PROCURE-TO-PAY КАК СКВОЗНОЙ ПРОЦЕСС ЦИФРОВОЙ ТРАНСФОРМАЦИИ: КРИТЕРИИ ВЫБОРА ОБЪЕКТА АПРОБАЦИИ МЕТОДИКИ ОЦЕНКИ КОГНИТИВНОЙ ГОТОВНОСТИ

PROCURE-TO-PAY AS AN END-TO-END PROCESS OF DIGITAL TRANSFORMATION: CRITERIA FOR SELECTING THE OBJECT OF APPROBATION OF THE COGNITIVE READINESS ASSESSMENT METHODOLOGY

Muzafarov Amaldin Mirzomudinovich

PhD student, Department of Organizational Management, Moscow University for Industry and Finance «Synergy»,

Russia, Moscow

Dmitriev Anton Gennadievich

Scientific supervisor, Candidate of Economic Sciences, Associate Professor, Moscow University for Industry and Finance «Synergy»,

Russia, Moscow

АННОТАЦИЯ

Поставлена задача обоснования выбора объекта эмпирической апробации авторской методики оценки когнитивной готовности операционной модели промышленного предприятия к интеграции искусственного интеллекта. Сформулированы пять критериев отбора пилотного процесса: пересечение трёх слоёв управленческого контура «Данные – Интеллект – Исполнение», массовость и стандартизуемость, типичность дефектов нормативно-справочной информации, экономическая значимость, диагностическая адресность. По совокупности критериев в качестве объекта первичной апробации обоснован сквозной процесс «Procure-to-Pay». Описан мозаичный дизайн выборки из четырёх проектов в разнородных отраслях.

ABSTRACT

The paper addresses the methodological problem of justifying the choice of the object for empirical approbation of the author's methodology for assessing the cognitive readiness of an industrial enterprise to the integration of artificial intelligence. Five criteria for selecting a pilot process are formulated: the intersection of three layers of the management loop «Data – Intelligence – Execution», scale and standardisability, typicality of defects in master data, economic significance, and diagnostic addressability. The end-to-end Procure-to-Pay process is justified as the object of primary approbation. A mosaic sample design of four projects in heterogeneous industries is described.

Ключевые слова: когнитивная готовность; индекс ICR; Procure-to-Pay; апробация методики; промышленное предприятие; цифровая трансформация; искусственный интеллект.

Keywords: cognitive readiness; ICR index; Procure-to-Pay; methodology approbation; industrial enterprise; digital transformation; artificial intelligence.

Внедрение искусственного интеллекта в управленческий контур промышленного предприятия даёт измеримый экономический эффект далеко не всегда. По данным аналитического отчёта лаборатории NANDA Массачусетского технологического института за июль 2025 года, 95 процентов корпоративных пилотных проектов в области генеративного искусственного интеллекта не приводят к воспроизводимому эффекту на финансовые результаты при совокупных мировых инвестициях, оцениваемых в 30–40 миллиардов долларов [8]. Аналитический отчёт компании McKinsey по выборке 1 993 респондентов из 105 стран фиксирует адаптацию искусственного интеллекта в 88 процентах компаний и одновременно отнесение более пяти процентов EBIT к эффекту искусственного интеллекта только у шести процентов организаций [7]. Управленческий разрыв проходит не по линии наличия технологии, а по линии готовности контура управления, в который технология включается.

Авторская методика оценки когнитивной готовности операционной модели промышленного предприятия (Industrial Cognitive Readiness, ICR) разработана соискателем в публикациях [1; 2] и обеспечивает воспроизводимое позиционирование предприятия в управленческом пространстве цифровой трансформации без обращения к выгрузкам из информационных систем. Лексикографическая агрегация трёх компонентных показателей – готовности данных K1, зрелости процессов и контура принятия решений K2, готовности к делегированию операционных решений алгоритмическому агенту K3 – задаётся формулой ICR = min(K1, K2, K3). Архитектурным основанием служит трёхслойный управленческий контур «Данные – Интеллект – Исполнение» [3]. Настоящая статья не воспроизводит конструкцию методики; её задача иная – обосновать выбор объекта эмпирической апробации и зафиксировать критерии такого выбора в форме, пригодной для повторного применения.

Выбор объекта апробации диагностической методики – самостоятельная методологическая задача. Случайный выбор искажает оценку: пилотирование на функциональной операции, изолированной от потоков данных и контура исполнения, систематически завышает диагностические показатели; пилотирование на процессе с уникальной отраслевой спецификой мешает отделить структурные свойства методики от особенностей объекта. Литература по построению эмпирических кейс-стади – К. Айзенхардт [9], Дж. Венейбл, Й. Прайс-Хейе и Р. Баскервиль [10] – требует явной формулировки критериев отбора объектов до начала диагностики. Применительно к задаче оценки управленческой готовности к интеграции искусственного интеллекта таких критериев в открытой методической литературе не сформулировано.

Содержательный анализ задачи позволяет сформулировать пять критериев отбора пилотного процесса. Каждый из них формулируется как требование к объекту, проверяемое до начала диагностики, и привязан к одному из аспектов методики ICR.

Первый критерий – пересечение всех трёх слоёв управленческого контура. Объект апробации обязан опираться на справочную нормативную информацию (слой данных), на регламенты согласования и сопоставления документов (слой процессов), на матрицу полномочий принятия решений и автоматических акцептов (слой исполнения). Это требование вытекает из самой конструкции индекса ICR: одновременная диагностика K1, K2 и K3 на едином объекте даёт контраст между слоями и проявляет дефекты их интеграции, тогда как изолированная функция позволяет измерить лишь один из показателей. Кибернетическое обоснование требования восходит к теореме Р. Конанта и У. Эшби о хорошем регуляторе, согласно которой управляющая подсистема должна структурно отображать управляемый объект [4].

Второй критерий – массовость и стандартизуемость. Поток операций по объекту обязан исчисляться десятками тысяч в год, что обеспечивает достаточный объём наблюдений для оценки длительности цикла, доли ошибок ручной правки, доли отклонений в трёхстороннем сопоставлении и одновременно делает экономически осмысленной автоматизацию контура. Объекты, в которых каждое решение уникально и требует индивидуального экспертного суждения, неинформативны как пилот: в них структурные дефекты контура смешиваются с экспертной вариативностью.

Третий критерий – типичность дефектов нормативно-справочной информации. Объект обязан содержать высокую плотность типовых проблем: дублирование позиций номенклатуры, разные написания одного контрагента в разных учётных системах, расхождения единиц измерения между ERP-системой и системой управления складом. Эти дефекты – универсальные препятствия применения алгоритмических агентов; объект, насыщенный ими, обеспечивает чувствительность диагностики и допускает методическое обобщение результатов на смежные процессы.

Четвёртый критерий – экономическая значимость. Влияние объекта апробации на оборотный капитал и операционную маржу предприятия обязано быть значительным. Только при этом условии управленческое решение о реконфигурации контура (новые регламенты, инвестиции в качество данных, перестройка делегирования) проходит экономическое обоснование и доводится до промышленной эксплуатации. Объект, не влияющий на экономику предприятия, может быть протестирован методически, но не апробирован в полном смысле, поскольку обратная связь от управленческой системы не возникает.

Пятый критерий – диагностическая адресность. Объект обязан иметь явного владельца процесса и идентифицируемую команду, отвечающую за его исполнение. Без этого результаты диагностики невозможно конвертировать в управленческое решение: рекомендации по подъёму K1, K2, K3 уходят в институциональный вакуум, программа этапа повышения зрелости не получает заказчика на стороне предприятия. Адресность – свойство, фактически отсутствующее в международных моделях зрелости (Smart Industry Readiness Index, Industrie 4.0 Maturity Index Acatech, Capgemini Digital Transformation Index): эти модели оценивают предприятие как целое и не привязывают результат к владельцу процесса. Авторская методика проектируется иначе – с обязательной привязкой к сквозному процессу [5].

Применение пяти критериев к типовому набору сквозных процессов крупного промышленного предприятия фиксирует характерное распределение сильных сторон. Hire-to-Retire и Record-to-Report слабы в части автономного исполнения; Plan-to-Stock сильно зависит от отраслевой специфики; Order-to-Cash завязан на канал сбыта и поведение конечного потребителя. Procure-to-Pay (далее – процесс закупок и расчётов с поставщиками, P2P) удовлетворяет всем пяти критериям одновременно. P2P опирается на справочники материалов, контрагентов, договоров и счетов; на регламенты согласования заявок, выбора поставщиков и трёхстороннего сопоставления документов; на матрицу полномочий и автоматические акцепты платежей. Поток заявок и счетов на крупном промышленном предприятии исчисляется десятками тысяч в год; дефекты нормативно-справочной информации типичны и плотны. Закупки в обрабатывающих отраслях формируют значительную часть себестоимости продукции, и сокращение длительности цикла или числа ошибок в P2P даёт немедленный эффект на оборотном капитале и операционной марже. P2P имеет чёткого владельца в лице директора по закупкам или директора по операционной деятельности.

Дополнительный аргумент – институциональный. С 2022 года крупные промышленные предприятия Российской Федерации работают в режиме структурной перестройки цепочек поставок и сокращённого раскрытия отчётности подсанкционных компаний по постановлению Правительства Российской Федерации № 1102 от 4 июля 2023 года [6]. Гибкость закупочной функции в этих условиях – фактор не только операционной эффективности, но и устойчивости предприятия в целом. Выбор P2P не означает, что методика ICR ограничена этим процессом: конструкция индекса работает с любым сквозным процессом, проходящим через все три слоя контура. Триангуляция результатов на смежном процессе Order-to-Cash подтверждает воспроизводимость диагностических выводов и устойчивость структуры показателей K1, K2, K3.

Дизайн выборки апробации построен по принципу мозаичного покрытия матрицы зрелости. Эмпирическая база – четыре проекта консультационной практики Общества с ограниченной ответственностью «АксТим» (товарный знак Axenix) по операционной трансформации сквозного процесса P2P в крупных промышленных предприятиях, в которых соискатель принимал непосредственное участие как консультант. Заказчик-1 – крупная розничная торговая компания федерального уровня (стартовый уровень зрелости – первый, целевой – второй); Заказчик-2 – агропромышленный холдинг с вертикально-интегрированной цепочкой (стартовый – второй, целевой – третий); Заказчик-3 – вертикально-интегрированная нефтяная компания (стартовый – второй, целевой – третий); Заказчик-4 – крупный производитель мясной продукции с собственной сырьевой базой (стартовый – третий, целевой – четвёртый).

Четыре проекта иллюстрируют три межуровневых перехода в матрице зрелости – «Аналоговый – Лоскутный», «Лоскутный – Интегрированный» (на двух разнородных проектах для проверки воспроизводимости паттерна), «Интегрированный – Когнитивный». Отрасли намеренно подобраны разнородные, что позволяет отделить отраслевые особенности объекта от структурных свойств операционной модели. Если паттерн диагностики K1, K2, K3 воспроизводится на двух проектах одного межуровневого перехода в разных отраслях, его источник – структурное свойство методики, а не отраслевая специфика. Такой дизайн обеспечивает достаточное основание для методического обобщения, но не претендует на статистическую репрезентативность; это ограничение фиксируется явно.

Сбор данных опирается на триангуляцию трёх независимых источников – документального анализа внутренних регламентов и приказов о делегировании полномочий; структурированных интервью с владельцами процесса и сотрудниками, занятыми в P2P; наблюдения работы в учётных системах с фиксацией реального времени операций, числа итераций по согласованию заявок и доли документов, требующих ручной правки. Расхождение ответов интервью с документами или с наблюдением квалифицирует подкатегорию как фрагментарную, а не системную. Оценка состояния «после» проводится через шесть-девять месяцев после внедрения целевых решений. Ограничения дизайна формулируются прямо: четыре проекта – удобная выборка из практики одного консультационного провайдера, а не репрезентативная выборка; лонгитюдные наблюдения за пределами горизонта проекта (более двенадцати месяцев) недоступны в силу контрактных рамок; машиностроение, металлургия и химическая промышленность остаются за пределами выборки; часть количественных эффектов закрыта соглашениями о неразглашении. Методика ICR при этом формулируется как универсальный диагностический инструмент, а четыре проекта иллюстрируют её работоспособность в разнородной отраслевой среде.

Сформулированные пять критериев применимы за пределами авторской методики ICR – к любой методике оценки управленческой готовности промышленного предприятия к интеграции искусственного интеллекта, опирающейся на структурную модель управленческого контура и опросный инструментарий. Принцип мозаичного покрытия матрицы зрелости применим к любому диагностическому инструменту с уровневой шкалой. В этом и состоит методический вклад статьи.

Список литературы:

1. Музафаров А.М. Адаптивная трансформация операционной модели промышленного предприятия в условиях цифровизации: архитектура, когнитивные механизмы и организационная динамика // Экономика строительства. – 2025. – № 12. – С. 134–138.
2. Музафаров А.М. Разработка методики оценки готовности операционной модели промышленного предприятия к интеграции когнитивных механизмов управления // Инновации и инвестиции. – 2026. – № 3. – С. 136–139.
3. Музафаров А.М. Трехслойная архитектура «Данные – Интеллект – Исполнение» как основа диагностики когнитивной готовности операционной модели // Актуальные вопросы экономических наук и современного менеджмента: сб. ст. по матер. CIV междунар. науч.-практ. конф. – Новосибирск: СибАК, 2026. – № 3 (87). – С. 54–60.
4. Conant R.C., Ashby W.R. Every good regulator of a system must be a model of that system // International Journal of Systems Science. – 1970. – Vol. 1, № 2. – P. 89–97.
5. Музафаров А.М. Концептуальная модель адаптивного организационно-экономического механизма и стратегия поэтапного перехода промышленного предприятия к когнитивному управлению // Инновации и инвестиции. – 2026. – № 3. – С. 140–143.
6. О сведениях, доступ к которым ограничен в связи с введением ограничительных мер: Постановление Правительства Российской Федерации от 4 июля 2023 г. № 1102 (в действующей редакции) // СПС «КонсультантПлюс». – URL: https://www.consultant.ru/ (дата обращения: 06.05.2026).
7. The state of AI in 2025: Agents, innovation, and transformation: report. – McKinsey & Company, QuantumBlack, 2025. – URL: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai (дата обращения: 06.05.2026).
8. The GenAI Divide: State of AI in Business 2025: report. – MIT NANDA / Project NANDA, July 2025. – URL: https://nanda.media.mit.edu/ai_report_2025.pdf (дата обращения: 06.05.2026).
9. Eisenhardt K.M. Building theories from case study research // Academy of Management Review. – 1989. – Vol. 14, № 4. – P. 532–550.
10. Venable J., Pries-Heje J., Baskerville R. FEDS: a Framework for Evaluation in Design Science Research // European Journal of Information Systems. – 2016. – Vol. 25, № 1. – P. 77–89.