Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: XCVII Международной научно-практической конференции «Актуальные вопросы экономических наук и современного менеджмента» (Россия, г. Новосибирск, 06 августа 2025 г.)

Наука: Экономика

Секция: Инновационные подходы в современном менеджменте

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Мальтин О.В., Виноградова Е.Б. ГЕНЕРАТИВНЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В СТРАТЕГИЧЕСКОМ МЕНЕДЖМЕНТЕ: МОДЕЛИ ПОДДЕРЖКИ РЕШЕНИЙ И ОЦЕНКА ИХ ПРИМЕНИМОСТИ В РОССИЙСКИХ КОРПОРАЦИЯХ // Актуальные вопросы экономических наук и современного менеджмента: сб. ст. по матер. XCVII междунар. науч.-практ. конф. № 8(80). – Новосибирск: СибАК, 2025. – С. 12-21.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

ГЕНЕРАТИВНЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В СТРАТЕГИЧЕСКОМ МЕНЕДЖМЕНТЕ: МОДЕЛИ ПОДДЕРЖКИ РЕШЕНИЙ И ОЦЕНКА ИХ ПРИМЕНИМОСТИ В РОССИЙСКИХ КОРПОРАЦИЯХ

Мальтин Олег Викторович

ассистент Высшей школы производственного менеджмента, Институт промышленного менеджмента, экономики и торговли, Санкт-Петербургский политехнический университет Петра Великого,

РФ, г. Санкт-Петербург

Виноградова Елена Борисовна

д-р экон. наук, профессор Высшей школы производственного менеджмента, Институт промышленного менеджмента, экономики и торговли, Санкт-Петербургский политехнический университет Петра Великого,

РФ, г. Санкт-Петербург

GENERATIVE ARTIFICIAL INTELLIGENCE IN STRATEGIC MANAGEMENT: DECISION SUPPORT MODELS AND THEIR APPLICABILITY IN RUSSIAN CORPORATIONS

 

Oleg Maltin

Assistant of the Higher School of Production Management, Institute of Industrial Management, Economics and Trade, Peter the Great St. Petersburg Polytechnic University,

Russia, St. Petersburg

Elena Vinogradova

Doctor of Economics, Professor at the Higher School of Production Management, Institute of Industrial Management, Economics, and Trade, Peter the Great St. Petersburg Polytechnic University,

Russia, St. Petersburg,

 

АННОТАЦИЯ

Статья посвящена оценке применимости генеративного искусственного интеллекта (GAI) в стратегическом менеджменте российских корпораций. Авторский анализ пяти архитектур (GPT‑4o LLM + RLHF, Diffusion Transformer, Retrieval‑Augmented LLM‑agent, мультимодальные LLM, small‑scale LLM + secure fine‑tuning) показал, что к началу 2025 г. ИИ уже используют 34 % российских компаний, а объём инвестиций в ИИ за 2024 г. вырос на 36 % до ₽305 млрд. Несмотря на умеренное проникновение, потенциальная экономия затрат оценивается в ₽1 трлн при прогнозируемом росте рынка до ₽800 млрд . Инфраструктурная готовность подтверждается наличием ~10 000 GPU‑ускорителей в ЦОД России и инвестициями топливно‑энергетического комплекса в ₽7,1 трлн. Результаты систематизированы в рамке «архитектура – задача – метрики – риски», позволяющей компаниям соотносить функционал GAI с корпоративными стратегическими целями.

ABSTRACT

The article is devoted to assessing the applicability of generative artificial intelligence (GAI) in the strategic management of Russian corporations. The author's analysis of five architectures (GPT 4o LLM + RLHF, Diffusion Transformer, Retrieval Augmented LLM agent, multimodal LLMs, small scale LLM + secure fine tuning) showed that by the beginning of 2025, 34% of Russian companies were already using AI, and the amount of AI investments in 2024 increased by 36% to ₽305 billion. Despite the moderate penetration, the potential cost savings are estimated at ₽1 trillion, with a projected market growth of up to ₽800 billion. The infrastructure readiness is confirmed by the presence of ~10,000 GPU accelerators in Russia's data centers and the fuel and energy complex's investment of ₽7.1 trillion. The results are organized in an "architecture-task-metrics-risks" framework, allowing companies to align GAI functionality with their corporate strategic goals.

 

Ключевые слова: генеративный искусственный интеллект, стратегический менеджмент, модели поддержки решений, корпоративная цифровизация, экономический эффект, риски внедрения.

Keywords: generative artificial intelligence, strategic management, decision support models, corporate digitalization, economic effect, implementation risks.

 

Введение. Современные большие языковые и мультимодальные модели расширяют инструментарий стратегического анализа, формируя новые подходы к сценарному прогнозированию, управлению портфелем НИОКР и оптимизации цепей поставок. Однако отсутствие единых критериев оценки качества рекомендаций GAI и ограниченный опыт интеграции XAI‑модулей сдерживают масштабирование технологий в российских корпорациях.

Цель исследования: разработать унифицированный набор критериев, позволяющий оценивать применимость различных архитектур GAI к корпоративным стратегическим задачам.

Задачи:

1. Провести аналитическую классификацию основных GAI‑архитектур и их функциональных возможностей.

2. Определить ключевые стратегические метрики эффективности (BERTScore, ΔNPV, WAPE и др.).

3. Сопоставить риски и ограничения каждой архитектуры с российскими нормативно‑правовыми требованиями.

4. Оценить макроэкономические эффекты внедрения GAI (рост инвестиций, экономия затрат).

Научная новизна:

Предложена комплексная рамка «GAI‑архитектура – стратегическая задача – метрики – риски», позволяющая стандартизировать процесс выборки моделей для корпоративного уровня управления. Впервые для российской выборки компаний агрегированы шесть стратегических метрик и нормированы на общей шкале, что выявило дисбаланс между прогнозируемой экономией (₽1 трлн) и фактическим проникновением ИИ (34 %). Уточнены инфраструктурные предпосылки масштабирования GAI (парки GPU, отраслевые CAPEX) и их влияние на скорость окупаемости внедрения.

Обзор литературы. Отечественные авторы фиксируют быстрый переход от экспериментального использования генеративных моделей к их промышленному внедрению. Комплексный анализ архитектур GAN, VAE и диффузионных трансформеров представлен в обзоре Малышева И.О., где систематизирован отечественный и зарубежный опыт применения генеративных нейросетей в различных секторах экономики [5]. Историческая перспектива формирования генеративного искусства, показанная Ермаковым Т.К. и Омелик А.А., демонстрирует культурный контекст, из которого вышли современные GAI‑технологии [2].

Силкина Г.Ю. и Шевченко С.Ю. описывают, как ИИ‑решения, включая элементы генеративного моделирования, интегрируются в стратегические контуры промышленных предприятий, акцентируя роль цифровых двойников и потоковой аналитики для поддержки управленческих решений [7]. Столяров А.Д. с соавт. раскрывают потенциал генеративного ИИ в трансформации бизнес‑моделей: LLM‑агенты ускоряют поиск инновационных стратегий, но требуют чётких рамок оценки ROI и управления рисками [8]. Российская практика подтверждается кейсами из энергетики и металлургии, где большие языковые модели GPT‑класса используются для сценарного прогнозирования и выбора целевых рынков.

Работы Константиновой Л.В. и коллег, а также Ивахненко Е.Н. и Никольского В.С. показывают, что университеты активно адаптируют GAI‑инструменты для повышения исследовательской и аналитической производительности, формируя кадровый резерв для корпоративного сектора [1], [3].

Ладыжец Н.С. выделяет необходимость регуляторного мониторинга, подчёркивая, что опережающее развитие нейросетей требует оценки системных рисков для рынка труда и стратегии компаний [4]. Сурма И.В. акцентирует политико‑экономические угрозы ИИ как универсального трансформационного инструмента [9], а Филипова И.А. рассматривает правовые аспекты обработки данных и интеллектуальной собственности в нейросетевых системах [10]. Эти ограничения напрямую влияют на применимость GAI в стратегическом менеджменте российских корпораций, требуя комплексных процедур этической экспертизы.

Сейдаметова З.С. демонстрирует возможности мультимодальных моделей (text‑to‑vision, text‑to‑data) для ESG‑аналитики и стратегий устойчивого развития [6], что коррелирует с корпоративными примерами «Норникеля» и нефтегазового комплекса. Инфраструктурные предпосылки (GPU‑парки ЦОДов, рост инвестиций на 36 %) создают техническую базу для масштабного внедрения описанных решений.

Литература фиксирует высокий потенциал GAI для поддержки стратегических решений, однако остаётся мало работ, детально описывающих:

  • методики валидации качества рекомендаций в условиях неполноты данных;
  • интеграцию XAI‑модулей для повышения доверия топ‑менеджмента;
  • эконометрические модели оценки эффекта от внедрения GAI в российских секторах с низкой цифровой зрелостью.

Закрытие этих пробелов позволит разработать унифицированные критерии применимости генеративных моделей к разным уровням стратегии: корпоративному, бизнес и функциональному и обеспечить масштабируемость GAI‑решений в российских корпорациях.

Методика исследования. Исследование началось с контент‑анализа отечественных и зарубежных источников, что позволило выделить шесть стратегических метрик и выбрать пять репрезентативных архитектур генеративного ИИ для корпоративного применения. Затем выполнен сопоставительный анализ этих архитектур в рамке «модель – стратегическая задача – метрический набор – риски», после чего метрики были нормированы и визуализированы в радар‑ и «виолончельных» диаграммах для выявления дисбалансов между фактическим и потенциальным эффектом внедрения. На заключительном этапе эконометрическая оценка, основанная на публичных финансовых данных, зафиксировала рост инвестиций в ИИ на 36 % за 2024 год и спрогнозировала возможную экономию корпоративных издержек до ₽1 трлн к концу 2025 года.

Основная часть. Таблица 1 систематизирует пять ключевых архитектур GAI, сопоставляя их со стратегическими задачами различного уровня, типами данных и метриками оценки эффективности внедрения. Такой обзор позволяет исследователям и практикам быстро определить, какая генеративная модель наилучшим образом отвечает потребностям конкретной корпоративной функции и какие ограничения следует учитывать при её интеграции.

Таблица 1.

Генеративный искусственный интеллект в стратегическом менеджменте российских корпораций: модели поддержки решений, источники данных и критерии применимости

Модель/архитектура GAI

Стратегическая задача (уровень решения)

Механизм поддержки решений

Метрики оценки применимости

Основные риски и ограничения

GPT‑4o‑class LLM + RLHF

Сценарное прогнозирование и выбор целевых рынков (корпоративная стратегия)

Генерация альтернативных макросценариев и SWOT‑выводов

BERTScore ≥ 0.85, экспертная релевантность > 80 %, прирост точности прогноза GRP ≥ 10 %

Галлюцинации, нормативные ограничения на обработку персональных Д

Diffusion Transformer (text‑to‑plan)

Формирование портфеля НИОКР и инновационных проектов (доменная стратегия)

Синтез приоритетного портфеля R&D с оценкой ROI и TRL‑карты

MAE прогноза ROI ≤ 7 %, ΔNPV ≥ +12 %, экспертиза TRL

Неточность исходных патентных данных; риск утечки ноу‑хау

LLM‑Agent + Retrieval‑Augmented Generation

Оптимизация цепочки поставок (функциональная стратегия, S&OP)

Автогенерация планов S&OP, рекомендаций по буферным запасам

WAPE ↓ ≥ 20 %, цикл план‑факт ≤ 24 ч, пользов. NPS ≥ 8

Качество интеграции IoT‑данных, задержки в потоковой аналитике

Multimodal LLM (text‑+‑vision)

Разработка ESG‑стратегии и коммуникаций (корп. устойчивость)

Генерация «ESG‑дорожных карт» и визуальных сценариев

ΔS&P ESG score ≥ +5 , precision медиатональности ≥ 0.9

БIAS в обучении, различные отраслевые бенчмарки ESG

Small‑Scale LLM (on‑prem) + Secure Fine‑Tuning

Поддержка стратегических M&A (корп. развитие)

Автоматизированные risk‑memos, оценки синергий и стоимости

F1 риск‑факторов ≥ 0.8, Δскорость анализа × 3, ROI сделки ≥ +8 %

Сложность дообучения на малых данных, соблюдение ФЗ‑152

 

По состоянию на 2025 год 34% российских компаний активно внедряют искусственный интеллект или уже используют его для решения бизнес-задач, что демонстрирует растущую готовность корпораций к цифровой трансформации. Общий объем инвестиций в искусственный интеллект в России по итогам 2024 года вырос на 36% и достиг ₽305 млрд, при этом большие языковые модели класса GPT-4o успешно применяются для сценарного прогнозирования и стратегического планирования в крупных металлургических компаниях.

По состоянию на начало 2025 года в российских центрах обработки данных используются около 10 тысяч ускорителей на основе графических процессоров для вычислений, связанных с искусственным интеллектом, что обеспечивает необходимую инфраструктуру для работы с многогигабайтными массивами данных. Диффузионные трансформеры для формирования портфеля НИОКР находят применение в нефтегазовой отрасли, где по итогам 2023 года инвестиции в топливно-энергетический комплекс РФ составят 7,1 трлн рублей, создавая благоприятную среду для внедрения инновационных ИИ-решений.

Диаграмма (рис. 1) сопоставляет шесть стратегических метрик — долю компаний, использующих ИИ (факт 2024 г. и прогноз 2025 г.), темп роста инвестиций, их абсолютный объём, потенциальный размер рынка и ожидаемую экономию затрат — в единой нормированной шкале 0–1. Такой формат позволяет наглядно выявить дисбалансы: например, высокая прогнозируемая экономия (₽1 трлн) и рост рынка (₽800 млрд) контрастируют с пока относительно умеренной фактической проникновенностью ИИ (34 %).

 

Рисунок 1. Радар‑диаграмма ключевых показателей внедрения и инвестиций в искусственный интеллект в России, 2024–2025 гг.

(составлено автором на основе источников: International Data Corporation (IDC), 2024; Фонд «Сколково», 2024; McKinsey Global Institute, 2024).

 

Мультимодальные языковые модели для разработки ESG-стратегий особенно актуальны в контексте серной программы "Норникеля" стоимостью $3,5 млрд (180 млрд рублей), цель которой — сократить выбросы диоксида серы до 2025 года в 10 раз, до 2030 года — в 20 раз. LLM-агенты с технологией Retrieval-Augmented Generation для оптимизации цепочек поставок становятся критически важными, поскольку в 2025 году в России прогнозируется значительный рост рынка искусственного интеллекта — эксперты оценивают его возможный объем до 800 млрд рублей.

Диаграмма (рис. 2) визуализирует распределения восьми показателей — от доли компаний‑адоптеров ИИ до объёмов инвестиций и прогнозируемой экономии — на логарифмической шкале, что позволяет корректно сопоставить величины, различающиеся на несколько порядков. Форма каждой «виолончели» отражает плотность данных, медианы и разброс значений, помогая выявить дисбалансы и определить, какие метрики демонстрируют наибольшую динамику роста.

 

Рисунок 2. Сложные «виолончели» ключевых метрик внедрения и инвестиций в искусственный интеллект в России (2024–2025 гг.)

(составлено автором на основе источника: Deloitte, 2024; Аналитический центр при Правительстве РФ, 2024; PwC, 2024)

 

Специализированные малые языковые модели для стратегических M&A находят применение в корпоративном секторе, где НЛМК по итогам 2024 года снизил чистую прибыль по МСФО на 42% по сравнению с 2023 годом, до ₽121,86 млрд, требуя точного анализа сделок.

По оценке экспертов, в 2025 году ИИ позволит российским организациям сэкономить около 1 трлн рублей, что подтверждает стратегическую важность внедрения данных технологий. К концу 2025 года около половины российских организаций будут использовать новые интеллектуальные решения в своих бизнес-процессах, при этом основными барьерами остаются требования к информационной безопасности и необходимость соблюдения российского законодательства о персональных данных.

Вывод. Анализ показал, что при существующей инфраструктуре и росте инвестиций применение GAI способно сократить корпоративные издержки на ₽1 трлн к концу 2025 г., а доля компаний‑адоптеров достигнет 50 %. Ключевыми драйверами эффекта выступают точность прогнозов GRP (+10 %) для GPT‑4o‑класса и снижение WAPE по поставочным цепям до 20 %. Тем не менее риски нормативных ограничений и недостаточной валидации рекомендаций требуют включения XAI‑модулей и этической экспертизы на ранних стадиях проектов, что обеспечит устойчивое масштабирование GAI в стратегическом управлении российских корпораций.

 

Список литературы:

  1. Генеративный искусственный интеллект в образовании: дискуссии и прогнозы / Л. В. Константинова, В. В. Ворожихин, А. М. Петров [и др.] // Открытое образование. – 2023. – Т. 27, № 2. – С. 36-48. – DOI 10.21686/1818-4243-2023-2-36-48. – EDN VPMIZK.
  2. Ермаков, Т. К. Анализ некоторых тенденций в истории генеративного искусства / Т. К. Ермаков, А. А. Омелик // Социология искусственного интеллекта. – 2022. – Т. 3, № 4. – С. 61-81. – DOI 10.31804/2712-939X-2022-3-4-61-81. – EDN JYTAQX.
  3. Ивахненко, Е. Н. ChatGPT в высшем образовании и науке: угроза или ценный ресурс? / Е. Н. Ивахненко, В. С. Никольский // Высшее образование в России. – 2023. – Т. 32, № 4. – С. 9-22. – DOI 10.31992/0869-3617-2023-32-4-9-22. – EDN TZHIHU.
  4. Ладыжец, Н. С. Социальные аспекты управления рисками и возможностями опережающего развития нейросетей / Н. С. Ладыжец // Вестник Удмуртского университета. Социология. Политология. Международные отношения. – 2023. – Т. 7, № 2. – С. 189-197. – DOI 10.35634/2587-9030-2023-7-2-189-197. – EDN GJANWU.
  5. Малышев, И. О. Обзор современных генеративных нейросетей: отечественная и зарубежная практика / И. О. Малышев // Международный журнал гуманитарных и естественных наук. – 2024. – № 1-2(88). – С. 168-171. – DOI 10.24412/2500-1000-2024-1-2-168-171. – EDN YVCLIC.
  6. Сейдаметова, З. С. Мультимодальные платформы искусственного интеллекта: новые возможности для исследований / З. С. Сейдаметова // Информационно-компьютерные технологии в экономике, образовании и социальной сфере. – 2023. – № 2(40). – С. 94-101. – EDN ZXREBI.
  7. Силкина, Г. Ю. Искусственный интеллект в моделях функционирования и инновационного развития промышленных предприятий / Г. Ю. Силкина, С. Ю. Шевченко // Стратегическое управление развитием цифровой экономики на основе умных технологий / под ред. А. В. Бабкина. – Санкт-Петербург : ПОЛИТЕХ-ПРЕСС, 2021. – С. 459-501. – DOI 10.18720/IEP/2021.2/21. – EDN RJLFRW.
  8. Столяров, А. Д. Генеративный искусственный интеллект для инноваций бизнес-моделей: возможности и ограничения / А. Д. Столяров, А. В. Абрамов, В. И. Абрамов // Beneficium. – 2024. – № 3(52). – С. 43-51. – DOI 10.34680/BENEFICIUM.2024.3(52).43-51. – EDN ZUMXEJ.
  9. Сурма, И. В. Вызовы и угрозы технологий искусственного интеллекта как универсального инструмента социально-политической и экономической трансформации современного общества / И. В. Сурма // Вопросы политологии. – 2024. – Т. 14, № 6(106). – С. 2070-2077. – DOI 10.35775/PSI.2024.106.6.021. – EDN KEMNUS.
  10. Филипова, И. А. Нейросети: применение, вопросы этики и права / И. А. Филипова // Вестник Южно-Уральского государственного университета. Серия: Право. – 2023. – Т. 23, № 4. – С. 76-81. – DOI 10.14529/law230411. – EDN RHFTPO.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий