Процессная модель экспорта ИИ-решений

Введение

Зависимость структуры национального экспорта от сырьевого сектора остается критическим вызовом для долгосрочной устойчивости российской экономики [3] (Anosova, Kabir, 2023). В этой связи расширение несырьевого экспорта рассматривается не просто как тактическая задача, а как системный приоритет, определяющий траекторию модернизации производственных отраслей и формирования ресурсной базы экономического развития.

Текущая макроэкономическая политика направлена на преодоление целого ряда ограничений, сдерживавших расширение экспортного потока и диверсификацию его структуры. В 2017 г. был запущен национальный проект «Международная кооперация и экспорт» [1], который направлен на усиление национальной поддержки несырьевого экспорта. В соответствии с Указом Президента РФ [2] общая доля несырьевого экспорта должна составлять не менее 20% ВВП, что потребует кратного увеличения объема экспорта несырьевых товаров [14] (Sadriev, Lukishina, Marufi, 2020). Однако в настоящее время экспорт отечественных ИТ-решений продолжает падать [3].

В условиях глобального технологического перехода ключевым фактором конкурентоспособности становятся технологии искусственного интеллекта (ИИ) [17] (Smagina, Yudin, 2025). Согласно прогнозам МакКинзи [4], совокупный вклад ИИ в глобальный ВВП к 2030 г. может превысить 13 трлн долл. США, что делает этот сектор ареной острой геоэкономической конкуренции [2] (Aminov, Krikukhin, Zakharova, 2023). В настоящее время лидирующие позиции в сфере ИИ занимают США и Китай. Страны прилагают значительные усилия, как политические, так и инвестиционные для разработки технологий и создания ИИ-систем различного спектра назначения. Так, США разработали ряд стратегических документов, в их числе «Национальный стратегический план по развитию искусственного интеллекта» [5], нацеленный на усиление глобального доминирования в сфере ИИ, а Китай – планирует стать мировым лидером в ИИ до 2030 г. [6]

На фоне гонки мировых лидеров российский ИТ-сектор демонстрирует устойчивый рост: по данным Минцифры [7] и ИСИЭЗ [8] НИУ ВШЭ, объем рынка в 2024 г. достиг 3,1–3,3 трлн руб. (около 1,8% ВВП) в прогнозируемым среднегодовым темпом роста – 8,54% до 2033 г. Особый интерес представляет сегмент ИИ-решений: при оценках объема рынка от 114 до 500 млрд руб., его среднегодовой темп роста в 2020–2024 гг. составил 25%, что в 2,5 раза превышает средние показатели по ИТ-отрасли [9]. Данные опросов CBInsight [10] фиксируют высокий уровень проникновения технологий: более половины крупных российских корпораций уже интегрировали ИИ как минимум в одну бизнес-функцию. Это свидетельствует о сформировавшемся внутреннем потенциале и наличии компетенций, которые могут быть масштабированы на внешние рынки [18] (Sorokina, Kulakov, Karlovskaya, 2025).

Беспрецедентное санкционное давление, с одной стороны, существенно ограничивает традиционные каналы технологического обмена, но с другой – создает «окно возможностей» для отечественных ИИ-решений [11]. Для масштабирования компаниям-разработчикам необходим выход на внешние рынки, где наблюдается спрос на альтернативные технологические стеки [12].

Однако высокий научный потенциал вступает в противоречие с низкой представленностью отечественных ИИ-решений на глобальных рынках [16] (Sergeeva, 2022). Существующие подходы к продвижению высокотехнологичного экспорта, как правило, ориентированы на традиционные товарные группы или унифицированные ИТ-продукты и не учитывают специфику ИИ-решений. К такой специфике относятся: высокая зависимость от качества данных, необходимость адаптации ИИ-решений под локальные регуляторные и культурные особенности, а также чувствительность к вопросам цифрового суверенитета и трансграничной передачи данных принимающих стран.

Несмотря на существующие национальные программы (Искусственный интеллект [13], Международная кооперация и экспорт [14]), специфика ИИ-решений, как AI-as-a-service, не всегда учитывается. Основное отличие ИИ-решений (вне зависимости, встроены ли они в чат-бот, фрезерный станок или онлайн-сервис) заключается в их чувствительности к инфраструктурной среде и качеству данных, с которыми они работают. Для ИИ-решений характерна такая проблема, как дрейф модели [39] (Miller, Durlik, 2026). В академическом дискурсе вопросы продвижения ИИ-решений также рассматриваются фрагментарно: либо технические аспекты разработки ИИ, либо общие вопросы экспорта ИТ-услуг [23] (Yakovlev, Kabir, Barashenkov, 2022). В контексте классических моделей международной торговли (U-модель, I-модель, сетевые модели) продвижение ИИ-решений не рассматривается в силу новизны этого явления [32] (Johanson, Vahlne, 1977), [27] (Cavusgil, 1980), [40] (Oviatt, McDougall, 1994), [44] (Roque, Alves, Raposo, 2019). И хотя эти модели объясняют такие важнейшие аспекты интернационализации, как объем ресурсных обязательств, механизмы операционного контроля, необходимость управления рисками, их применимость становится все более ограниченной в условиях современной динамики интернационализации, для которой характерно интенсивное использование данных, принятие решений в режиме реального времени, высокая связность глобальных экосистем [50] (Verbeke, Ciravegna, 2018), [47] (Stallkamp, Schotter, 2021).

Исследование зарубежных ученых не всегда учитывают российскую специфику. Так, анализ работ по теме исследования показал, что в настоящее время иностранные ученые сосредоточены на гибридизации современной интернационализации, расширяя классические модели управляемыми алгоритмами, с учетом нормативных требований и критериев устойчивого развития [25] (Autio, Mudambi, Yoo, 2021), [48] (Surdu, Mellahi, Glaister, 2019). Ряд исследователей сосредоточены на анализе нормативных проблем, так как продвижение ИИ-решений (несмотря на их потенциальную эффективность) создает проблемы правового и нормативного характера [Goswami, Shraddha, 2025]. Исследования о влиянии ИИ-решений на международную торговлю в большей степени делают акцент на преобразующий потенциал ИИ [41] (Ozturk, 2024) и проблемы, связанные с качеством данных, этическими соображениями [42] (Perc, Mahmut, Hojnik, 2019), технологической сложностью, общественным восприятием [29] (Garg, Nativa, Ghosh, 2022) и влиянием ИИ на бизнес-стратегии [45] (Saha, Reshmi, Sudha, Santosh, Hasi, Dongol, 2023).

Таким образом, анализ научной литературы, а также нормативных, стратегических документов показал, что в настоящее время отсутствуют формализованные механизмы и модели, которые комплексно описывали бы процесс выхода ИИ-продуктов на зарубежные рынки с учетом этих факторов.

Однако существующие модели интернационализации не в полной мере учитывают специфику ИИ-решений, именно поэтому в работе разрабатывается организационный алгоритм, который учитывает изменчивость ИИ-решений в иной среде данных, необходимость послепроектной корректировки ИИ-решений.

Целью настоящей статьи является разработка организационной модели экспорта отечественных ИИ-решений, позволяющей структурировать этапы выхода на внешние рынки и минимизировать сопутствующие риски.

Для достижения поставленных целей необходимо решение следующих задач:

- определить ключевые барьеры и факторы неопределенности, характерные для вывода ИИ-решений на зарубежные рынки;

- обоснование применения теории принятия управленческих решений и процессного подхода в качестве методологической базы моделирования;

- разработка организационной модели экспорта с детализацией содержания каждого этапа;

- разработка алгоритма реализации модели и сценарного прогноза для российских компаний-экспортеров.

Теоретическую основу исследования составили концепции процессного управления и теория принятия решений в условиях неопределенности. Информационную базу образуют материалы международных и российских аналитических агентств, данные министерств, а также корпус нормативно-правовых актов, регулирующих сферу ИИ и внешнеэкономической деятельности.

Статья структурирована следующим образом. Во втором разделе представлен обзор теоретических подходов к управлению экспортом высокотехнологичной продукции. В третьем разделе – обоснована архитектура процессной модели и раскрывается содержание ее ключевых этапов. В четвертом разделе – представлена интерпретация полученных результатов, в заключение – сформулированы основные выводы и обозначены направления дальнейших исследований.

Обзор литературы

Теоретической основой для разработки модели экспорта ИИ-решений послужила интеграция положений теории принятия решений и процессного подхода.

В контексте теории принятия решений выделяют два основных подхода: нормативный и дескриптивный. Сторонники нормативного подхода [9] (Larichev, 2006), [11] (Orlov, 2022) рассматривают процесс принятия решения сквозь призму рациональности, предполагая, что лицо, принимающее решение (ЛПР), обладает полной информацией и стремится к максимизации своей полезности. В рамках дескриптивного направления [7] (Kaneman, Slovik, Tverski, 2005) считается, что реальному поведению ЛПР присущи когнитивные искажения, эмоции и принятие решений в условиях неполной информации. Аналогичных суждений придерживался и Г. Саймон [15] (Saymon, 2000), который ввел понятие «ограниченной рациональности», доказав, что ЛПР заменяют критерий максимизации скорее на критерий удовлетворительности, выбирая приемлемый вариант, а не оптимальный.

В современных исследованиях теории принятия решений акцент смещается с общечеловеческих когнитивных искажений на индивидуальные и контекстуальные факторы выбора [8] (Kornilova, 2005). В работах В.И. Моросановой и Т.А. Индиной [10] (Morosanova, Indina, 2011) подчеркивается, что на рациональность влияют личностные, ценностные и смысловые установки субъекта. Г.М. Шварц [22] (Shvarts, 2005) определяет принятие решения как осознанный процесс структурирования проблемной ситуации и выбора между альтернативами, что имплицитно требует формализации этого процесса.

Общим основанием в современной теории принятия решений является то, что любой управленческий выбор осуществляется в условиях дихотомии «определенность/риск» и требует компромисса между противоречивыми целями [12] (Saati, 2021).

Тем самым теория принятия решений дает определение лица, принимающего решения, и контекста выбора, но не отвечает на вопрос, как принимать решения при экспорте ИИ-решения на внешние рынки. Решение этого организационного вопроса можно рассмотреть в плоскости процессного подхода к управлению [5] (Brom, Tretiakova, 2023). В соответствии с процессным подходом деятельность организации можно рассматривать не как набор разрозненных функций, а как сеть взаимосвязанных и повторяющихся бизнес-процессов, трансформирующих ресурсы на «входе» в результат на «выходе». Основная идея этого подхода заключается в том, что управлять необходимо процессами, а не функциями. Моделирование бизнес-процессов создает основу для принятия обоснованных управленческих решений, рассматривая в том числе и альтернативные сценарии и точки контроля.

Объединение двух подходов позволяет концептуализировать задачу экспорта ИИ-решений как управленческую проблему, требующую формализации последовательности действий и обоснованного выбора на каждом из этапов этого процесса.

Безусловно, классические модели интернационализации являются основой для понимания экспансии компаний на зарубежные рынки. Так, в U-модели интернационализация рассматривается как процесс постепенного обучения по мере накопления компаниями практических знаний о внешних рынках [32] (Johanson, Vahlne, 1977), [33] (Johanson, Vahlne, 2009). В I-модели также поддерживается идея о постепенном выходе на международные рынки [26] (Bilkey, Tesar, 1977), [27] (Cavusgil, 1980).

Модель «рожденные глобальными» описывает процесс интенсивной, скачкообразной интернационализации [40] (Oviatt, McDougall, 1994), [36] (Knight, Cavusgil, 2004). В сетевых моделях акцент ставится на межорганизационные и социальные связи как механизмы доступа к знаниям, ресурсам и возможностям (Johanson, Mattsson, 1988), [28] (Coviello, Kano, Liesch, 2017). Все перечисленные модели образуют своеобразный фундамент [24] (Andersen, 1993); [43] (Rialp, Rialp, Knight, 2005), на основе которого формируются современные модели выхода на внешние рынки и реализуются конкретные траектории интернационализации [44] (Roque, Alves, Raposo, 2019); [50] (Verbeke, Ciravegna, 2018). Несмотря на их теоретическую значимость, их использование в современном контексте ограничено: так как эти модели не охватывают цифровую динамику, не учитывают эффекты быстрой масштабируемости и принятие решений на основе данных и алгоритмов [37] (Liesch, Welch, 2024), [35] (Kim, Gretz, Basuroy, 2025). Также отсутствуют исследования, в которых рассматриваются влияние цифровизации на международную экспансию, изменения в конфигурации координации, контроля и управления рисками (Merchant, Van der Stede, 2017), [34] (Justin, Ibrahim, Nasser, Prakash, 2023).

Современные модели экспорта, учитывающие специфику ИТ-сферы, ориентированы скорее на коробочные решения и не учитывают специфику ИИ-решений. Для них также характерна фрагментарность и акцент на тематических исследованиях [51] (Yang, Bai, Chen, Rong, 2025), [49] (Tortorella, Fogliatto, Cauchick-Miguel, Kurnia, Jurburg, 2021), [46] (Schmeisser, Saebi, Schotter, Gooderham, 2025).

Ключевыми факторами все чаще выступают способность компании адаптироваться к имеющимся условиям, ее ориентация на выстраивание доверия с зарубежными заказчиками. При этом эмпирические исследования фокусируются на идее, что любые универсальные модели требуют дополнительной настройки под конкретные страновые условия. Условия, значимые для развитых экономик, не работают в развивающихся, где по большей части на успех влияет менталитет и культурная среда [15], [16].

Важным направлением современных исследований экспортных моделей также является и интеграция инструментов стратегического маркетинга [1] (Aleksanov, Pakhalov, Sheresheva, 2025). Исследования показывают, что разработанная стратегия и применяемая маркетинговая модель выступает звеном между ресурсной базой компании и фактическими достижениями на внешних рынках.

Исходя из проведенного анализа, можно сделать вывод, что в научной литературе практически не рассматривается экспорт ИИ-решений как специфического объекта управления; не учитываются особенности жизненного цикла ИИ-решений при формировании и реализации экспортной стратегии; не определяют «узкие места» экспорта, которые требуют институциональной поддержки.

Таким образом, актуальность формализации процесса вывода ИИ-решений на внешние рынки, учитывающего их специфику как AI-as-a-service, очевидна [21] (Chernova, 2025).

Разработка организационной модели экспорта ИИ-решений

Процесс принятия решений и реализация экспорта ИИ-решений является сложной задачей, которая характеризуется не только многоэтапностью, но и специфическими особенностями, характеризующими каждый этап, что влияет на структуру управленческих решений, распределение ресурсов, механизм контроля результатов в этом процессе.

Используя концептуальные положения теории принятия решений и процессного подхода, можно выделить пять укрупненных этапов экспорта для экономического агента: подготовительный, принятие решения об экспорте, экспорт продукта, сопровождение продукта, завершение жизненного цикла продукта. Предлагаемая организационная модель основывается не только на теоретических положениях, но и на основе анализа практического опыта отечественных компаний – разработчиков ИИ-решений, что позволило учесть существующие барьеры экспорта. На рисунке 1 представлена визуализация модели. В таблице 1 представлено описание предложенной модели.

Рисунок 1. Визуализация предложенной организационной модели

Таблица 1 Организационная модель экспорта ИИ-решений: характеристика этапов

Table 1

The organization model of exporting AI solutions: characteristics of the stages

Ключевое отличие предложенной модели от существующих – смещение фокуса на подготовительный этап и этап сопровождения продукта, который по сути своей становится центром прибыли и удержания зарубежного заказчика и становится неотъемлемым условием продвижения ИИ-решений на внешние рынки.

В рамках подготовительного этапа формируется идея экспансии на внешние рынки и определяется продукт (или его версия), предназначенный для экспорта. В контексте ИИ-решений необходимо определить их значимые как функциональные, так и маркетинговые характеристики. Если для функциональных характеристик можно воспользоваться классификацией, представленной в ГОСТ Р 59277–2020 [18], то для маркетинговых необходимо учитывать следующие:

- ценность предложения: решение какой проблемы клиента (заказчика) обеспечивает ИИ, почему предлагаемый продукт лучше существующих альтернатив, какой результат и эффект (в т.ч. экономический) может получить заказчик и т.д.;

- форма технологической реализации: аппаратные решения с интегрированными ИИ-компонентами, программные ИИ-продукты, программно-аппаратные комплексы, платформенные и экосистемные ИИ-решения;

- тип реализации: облачный сервис, локальное развертывание у клиента, встраиваемый модуль, проект под заказчика и др.;

- особенности ИИ-решения, чувствительное к экспорту: насколько экспортируемое решение зависит от языка, локального нормативного законодательства, зависимость самой технологии от уровня технологического развития и наличия соответствующей инфраструктуры в стране размещения и т.д.

Результатом данного этапа является подготовленный продукт с учетом нормативных, институциональных и рыночных требований.

Стратегически важным является этап принятия решений об экспорте ИИ-решений, поскольку именно на этом этапе формируется целесообразность выхода на внешний рынок и закладываются параметры всех последующих действий. Чаще всего решение об экспорте связано не с разовой коммерческой операцией, а с изменением масштаба и модели деятельности всей организации. Поэтому от качества выполнения данного этапа во многом будет зависеть успешность и эффективность экспорта, а также текущая деятельность экономического агента. Данный этап целесообразно разбить на несколько подэтапов, которые представлены в таблице 2.

Таблица 2 Принятие решения о целесообразности экспорта

Table 2

Making a decision on the expediency of export

Каждый из перечисленных подэтапов представляет собой большой объем работы, связанной со сбором информации, ее обработкой и анализом. При анализе целевых рынков необходимо оценить цифровой ландшафт выбранной страны и провести факторный анализ. Перечень рассматриваемых факторов представлен в таблице 3.

Таблица 3 Ключевые рыночные факторы

Table 3

Key market factors

Оценка рыночных факторов необходима, так как высокий спрос может быть нивелирован регулированием трансграничной передачи данных, либо низким качеством локальной ИТ-инфраструктуры, либо технологической незрелостью зарубежного заказчика [21].

Перечень рассматриваемых критериев может быть изменен/дополнен рядом других с учетом особенностей экспортируемого решения, например, требований по сертификации продукции, режим интеллектуальной собственности и т.д.

Полученные результаты по выбранным странам можно распределить по группам от «наиболее привлекательных» до «наименее привлекательных». Таким образом, можно сформировать три группы стран для экспорта:

- наиболее перспективные страны с благоприятными условиями;

- страны с относительно благоприятными условиями;

- малоперспективные страны (может быть, в текущий момент) – с неблагоприятными условиями для экспорта.

По результатам отбора можно оставить 1–3 страны, обеспечивающие наибольшую вероятность коммерческого успеха экспорта ИИ-решений при приемлемом уровне рисков и издержек.

Очевидно, что оценка ИИ-решений отличается от оценки традиционных товаров более высокой степенью технологической и регуляторной сложности, зависимости от данных и динамического характера жизненного цикла такого продукта.

Следующим подэтапом является оценка экспортного потенциала ИИ-решений. Для определения экспортного потенциала используются качественные методики, основанные на многофакторном анализе.

Разработка экспортной стратегии предполагает, что проведенный анализ и исследования рынков продемонстрировали положительные выводы о целесообразности экспорта рассматриваемого продукта.

В связи с тем, что экспорт ИИ-решений – это долгосрочная деятельность, отдачу от которой следует ожидать в перспективе от одного до трех лет в зависимости от благоприятного развития событий [22], компания должна быть готова к длительным значительным инвестициям, прежде чем начнет получать доход от экспортной деятельности.

Рассматривая зарубежные рынки и потенциальных заказчиков, компании (экономическому агенту) необходимо формирование не только устойчивого спроса, но и выстраивание доверия с потенциальными заказчиками. Необходимо учитывать менталитет и культуру рассматриваемой страны. Так, для стран Латинской Америки важным моментом будет являться длительный период личных переговоров и физическое присутствие в стране экспорта [23].

С точки зрения внутренних процессов компания должна обеспечить управляемость экспортом: соответствующая инфраструктура, сотрудники, имеющие опыт ведения международного бизнеса, план организационно-технических мероприятий, связанных с последующей поддержкой и сопровождением ИИ-решений.

План организационно-технических мероприятий должен охватывать полный жизненный цикл экспортируемого продукта – от подготовки к экспорту до сопровождения и развития на зарубежных рынках, включая систему управления рисками и инвестиционное обеспечение международной деятельности: быть ресурсообеспеченным, синхронизирован с инвестиционным планом, увязанным с системой целей, а также быть процессно-ориентированным и адаптивным, т.е. иметь возможность оперативно корректироваться.

При разработке плана для экспорта ИИ-решений нужно учитывать, что стратегия экспорта будет определяться тремя ключевыми составляющими (рис. 1).

Рисунок 1. Формирование вариантов для выбора модели поведения при экспорте

Источник: разработано авторами.

Figure 1. The options for choosing an export behavior model

Source: elaborated by the authors.

В процессе разработки стратегии об экспорте не исключено, что даже если при оценке экспортного потенциала было принято решение о целесообразности экспорта, разработка плана мероприятий может выявить дополнительные трудности.

Для ИИ-решений данный этап будет иметь более сложную структуру по сравнению с экспортом традиционных товаров, поскольку включает не только поставку, но и интеграцию, адаптацию и запуск интеллектуальной системы в эксплуатацию. Процесс локализации и адаптации включает адаптацию интерфейса, настройку под локальные данные, в том числе дообучение модели, интеграцию с информационными системами заказчика с последующим пилотированием и тестовой эксплуатацией. С учетом перечисленных особенностей, становится очевидно, что организациям важно заранее учесть эти особенности и обеспечить их выполнение, например, открыть представительство в стране экспорта или направить туда своих специалистов на длительный срок. Это становится необходимым и для обеспечения перехода на следующий этап, связанный с сопровождением.

Сопровождение ИИ-решения в процессе эксплуатации – этап, имеющий стратегическое решение для ИИ-продукции, обеспечивающий стабильное функционирование, развитие и коммерческую устойчивость на зарубежном рынке [18] (Sorokina, Kulakov, Karlovskaya, 2025).

Компания должна учесть особенности сопровождения для различных типов ИИ-решений, к которым можно отнести:

- постоянный мониторинг инфраструктуры;

- обновление системы с заданной периодичностью, обеспечение работы;

- управление облачными ресурсами;

- сервисное обслуживание оборудования;

- дообучение модели и т.д.

Этап сопровождения ИИ-решений представляет собой совокупность организационно-технических и экономических мероприятий, направленных на обеспечение устойчивой эксплуатации, адаптации и развития продукта на зарубежном рынке.

Принятие управленческого решения о прекращении эксплуатации ИИ-решения может обеспечить контроль, а также экономически и юридически корректное завершение эксплуатации продукта. Но в некоторых случаях для ИИ-решений характерна модернизация, переобучение или архитектурная переработка продукта. В этом случае завершение жизненного цикла не будет являться окончанием деятельности, а всего лишь выступит элементом непрерывного цикла обновления и инновационного развития экспортного портфеля компании.

Представленную организационную модель можно рассматривать, как основу для разработки методики экспорта ИИ-решений в конкретных организационных условиях предприятия. Разработанная процессная модель учитывает высокую степень неопределенности, а представленный алгоритм (рис. 2) построен как итеративный контур. На этапе сопровождения сбор данных о поведении пользователей может послужить обратной связью для первого этапа и «пересборки» продукта под новые требования.

Рисунок 2. Алгоритм разработанной организационной модели экспорта

Источник: разработано авторами.

Figure 2. The algorithm of the organization export model

Source: elaborated by the authors.

Предложенная модель позволяет сделать процесс экспорта управляемым, что критически важно для масштабирования ИИ-решений.

Интерпретация и обсуждение результатов

Предложенная организационная модель экспорта ИИ-решений представляет собой попытку формализовать деятельность отечественных компаний – разработчиков ИИ-решений на внешних рынках, объединяя положения теории приятия решений и процессного подхода. По сравнению с традиционными моделями экспорта товаров, где ключевым этапом является этап поставки (логистика), в разработанной модели учитываются особенности ИИ-решений как сервисного продукта (AI-as-a-service) и акцент смещается на этапы адаптации, сопровождения и утилизации. Такая модель принципиально трансформирует структуры экспортных доходов: в основе финансовой модели – оплата подписки либо оплата за количество обработанных запросов. Несмотря на то, что повышается «стоимость жизненного цикла клиента», необходимо соблюдать требования по бесперебойной работе сервиса, что, в свою очередь, влияет на репутацию и доходы экспортера.

Гипотеза о том, что наибольшей неопределенностью является этап «экспорт ИИ-решения», подтверждается, так как здесь возникают неопределенности как рыночного, так и технологического характера. В отличие от традиционного ПО, локализация ИИ-решений требует доступа к репрезентативным данным заказчика, их очистке, валидации, разметке, дообучению. Создается «узкое место», где пересекаются проблемы кибербезопасности, трансграничной передачи данных (cross-border data flows) и требования локального регулирования [19] (Filipova, 2023). Реализация этого этапа выступает своеобразной переломной точкой, где успешный результат зависит не только от качества исходного кода, сколько от способности экспортера выстроить всю архитектуру взаимодействий с зарубежным заказчиком.

В этом случае возможны несколько альтернативных сценариев развития событий: создание локальной версии продукта с обучением модели на данных заказчика, так называемая полная адаптация. Этот сценарий максимизирует точность решений, но требует значительных временных и вычислительных ресурсов. Второй сценарий – «облачный шлюз» – предполагает обработку данных на серверах экспортера, но может не соответствовать местному законодательству о защите данных. Третий сценарий – гибридный – предполагает развертывание основной модели на серверах заказчика, но с периодической синхронизацией и дообучением в облаке экспортера. Выбор конкретного сценария зависит от сочетания правовых норм и технической зрелости заказчика, что определяет многовариантность разработанной процессной модели.

По сравнению с работами других авторов [6] (Efremov, Nosova, 2025), [13] (Savinov, Rimkevich, 2020), которые анализируют только барьеры входа (тарифные, нетарифные), разработанная модель дополняет их анализом барьеров «поствхода» – учитываются аспекты долгосрочной технической поддержки, необходимость локализации, решения вопроса с передачей данных, их дообучения в случае необходимости, а также постоянной адаптации модели под требования заказчика.

В свою очередь, эти процессы будут влиять и на изменения в организационной модели компании-экспортера, создания гибридной структуры, совмещающей функции отдела НИОКР с функциями сервисного обслуживания, что может быть реализовано через механизмы технологического партнерства [20] (Chekadanova, 2018). Такой подход позволит распределить риски, связанные с локальным контекстом, и снизить потребность в физическом присутствии сотрудников компании-экспортера в стране заказчика.

Ограничением данного исследования является его концептуальный характер. Предложенная модель требует эмпирической проверки на примере конкретных российских компаний – экспортеров ИИ-решений в страны, рекомендованные РЭЦ [24] (Российский экспортный центр). Дальнейшие исследования должны быть направлены на разработку методики расчета весовых коэффициентов для критериев выбора рынка, а также на создание математической модели, оценивающей оптимальное соотношение глубины локализации (дообучения модели) и стоимости выхода на рынок. Решение этих задач позволит минимизировать риски отрицательной рентабельности экспортеров.

Заключение

В настоящей работе экспорт ИИ-решений представлен как цикличный процесс, состоящий из 5 этапов: подготовительный, принятие решений, экспорт, сопровождение и завершение жизненного цикла ИИ-решения. Такой фреймворк, основанный на процессном моделировании и концептуальных положениях теории принятия решений, позволяет учитывать специфику ИИ-решений при экспорте.

Обосновано, что этап «экспорт продукта» является наиболее неопределенным и ресурсоемким, что требует от компаний-экспортеров инвестиций и формирования финансовых резервов на техническое сопровождение и дообучение моделей даже на стадии заключения контракта.

Разработанная модель может служить основой для формирования корпоративных стратегий интернационализации для российских разработчиков ИИ-решений, а также быть использована институтами развития для проектирования мер поддержки, ориентированных не только на поиск партнера, но и на софинансирование этапов постпродажной адаптации и сертификации ИИ-решений за рубежом.

Таким образом, предложенная организационная модель заполняет существующий пробел в теории и практике управления экспортом [4] (Aronov, Rybakova, Ivanov, 2024), адаптируя классические управленческие подходы к реалиям цифровой экономики и специфике технологий искусственного интеллекта. Дальнейшая валидация модели на эмпирических данных позволит уточнить взаимосвязи между этапами и разработать отраслевые стандарты для экспорта российского высокотехнологичного программного обеспечения.

[1] http://government.ru/rugovclassifier/922/events/ (дата обращения: 08.03.2026).

[2] http://www.kremlin.ru/acts/news/73986?erid=2SDnjc45hpG&ysclid=mmv09fa18t743453387 (дата обращения 10.03.2026).

[3] https://www.cnews.ru/news/top/2024-01-12_rossijskij_it-eksport_padaet?ysclid=mmv0d93h48380519516 (дата обращения: 15.03.2026).

[4] Икбаев Д., Емельянцев Д. McKinsey: К 2030 году вклад ИИ в мировой ВВП достигнет $13–20 трлн // Forbes Казахстан. 2024. 6 июля. URL: https://forbes.kz/articles/mckinsey-k-2030-godu-vklad-ii-v-mirovoy vvp-dostignet-13-20-trln-824162 (дата обращения: 08.03.2026).

[5] https://catalog.data.gov/dataset/national-artificial-intelligence-research-and-development-strategic-plan-2023-update (дата обращения: 15.03.2026).

[6] https://digichina.stanford.edu/work/full-translation-chinas-new-generation-artificial-intelligence-development-plan-2017/ (дата обращения: 15.03.2026).

[7] Министерство цифрового развития РФ. Available at: https://digital.gov.ru/news/razvitie-it-otrasli-czifry-i-tendenczii (accessed 07.03.2026).

[8] Институт статистических исследований и экономики знаний НИУ ВШЭ. Available at: https://issek.hse.ru/news/1037622972.html (accessed 07.03.2026).

[9] Альманах Искусственный Интеллект № 13, Индекс ИИ 2023 // Центр компетенций НТИ по направлению «Искусственный интеллект». URL: https://www.aireport.ru/ai_index_russia-2023 (дата обращения: 14.03.2026).

[10] Here’s how leading strategy teams are successfully driving generative AI adoption in their organizations // CBInsights Research Report. January 16. 2025. URL: https://www.cbinsights.com/research/report/ corporate-strategy-generative-ai-adoption-success (дата обращения: 05.03.2026).

[11] Исследование «Руссофт»: Краткий обзор состояния экспорта программного обеспечения из России - CNews (дата обращения: 05.03.2026).

[12] Российские технологии за рубежом: как отечественные компании осваивают внешние рынки – Информационный промышленный сайт (дата обращения: 05.03.2026).

[13] AH4x6HgKWANwVtMOfPDhcbRpvd1HCCsv.pdf (дата обращения: 08.03.2026).

[14] http://government.ru/rugovclassifier/922/events/ (дата обращения: 08.03.2026).

[15] РСМД : Экспорт российских технологических решений в Латинскую Америку (дата обращения: 12.03.2026).

[16] Блог Нейролаб: последние новости и инновации в ИИ (дата обращения: 10.03.2026).

[17] Блог Нейролаб: последние новости и инновации в ИИ (дата обращения: 10.03.2026).

[18] gost_r_59277-2020.pdf (10.03.2026).

[19] РСМД :: Экспорт российских технологических решений в Латинскую Америку (дата обращения: 12.03.2026).

[20] Проектный офис Службы «цифровой атташе» (дата обращения: 09.03.2026).

[21] Блог Нейролаб: последние новости и инновации в ИИ (дата обращения: 10.03.2026).

[22] Блог Нейролаб: последние новости и инновации в ИИ (дата обращения: 10.03.2026).

[23] РСМД :: Экспорт российских технологических решений в Латинскую Америку (дата обращения: 12.03.2026).

[24] Российский экспортный центр (дата обращения: 15.03.2026).