Цифровая трансформация бизнес-процессов на основе технологий искусственного интеллекта (российский и международный опыт)

Скворцова Н.А.1, Захаров А.В.1, Булатов И.И.1
1 Московский финансово-промышленный университет «Синергия»

Статья в журнале

Экономика, предпринимательство и право (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 15, Номер 1 (Январь 2025)

Цитировать эту статью:

Аннотация:
В настоящей статье рассматриваются современные условия глобальной экономики и цифровая трансформация на основе технологий искусственного интеллекта, как ключевой фактор конкурентоспособности и устойчивого развития организаций. Процессы цифровизации радикально меняют традиционные бизнес-модели, системы управления и подходы к созданию дополнительной стоимости. Центральное место в статье занимает исследование технологий искусственного интеллекта (ИИ), открывая новые горизонты для оптимизации бизнес-процессов, повышения операционной эффективности и формирования инновационных стратегических решений. Научная гипотеза данной статьи заключается в том, что эффективное управление цифровыми преобразованиями предприятий возможно при создании целостной методологической системы, интегрирующей технологии искусственного интеллекта в процессы стратегического и оперативного управления. Авторы подчеркивают, что эта система должна основываться на адаптивных механизмах организационного развития и учитывать технологические возможности, а также организационные ограничения российских предприятий. Практическая значимость работы заключается в применении методов и технологий на основе искусственного интеллекта, позволяющие обеспечить комплексный и системный подход к исследованию процессов цифровой трансформации предприятий. Статья будет интересна специалистам в области искусственного интеллекта, аналитикам данных, исследователям в области интеллектуальных задач, а также широкому кругу читателей.

Ключевые слова: цифровизация бизнеса, искусственный интеллект, модели преобразования, технологическое развитие, зарубежный опыт

JEL-классификация: C80, D58, L86



Введение

Актуальность исследования определяется следующими факторами:

1. Темпы технологического развития и внедрения искусственного интеллекта (далее ИИ) значительно опережают существующие теоретические и методологические разработки в области управления цифровыми преобразованиями.

2. Существует необходимость разработки комплексного научно-методического подхода к управлению цифровыми преобразованиями с учетом технологических возможностей ИИ и организационных ограничений российских компаний.

3. Появление генеративных моделей ИИ обусловливает необходимость переосмысления существующих управленческих парадигм и формирования новых методологических основ.

Целью научного исследования является разработка теоретико-методологического подхода к управлению цифровыми преобразованиями предприятий, обеспечивающего повышение их операционной и стратегической эффективности в условиях цифровой трансформации экономики.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Исследовать влияние технологий искусственного интеллекта на процессы управления организационными изменениями.

2. Сформировать концептуальную модель управления цифровыми преобразованиями, интегрирующую технологические и организационные механизмы трансформации.

3. Определить стратегические возможности и ограничения применения технологий искусственного интеллекта в управлении предприятиями.

4. Разработать рекомендации по внедрению ИИ-технологий в системы управления с учетом отраслевой специфики и масштабов бизнеса.

5. Предложить адаптивный алгоритм преодоления барьеров цифровой трансформации на основе принципов управления организационными изменениями.

Основные положения научной гипотезы:

1. Успешная цифровая трансформация определяется качеством методологического обеспечения управленческих изменений, а не только масштабом технологических инвестиций.

2. Технологии искусственного интеллекта играют роль не только инструмента оптимизации, но и катализатора глубокой перестройки систем управления.

3. Преодоление барьеров цифровой трансформации возможно через создание гибких и адаптивных механизмов управления, способных эффективно интегрировать инновации в существующие организационные структуры.

4. Эффективность внедрения ИИ-технологий зависит от уровня цифровой зрелости предприятия, его кадрового потенциала и стратегической готовности к изменениям.

Научная новизна данной статьи заключается в разработке комплексной методологии управления цифровыми преобразованиями предприятий на основе технологий искусственного интеллекта. Основные элементы научной новизны включают:

1. Предложение концептуальной модели управления цифровыми преобразованиями, интегрирующей технологические возможности искусственного интеллекта с организационными и экономическими механизмами трансформации предприятий.

2. Разработка методики оценки цифровой зрелости предприятий, отличающейся использованием инструментов ИИ для диагностики готовности организаций к цифровым изменениям.

3. Обоснование стратегий преодоления барьеров цифровой трансформации, включая адаптивные механизмы управления, обеспечивающие интеграцию инновационных технологий в существующие структуры управления.

4. Введение алгоритма внедрения ИИ-технологий в системы управления, который впервые объединяет стратегические, технологические и организационные аспекты цифровой трансформации.

5. Создание научно-методического инструментария для оценки влияния технологий ИИ на управление бизнес-процессами, позволяющего измерять и прогнозировать эффективность цифровых преобразований.

6. Теоретическое обоснование трансформации управленческих парадигм, раскрывающее механизмы интеграции ИИ в процессы стратегического и оперативного управления.

Разработанные подходы и решения могут быть адаптированы к предприятиям различных отраслей и масштабов, что подтверждает их универсальность и практическую значимость.

Методы исследования. Для достижения целей и решения задач исследования применен комплекс методов, включающий:

1. Теоретические методы: анализ и синтез.

2. Методы эмпирического исследования: сбор, обработка и анализ данных о цифровой зрелости предприятий, включая использование опросов, интервью и анализа кейсов российских компаний.

3. Экономико-математические методы: применение моделей прогнозирования, анализа чувствительности и оптимизации для оценки влияния ИИ-технологий на эффективность бизнес-процессов.

4. Моделирование: разработка и тестирование концептуальных моделей управления цифровыми преобразованиями, включая применение инструментов искусственного интеллекта.

5. Методы экспертных оценок: привлечение специалистов в области ИИ и цифровизации для верификации разработанных методологических решений.

6. Информационные технологии: использование современных аналитических платформ и инструментов машинного обучения для обработки больших данных и оценки влияния технологий ИИ на бизнес-процессы.

Теоретический обзор

Изучение процессов цифровой трансформации и применения технологий искусственного интеллекта в управлении бизнес-процессами охватывает широкий спектр научных исследований. Теоретические и методологические основы данной темы представлены в трудах отечественных и зарубежных ученых, однако в ряде аспектов наблюдается недостаточная разработанность.

1. Методологические основы цифровой трансформации:

Исследования Л.П. Гаврилова и Ю.И. Грибанова заложили фундаментальные принципы цифровизации бизнеса и трансформации управленческих систем [2].

Вклад зарубежных исследователей, таких как Микалеф П. [15] и Кампик Т. [13], фокусируется на влиянии искусственного интеллекта на организационную эффективность и стратегическое управление.

2. Технологические аспекты внедрения ИИ:

Значительные достижения в области применения ИИ в бизнесе представлены в работах, посвященных использованию генеративных моделей в управлении. Разнообразные исследования зарубежных и российских ученых раскрывают возможности применения искусственного интеллекта в бизнес-аналитике и планировании.

3. Недостатки существующих подходов:

Отсутствие комплексных теорий управления цифровыми преобразованиями, интегрирующих технологические, организационные и экономические аспекты.

Фрагментарность методологических решений оценки цифровой зрелости предприятий.

Недостаточная проработка стратегий адаптации существующих бизнес-моделей к цифровым изменениям.

Таким образом, несмотря на значительный научный задел, существует необходимость в дальнейшей разработке комплексных моделей и методов управления цифровыми преобразованиями, интегрирующих потенциал технологий искусственного интеллекта и обеспечивающих устойчивое развитие предприятий в условиях цифровой экономики.

Теоретическая и методологическая основа исследования. Теоретическая основа исследования подразумевает системное изучение и критический анализ фундаментальных научных концепций в области цифровой трансформации, управления организационными изменениями, экономики инноваций и технологического развития. Она включает работы отечественных и зарубежных исследователей, посвященные теории стратегического менеджмента, концепциям цифровой экономики и инновационного управления.

Методологическая основа – совокупность общенаучных и специализированных методов исследования, обеспечивающих достоверность и обоснованность выводов. Ключевые методологические инструменты включают системный, процессный и ситуационный подходы, методы экспертных оценок, моделирования, экономико-математического анализа и анализа больших данных.

Практическая значимость включает в себя разработку научно-методических рекомендаций по управлению цифровыми преобразованиями, которые могут быть применены в:

1. Стратегическом планировании развития предприятий.

2. Формировании программ цифровой трансформации.

3. Подготовке управленческих кадров.

4. Разработке корпоративных стратегий цифровизации.

5. Консультационной деятельности по вопросам внедрения ИИ-технологий.

Разработанные методологические решения могут быть адаптированы для предприятий различных отраслей и масштабов, что подтверждает их универсальность и практическую ценность.

Основная часть

Анализ эволюции подходов к цифровизации предприятий позволяет выделить несколько ключевых этапов, представленных в таблице 1.

Таблица 1. Эволюция подходов к цифровой трансформации бизнеса

Период
Доминирующий подход
Ключевые технологии
Фокус преобразований
1990–2000
Автоматизация
ERP, CRM системы
Оптимизация внутренних процессов
2000–2010
Информатизация
Веб-технологии, электронная коммерция
Развитие цифровых каналов
2010–2020
Цифровизация
Мобильные технологии, облачные вычисления
Создание цифровых продуктов
2020–н.в.
Цифровая трансформация
Искусственный интеллект, большие данные
Построение цифровых экосистем
Источник: составлено авторами на основе [2, 3]

Современные исследователи выделяют несколько ключевых компонентов цифровой трансформации. Шабалтина Л.В. и Масленников В.В. отмечают, что успешная цифровая трансформация включает преобразования в трех основных измерениях: технологическом, организационном и культурном [9]. Для оценки текущего состояния цифровой трансформации в российских компаниях был проведен анализ статистических данных, результаты которого представлены на рисунке 1.

Рисунок 1 – Текущее состояние цифровой трансформации в российских компаниях

Источник: составлено авторами на основе [7]

Анализ данных показывает устойчивый рост всех показателей цифровой трансформации российского бизнеса. Особенно заметна динамика роста инвестиций в цифровые технологии, которые за пять лет увеличились почти в 5 раз. Батищев А.В. и Соловьев И.В. подчеркивают, что особую роль в процессах цифровой трансформации играют технологии искусственного интеллекта, позволяющие существенно повысить эффективность управления бизнес-процессами [1].

Для систематизации факторов, влияющих на успешность цифровой трансформации, предлагается использовать матрицу оценки готовности предприятия к цифровым преобразованиям (таблица 2).

Таблица 2. Матрица оценки готовности к цифровой трансформации

Факторы готовности
Высокая готовность
Средняя готовность
Низкая готовность
Технологическая инфраструктура
Развитая цифровая экосистема
Частичная автоматизация
Базовая ИТ-инфраструктура
Человеческий капитал
Цифровые компетенции у >70% персонала
Цифровые компетенции у 30–70%
Цифровые компетенции у <30%
Организационная культура
Инновационная
Смешанная
Консервативная
Финансовые ресурсы
>10% бюджета на цифровизацию
5–10% бюджета
<5% бюджета
Источник: составлено авторами на основе [9,1]

Особую значимость в контексте цифровой трансформации приобретает вопрос управления изменениями. Яковлева Е.А. и соавторы отмечают, что успешная цифровая трансформация требует включающего работу с сопротивлением персонала и формирование новой корпоративной культуры [10].

Как показывает анализ данных, наиболее эффективной является гибридная модель управления цифровой трансформацией бизнес-процессов, сочетающая централизованное стратегическое управление с децентрализованным внедрением изменений на операционном уровне.

На основе анализа современных исследований можно выделить четыре основные модели управления цифровой трансформацией (рисунок 2).

Рисунок 2 – Модели управления цифровой трансформацией

Источник: составлено авторами

На основе анализа международного опыта можно выделить следующие ключевые компетенции, необходимые для успешной цифровой трансформации (рисунок 3).

Рисунок 3 – Ключевые компетенции, необходимые для успешной цифровой трансформации (мировой опыт)

Источник: составлено авторами на основе [15]

Согласно исследованиям Микалеф П. и Гупта М., успешность цифровой трансформации во многом определяется способностью организации развивать цифровые компетенции [15].

Важным аспектом цифровой трансформации является ее влияние на бизнес-модели предприятий. Столяров А.Д. и соавторы выделяют следующие ключевые изменения в бизнес-моделях под влиянием цифровизации [8]:

1. Переход от линейных цепочек создания стоимости к сетевым структурам.

2. Развитие платформенных решений.

3. Персонализация продуктов и услуг.

4. Формирование экосистем.

Для оценки степени влияния цифровой трансформации на различные аспекты деятельности предприятий предлагается использовать матрицу воздействия (таблица 3).

Таблица 3. Матрица воздействия цифровой трансформации на деятельность предприятия и отдельные бизнес-процессы

Область воздействия
Краткосрочный эффект
Среднесрочный эффект
Долгосрочный эффект
Операционная эффективность
Снижение затрат на 15–20%
Рост производительности на 30–40%
Полная трансформация операционной модели
Клиентский опыт
Улучшение сервиса
Персонализация предложений
Формирование новых потребительских ценностей
Бизнес-модель
Оптимизация процессов
Новые источники дохода
Создание цифровых экосистем
Корпоративная культура
Развитие цифровых навыков
Новые формы организации труда
Цифровое лидерство
Источник: составлено авторами на основе [9, 8]

Анализ современных концепций цифровой трансформации позволяет выявить ряд существенных пробелов в существующих исследованиях:

1. Недостаточная проработанность методологических основ управления цифровой трансформацией как комплексным процессом организационных изменений

2. Отсутствие единых подходов к оценке эффективности цифровых преобразований

3. Необходимость развития инструментов интеграции технологий искусственного интеллекта в процессы управления цифровой трансформацией

Заполнение этих пробелов требует разработки новых теоретических и методологических подходов, учитывающих современные технологические возможности и организационные особенности российских предприятий.

Роль искусственного интеллекта в управлении цифровыми преобразованиями бизнес-процессов в российских компаниях

Анализ современных исследований позволяет выделить несколько ключевых направлений применения ИИ в управлении цифровыми преобразованиями (таблица 4).

Таблица 4. Основные направления применения ИИ в управлении цифровыми преобразованиями бизнес-процессов

Направление
Технологии ИИ
Эффекты
Ограничения
Стратегическое планирование
Предиктивная аналитика, обработка больших данных
Повышение точности прогнозов на 40–60%
Зависимость от качества исходных данных
Операционное управление
Машинное обучение, роботизация процессов
Сокращение операционных затрат на 25–35%
Необходимость значительных инвестиций
Управление персоналом
Чат-боты, системы рекомендаций
Повышение эффективности HR-процессов на 30%
Сопротивление персонала
Работа с клиентами
NLP, компьютерное зрение
Рост удовлетворенности клиентов на 45%
Проблемы персонализации
Источник: составлено авторами на основе [1,5]

Особое внимание исследователи уделяют развитию генеративного искусственного интеллекта. По данным Дементьева К.И., внедрение генеративных моделей ИИ способно обеспечить качественный скачок в эффективности управленческих процессов [4].

Линкон А.А. и соавторы отмечают значительное влияние национальных особенностей на выбор приоритетов цифровой трансформации [14].

В различных странах формируются собственные модели цифрового развития, учитывающие специфику экономики и культурные особенности (таблица 5).

Таблица 5. Национальные модели цифровой трансформации

Характеристика
Американская модель
Европейская модель
Азиатская модель
Российская модель
Приоритеты
Инновации и рост
Устойчивое развитие
Масштабирование
Технологический суверенитет
Роль государства
Минимальная
Регулирующая
Направляющая
Определяющая
Источники финансирования
Частные инвестиции
Смешанные
Государственные
Государственные
Технологический фокус
Платформы и ИИ
Индустрия 4.0
Цифровые экосистемы
Критические технологии
Источник: составлено авторами на основе [14, 20]

На рисунке 4, представим анализ данных свидетельствующих об экспоненциальном росте как инвестиций в генеративный ИИ, так и эффективности его применения в управлении.

Рисунок 4 – Развитие генеративного искусственного интеллекта

Источник: составлено авторами на основе [14]

Вамба-Тагимдже С.-Л. и соавторы выделяют следующие ключевые факторы успешного внедрения ИИ в процессы управления цифровой трансформацией [20]:

1. Зрелость цифровой инфраструктуры.

2. Качество данных.

3. Компетенции персонала.

4. Интеграция с существующими системами.

5. Организационная готовность.

Исследования Энхольм И.М. и соавторов показывают, что внедрение ИИ способно обеспечить значительный рост бизнес-ценности [12].

Далее, для оценки готовности предприятий к внедрению ИИ предлагается использовать матрицу технологической зрелости (таблица 6).

Таблица 6. Матрица технологической зрелости для внедрения ИИ

Критерий
Начальный уровень
Развивающийся уровень
Продвинутый уровень
Инфраструктура
Базовые ИТ-системы
Интегрированные платформы
Цифровые экосистемы
Данные
Разрозненные источники
Централизованные хранилища
Озера данных
Аналитика
Описательная
Предиктивная
Прескриптивная
Автоматизация
Отдельные процессы
Комплексные решения
Интеллектуальная автоматизация
Источник: составлено авторами на основе [10, 12]

При этом внедрение технологий искусственного интеллекта в процессы управления сопряжено с рядом вызовов и ограничений. На основе исследований Папагианнидис Э. и соавторов можно выделить ключевые барьеры внедрения ИИ (таблица 7) [16].

Таблица 7. Барьеры внедрения ИИ в управление цифровыми преобразованиями бизнес-процессов

Категория барьеров
Содержание
Частота возникновения (%)
Степень влияния
(1-10)
Технологические
Сложность интеграции, устаревшая инфраструктура
78%
8,5
Организационные
Сопротивление изменениям, отсутствие компетенций
65%
7,8
Экономические
Высокие затраты, неопределенность ROI
58%
7,2
Этические
Конфиденциальность данных, прозрачность решений
45%
6,9
Источник: составлено авторами на основе [16, 18]

Особую роль в развитии применения ИИ играют большие языковые модели (Large language model, далее LLM). Согласно исследованиям Видгоф М. и соавторов, использование LLM позволяет существенно повысить эффективность управления бизнес-процессами [19]. При этом исследователи выделяют следующие ключевые преимущества применения LLM в управлении:

1. Автоматизация рутинных управленческих задач.

2. Улучшение качества аналитики.

3. Повышение скорости принятия решений.

4. Персонализация взаимодействия с заинтересованными сторонами.

Особое внимание исследователи уделяют вопросам обеспечения доверия к системам ИИ. Шварц С. и соавторы предлагают комплексную модель повышения доверия к ИИ-системам в корпоративном управлении [18].

На рисунке 5 представлены основные компоненты этой модели.

Рисунок 5 – Процент значимости и реализации компонентов модели повышения доверия к ИИ-системам (зарубежный опыт)

Источник: составлено авторами на основе [18]

Критический анализ существующих исследований позволяет выявить следующие методологические пробелы:

1. Недостаточная проработанность механизмов интеграции ИИ в существующие системы управления.

2. Отсутствие комплексных подходов к оценке эффективности применения ИИ.

3. Необходимость развития методов обеспечения доверия к ИИ-системам.

4. Потребность в разработке адаптивных моделей внедрения ИИ с учетом специфики предприятий.

Анализ современных исследований в области применения ИИ в управлении цифровыми преобразованиями позволяет выделить несколько ключевых тенденций развития:

1. Переход от узкоспециализированных решений к интегрированным платформам ИИ.

2. Развитие гибридных моделей принятия решений, сочетающих возможности ИИ и человеческую экспертизу.

3. Повышение роли этических аспектов применения ИИ.

4. Фокус на обеспечение прозрачности и объяснимости решений ИИ.

Для оценки эффективности внедрения ИИ в процессы управления цифровыми преобразованиями предлагается использовать комплексную систему показателей (таблица 8).

Таблица 8. Система показателей эффективности внедрения ИИ

Группа показателей
Метрики
Целевые значения
Экономические
ROI, сокращение затрат
>25%
Операционные
Скорость процессов, качество решений
Улучшение на 35–50%
Клиентские
Удовлетворенность, персонализация
Рост на 40%
Инновационные
Новые продукты/услуги, бизнес-модели
2–3 в год
Источник: составлено авторами на основе [12, 13]

Заполнение этих пробелов требует дальнейших исследований и разработки новых методологических подходов к управлению цифровыми преобразованиями на основе технологий искусственного интеллекта.

Дементьев К.И. отмечает, что лидерами цифровой трансформации являются компании США и Китая, которые демонстрируют наиболее высокие показатели внедрения передовых технологий [4].

При этом важно учитывать различия в подходах к цифровой трансформации в разных странах (таблица 9).

Таблица 9. Сравнительный анализ национальных подходов к цифровой трансформации бизнес-процессов на основе технологий ИИ

Характеристика
США
Китай
ЕС
Россия
Роль государства
Умеренная
Высокая
Значительная
Растущая
Фокус трансформации
Инновации
Масштаб
Стандартизация
Импортозамещение
Драйверы развития
Рынок
Государство
Регулирование
Госпрограммы
Ключевые технологии
ИИ, облака
5G, IoT
Индустрия 4.0
ИИ, кибербезопасность
Источник: составлено авторами на основе [4, 5]

Исследование успешных практик цифровой трансформации на основе ИИ позволяет выделить ключевые факторы успеха (рисунок 6).

Рисунок 6 – Факторы успеха компонентов цифровой трансформации для компании

Источник: составлено авторами на основе [4]

Особое значение в международной практике приобретает использование нейросетевых технологий [21]. В таблице 10 представлен анализ основных направлений применения нейросетей в разных странах.

Таблица 10. Применение нейросетевых технологий в международной практике

Направление
США
ЕС
Азия
Россия
Финансовый сектор
+++
++
+++
++
Промышленность
+ +
+++
++
+
Ритейл
+++
++
++
++
Здравоохранение
+++
++
+
+
Госуправление
++
++
+++
++
Условные обозначения: +++ высокий уровень, ++ средний уровень, + начальный уровень

Источник: составлено авторами на основе [13, 21]

Методологические подходы к оценке цифровой зрелости бизнес-процессов организаций

Оценка цифровой зрелости организаций является ключевым элементом управления цифровыми преобразованиями, позволяющим определить текущий уровень развития и сформировать стратегию дальнейшей трансформации.

Согласно исследованиям Шабалтиной Л.В., цифровая зрелость представляет собой комплексную характеристику готовности организации к цифровым преобразованиям [9].

В современной практике существует несколько основных подходов к оценке цифровой зрелости (таблица 11).

Таблица 11. Сравнительный анализ подходов к оценке цифровой зрелости

Подход
Основные характеристики
Преимущества
Ограничения
Процессный
Оценка зрелости бизнес-процессов
Детальный анализ процессов
Сложность интеграции оценок
Технологический
Анализ уровня технологий
Объективность оценки
Недооценка организационных факторов
Компетентностный
Оценка цифровых компетенций
Фокус на человеческий капитал
Сложность количественной оценки
Интегральный
Комплексная оценка всех аспектов
Системность подхода
Высокая трудоемкость
Источник: составлено авторами на основе [9]

Особое значение в оценке цифровой зрелости приобретает использование технологий искусственного интеллекта. Янг С. и соавторы предлагают модель оценки на основе анализа больших данных [21]. В таблице 12 представлены основные компоненты такой оценки.

Таблица 12. Компоненты основанной на ИИ оценки цифровой зрелости

Компонент
Индикаторы
Вес
Методы анализа
Технологическая инфраструктура
Уровень автоматизации, качество данных
0,3
Предиктивная аналитика
Цифровые компетенции
Навыки персонала, обучение
0,25
Кластерный анализ
Организационная культура
Инновационность, гибкость
0,2
Семантический анализ
Управление данными
Качество, безопасность
0,15
ML-алгоритмы
Клиентский опыт
Удовлетворенность, персонализация
0,1
NLP
Источник: составлено авторами на основе [21]

Важным аспектом оценки цифровой зрелости является определение уровней развития.

Для комплексной оценки цифровой зрелости предлагается использовать матрицу готовности к цифровой трансформации (таблица 13).

Таблица 13. Матрица готовности к цифровой трансформации

Аспект оценки
Низкая готовность
Средняя готовность
Высокая готовность
Стратегия
Отсутствует
Формализована
Интегрирована
Процессы
Традиционные
Частично цифровые
Цифровые
Технологии
Базовые
Развивающиеся
Передовые
Данные
Фрагментированные
Систематизированные
Управляемые
Культура
Консервативная
Адаптивная
Инновационная
Источник: составлено авторами на основе [11, 12]

Результаты

На основе проведенного анализа можно выделить следующие методологические проблемы в области оценки цифровой зрелости:

1. Отсутствие единых стандартов оценки.

2. Сложность интеграции качественных и количественных показателей.

3. Недостаточный учет отраслевой специфики.

4. Ограниченность существующих моделей в условиях быстрых технологических изменений.

При разработке системы оценки цифровой зрелости важно учитывать взаимосвязь различных факторов и их влияние на эффективность цифровой трансформации. Микалеф П. и Гупта М. предлагают использовать многомерную модель оценки, учитывающую как прямые, так и косвенные эффекты цифровизации [15].

В таблице 14 представлена система показателей эффективности цифровых преобразований.

Таблица 14. Система показателей эффективности цифровых преобразований

Категория
Показатели
Методы измерения
Целевые значения
Экономическая эффективность
Рост выручки, снижение затрат
Финансовый анализ
+15–25% ежегодно
Операционная эффективность
Скорость процессов, качество
Процессный анализ
Улучшение на 30–40%
Инновационная активность
Новые продукты, сервисы
Проектный анализ
Проектный анализ:
2-3 инновации в год
Клиентская ценность
Удовлетворенность, лояльность
Маркетинговый анализ
Рост NPS на 20–30%
Источник: составлено авторами на основе [15]

Особое внимание следует уделить разработке адаптивных механизмов оценки, позволяющих учитывать изменения внешней среды и появление новых технологических возможностей.

Для повышения объективности оценки цифровой зрелости предлагается использовать комплексный индекс, учитывающий различные аспекты цифровой трансформации (таблица 15).

Таблица 15. Структура комплексного индекса цифровой зрелости

Компонент индекса
Вес
Субиндексы
Методы расчета
Технологический
0,35
Инфраструктура, автоматизация
Средневзвешенная оценка
Организационный
0,25
Процессы, культура
Экспертная оценка
Компетентностный
0,20
Навыки, обучение
Тестирование
Инновационный
0,20
Проекты, результаты
Количественный анализ
Источник: составлено авторами на основе [12]

Критический анализ существующих методологических подходов позволяет сформулировать следующие рекомендации по совершенствованию системы оценки цифровой зрелости:

1. Внедрение динамических моделей оценки, учитывающих скорость изменений цифровой среды

2. Развитие инструментов предиктивной аналитики для прогнозирования уровня цифровой зрелости

3. Интеграция качественных и количественных методов оценки на основе технологий искусственного интеллекта

4. Учет отраслевой специфики и масштаба бизнеса при формировании системы показателей

Выводы

Проведенное исследование теоретико-методологических основ управления цифровыми преобразованиями предприятий позволяет сделать следующие ключевые выводы.

В современных условиях цифровая трансформация становится необходимым условием обеспечения конкурентоспособности предприятий. Анализ существующих концепций показал эволюцию подходов от простой автоматизации процессов к комплексным преобразованиям бизнес-моделей на основе цифровых технологий. При этом особую роль в процессах цифровой трансформации играют технологии искусственного интеллекта, позволяющие существенно повысить эффективность управленческих решений.

Исследование роли искусственного интеллекта в управлении цифровыми преобразованиями выявило значительный потенциал применения данных технологий для оптимизации бизнес-процессов, повышения качества принимаемых решений и создания новых источников ценности. Особое значение приобретают генеративные модели ИИ и большие языковые модели, открывающие новые возможности для автоматизации управленческих задач.

Анализ международного опыта цифровой трансформации продемонстрировал существенные различия в подходах разных стран к управлению цифровыми преобразованиями. Выявлены основные модели цифровой трансформации (американская, европейская, азиатская), определены их ключевые характеристики и особенности применения. Установлено, что успешность цифровых преобразований во многом определяется способностью организаций адаптировать международный опыт к своей специфике.

Исследование методологических подходов к оценке цифровой зрелости организаций позволило систематизировать существующие методы и разработать комплексную систему оценки, учитывающую различные аспекты цифровой трансформации. Предложен интегральный индекс цифровой зрелости, позволяющий проводить сравнительный анализ уровня развития цифровых технологий в различных организациях.

На основе проведенного анализа выявлены следующие ключевые проблемы, требующие дальнейшего исследования:

1. Необходимость разработки комплексной методологии управления цифровыми преобразованиями, интегрирующей технологические и организационные аспекты трансформации

2. Потребность в создании адаптивных механизмов внедрения технологий искусственного интеллекта в управленческие процессы

3. Важность развития инструментов оценки эффективности цифровых преобразований с учетом отраслевой специфики и масштабов бизнеса

4. Необходимость совершенствования методов управления рисками цифровой трансформации

Теоретическая значимость проведенного исследования заключается в систематизации и развитии научных представлений об управлении цифровыми преобразованиями предприятий. Практическая значимость состоит в возможности использования полученных результатов при разработке и реализации программ цифровой трансформации российских предприятий.


Источники:

1. Батищев А.В., Соловьев И.В. Анализ перспектив и проблем управления бизнес-процессами малого бизнеса на основе технологий искусственного интеллекта // Естественно-гуманитарные исследования. – 2024. – № 3(53). – c. 492-497.
2. Гаврилов Л.П. Цифровой бизнес. / Учебник и практикум для вузов – 6-е изд. - Москва: Издательство Юрайт, 2023. – 311 c.
3. Грибанов Ю.И., Руденко М.Н. Цифровая трансформация бизнеса. / Учебное пособие. - Москва: Издательско-торговая корпорация «Дашков и К°», 2021. – 213 c.
4. Дементьев К.И. Анализ мирового опыта применения искусственного интеллекта для оптимизации бизнес-процессов предприятий // Управленческое консультирование. – 2023. – № 1(169). – c. 107-120. – doi: 10.22394/1726-1139-2023-1-107-120.
5. Егорычев Д.Н., Егорычев А.Д. Направления влияния нейросетей на экономику, бизнес и образование // Экономические и социально-гуманитарные исследования. – 2023. – № 2(38). – c. 25-33. – doi: 10.24151/2409-1073-2023-2-25-33.
6. Лукичев П.М., Чекмарев О.П. Вызовы экономики искусственного интеллекта традиционному рынку труда // Вопросы инновационной экономики. – 2023. – № 2. – c. 785-802. – doi: 10.18334/vinec.13.2.118137.
7. Скворцова Н.А., Захаров А.В., Прилепский И.А. Методологический подход в стратегическом управлении развитием малых предприятий в сфере разработки программного обеспечения // Практический маркетинг. – 2024. – № 12(330). – c. 47-50. – doi: 10.24412/2071-3762-2024-12330-47-50.
8. Столяров А.Д., Абрамов А.В., Абрамов В.И. Генеративный искусственный интеллект для инноваций бизнес-моделей: возможности и ограничения // Beneficium. – 2024. – № 3(52). – c. 43-51. – doi: 10.34680/BENEFICIUM.2024.3(52).43-51.
9. Шабалтина Л.В., Масленников В.В. Управление цифровой трансформацией организаций с применением искусственного интеллекта // Вопросы инновационной экономики. – 2023. – № 2. – c. 771-784. – doi: 10.18334/vinec.13.2.118231.
10. Яковлева Е.А., Виноградов А.Н., Александрова Л.В., Филимонов А.П. Роль технологий искусственного интеллекта в цифровой трансформации экономики // Вопросы инновационной экономики. – 2023. – № 2. – c. 707-726. – doi: 10.18334/vinec.13.2.117710.
11. Chuma E.L., De Oliveira G.G. Generative AI for Business Decision-Making: A Case of ChatGPT // Management Science and Business Decisions. – 2023. – № 1. – p. 5-11. – doi: 10.52812/msbd.63.
12. Enholm I.M., Papagiannidis E., Mikalef P., Krogstie J. Artificial Intelligence and Business Value: a Literature Review // Information Systems Frontiers. – 2022. – № 5. – p. 1709-1734. – doi: 10.1007/s10796-021-10186-w.
13. Kampik T., Warmuth Ch., Rebmann A., Agam R., Egger L.N.P., Gerber A., Hoffart J., Kolk J., Herzig Ph., Decker G., van der Aa H., Polyvyanyy A., Rinderle-Ma S., Weber I., Weidlich M. Large Process Models: Business Process Management in the Age of Generative AI // Ki - kÜnstliche intelligenz. – 2024. – doi: 10.1007/s13218-024-00863-8.
14. Ahmed Ali Linkon, Mujiba Shaima, Md Shohail Uddin Sarker, Badruddowza, Norun Nabi, Md Nasir Uddin Rana, Sandip Kumar Ghosh, Hammed Esa, Faiaz Rahat Chowdhury Advancements and Applications of Generative Artificial Intelligence and Large Language Models on Business Management: A Comprehensive Review // Journal of Computer Science and Technology. – 2024. – № 1. – p. 225-232. – doi: 10.32996/jcsts.2024.6.1.26.
15. Mikalef P., Gupta M. Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance // Information & Management. – 2021. – № 3. – p. 103434. – doi: 10.1016/j.im.2021.103434.
16. Papagiannidis E., Enholm I.M., Dremel Ch., Mikalef P., Krogstie J. Toward AI Governance: Identifying Best Practices and Potential Barriers and Outcomes // Information Systems Frontiers. – 2023. – № 1. – p. 123-141. – doi: 10.1007/s10796-022-10251-y.
17. Perifanis N.-A., Kitsios F. Investigating the Influence of Artificial Intelligence on Business Value in the Digital Era of Strategy: A Literature Review. Researchgate.net. [Электронный ресурс]. URL: https://www.researchgate.net/publication/368227721_Investigating_the_Influence_of_Artificial_Intelligence_on_Business_Value_in_the_Digital_Era_of_Strategy_A_Literature_Review (дата обращения: 19.01.2025).
18. Schwartz S., Yaeli A., Shlomov S. Enhancing Trust in LLM-Based AI Automation Agents: New Considerations and Future Challenges. ArXiv. [Электронный ресурс]. URL: https://www.researchgate.net/publication/373046408_Enhancing_Trust_in_LLM-Based_AI_Automation_Agents_New_Considerations_and_Future_Challenges.
19. Maxim Vidgof, Stefan Bachhofner, Jan Mendling Large Language Models for Business Process Management: Opportunities and Challenges. International Conference on Business Process Management. [Электронный ресурс]. URL: https://www.researchgate.net/publication/369645331_Large_Language_Models_for_Business_Process_Management_Opportunities_and_Challenges.
20. Wamba-Taguimdje S.L., Fosso Wamba S., Kala Kamdjoug J.R., Tchatchouang Wanko Ch.E. Influence of artificial intelligence (ai) on firm performance: the business value of ai-based transformation projects // Business Process Management Journal. – 2020. – № 7. – p. 1893-1924. – doi: 10.1108/bpmj-10-2019-0411.
21. Sherry Yang, Ofir Nachum, Yilun Du, Jason Wei, Pieter Abbeel, Dale Schuurmans Foundation Models for Decision Making: Problems, Methods, and Opportunities. ArXiv e-prints. [Электронный ресурс]. URL: https://www.researchgate.net/publication/369064090_Foundation_Models_for_Decision_Making_Problems_Methods_and_Opportunities.

Страница обновлена: 07.02.2025 в 10:47:19