Эмпирическая оценка эффективности технологий искусственного интеллекта в поддержке риск-ориентированных управленческих решений

Введение

Актуальность темы настоящего исследования объясняется тем, что цифровая трансформация и стремительное развитие технологий «искусственного интеллекта», сегодня коренным образом меняют парадигму корпоративного управления. На фоне активного внедрения сложных, базирующихся на технологиях «нейронных сетей» решений крупным бизнесом, представители малого и среднего предпринимательства все чаще обращаются к доступным инструментам на основе больших языковых моделей, таким как DeepSeek, ChatGPT и их аналоги. Однако, как показывают исследования, в российской практике использование технологий «искусственного интеллекта» малым бизнесом часто ограничивается задачами генерации контента или базовой автоматизации, не затрагивая ключевые управленческие процессы. Этот разрыв между технологическим потенциалом и реальным применением особенно критичен в сфере управления финансовыми и операционными рисками, в которых цена ошибки наиболее высока. Страх перед «черным ящиком искусственного интеллекта», неопределенность возврата инвестиций, а также опасения, связанные с конфиденциальностью данных и ответственностью за автоматизированные решения, формируют существенный психологический и экономический барьер. Таким образом, актуальным является эмпирическое изучение реальной эффективности и границ применимости нейросетевых моделей именно для задач поддержки риск-ориентированных управленческих решений для субъектов малого и среднего предпринимательства.

Целью проведенного авторами исследования явилась попытка на основе эмпирического эксперимента оценить способность специализированной нейросетевой модели повышать качество и снижать рисковость управленческих решений в типовых ситуациях, с которыми достаточно часто сталкиваются предприятия малого и среднего предпринимательства, а также разработать практический алгоритм интеграции подобных систем в процессы корпоративного риск-менеджмента.

Вопросы внедрения технологий «искусственного интеллекта» в корпоративное управление освещаются в работах как зарубежных, так и отечественных авторов. Анализ барьеров на пути цифровизации, включая высокую стоимость, дефицит кадров и нормативную неопределенность, представлен в трудах российских экономистов. Проблема «черного ящика» и доверия к системам «искусственного интеллекта» поднимается в работах Е.Ввозной [2] А.С. Мишина, Л.В. Зиминой [8], Т.Д. Климачева [11], Н.А. Карасева [10] и других исследователей. Однако большинство существующих работ носит либо теоретико-методологический характер (А.Б. Стояненко [14], Р.О. Тедеева [13]), либо описывает опыт крупных корпораций (Турсунов Б.Е. [15], А.Т.Зуб [7], А.В. Зимовец, Т.Д. Климачев [6]). Дефицит публикаций, содержащих результаты контролируемых экспериментов по сравнительной эффективности «искусственного интеллекта» и человека в принятии конкретных финансово-управленческих решений на уровне малого и среднего предпринимательства, определяет научную новизну данного исследования.

В начале исследования, авторами была выдвинута гипотеза о том, что внедрение нейросетевой системы поддержки принятия решений, адаптированной под специфику малого и среднего предпринимательства, приводит к статистически значимому снижению доли неэффективных управленческих решений и сокращению времени их принятия по сравнению с традиционными методами.

Для проверки гипотезы, авторами был проведен полугодовой натурный эксперимент (февраль-август 2025 г.) с участием четырех предприятий малого и среднего предпринимательства из различных отраслей деятельности (реклама, металлообработка, художественная ковка, оптовая торговля). В рамках эксперимента, 72 управленческие ситуации (по 18 на каждом предприятии), связанные с финансовым прогнозированием, оценкой рисков и оптимизацией затрат и планированием, были параллельно проанализированы ответственными менеджерами и гибридной нейросетевой моделью. Эффективность решений оценивалась по критериям финансового результата, точности прогноза и временным затратам. Для верификации гипотез и оценки статистической значимости различий использовались методы математической статистики: критерий согласия χ² (хи-квадрат) Пирсона для сравнения долей и t-критерий Стьюдента для сравнения средних значений в независимых выборках.

1. Анализ проблемы использования технологий «искусственного интеллекта» при принятии управленческих решений

Несмотря на растущий интерес к технологиям искусственного интеллекта, их практическое применение в управленческих процессах предприятий малого и среднего бизнеса остается фрагментарным и сопряжено с рядом фундаментальных барьеров и рисков. Как показывает анализ, ключевыми сдерживающими факторами являются:

- высокая стоимость внедрения;

- неопределенность возврата на инвестиции;

- дефицит внутренней экспертизы и недоверие сотрудников [1];

- также опасения, связанные с конфиденциальностью данных, надежностью рекомендаций и ответственностью за решения, сгенерированные «черным ящиком» [4], [8].

В научной литературе активно дискутируются вопросы этики, объяснимости принципов работы и правового регулирования функционирования «искусственного интеллекта» [3]. Однако, несмотря на большое количество публикаций, наблюдается явный дефицит эмпирических исследований, количественно оценивающих эффективность и, что критически важно, рискованность финансово-управленческих решений, принимаемых с помощью «искусственного интеллекта». Таким образом, ключевой проблемой является наличие разрыва между технологическими возможностями технологий «искусственного интеллекта» и реальной практикой их применения для управления ключевыми бизнес-рисками, в т.ч. в сегменте малого и среднего предпринимательства [9].

2. Методология исследования и его результаты

Для понимания реалий, авторами был проведен эксперимент, характеризующий некоторые аспекты работы представителей малого и среднего предпринимательства с технологиями «искусственного интеллекта». В эксперименте участвовали четыре предприятия из ростовской области из категории малого и среднего предпринимательства из различных отраслей реального сектора экономики. (см. Таблица 1). В целях соблюдения коммерческой тайны, названия и точное месторасположение предприятий – не разглашаются.

Таблица 1. – Характеристика предприятий – участников эксперимента. (Источник: составлено авторами)

Для проведения эксперимента использовалась гибридная нейросетевая модель поддержки принятия решений, архитектура которой была разработана с учетом выявленных в ходе анкетирования требований бизнеса: ориентация на объяснимость, модульность и возможность адаптации. Модель сочетает рекуррентные (LSTM) и сверточные (CNN) нейросети для анализа структурированных данных и временных рядов, а также «механизмы внимания» и NLP-модули для обработки текстовой информации, что обеспечивало комплексный анализ факторов риска (Рис. 1). Важной особенностью системы, для преодоления эффекта «черного ящика», являлась её способность визуализировать ключевые факторы, повлиявшие на рекомендацию.

Рис.1. – Принципиальная схема работы нейросетевой модели поддержки управленческих решений (Источник: составлено авторами)

Исследование проводилось в течение шести месяцев (февраль–август 2025 г.) и состояло из пяти этапов: подготовительного, интеграции, этапа «параллельной работы», сравнительного анализа и формирования выводов. На основном этапе – этапе параллельной работы нейросетевой модели и ответственного менеджера предприятия, для каждой из идентифицированных управленческих ситуаций (по 18 на предприятии) решения принимались независимо:

- ответственным менеджером на основе опыта и традиционных методов;

- нейросетевой моделью на основе предоставленных структурированных и неструктурированных данных.

Далее, фиксировались оба решения, их обоснование, время принятия, а затем отслеживался и измерялся фактический финансовый результат.

Качественный анализ ситуаций наглядно иллюстрирует, как модель способствовала управлению рисками:

Ситуация 1. При запросе на товарный кредит от нового контрагента менеджер «Предприятия 4», ориентируясь на внешние признаки благополучия, был склонен одобрить сделку. Модель, проанализировав данные из открытых источников (арбитражные дела, геолокацию), присвоила высокий уровень риска и рекомендовала отказать. Через 45 дней на компанию-контрагента было подано заявление о банкротстве. В результате рекомендации нейросетевой модели, были предотвращены прямые убытки «предприятия 4» в размере около 1,7 млн руб.

Ситуация 2. При расчете себестоимости сложного заказа менеджер «Предприятия 2», опираясь на опыт аналогичных прошлых работ, существенно занизил затраты. Модель, учтя специфику обработки нового материала и данные со станков с ЧПУ, сформировала экономически обоснованную, более высокую калькуляцию. Следование рекомендации модели позволило избежать убытка в 425 тыс. руб. по данному заказу.

Ситуация 3. При планировании рекламной кампании менеджер «Предприятия 1» традиционно распределил бюджет между проверенными каналами. Модель, выявив смещение поведенческих паттернов целевой аудитории, предложила перераспределить средства в менее традиционные, но более перспективные каналы. В результате, наблюдался рост кликабельности по рекламным ссылкам на 75% при сопоставимом охвате аудитории.

Для количественного сравнения эффективности и рискованности решений использовались методы математической статистики. Для сравнения долей эффективных решений в группах («решения принимаемые менеджерами» и «решения принимаемые нейросетевой моделью») применялся критерий согласия χ² Пирсона. Для сравнения средних значений непрерывных показателей (точность прогноза, время принятия) использовался t-критерий Стьюдента для независимых выборок. Качественный анализ включал анкетирование менеджеров по завершении эксперимента для оценки доверия к системе и удобства ее интерфейса.

Основным результатом эксперимента стало прямое сопоставление рискованности и эффективности управленческих решений, принятых человеком и нейросетевой моделью в идентичных условиях. Анализ данных выявил статистически значимое различие между двумя подходами с точки зрения минимизации убытков.

В общей сложности в рамках эксперимента было смоделировано и реализовано 72 управленческие решения. Результаты их распределения по эффективности представлены в Таблице 2.

Таблица 2. – Распределение эффективных и неэффективных решений, принятых менеджерами и нейросетевой моделью (Источник: составлено авторами).

Для сравнения непрерывных показателей (точность прогноза и время принятия решения) применялся t-критерий Стьюдента для независимых выборок.

На рисунке 2 отражены усреднённые данные о средней точности управленческих решений, принимаемых менеджерами каждой из организаций и нейросетевой моделью.

Рис.2. – Средняя точность принимаемых решений менеджерами предприятий и нейросетевой моделью (Источник: составлено авторами)

В рамках проведенного исследования, средняя точность принимаемых менеджерами управленческих решений составила 72,8%, в то время как средняя точность решений, принимаемых нейросетевой моделью составила 83,5%. В результате, рассчитанное t-значение составило 4,3. При p<0,001, различие является высокостатистически значимым, то есть нейросетевая модель обеспечивает существенно более точные прогнозы по принимаемым управленческим решениям.

На рисунке 3 отображены сведения о среднем времени принимаемых менеджерами каждой из организаций и нейросетевой моделью управленческих решений.

Рис.3. – Среднее время принятия управленческого решения менеджерами предприятий и нейросетевой моделью (логарифмическая шкала) (Источник: составлено авторами)

Анализ данных показывает, что время, которое затрачивали менеджеры предприятий на принятие управленческих решений, в среднем составляло 9,15 часа (особенно длительным этот процесс оказался на «Предприятии 3»), в то время как нейронная модель тратила в среднем 0,68 часа на одно решение (в данном случае в расчет принималось время не только на формулировку и обоснование решения непосредственно самой моделью, но и время на подготовку данных в цифровом виде и их загрузку). Как и в предыдущем случае, был проведен расчет коэффициента Стьюдента. В результате, рассчитанное t-значение составило 5,0. При p<0,01, различие является высокостатистически значимым, то есть нейросетевая модель тратит существенно меньше времени на принятие управленческого решения.

На рисунке 4 отображены сведения о средней величине финансового результата принимаемых менеджерами и нейросетевой моделью управленческих решений.

Рис.4. – Средняя величина финансового результата управленческих решений, принимаемых менеджерами предприятий и нейросетевой моделью (Источник: составлено авторами)

Отображённые на рисунке 4 данные демонстрирую избирательную эффективность нейросетевой модели. На предприятиях с формализуемыми процессами («Предприятие 1», «Предприятие 2», «Предприятии 4») модель демонстрирует значительное превосходство, особенно в задачах риск-менеджмента («Предприятие 4»). Однако в творческо-производственной сфере («Предприятие 3») решения, основанные на глубоком субъективном опыте менеджера, остаются более эффективными, что свидетельствует о том, что нейросетевая модель является хоть и весьма мощным, но всего лишь инструментом для анализа данных, и на данном уровне развития, пока ещё не может заменять человеческую интуицию в слабоструктурированных ситуациях.

В результате, рассчитанное t-значение составило 2,2. При p<0,01, различие является неопределенным, в связи с чем при имеющемся наборе данных, невозможно сделать вывод об экономической значимости решений, принимаемых нейронной сетью и их принципиальном различии с решениями, принимаемыми менеджерами предприятий. Однако на уровне p<0,05 значения являются статистически значимыми, причём решения, принимаемые с помощью нейронной сети, в среднем приносят более чем в 2 раза выше финансовый результат.

Сравнительный анализ точности принимаемых решений в их сопоставлении с финансовым результатом представлен на рисунке 5.

Рис.5. – Сравнение решений принимаемых менеджерами предприятий и нейросетевой моделью по критериям «точность решений – финансовый результат» (Источник: составлено авторами)

Визуальный анализ представленных на рисунке 5 данных позволяет сделать вывод о том, что и нейросетевая модель, и менеджеры предприятий принимают решения сопоставимой точности, в то время как получаемый финансовый результат решений принимаемых нейросетевой моделью демонстрирует меньший размах вариации.

Для оценки качественной составляющей работы нейросетевой модели поддержки принятия управленческих решений, после завершения тестового периода, были получены оценки менеджеров по ранее определённым ключевым параметрам. Оценка производилась по десятибалльной системе, где 0 – представлял низшую оценку, а 10 – максимальный возможны балл (идеальная ситуация). Результаты оценки представлены ниже, в таблице 3.

Таблица 3. – Балльная оценка ключевых качественных характеристика нейросетевой модели поддержки принятия управленческих решений (Источник: составлено авторами)

3. Практические рекомендации для интеграции нейросетевых моделей в систему риск-менеджмента предприятий

Полученные результаты позволяют перейти от констатации эффективности модели к разработке конкретных рекомендаций для построения гибридной системы принятия решений, ориентированной на минимизацию рисков. Ключевой вывод заключается в том, что нейросетевая модель не заменяет, а дополняет и усиливает эксперта, беря на себя анализ структурированных данных и выявление скрытых паттернов [5], что позволяет сократить когнитивную нагрузку на менеджера и снизить влияние человеческих когнитивных искажений на процесс.

I. На основании эксперимента можно четко ранжировать управленческие задачи по потенциалу снижения рисков при использовании инструментария «искусственного интеллекта»:

1. Задачи высокого приоритета (в т.ч. задачи максимального снижения риска) – представляют собой задачи, связанные с анализом больших объемов структурированных данных для прогнозирования и оценки. К таким задачам относятся:

- Задачи прогнозной аналитики (спрос, денежные потоки, загрузка мощностей и т.д.). Автоматизация в данном случае снижает риск ошибок ручного расчета и запаздывающей реакции.

- Оценка кредитных и контрагентских рисков. В данном случае «искусственный интеллект» способен агрегировать и анализировать данные из множества источников, минимизируя риск принятия эмоционального или неполно обоснованного решения.

- Оптимизационные расчеты (калькуляция себестоимости, планирование поставок, распределение бюджета). Системный учет десятков ограничений снижает риск суб-оптимальных решений, ведущих к прямым финансовым потерям.

2. Задачи низкого приоритета (в т.ч. задачи с ограниченным эффектом или потенциальным риском). К таковым относятся задачи с высокой долей творческой, субъективной или социальной составляющей (например, разработка креативной стратегии, ведение сложных переговоров, разрешение нестандартных конфликтных ситуаций). Внедрение технологий «искусственного интеллекта» в такие процессы без четкого регламента может создать новый риск – принятие некорректных решений из-за непонимания контекста.

II. Алгоритм гибридного принятия решений как инструмент риск-менеджмента. Для управления рисками, возникающими на стыке человеческого и машинного интеллекта, на основе эксперимента был разработан пошаговый регламент (Рис. 6). Его цель – формализовать процесс, исключить слепое доверие и сделать взаимодействие контролируемым.

Рис. 6. – Алгоритм действий руководителя при получении рекомендации от нейросетевой модели поддержки принятия управленческих решений (Источник: составлено авторами)

Суть алгоритма – в введении пороговых значений расхождения между решением эксперта и модели.

Если расхождение ≤ 10%, то рекомендация модели принимается к исполнению. Это позволяет автоматизировать рутинные, но многочисленные решения, экономя время и снижая риск человеческой ошибки из-за усталости или невнимательности.

Если расхождение составляет 10-40%, то запускается процедура углубленного аудита, на которой необходимо проверить корректность исходных данных, загруженных в модель, и логику ее выводов. На этом этапе часто выявляются «слепые зоны»: либо модели (неучтенные неформальные факторы), либо эксперта (неочевидные корреляции, выявленные «искусственным интеллектом»). Итоговое решение принимается после сценарного анализа, возможно, в гибридном формате.

Если расхождение > 40%, то это сигнализирует о принципиальном разногласии и требует эскалации. Причиной может быть либо экстремальная новизна ситуации (отсутствие прецедентов в данных для обучения модели), либо критическая ошибка в одной из систем принятия решений. В этом случае решение должно приниматься коллегиально с привлечением дополнительных экспертов, а сама ситуация становится кейсом для дообучения модели.

III. Управление новыми рисками, возникающими при внедрении «искусственного интеллекта». Интеграция нейросетевой модели создает специфические риски, которые должны быть учтены в общей системе риск-менеджмента предприятия:

- Риск слепого доверия («автопилот») – купируется описанным алгоритмом, при котором конечное решение и ответственность всегда остаются за человеком.

- Риск низкого качества данных – является фундаментальным. Для его снижения необходимо инвестировать в предпроектную подготовку, аудит, очистку и стандартизацию данных. Без этого, эффективность модели резко падает, а риски возрастают.

- Операционный риск сбоя IT-инфраструктуры – требует создания планов обеспечения непрерывности бизнеса для процессов, зависимых от модели.

- Репутационный и регуляторный риск. Использование технологий «искусственного интеллекта», особенно в финансовой сфере, должно соответствовать внутренним стандартам и нормативным требованиям. Для снижения величины указанного риска необходима разработка внутренней политики по этичному и прозрачному использованию «искусственного интеллекта».

Итак, внедрение технологий «искусственного интеллекта» для поддержки принимаемых на предприятиях малого и среднего предпринимательства управленческих и финансовых решений следует начинать с пилотного проекта в одной выбранной зоне высокого приоритета (например, в решении задачи «оценка контрагентов»), что позволит отработать технологические и организационные процедуры, получить первый измеримый эффект снижения рисков и сформировать положительный опыт у сотрудников. Ключевым фактором успеха является не сложность модели, а качество данных, четкий регламент взаимодействия и понимание того, что «искусственный интеллект» – это всего лишь мощный инструмент для анализа рисков, а не «волшебная палочка» для их полного устранения. Последовательная интеграция по принципу «от простого к сложному» позволит предприятиям малого и среднего предпринимательства повысить устойчивость бизнеса, не принимая на себя непродуктивных технологических рисков.

4. Заключение

Полученные в ходе эксперимента результаты подтвердили высокий потенциал нейросетевых моделей в повышении эффективности и снижении рискованности принимаемых в малом и среднем предпринимательстве управленческих решений. Анализ эмпирических данных показал, что в задачах, основанных на анализе структурированных данных (оценка контрагентов, калькуляция, прогнозирование), инструментарий «искусственного интеллекта» статистически значимо превосходит человеческие решения по точности, скорости и минимизации убытков. Ключевым условием успеха является понимание области применимости технологии: в творческих или слабоформализуемых процессах решения на основе опыта и интуиции сохраняют преимущество.

Следует констатировать, что «искусственный интеллект» выступает не как замена, но как мощный инструмент поддержки, принимаемых управленческих решений. Однако для успешной интеграции инструментария «искусственного интеллекта» в практику предприятий необходимы качественные данные и чёткий регламент взаимодействия с такими системами.