advancements in machine learning algorithms, rise in computational power, and increasing amounts of available data have enabled these systems to handle complex tasks like natural language processing and advanced analytics with remarkable speed and accuracy. Today, AI is considered a driving force behind the Fourth Industrial Revolution. Despite its potential, companies struggle to integrate artificial intelligence into their operations beyond the pilot stages (Enholm et al. 2021). AI imposes high requirements on data availability, IT infrastructure, and sufficient technical expertise to navigate this evolving landscape. Emerging regulatory frameworks for AI compliance add another layer of complexity, particularly in highly regulated sectors, such as the pharmaceutical industry. With its rigorous standards for product quality and patient safety, organizations within this industry face greater challenges in adopting artificial intelligence within their business processes. These barriers are even more pronounced in small and medium-sized enterprises (SMEs). Besides being burdened by general AI adoption challenges, SMEs face unique constraints stemming from inherent limitations in financial resources, underdeveloped IT infrastructures, and fragmented data structures. Despite these barriers, scholars believe adopting AI offers SMEs significant opportunities to transform their operations and gain a competitive edge (Schwaeke et al. 2024). SMEs constitute a significant share of the global economy and play a crucial role in job creation by contributing to more than half of global employment (Iyelolu et al. 2024). Given their substantial impact on the global economy, it is imperative to assist SMEs in overcoming barriers to AI adoption. This thesis investigates how artificial intelligence can enhance business processes within small and medium-sized enterprises (SMEs) in the pharmaceutical industry. Furthermore, the study explores barriers hindering AI adoption in pharmaceutical SMEs. To achieve this, a single case study methodology was employed in collaboration with Unimedic Pharma AB, a Swedish pharmaceutical SME. The thesis finds several critical barriers to AI adoption in pharmaceutical SMEs, including data structures, limited AI knowledge, lack of formal AI strategy, and regulatory requirements. A particular inhibitor is regulatory ambiguity, where evolving frameworks for using artificial intelligence make compliance requirements unclear and challenging to navigate. Despite these constraints, AI holds significant potential to enhance business processes within pharmaceutical SMEs. For instance, partial AI adoption strategies can be employed in highly regulated processes such as Product of the month (PM) process, leveraging AI as a recommendation-based system augmented by human oversights rather than fully automating the process. Furthermore, Intelligent Process Automation (IPA) and Machine Learning (ML) can be leveraged to expedite time-consuming activities and significantly improve insight generation in less-regulated processes such as Business Development (BD) and purchasing. As a result, the thesis provides a structured and detailed overview of AI inhibitors faced by pharmaceutical SMEs. It also presents technical examples of AI applications that can enhance Business Development, Product of the month (PM), and purchasing by leveraging cloud-based and on-premises solutions.

Artificiell intelligens (AI) utvecklas snabbt och beaktas allmer som en av de mest betydelsefulla teknologierna i modern tid. Genom framsteg inom maskinlärningsalgoritmer, ökad datorkraft och växande tillgång till stora mängder data kan AI-lösningar hantera komplexa uppgifter som naturlig språkbehandling och avancerade analyser med exceptionell hastighet och precision. Idag anses AI vara en drivande kraft bakom den fjärde industriella revolutionen. Trots teknikens betydande potential, kämpar många företag med att skala upp sina AIinitiativ förbi pilotstadier (Enholm et al. 2021). En bidragande orsak är brist på strukturerad data, IT-infrastruktur, och nödvändig teknisk kompetens. AI ställer höga krav på tillgång till data och nödvändig teknisk expertis för att navigera i denna ständigt föränderliga miljö. Framväxande AI-regelverk utgör en ytterligare källa till osäkerhet, särskilt inom strikt reglerade sektorer, såsom läkemedelsindustrin, där stränga krav på produktkvalitet och patientsäkerhet komplicerar implementering av AI-lösningar i företagets olika affärsprocesser. Utmaningar med införande av AI-lösningar är ännu mer uttalande i små och medelstora företag (SMF) i läkemedelssektorn. Utöver de generella utmaningarna kopplade till implementering av AI-lösningar, står SMF inför unika begränsningar till följd av begränsade finansiella resurser, outvecklade IT-infrastrukturer, och fragmenterade datastrukturer. Trots dessa hinder, tror forskare att AI-integrering kan erbjuda SMF betydande möjligheter att utveckla deras verksamhet och öka konkurrenskraften (Schwaeke et al. 2024). SMF utgör en betydande del av den globala ekonomin och spelar en avgörande roll i skapandet av jobb genom att bidra till mer än hälften av den globala sysselsättningen (Iyelolu et al. 2024). Givet deras betydande inverkan på den globala ekonomin, är det av yttersta vikt att stödja SMF i att överkomma hinder i AI-integrering. I denna avhandling undersöks hur artificiell intelligens kan förbättra affärsprocesser inom små och medestora företag (SMF) inom läkemedelsindustrin och vilka faktorer som försvårar implementering av AI-lösningar. För att besvara dessa frågor har en falstudie genomförts i samarbete med det svenska läkemedels-SMF Unimedic Pharma AB. Avhandlingen konstaterar flera kritiska hinder för AI-integrering för SMF inom läkemedelsindustrin, inklusive datastrukturer, begränsad AI-kunskap, avsaknad av en formell AI strategi, och strikta regulatoriska krav. Ett särskilt hinder är regulatorisk osäkerhet, där framväxande ramverk för användnnig av artificiell intelligens gör efterlevnadskraven otydliga och svåra att navigera. Trots dessa begränsningar har AI betydande potential att förbättra affärsprocesser för små och medelsora företag (SMF) inom läkemedelsindustrin. Exempelvis kan partiell AI-integrering tillämpas i strikt reglerade processer som periodens vara (PM). I dessa sammanhang kan AI fungera som ett rekommendationssystem, där tekniken kompletteras med mänsklig översyn istället för att fullständigt automatisera hela processen. Vidare, Intelligent Process Automation (IPA) och Maskininlärning (ML) kan användas för att effektivesera tidskrävande uppgifter och avsevärt förbättra insiktsgenereringen i mindre reglerade processer såsom affärsutveckling (BD) och inköpsprocessen. Som ett resultat, bidrar upphandlingen med en strukturerad och detaljerad översikt över AI-hinder som SMF inom läkemedelsindustrin står inför. Avhandlingen presenterar också tekniska exempel på AI-applikationer som kan förbättra affärsutveckling, periodens vara, och inköpsprocessen genom att använda molnbaserade och lokala lösningar.