ТЕХНОЛОГИЧЕСКИЕ ТРЕБОВАНИЯ К ИНФРАСТРУКТУРЕ КОМПАНИИ ПРИ ВНЕДРЕНИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

TECHNOLOGICAL REQUIREMENTS FOR THE COMPANY'S INFRASTRUCTURE IN THE IMPLEMENTATION OF ARTIFICIAL INTELLIGENCE

Ponurov Roman Vyacheslavovich

Postgraduate student of the Department of Theory and Systems of Industrial Management IOM RANEPA, Federal State Budgetary Educational Institution of Higher Education «Russian Presidential Academy of National Economy and Public Administration» (RANEPA),

Russia, Moscow

АННОТАЦИЯ

Цель исследования состоит в определении технологических требований к инфраструктуре компании при внедрении искусственного интеллекта в системе операционного управления. Метод исследования основан на анализе современных научных публикаций и на обобщении практик построения инфраструктуры компании для проектов искусственного интеллекта. Результат представлен обобщением технологических требований к инфраструктуре компании, ориентированной на регулярное использование искусственного интеллекта в управленческих процессах. Выводы подтверждают, что готовность данных, возможности интеграции, надёжность вычислений и обеспеченность персоналом определяют практическую реализуемость внедрения искусственного интеллекта в компании.

ABSTRACT

The purpose of the study is to determine the technological requirements for the company's infrastructure when implementing artificial intelligence in the operational management system. The research method is based on the analysis of modern scientific publications and on the generalization of practices for building the company's infrastructure for artificial intelligence projects. The result is presented by summarizing the technological requirements for the company's infrastructure, focused on the regular use of artificial intelligence in management processes. The findings confirm that data availability, integration capabilities, computing reliability, and staffing availability determine the feasibility of implementing artificial intelligence in a company.

Ключевые слова: искусственный интеллект; инфраструктура компании; операционное управление; информационные системы; качество данных.

Keywords: artificial intelligence; company infrastructure; operational management; information systems; data quality.

В практике менеджмента внедрение искусственного интеллекта (далее — ИИ) рассматривается как управленческая задача, для решения которой требуется инфраструктура компании, сопоставимая с масштабом данных, кадровыми возможностями и зрелостью цифровых процессов [9]. Ориентация на масштабирование ИИ-решений выводит на первый план воспроизводимость внедрения на уровне портфеля инициатив, поскольку на уровне компании значимы этапность работ и контроль воспроизводимых результатов [5]. Для управленческого анализа технологические требования к инфраструктуре компании целесообразно связывать с условиями принятия технологий на уровне организации, включая ресурсную обеспеченность, поддержку руководства и внешнюю среду [6].

Инфраструктура компании в контексте внедрения искусственного интеллекта включает вычислительную основу, программные средства и организацию доступа к данным, поскольку стратегическая ценность решений зависит от того, насколько эти элементы соотносятся с целями операционного управления [3].

Связь ИИ с бизнес-процессами проявляется в том, что управленческий эффект возникает в рамках интеграции аналитических результатов в регламенты работы структурных подразделений и в системы принятия решений на уровне компании [4].

Выбор технологических требований к инфраструктуре компании зависит от стартовых условий, так как доступность данных, уровень ИТ-ресурсов и компетенций различаются даже между компаниями одного сектора, что влияет на реализуемость проектов внедрения ИИ [7]. При этом управленческий интерес концентрируется на тех бизнес-процессах, в которых эффекты от внедрения ИИ поддаются количественной проверке и сопоставлению с затратами, что важно для операционного управления и для управленческого контроля результатов [2]. Инфраструктурные ограничения также проявляются в рисках применения ИИ, поскольку для современных компаний значимы требования к защите данных, надежности эксплуатации и обеспечению кадрами [1].

В связи с этим целесообразным представляется теоретическое обобщение технологических требований к инфраструктуре компании при внедрении ИИ с учётом управленческих условий реализации проектов и организационных практик внедрения [8].

Инфраструктура компании при внедрении ИИ рассматривается как условие управленческой реализуемости, поскольку технологические решения выходят за рамки ИТ-проекта и затрагивают распределение ответственности, порядок принятия решений и воспроизводимость результата в регулярных процессах [5]. В связи с этим технологические требования к инфраструктуре компании целесообразно понимать как набор ограничителей и допущений, которые заранее задают границы масштабирования, а также объясняют, почему сходные по замыслу инициативы дают различимый управленческий эффект в разных компаниях [9].

На уровне менеджмента аналитическая постановка задачи опирается на критерий организационного принятия решений о внедрении, поскольку наличие технологии не равнозначно её включению в управленческие процедуры компании [6]. Из этого следует, что технологические требования к инфраструктуре компании целесообразно описывать как управляемые параметры корпоративной среды, сопоставимые с ресурсами, компетенциями и практиками, обеспечивающими эксплуатацию ИИ-решений на уровне организации [5].

Поэтому дальнейшее рассуждение целесообразно ориентировать на выделение таких требований, которые поддаются проверке на уровне компании, поскольку она связывает инфраструктуру с измеримыми результатами внедрения ИИ [9]. Технологические требования к инфраструктуре компании необходимо рассматривать прежде всего в практической сфере менеджмента.

Для организации принципиальное значение имеет трансформация интеграции ИИ из разового проекта в регулярный элемент операционного управления. В центре внимания находятся те характеристики инфраструктуры компании, обеспечивающие стабильное и воспроизводимое использование ИИ в повседневных управленческих процессах [6].

Среди современных технологических требований к инфраструктуре компании при внедрении ИИ можно выделить такие основные категории, как: данные и их качество; вычислительная и программная база; интеграция с корпоративными системами; защита данных и надёжность (табл. 1).

Качество данных и работа с данными определяют практическую ценность ИИ для операционного управления, поскольку ошибки в источниках, разрывы в полноте и различия в трактовках показателей приводят к искажению результатов моделей и управленческих решений [9].

В рамках инфраструктуры компании ключевыми являются единые правила формирования витрин данных, контроль происхождения показателей и согласование справочников [4]. Так, практика внедрения ИИ показывает, что на этапе масштабирования возрастает стоимость ошибок в данных, поэтому управленческая модель внедрения ИИ должна изначально учитывать, как организованы владельцы данных, регламенты доступа и ответственность за качество [5].

Таблица 1.

Технологические требования к инфраструктуре компании при внедрении ИИ

Источник: авторская разработка

При наличии контролируемого массива данных следующий уровень инфраструктуры компании связан с вычислениями и программной базой, поскольку обучение и эксплуатация моделей ИИ связаны с регулярными расчётами, контролем версий и воспроизводимостью результатов в повторяющихся задачах [3]. Выбор размещения вычислений и программных средств должен соотноситься с частотой обновления данных, требованиями к времени отклика и числом пользователей, так как именно эти параметры задают нагрузку и экономику владения решениями [5]. Организационная сторона эксплуатации моделей ИИ включает распределение ролей между ИТ-отделами, аналитиками и владельцами бизнес-процессов, поскольку при отсутствии ответственных за сопровождение качество результата деградирует уже после первых циклов использования [8].

После выбора вычислительной и программной базы практическая реализуемость внедрения ИИ в компании определяется интеграцией с корпоративными системами, поскольку управленческие процедуры используют данные и документы, которые живут в действующих информационных системах [4]. Результаты ИИ-моделей приобретают управленческий смысл при интеграции ИИ в операции планирования, контроля и исполнения, поэтому важна организация обмена данными между системами и согласование форматов, чтобы исключить расхождения между расчётом и фактическими действиями подразделений [6]. Для менеджмента значимой также оказывается совместимость интеграции с организационной структурой и полномочиями, поскольку доступ к данным, права на изменение справочников и ответственность за решения напрямую влияют на скорость внедрения ИИ [5].

Интеграция ИИ в инфраструктуру компании неизбежно подводит к вопросам защиты данных и надёжности эксплуатации, поскольку обработка коммерчески чувствительной информации и персональных данных повышает риски для организации [1].

Как отмечается в материалах НИУ ВШЭ, организационные меры информационной безопасности включают в себя разграничение доступа, аудит операций и контроль жизненного цикла данных, поскольку при расширении числа пользователей и источников возрастает вероятность ошибок и утечек [9]. Надёжность эксплуатации связана с планированием отказоустойчивости и наблюдаемостью работы сервисов, так как сбои в вычислениях или каналах данных непосредственно отражаются на операционном управлении и качестве управленческих решений [5].

Однако нельзя не выделить типичные ошибки, возникающие в инфраструктуре компании при внедрении ИИ и их управленческие последствия (табл. 2).

В компаниях одна из частых причин слабого эффекта от внедрения ИИ связана с тем, что руководители подразделений и ИТ-служба используют разные определения показателей и разные правила формирования данных, поэтому одна и та же управленческая задача получает несколько несовместимых наборов входной информации [9].

На уровне операционного управления это приводит к тому, что результаты моделей перестают восприниматься как основание для реальных решений, поскольку проверка «по факту» предоставляет расхождения и усиливает недоверие ответственных лиц к расчётам. С точки зрения управления это приводит к консервации прежних процедур, когда ИИ остаётся вспомогательным инструментом, при том, что ключевые решения принимаются по прежним правилам ответственности и контроля.

Ещё один тип ошибок связан с вычислительной и программной базой, когда запуск пилотного решения выполняется силами узкой группы специалистов, а затем в компании отсутствует закреплённый порядок сопровождения моделей, обновления данных и контроля версий [5]. При расширении числа пользователей и задач управленческие риски усиливаются, поскольку сбои в расчётах или деградация качества результата приводят к увеличению операционных издержек и к росту числа исключений в работе подразделений [3].

Таблица 2.

Типичные ошибки, возникающие в инфраструктуре компании при внедрении ИИ

Источник: авторская разработка

Как следствие, руководство сталкивается с ситуацией, когда формально внедрённый искусственный интеллект начинает создавать дополнительную нагрузку на операционный контроль, а не сокращать её, что снижает готовность к дальнейшим проектам. Ошибки интеграции с корпоративными системами проявляются в том, что результаты моделей не встраиваются в рабочие интерфейсы и документы подразделений, поэтому сотрудники получают расчёты отдельно от процесса исполнения и возвращаются к ручным процедурам. Вместе с тем растут риски, связанные с защитой данных, поскольку расширение доступа к массивам информации при внедрении искусственного интеллекта часто опережает развитие правил контроля доступа и аудита действий пользователей.

Совокупный управленческий эффект сводится к тому, что инфраструктура компании оценивается руководством как источник новых операционных рисков, поэтому приоритет смещается в сторону ограничений внедрения вместо расширения практики использования ИИ [6].

Далее нельзя не отметить, что характер задач ИИ непосредственно влияет на состав технологических требований к инфраструктуре компании, поскольку различные управленческие задачи предполагают неодинаковую глубину данных, разную периодичность их обновления и отличающиеся сценарии использования результатов. Для задач анализа исторических показателей и построения долгосрочных прогнозов приоритетным является накопление структурированных массивов данных и поддержание их сопоставимости во времени, тогда как для задач оперативного управления важна скорость доступа к информации и регулярность её актуализации [4]. Из этого можно сделать вывод о том, что инфраструктура компании должна соотноситься с типом управленческих решений, которые планируется принимать на основе ИИ.

Различие между аналитическими и прикладными задачами ИИ по-разному определяет требования к вычислительной и программной базе инфраструктуры компании. Для задач пакетной обработки данных и подготовки рекомендаций допустима централизованная обработка с периодическим пересчётом моделей, что позволяет использовать более экономичные варианты размещения вычислений. В задачах поддержки текущих операций, связанных с большим числом пользователей и высокой частотой обращений, возрастает значимость отказоустойчивости, времени отклика и устойчивости программных компонентов, поэтому инфраструктура компании должна обеспечивать иной уровень готовности к нагрузкам и сопровождению моделей [3].

Различия в технологических требованиях к инфраструктуре компании возникают при работе с задачами, затрагивающими персональные и коммерчески чувствительные данные. В проектах внутренней оптимизации производственных и административных процессов допустимы более простые схемы хранения и передачи информации, тогда как в задачах взаимодействия с клиентами и партнёрами возрастает значимость процедур контроля доступа и защиты данных. Следовательно, выбор архитектурных решений и организационных процедур должен учитывать характер используемых данных и степень ответственности управленческих решений, которые принимаются на основе ИИ, что подтверждает необходимость дифференцированного подхода к формированию инфраструктуры компании [1].

Таким образом, в управленческой практике внедрение ИИ связывается с инфраструктурой компании как с набором условий, определяющих воспроизводимость результата при расширении числа решений и охвата бизнес-процессов. На уровне теоретических положений ключевым является согласование целей операционного управления с готовностью данных, с возможностями вычислений и с порядком встраивания результатов моделей в управленческие процедуры, поскольку данный набор условий задаёт границы реализуемости проектов [5]. Центральная роль принадлежит данным и их качеству, а также интеграции с корпоративными системами, поскольку ИИ-решения приобретают управленческий смысл при включении результатов в регламенты планирования, контроля и исполнения. Для компании существенно значение единых определений показателей и прозрачного происхождения данных, поскольку расхождения между источниками и форматами приводят к различиям результатов и затрудняют управленческий контроль [9]. Обобщая, целесообразно подчеркнуть значение вычислительной и программной базы, а также защиты данных и надёжности эксплуатации, поскольку регулярное использование ИИ в операционном управлении связано с нагрузками, контролем версий и управлением доступом к чувствительной информации [6].

Список литературы:

1. Атабаева Э.Р. Возможности и риски применения искусственного интеллекта в бизнесе // Экономика и управление: проблемы, решения. — 2025. — Т. 13. — № 3 (156). — С. 195-202.
2. Идрисов А.И. Бизнес-процессы, наиболее подверженные эффективному внедрению инструментов на основе искусственного интеллекта в условиях цифровой экономики // Журнал монетарной экономики и менеджмента. — 2025. — № 3. — С. 275-283.
3. Abousaber I., Abdalla H. F. Review of using technologies of artificial intelligence in companies // International Journal of Communication Networks and Information Security. — 2023. — Vol. 15. — No. 1. — P. 101-108.
4. Bharadiya J. The impact of artificial intelligence on business processes // European journal of technology. — 2023. — Vol. 7. — No. 2. — P. 15-25.
5. Haefner N. et al. Implementing and scaling artificial intelligence: A review, framework, and research agenda // Technological Forecasting and Social Change. — 2023. — Vol. 197. — P. 1-11.
6. Horani O. M. et al. The critical determinants impacting artificial intelligence adoption at the organizational level // Information Development. — 2025. — Vol. 41. — No. 3. — P. 1055-1079.
7. Oldemeyer L., Jede A., Teuteberg F. Investigation of artificial intelligence in SMEs: a systematic review of the state of the art and the main implementation challenges // Management Review Quarterly. — 2025. — Vol. 75. — No. 2. — P. 1185-1227.
8. Tominc P., Oreški D., Rožman M. Artificial intelligence and agility-based model for successful project implementation and company competitiveness // Information. — 2023. — Vol. 14. — No. 6. — P. 337-363.
9. Искусственный интеллект в России: разработка и применение // НИУ ВШЭ. — URL: https://issek.hse.ru/mirror/pubs/share/1053986532.pdf (дата обращения: 03.02.2026).