Методические подходы к оценке экономической эффективности внедрения технологий искусственного интелл

Введение

Цифровая трансформация управления предприятиями выступает одним из ключевых факторов роста производительности и конкурентоспособности в современной экономике. Технологии искусственного интеллекта (ИИ) рассматриваются в качестве самостоятельного драйвера этой трансформации: по прогнозным оценкам, представленным в исследовании [24], совокупный экономический эффект от их внедрения в Российской Федерации к 2030 г. может составить от 7,9 до 12,8 трлн руб. в год, что соответствует приблизительно 5,5% прогнозного валового внутреннего продукта. Указ Президента Российской Федерации № 490 [3] и федеральный проект «Искусственный интеллект» в составе национального проекта «Экономика данных» закрепляют ИИ в качестве приоритетного направления государственной технологической политики.

При сопоставлении показателей внедрения ИИ с показателями измеримого финансового эффекта обнаруживается значимый разрыв. По данным обследования ИСИЭЗ НИУ ВШЭ за 2024 г. [23], 54,3% российских организаций-пользователей ИИ фиксируют рост качества продукции и услуг, 51% — повышение эффективности бизнес-процессов, 45% — рост производительности труда; по данным [24] доля компаний, получающих экономический эффект от ИИ, достигла 78%. Глобальные обследования McKinsey [25] демонстрируют иную картину: только 39% организаций отмечают влияние ИИ на показатель EBIT на уровне всего предприятия. Разрыв между долей внедривших ИИ компаний и долей компаний с подтверждённым финансовым эффектом формирует центральную методическую проблему: выбор инструментария оценки существенно влияет на результат и интерпретацию эффективности проекта.

Эволюция подходов к оценке экономической эффективности информационно-технологических проектов прослеживается в исследованиях [15] и [21]. Классические финансово-инвестиционные методы — чистая приведённая стоимость (NPV), внутренняя норма доходности (IRR), рентабельность инвестиций (ROI), приведённый срок окупаемости (payback period) — дополняются методом реальных опционов и концепцией совокупной стоимости владения (TCO). Развитие методов оценки TCO в публикациях [16] и [21] позволило формализовать структуру затрат на ИТ-системы с учётом стадий жизненного цикла и весовых коэффициентов; скрытые статьи затрат, по оценкам [16], увеличивают TCO на 15–25%. Стоимостная оценка ИИ как отдельного объекта рассматривается в [18], где предложены критерии оценки: уровень экономического эффекта, ограничения применимости модели и характеристики рынка.

Проекты внедрения ИИ обладают рядом особенностей, ограничивающих применимость классических методик в неизменённом виде. К числу таких особенностей относятся высокая доля нематериальных эффектов, эффект самообучения моделей, повышенная неопределённость результата на ранних стадиях, а также специфические требования к качеству системы — робастности, точности, безопасности — определённые в ГОСТ Р 70462.1-2022 [7]. Границы применимости ИИ в корпоративном управлении и две концептуальные парадигмы — ИИ как совокупность мета-алгоритмов и ИИ как средство оптимизации поведения людей в организации — раскрыты в [12]. Управленческая полезность ИИ как инструмента поддержки принятия решений рассмотрена в [20].

Нормативно-правовой контур оценки экономической эффективности ИИ-проектов в РФ формируется несколькими уровнями документов. На уровне стратегического целеполагания — Указ Президента РФ № 490 [3] и Распоряжение Правительства РФ № 1315-р об утверждении Концепции технологического развития до 2030 г. [4]. На уровне отраслевого регулирования информационной сферы — Федеральный закон № 149-ФЗ [2]. На уровне методического обеспечения — приказы Минцифры № 600 и № 601 [5; 6], устанавливающие порядок расчёта показателя цифровой зрелости отраслей. На уровне налогового стимулирования — пункт 1.15 статьи 284 Налогового кодекса РФ [1], предусматривающий льготную ставку налога на прибыль 5% для аккредитованных ИТ-компаний на период 2025–2030 гг. На уровне технических требований — ГОСТ Р 70462.1-2022 [7], определяющий критерии оценки робастности нейронных сетей. Каждый из перечисленных уровней оказывает влияние на состав показателей и параметров расчёта.

Эволюция систем управления предприятиями и роль ИИ в этом процессе исследованы в [10], где представлен исторический обзор от экспертных систем 1979–2005 гг. до современных методов машинного обучения. Интеллектуальные методы поддержки принятия управленческих решений и их влияние на показатели эффективности в различных отраслях рассмотрены в [20]. Влияние цифровой трансформации компаний на показатели прибыльности и реструктуризации операций эмпирически оценено в [13]. Этапы и показатели готовности предприятий к цифровой трансформации систематизированы в [14], мониторинг эффектов цифровых продуктов — в [9].

Теоретико-методологическая база цифровой трансформации в её связи с оценкой эффективности раскрыта в учебном издании [17] и диссертационном исследовании [19], где предложены научно-методические подходы к оцениванию эффективности цифровых платформ на промышленных предприятиях и модели прогнозирования экономического развития. Макроэкономические эффекты от ИИ, включая прогнозные оценки роста ВВП развитых стран на 20–25% к 2030 г. и анализ неравномерности распределения выгод между компаниями-лидерами и неадоптерами, представлены в [11].

При наличии значительного числа исследований по отдельным аспектам оценки эффективности ИТ- и ИИ-проектов в проанализированной литературе обнаруживается фрагментарность представления методических подходов применительно к ИИ-проектам в управлении предприятиями. Работа [8] сосредоточена на проблеме измерения эффекта в целом, [18] — на стоимостной оценке ИИ как актива, [16] и [21] — на расчёте TCO, [15] — на классических методах оценки ИТ-проектов. Целостная методическая рамка, объединяющая финансово-инвестиционные показатели, показатели цифровой зрелости и нормативно-правовые требования применительно к специфике ИИ-проектов, в проанализированных публикациях не сформирована.

В связи с вышеизложенным целью настоящего исследования выступает систематизация методических подходов к оценке экономической эффективности внедрения технологий искусственного интеллекта в управление предприятиями и обоснование комплексного подхода к их применению с учётом нормативно-правового контура и эмпирических отраслевых бенчмарков.

Материалы и методы исследований

Теоретический фундамент исследования основывается на синтезе трёх взаимодополняющих концептуальных направлений, формирующих основу для систематизации методических подходов к оценке экономической эффективности ИИ-проектов в управлении предприятиями.

Первым теоретическим направлением выступает теория оценки эффективности инвестиционных проектов. Базовые методы, рассмотренные в [15], включают чистую приведённую стоимость (NPV), внутреннюю норму доходности (IRR), рентабельность инвестиций (ROI), приведённый срок окупаемости (payback period). К модифицированным методам, адаптированным к проектам с высокой неопределённостью результата, относится метод реальных опционов. Применительно к ИИ-проектам данное направление обеспечивает финансово-инвестиционный уровень анализа; высокая доля нематериальных эффектов требует дополнительных подходов к их учёту.

Вторым направлением выступает концепция совокупной стоимости владения. В [21] представлен алгоритм оценки TCO автоматизированной информационной системы с выделением основных факторов затрат, весовых коэффициентов и привязкой статей затрат к стадиям жизненного цикла системы. В [16] раскрыты формулы расчёта TCO и охарактеризованы скрытые затраты, увеличивающие совокупную стоимость владения на 15–25%; концепция TCO применяется в качестве затратной основы для последующего расчёта рентабельности инвестиций.

Третьим направлением выступают концепции цифровой зрелости и сбалансированных показателей. Официальная методика расчёта показателя цифровой зрелости отраслей экономики и социальной сферы определена в приказах Минцифры № 600 [5] и № 601 [6]; базовое значение показателя на 2019 г. зафиксировано на уровне 4% с целевым ориентиром 100% к 2030 г. Применение сбалансированных KPI цифровой трансформации представлено в [9; 14]. Стоимостная оценка ИИ как нематериального актива рассмотрена в [18]; данное направление обеспечивает уровень нефинансовых и качественных показателей результата.

Методологический аппарат исследования включает четыре взаимосвязанных метода.

Систематический обзор научных публикаций охватывает 25 источников периода 2022–2026 гг., включая научные статьи в журналах перечня ВАК, учебное издание [17], диссертационное исследование [19], нормативно-правовые акты и аналитические отчёты признанных консалтинговых компаний. Отбор источников проводился по принципу релевантности теме и наличия методического содержания, применимого к оценке эффективности ИИ-проектов.

Контент-анализ нормативно-правовой базы охватывает Указ Президента РФ № 490 [3], ФЗ-149 [2], Концепцию технологического развития до 2030 г. [4], приказы Минцифры [5; 6], статью 284 Налогового кодекса РФ [1], ГОСТ Р 70462.1-2022 [7]. Анализу подлежали требования, влияющие на состав показателей и параметров расчёта экономической эффективности.

Сравнительный анализ методик проводился по матрице критериев: тип учитываемых эффектов (финансовые, нефинансовые, смешанные), горизонт оценки, способ учёта неопределённости, применимость к ИИ-проектам с учётом их специфики, требования к исходным данным. Объектами сравнения выступали NPV, IRR, ROI, payback period, метод реальных опционов, TCO, методика стоимостной оценки ИИ как актива, методика расчёта показателя цифровой зрелости.

Анализ эмпирических данных опирается на статистический сборник ИСИЭЗ НИУ ВШЭ [23], отчёты «Яков и Партнёры» совместно с Яндекс [24], McKinsey & Company [25], Strategy Partners [22]. Анализу подвергались показатели доли организаций, использующих ИИ; доли организаций с зафиксированным экономическим эффектом; прироста показателей EBITDA и EBIT; прогнозных оценок макроэкономического эффекта.

Эмпирическую основу составили данные обследования ИСИЭЗ НИУ ВШЭ 2024 г. — 54,3% организаций-пользователей ИИ зафиксировали рост качества продукции, 51% — повышение эффективности бизнес-процессов, 45% — рост производительности труда [23]; прогнозные оценки экономического эффекта в РФ — от 7,9 до 12,8 трлн руб. в год к 2030 г. и доля 78% компаний с зафиксированным эффектом от ИИ [24]; глобальная статистика влияния ИИ на EBIT — 39% организаций [25]; прогноз роста российского рынка корпоративного программного обеспечения на 24% в год до 2030 г. с достижением 727 млрд руб. [22].

Ограничения исследования определяются несколькими факторами. Во-первых, преобладание прогнозных оценок макроэкономического эффекта обусловливает определённую степень неопределённости в количественных характеристиках результата. Во-вторых, ограниченность долгосрочных эмпирических данных по ИИ-проектам — большинство задокументированных кейсов охватывают период не более 2–3 лет — снижает возможности оценки устойчивости эффектов. В-третьих, смещение выборок в сторону крупных технологически продвинутых компаний может приводить к завышению оценок применимости методик для предприятий малого и среднего бизнеса.

Результаты и обсуждения

Анализ публикаций 2022–2026 гг. позволил выделить четыре группы методических подходов к оценке экономической эффективности внедрения ИИ-проектов в управление предприятиями, различающихся типом учитываемых эффектов и характером целевого показателя.

Первую группу составляют финансово-инвестиционные методы, опирающиеся на оценку денежных потоков проекта: NPV, IRR, ROI, payback period [15]. Данные методы обеспечивают высокую точность расчётов при наличии достоверных данных о затратах и поступлениях; вместе с тем они недостаточно полно учитывают нематериальные эффекты ИИ-проектов и эффекты, проявляющиеся за пределами горизонта планирования.

Вторую группу составляют методы оценки затрат, среди которых ведущая роль отведена концепции совокупной стоимости владения (TCO). В [21] определён алгоритм оценки TCO автоматизированной информационной системы с привязкой затрат к стадиям жизненного цикла; в [16] раскрыты формулы расчёта и охарактеризованы скрытые затраты, учёт которых изменяет величину TCO на 15–25%. Применение TCO направлено на формирование затратной основы для последующего расчёта показателей рентабельности.

Третью группу составляют методы стоимостной оценки ИИ как нематериального актива. В [18] предложены критерии стоимостной оценки, включающие уровень экономического эффекта (снижение издержек, оптимизация времени операций, снижение рисков, повышение эффективности процессов), ограничения применимости модели и характеристики рынка ИИ-решений.

Четвёртую группу составляют методы оценки нефинансовых эффектов, в число которых входят показатель цифровой зрелости отраслей по официальной методике [5; 6], сбалансированные KPI цифровой трансформации, рассмотренные в [9; 14], и показатели качества ИИ-системы по ГОСТ Р 70462.1-2022 [7]. Данная группа обеспечивает учёт организационных, управленческих и качественных эффектов.

Сводное представление сравнительной характеристики методов приведено в таблице 1.

Таблица 1

Сравнительная характеристика методов оценки экономической эффективности внедрения ИИ-проектов

Table 1

Comparative characteristics of methods for assessing the economic efficiency of AI project implementation

Источник: составлено авторами по данным [5; 6; 7; 9; 14; 15; 16; 18; 21].

Финансово-инвестиционные методы (NPV, IRR, ROI, payback period) ориентированы на оценку финансовых эффектов в средне- и долгосрочной перспективе и не предусматривают встроенных механизмов учёта высокой неопределённости результата, характерной для ИИ-проектов на ранних стадиях. Метод реальных опционов [15] адаптирован к условиям неопределённости и допускает многоэтапную переоценку проекта по мере поступления новой информации; при этом он требует расширенного набора исходных данных. Метод TCO [16; 21] ориентирован на затратную сторону проекта и не предоставляет самостоятельной оценки результата, выступая основой для последующих расчётов рентабельности. Метод стоимостной оценки ИИ как актива [18] адаптирован к специфике ИИ как объекта, охватывает рисковую составляющую и характеристики рынка. Методы оценки нефинансовых эффектов [5; 6; 9; 14] обеспечивают комплексную картину эффектов, при этом результаты выражаются в неденежной форме и требуют дополнительных процедур для сопоставления с финансовыми показателями.

Особенности ИИ-проектов, отличающие их от классических ИТ-проектов, оказывают существенное влияние на применимость методик оценки. К числу таких особенностей относятся: высокая доля нематериальных эффектов (улучшение качества решений, ускорение обучения сотрудников, повышение точности прогнозов), эффект самообучения моделей по мере накопления данных, повышенная неопределённость результата на ранних стадиях внедрения, специфические требования к качеству системы.

Качественные требования к ИИ-системам определены в ГОСТ Р 70462.1-2022 [7] и включают робастность нейронных сетей, отказоустойчивость, точность, безопасность. Несоответствие данным требованиям приводит к рискам, не учитываемым классическими финансово-инвестиционными методами в стандартном применении. Границы применимости ИИ в корпоративном управлении и две концептуальные парадигмы его использования — ИИ как совокупность мета-алгоритмов и ИИ как средство оптимизации поведения людей в организации — раскрыты в [12]; в той же работе очерчены риски, связанные с делегированием управленческих функций алгоритмическим системам.

Управленческие эффекты ИИ, рассмотренные в [20], проявляются через интеллектуальные методы поддержки принятия решений: анализ больших данных, прогнозную аналитику, экспертные системы, машинное обучение. Эффекты данного типа измеряются в показателях скорости принятия решений, доли автоматизированных решений, точности прогнозов, что обусловливает необходимость дополнения финансовых методик показателями качества управленческих процессов.

Эмпирические данные о результатах внедрения ИИ в российских и зарубежных компаниях формируют систему ориентиров для калибровки оценок при применении методик. Сводное представление количественных бенчмарков приведено в таблице 2.

Таблица 2

Эмпирические бенчмарки экономического эффекта от внедрения технологий ИИ

Table 2

Empirical benchmarks of economic effect from AI technology implementation

Источник: составлено авторами по данным [22; 23; 24; 25].

Сопоставление показателей выявляет ранее обозначенный разрыв между долей компаний, заявляющих о получении экономического эффекта от ИИ (78% по данным [24]), и долей компаний с измеримым влиянием ИИ на показатель EBIT на уровне предприятия (39% по данным [25]). Указанное расхождение интерпретируется как следствие методической неоднородности подходов к фиксации эффекта: в одном случае учитываются операционные и качественные эффекты на уровне отдельных функций, в другом — финансовые эффекты, агрегированные до уровня всей организации. Прогнозные оценки [24] — 7,9–12,8 трлн руб. в год к 2030 г. — характеризуют верхнюю границу потенциала, при этом средний прирост EBITDA на уровне отдельной компании оценивается приблизительно в 4%. Прогноз роста рынка корпоративного программного обеспечения на 24% в год до 2030 г. [22] характеризует инвестиционную среду, в которой осуществляются ИИ-проекты.

Данные обследования ИСИЭЗ НИУ ВШЭ 2024 г. [23] позволяют дифференцировать эффекты по типам: 54,3% организаций-пользователей фиксируют рост качества продукции и услуг, 51% — повышение эффективности бизнес-процессов, 45% — рост производительности труда. Аналогичная структура эффектов прослеживается в макроэкономических оценках [11], где экономические эффекты от ИИ распределяются между снижением издержек, повышением производительности и расширением рынков. Тенденции трансформации управленческих процессов под влиянием ИИ, рассмотренные в [10], дополняют количественные оценки качественной характеристикой направлений изменений.

Состав нормативно-правовых актов, рассмотренных в рамках контент-анализа, оказывает дифференцированное влияние на параметры расчёта экономической эффективности ИИ-проектов.

Льготная ставка налога на прибыль 5% для аккредитованных ИТ-компаний на период 2025–2030 гг. [1] непосредственно изменяет величину чистого денежного потока проекта. При прочих равных условиях применение льготной ставки приводит к росту значений NPV, IRR и ROI и сокращению срока окупаемости проекта. Учёт данной льготы в расчётах направлен на обеспечение корректности оценки финансовой эффективности ИИ-проектов, реализуемых аккредитованными ИТ-компаниями или с их участием.

Методики Минцифры № 600 и № 601 [5; 6] формируют официальный показатель цифровой зрелости отраслей экономики. Применение методики направлено на обеспечение сопоставимости оценок цифровизации в межотраслевом и межрегиональном разрезах. Базовое значение показателя на 2019 г. зафиксировано на уровне 4% при целевом ориентире 100% к 2030 г.; промежуточные значения формируют возможность позиционирования отдельного предприятия относительно отраслевого среднего.

Требования ГОСТ Р 70462.1-2022 [7] к качеству нейронных сетей формируют основу для расчёта рисковой составляющей оценки. Несоответствие требованиям робастности, точности и безопасности приводит к необходимости включения в расчёт затрат на доработку системы или к необходимости дисконтирования ожидаемых эффектов с учётом риска некачественной работы модели.

Указ Президента РФ № 490 [3] и Концепция технологического развития до 2030 г. [4] определяют макроцелевые ориентиры и стратегические показатели; их учёт направлен на обеспечение соответствия проектных целей национальным приоритетам и на формирование основы для использования механизмов государственной поддержки. ФЗ-149 [2] устанавливает требования к защите информации и работе с информационными системами; затраты на соблюдение данных требований входят в состав расчёта TCO ИИ-системы.

Систематизация методических подходов формирует основу для контурного описания комплексного подхода к оценке экономической эффективности ИИ-проектов в управлении предприятиями. Подход охватывает три уровня показателей и условий.

Финансово-инвестиционный уровень включает расчёт NPV, IRR, ROI, payback period с учётом данных TCO. Применение метода реальных опционов рассматривается в качестве дополнительного инструмента для проектов с высокой неопределённостью результата. Использование данного уровня направлено на обеспечение количественной оценки финансовой составляющей эффекта.

Уровень нефинансовых эффектов включает расчёт показателя цифровой зрелости по официальной методике [5; 6], отраслевых и функциональных KPI цифровой трансформации [9; 14] и показателей качества ИИ-системы [7]. Назначение данного уровня — учёт организационно-управленческих и качественных эффектов, не сводимых к денежным показателям.

Уровень нормативно-правовых условий учитывает льготную налоговую ставку [1], требования к защите информации [2], национальные целевые ориентиры [3; 4] и стандарты качества ИИ-систем [7]. Применение этого уровня направлено на обеспечение полноты учёта нормативных факторов, влияющих на итоговые параметры расчёта.

Соотношение трёх уровней предполагает их параллельное применение с последующим сведением результатов в интегральную характеристику проекта. По итогам проведённого анализа формируется следующая позиция: изолированное применение методик одной группы (только финансовых или только нефинансовых) сопряжено с риском неполного отражения экономического эффекта ИИ-проекта; сочетание подходов направлено на снижение указанного риска и на обеспечение сопоставимости оценок между проектами различных типов и масштабов.

Соответствие выявленного разрыва между долей компаний, заявляющих о наличии эффекта (78%), и долей компаний с измеримым влиянием на EBIT (39%) контурам комплексного подхода интерпретируется следующим образом: первый показатель отражает совокупный эффект на уровне отдельных функций и операций; второй — финансовый эффект, агрегированный до уровня предприятия. Сочетание методик трёх уровней направлено на сокращение указанного разрыва за счёт сопоставления показателей разной природы в рамках единой оценочной процедуры.

Выводы

Проведённый анализ методических подходов к оценке экономической эффективности внедрения технологий искусственного интеллекта в управление предприятиями подтвердил недостаточность изолированного применения классических финансово-инвестиционных методов (NPV, IRR, ROI, payback period) для ИИ-проектов. Подтверждение опирается на выявленный по эмпирическим данным разрыв между долей компаний с зафиксированным экономическим эффектом от ИИ (78% по данным [24]) и долей компаний с измеримым влиянием ИИ на показатель EBIT на уровне предприятия (39% по данным [25]); подобное расхождение свидетельствует о методической неоднородности существующих подходов к фиксации эффекта.

Систематизация методических подходов привела к выделению четырёх групп методов: финансово-инвестиционных, основанных на оценке денежных потоков; затратных, опирающихся на концепцию TCO; стоимостных, направленных на оценку ИИ как нематериального актива; нефинансовых, ориентированных на показатели цифровой зрелости, сбалансированные KPI и показатели качества ИИ-системы по ГОСТ Р 70462.1-2022. Сравнительная характеристика методов по типу учитываемых эффектов, горизонту оценки, способу учёта неопределённости и применимости к ИИ-проектам формирует основу для обоснованного выбора инструментария в зависимости от типа и стадии конкретного проекта.

Контуры комплексного подхода объединяют три уровня — финансово-инвестиционный, уровень нефинансовых эффектов и уровень нормативно-правовых условий. Параллельное применение методик различных групп с последующим сведением результатов в интегральную характеристику направлено на обеспечение полноты учёта экономических эффектов ИИ-проекта и на сокращение разрыва между декларируемым и измеримым эффектом.

Теоретический вклад исследования состоит в расширении существующего методического аппарата оценки эффективности ИТ-проектов за счёт включения в него специфики ИИ-проектов: нематериальных эффектов, эффекта самообучения моделей, требований к качеству систем по национальному стандарту, нормативных целевых ориентиров. Систематизация дополняет работы [8; 16; 18; 21] целостной рамкой, объединяющей финансовые показатели, показатели цифровой зрелости и нормативно-правовые требования.

Сформированные по итогам исследования рекомендации направлены на обеспечение полноты учёта эффектов ИИ-проектов на предприятиях. На финансово-инвестиционном уровне — на проведение расчётов NPV, IRR, ROI и payback period с учётом льготной ставки налога на прибыль по ст. 284 НК РФ [1] и величины TCO с учётом скрытых затрат [16; 21]. На уровне нефинансовых эффектов — на расчёт показателя цифровой зрелости по официальной методике Минцифры [5; 6] и применение отраслевых KPI цифровой трансформации [9; 14]. На уровне условий — на учёт требований ГОСТ Р 70462.1-2022 [7] к качеству ИИ-системы и национальных целевых ориентиров Указа № 490 [3] и Концепции технологического развития до 2030 г. [4].

Перспективные направления развития исследования связаны с разработкой отраслевых референсных моделей оценки эффективности ИИ-проектов, эмпирической верификацией предложенного комплексного подхода на выборке российских предприятий и адаптацией показателей к специфике различных типов ИИ-решений: генеративного ИИ, ИИ-агентов, систем поддержки принятия решений на основе машинного обучения [10; 17; 19].

Список источников

1. Налоговый кодекс Российской Федерации (часть вторая) от 05.08.2000 № 117-ФЗ (ред. от 29.12.2025, с изм., вступ. в силу с 01.03.2026) // Официальный интернет-портал правовой информации. URL: http://pravo.gov.ru/proxy/ips/?docbody=&nd=102067323 (дата обращения: 22.04.2026).
2. Федеральный закон «Об информации, информационных технологиях и о защите информации» от 27.07.2006 № 149-ФЗ (ред. от 29.12.2025) // Официальный интернет-портал правовой информации. URL: http://pravo.gov.ru/proxy/ips/?docbody=&nd=102108264 (дата обращения: 15.05.2026).
3. Указ Президента Российской Федерации «О развитии искусственного интеллекта в Российской Федерации» от 10.10.2019 № 490 (ред. от 15.02.2024) // Официальный интернет-портал правовой информации. URL: http://publication.pravo.gov.ru/Document/View/0001201910110003 (дата обращения: 28.04.2026).
4. Распоряжение Правительства Российской Федерации «Об утверждении Концепции технологического развития на период до 2030 года» от 20.05.2023 № 1315-р // Официальный интернет-портал правовой информации. URL: http://publication.pravo.gov.ru/Document/View/0001202305260023 (дата обращения: 06.05.2026).
5. Приказ Министерства цифрового развития, связи и массовых коммуникаций Российской Федерации «Об утверждении методик расчёта целевых показателей национальной цели развития Российской Федерации „Цифровая трансформация“» от 18.11.2020 № 600 (ред. от 29.12.2023) // Официальный интернет-портал правовой информации. URL: http://publication.pravo.gov.ru/Document/View/0001202012100029 (дата обращения: 18.04.2026).
6. Приказ Министерства цифрового развития, связи и массовых коммуникаций Российской Федерации «Об утверждении методик расчёта прогнозных значений целевых показателей национальной цели развития Российской Федерации „Цифровая трансформация“» от 18.11.2020 № 601 // Официальный интернет-портал правовой информации. URL: http://publication.pravo.gov.ru/Document/View/0001202012100025 (дата обращения: 30.04.2026).
7. ГОСТ Р 70462.1-2022/ISO/IEC TR 24029-1-2021. Информационные технологии (ИТ). Интеллект искусственный. Оценка робастности нейронных сетей. Часть 1. Обзор. — Введ. 2022-12-01. — Москва : Российский институт стандартизации, 2022 // Электронный фонд правовых и нормативно-технических документов. URL: https://docs.cntd.ru/document/1200193906 (дата обращения: 03.05.2026).
8. Белова Е.Ю., Бадьина А.В. Измерение эффекта от внедрения искусственного интеллекта на предприятиях // Прогрессивная экономика. — 2025. — № 3. — С. 42–59. — DOI: 10.54861/27131211_2025_3_42.
9. Денисенко В.Ю. Мониторинг эффектов цифровых продуктов в условиях цифровой трансформации промышленных предприятий // Креативная экономика. — 2021. — Т. 15. — № 5. — С. 1837–1850.
10. Дороговцева А.А., Овчаренко Н.К. Искусственный интеллект в системе управления предприятием: эволюция, инновации и перспективы // Экономика, предпринимательство и право. — 2024. — Т. 14. — № 11. — С. 6259–6272. — DOI: 10.18334/epp.14.11.121944.
11. Ивановский Б.Г. Экономические эффекты от внедрения технологий «искусственного интеллекта» // Социальные новации и социальные науки. — 2021. — № 2 (4). — С. 8–25.
12. Искусственный интеллект в корпоративном управлении: возможности и границы применения [Электронный ресурс] // КиберЛенинка : научная электронная библиотека. URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-korporativnom-upravlenii-vozmozhnosti-i-granitsy-primeneniya (дата обращения: 25.04.2026).
13. Кочетков Е.П., Забавина А.А., Гафаров М.Г. Цифровая трансформация компаний как инструмент антикризисного управления: эмпирическая оценка влияния на эффективность // Стратегические решения и риск-менеджмент. — 2023. — Т. 14. — № 2. — С. 132–151.
14. Красникова А.С. Этапы цифровой трансформации предприятий оборонно-промышленного комплекса и показатели, её характеризующие // Экономика, предпринимательство и право. — 2023. — Т. 13. — № 12. — С. 5681–5696.
15. Куликова Л.Л., Швакин В.Ю. Особенности оценки эффективности ИТ-проектов // Вестник Иркутского государственного технического университета. — 2010. — № 3 (43). — С. 153–159.
16. Методика анализа совокупной стоимости владения (TCO) [Электронный ресурс] // КиберЛенинка : научная электронная библиотека. URL: https://cyberleninka.ru/article/n/metodika-analiza-sovokupnoy-stoimosti-vladeniya-tco (дата обращения: 27.04.2026).
17. Основы цифровой экономики и трансформации бизнеса : учебник / под ред. Е.Ю. Сидоровой. — Москва : КноРус, 2023. — 312 с.
18. Помулев А.А. Искусственный интеллект как объект стоимостной оценки // Имущественные отношения в Российской Федерации. — 2022. — № 11 (254). — С. 42–56. — DOI: 10.24412/2072-4098-2022-6249-42-56.
19. Тищенко И.А. Концепция цифровой трансформации экономики промышленности: инновационные подходы и прогнозирование экономического развития : дис. … д-ра экон. наук : 08.00.05. — Орёл, 2022. — 375 с.
20. Фасха А. Интеллектуальные методы поддержки принятия управленческих решений // Организатор производства. — 2024. — Т. 32. — № 2. — С. 50–55. — DOI: 10.36622/1810-4894.2024.33.50.005.
21. Этингоф Е.В. Оценка совокупной стоимости владения автоматизированной информационной системой // Вестник КамГУ имени Витуса Беринга. — 2022. — № 2. — С. 41–53.
22. Анализ российского рынка корпоративного программного обеспечения [Электронный ресурс] // Strategy Partners. — 2025. — URL: https://strategy.ru/research/research/analiz-rossijskogo-rynka-korporativnogo-po/ (дата обращения: 11.05.2026).
23. Индикаторы цифровой экономики: 2024 : статистический сборник / Г.И. Абдрахманова, К.О. Вишневский, Л.М. Гохберг и др. [Электронный ресурс] // Национальный исследовательский университет «Высшая школа экономики». — Москва : НИУ ВШЭ, 2024. — URL: https://publications.hse.ru/books/888949257 (дата обращения: 07.05.2026).
24. Искусственный интеллект в России — 2025: тренды и перспективы [Электронный ресурс] // Яков и Партнёры; Яндекс. — 08.12.2025. — URL: https://yakovpartners.ru/publications/ai-2025/ (дата обращения: 13.05.2026).
25. The state of AI: How organizations are rewiring to capture value [Electronic resource] // McKinsey & Company : Global Surveys. — 2025. — URL: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai (дата обращения: 09.05.2026).
26. © Скворцова Н.А., Попов И.А.