Методические подходы к оценке экономической эффективности внедрения технологий искусственного интеллекта в управление предприятиями

Введение

Цифровая трансформация управления предприятиями переходит в новую фазу, в которой ключевым технологическим драйвером становятся технологии искусственного интеллекта. Согласно прогнозу, представленному в исследовании «Яков и Партнеры» и Яндекс, совокупный экономический эффект от применения искусственного интеллекта в Российской Федерации к 2030 г. может составить от 7,9 до 12,8 трлн руб. в год, что эквивалентно 5,5% прогнозируемого валового внутреннего продукта; экономический эффект от внедрения искусственного интеллекта отмечают 78% компаний-пользователей, что на 10 процентных пунктов выше показателя предыдущего периода [24]. Сопоставимое глобальное исследование McKinsey & Company показывает, что только 39% организаций сообщают об измеримом влиянии искусственного интеллекта на показатель EBIT на уровне всего предприятия [25]. Расхождение между долей компаний с самооценкой эффекта и долей компаний с верифицированным финансовым результатом отражает методическую неоднородность применяемых подходов и формирует исследовательский запрос на их систематизацию. Внедрение технологий искусственного интеллекта закреплено как приоритет государственной политики в Указе Президента Российской Федерации № 490 [3] и в Концепции технологического развития на период до 2030 г., утвержденной Распоряжением Правительства Российской Федерации № 1315-р [4].

Анализ эволюции методического инструментария оценки эффективности информационно-технологических проектов выявляет несколько устоявшихся групп методов. К первой группе относятся финансово-инвестиционные методы: чистая приведенная стоимость (NPV), внутренняя норма доходности (IRR), рентабельность инвестиций (ROI), приведенный срок окупаемости (payback period). В работе Л.Л. Куликовой и В.Ю. Швакина детально проработаны теоретические основы и алгоритмы их применения, а также модифицированный метод реальных опционов как инструмент учета управленческой гибкости в условиях неопределенности [15]. Вторая группа представлена затратными методами, среди которых ключевую роль играет методика совокупной стоимости владения (TCO). В исследовании Е.В. Этингофа предложен алгоритм оценки TCO автоматизированной информационной системы с привязкой к стадиям жизненного цикла [21], а в аналитической публикации, посвященной методике анализа TCO, выделены скрытые затраты, увеличивающие итоговую стоимость владения в диапазоне 15–25% относительно прямых [16]. Третья группа объединяет методы стоимостной оценки нематериальных активов: в работе А.А. Помулева сформулированы критерии оценки искусственного интеллекта как объекта стоимостной оценки [18].

Особенности проектов внедрения искусственного интеллекта формируют дополнительные требования к выбору методики оценки. Высокая доля нематериальных эффектов, неопределенность результата на этапе пилотного внедрения, эффект самообучения моделей и специфические риски качества - снижение робастности при изменении входных данных, потеря точности при изменении предметной области, отказы при обработке нетипичных запросов - выводят оценку проектов искусственного интеллекта за пределы традиционного финансового анализа. Требования к оценке качества нейросетевых моделей формализованы в национальном стандарте ГОСТ Р 70462.1-2022 [7]. В работе А.А. Дороговцевой и Н.К. Овчаренко прослежена эволюция подходов к применению искусственного интеллекта в управлении предприятием от экспертных систем 1970-х гг. до современных систем машинного обучения и больших языковых моделей, что отражает расширение управленческого инструментария [10]. В то же время в публикации, посвященной возможностям и границам применения искусственного интеллекта в корпоративном управлении, фиксируются принципиальные ограничения и связанные с применением риски, остающиеся предметом научной дискуссии [12].

Нормативно-правовой контур оценки экономической эффективности проектов внедрения искусственного интеллекта в Российской Федерации формируется несколькими актами. Указ Президента Российской Федерации № 490 в действующей редакции включает федеральный проект «Искусственный интеллект» в национальный проект «Экономика данных» [3]. Концепция технологического развития до 2030 г. относит искусственный интеллект к сквозным технологиям и предусматривает разработку единой системы оценки уровней готовности технологий [4]. Приказы Министерства цифрового развития № 600 и № 601 устанавливают официальный порядок расчета показателя «Достижение цифровой зрелости» по 12 отраслям экономики, что формирует унифицированный нефинансовый показатель [5, 6]. Статья 284 Налогового кодекса Российской Федерации в действующей редакции устанавливает льготную ставку налога на прибыль 5% для аккредитованных информационно-технологических компаний на период 2025–2030 гг., что прямо влияет на величину чистого денежного потока и итоговые значения NPV, IRR и срока окупаемости [1]. Базовые определения информационных технологий и информационной системы содержит Федеральный закон № 149-ФЗ [2].

Управленческий потенциал технологий искусственного интеллекта в современных условиях связан с расширением спектра задач, поддерживаемых интеллектуальными методами принятия решений. В работе А. Фасхи раскрываются ситуационный анализ, прогнозирование, оптимизация бизнес-процессов, обработка слабоструктурированных данных, поддержка решений в финансах, маркетинге, логистике и управлении персоналом как сфера применения интеллектуальных методов [20]. В исследовании Е.П. Кочеткова, А.А. Забавиной и М.Г. Гафарова представлена эмпирическая оценка влияния цифровой трансформации компаний на показатели прибыльности и эффективности, в том числе в условиях антикризисного управления [13]. В работе А.С. Красниковой систематизированы этапы цифровой трансформации предприятий и показатели готовности к ней [14], а в исследовании В.Ю. Денисенко обоснована необходимость мониторинга эффектов цифровых продуктов и предложены ключевые показатели эффективности для условий цифровой трансформации [9]. Теоретические основы цифровой экономики систематизированы в учебнике под редакцией Е.Ю. Сидоровой [17], а концептуальное обоснование цифровой трансформации экономики промышленности представлено в диссертационном исследовании И.А. Тищенко [19].

Анализ имеющихся научных публикаций позволяет зафиксировать научный пробел. Существующие работы Л.Л. Куликовой и В.Ю. Швакина [15], Е.В. Этингофа [21], А.А. Помулева [18] фокусируются на отдельных группах методов - финансово-инвестиционных, затратных и методах стоимостной оценки; работы Е.Ю. Беловой и А.В. Бадьиной [8], Б.Г. Ивановского [11] рассматривают измерение эффекта от внедрения искусственного интеллекта в целом без выделения управленческого контекста. Целостная методическая рамка, объединяющая финансовые показатели, нефинансовые показатели цифровой зрелости и нормативно-правовые условия применительно к задаче оценки проектов искусственного интеллекта в управлении предприятием, в проанализированных публикациях не представлена. В связи с этим целью настоящего исследования выступает систематизация существующих методических подходов к оценке экономической эффективности внедрения технологий искусственного интеллекта в управление предприятиями и обоснование комплексного подхода к их применению с учетом нормативно-правового контура и отраслевых бенчмарков.

Материалы и методы исследований

Теоретический фундамент исследования формируется синтезом трех концептуальных направлений, обеспечивающих многоаспектное рассмотрение проблематики оценки экономической эффективности проектов искусственного интеллекта в управлении предприятием.

Первое концептуальное направление - теория оценки эффективности инвестиционных проектов в ее приложении к информационно-технологической сфере [15]. Применение этих методов к проектам искусственного интеллекта требует адаптации с учетом удлиненного горизонта эффекта самообучения моделей и высокой неопределенности результата на этапе пилотного внедрения.

Второе концептуальное направление - концепция совокупной стоимости владения (TCO), охватывающая полный жизненный цикл информационной системы. В исследовании Е.В. Этингофа определен алгоритм оценки TCO автоматизированной информационной системы, включающий выявление основных факторов затрат и определение весовых коэффициентов с привязкой к стадиям жизненного цикла - внедрения, эксплуатации, модернизации, вывода из эксплуатации [21]. В аналитической публикации по методике анализа TCO выделен учет скрытых затрат, увеличивающих итоговую стоимость владения на 15–25% относительно прямых, что формирует основу для расчета рентабельности инвестиций и стратегического управления затратами [16].

Третье концептуальное направление - концепция цифровой зрелости и сбалансированных показателей. Официальная методика расчета показателя цифровой зрелости отраслей экономики определена приказами Министерства цифрового развития № 600 и № 601 и охватывает 12 отраслей с горизонтом до 2030 г. [5, 6]. В работе А.А. Помулева сформулирована концепция стоимостной оценки искусственного интеллекта как объекта учета с выделением четырех направлений экономического эффекта: снижение издержек, оптимизация времени операций, снижение рисков, повышение эффективности процессов [18]. Подходы к сбалансированной системе показателей и мониторингу ключевых показателей эффективности цифровых продуктов раскрыты В.Ю. Денисенко [9] и А.С. Красниковой [14].

Методологический аппарат исследования построен на комплексном применении четырех взаимосвязанных методов.

Систематический обзор научной литературы проведен по корпусу из 25 источников 2022–2026 гг., включающему научные статьи рецензируемых журналов из перечня Высшей аттестационной комиссии, монографии, диссертационное исследование, учебное издание, нормативно-правовые акты и аналитические отчеты. Отбор источников осуществлялся по критериям тематической релевантности, наличия методического содержания и принадлежности к академическим или официальным изданиям.

Контент-анализ нормативно-правовой базы охватил основные акты, регулирующие сферу применения и оценки технологий искусственного интеллекта: Налоговый кодекс Российской Федерации в части льготного налогообложения информационно-технологических компаний [1], Федеральный закон № 149-ФЗ [2], Указ Президента Российской Федерации № 490 [3], Концепцию технологического развития до 2030 г. [4], приказы Министерства цифрового развития № 600 и № 601 [5, 6], национальный стандарт ГОСТ Р 70462.1-2022 [7].

Сравнительный анализ методик оценки эффективности проводился по матрице из пяти критериев: тип учитываемых эффектов (финансовые, нефинансовые, смешанные); горизонт оценки (краткосрочный, среднесрочный, долгосрочный); учет неопределенности результата; применимость к специфике проектов искусственного интеллекта; требования к исходным данным. Подобная матрица обеспечивает сопоставимость выводов по разным группам методов.

Анализ эмпирических данных опирался на четыре источника, обеспечивающих триангуляцию результатов: статистический сборник Института статистических исследований и экономики знаний НИУ ВШЭ за 2024 г. под редакцией Г.И. Абдрахмановой, К.О. Вишневского, Л.М. Гохберга и др. как источник официальной государственной статистики [23]; отраслевой отчет «Яков и Партнеры» и Яндекс 2025 г. как источник прогнозных оценок и опросных данных по российскому рынку [24]; глобальное исследование McKinsey & Company 2025 г. как источник международных сопоставлений [25]; аналитический отчет Strategy Partners 2025 г. как источник прогнозов развития рынка корпоративного программного обеспечения [22].

Эмпирическую основу исследования формируют следующие группы данных. По данным Г.И. Абдрахмановой, К.О. Вишневского, Л.М. Гохберга и др. (ИСИЭЗ НИУ ВШЭ), внедрение искусственного интеллекта в российских организациях привело к росту качества продукции в 54,3% случаев, к росту эффективности бизнес-процессов в 51% и к росту производительности труда в 45% [23]. По прогнозу «Яков и Партнеры» и Яндекс, совокупный экономический эффект от искусственного интеллекта в Российской Федерации к 2030 г. оценивается в 7,9–12,8 трлн руб., а доля компаний, фиксирующих экономический эффект, составляет 78% [24]. По данным McKinsey & Company, доля организаций с измеримым влиянием искусственного интеллекта на EBIT в глобальной выборке составляет 39% [25]. По оценке Strategy Partners, прогнозный среднегодовой рост рынка корпоративного программного обеспечения в Российской Федерации составляет 24% до 2030 г. [22].

Ограничения исследования связаны с несколькими факторами. Прогнозный характер большинства количественных оценок предполагает возможность их пересмотра при изменении макроэкономических условий. Ограниченность долгосрочных эмпирических данных по проектам искусственного интеллекта обусловлена относительной новизной их массового внедрения: большинство задокументированных кейсов охватывают период не более трех-четырех лет. Смещение выборок в сторону крупных компаний-лидеров может завышать оценки потенциала технологий для малых и средних предприятий. Часть базовых методических положений по оценке информационно-технологических проектов восходит к работам, опубликованным до 2022 г.; их использование как опорных не противоречит требованию ориентации на актуальные источники, поскольку методический инструментарий NPV, IRR, ROI имеет фундаментальный характер и сохраняет применимость.

Результаты и обсуждения

Систематизация выявленных в литературе методических подходов к оценке экономической эффективности внедрения технологий искусственного интеллекта в управление предприятиями выполнена по двум основаниям. Первое основание - тип учитываемых эффектов: финансовые (количественные стоимостные показатели), нефинансовые (организационные, управленческие, качественные показатели), смешанные (объединяющие обе категории). Второе основание - стадия жизненного цикла проекта: предынвестиционная (прогнозирование эффекта), реализационная (мониторинг затрат и хода внедрения), эксплуатационная (фактическая оценка эффекта). Применение этих оснований позволяет выделить четыре функциональные группы методов: финансово-инвестиционные, затратные, стоимостные, нефинансовые.

Финансово-инвестиционные методы (NPV, IRR, ROI, payback period), системно изложенные Л.Л. Куликовой и В.Ю. Швакиным, представляют собой устоявшийся аппарат оценки и применяются преимущественно на предынвестиционной стадии. Их сильной стороной выступает количественная точность и сопоставимость результатов, ограничением - слабый учет нематериальных эффектов и неопределенности результата [15]. Затратные методы, ядром которых выступает методика TCO в формулировке Е.В. Этингофа [21] и аналитических публикаций по совокупной стоимости владения [16], охватывают полный жизненный цикл и применяются на всех стадиях проекта; их основное назначение - выявление скрытых затрат и формирование базы для расчета рентабельности. Стоимостные методы оценки искусственного интеллекта как объекта учета, разработанные А.А. Помулевым, применимы при необходимости отражения технологии в составе нематериальных активов и учитывают четыре направления экономического эффекта [18]. Нефинансовые методы - показатели цифровой зрелости в соответствии с приказами Министерства цифрового развития № 600 и № 601 [5, 6], сбалансированные системы показателей и ключевые показатели эффективности цифровой трансформации, раскрытые в работах В.Ю. Денисенко [9] и А.С. Красниковой [14], - применяются для оценки организационно-управленческих эффектов, не отражаемых в стоимостных показателях.

Сравнительная характеристика выделенных групп методов представлена в таблице 1.

Таблица 1

Сравнительная характеристика методических подходов к оценке экономической эффективности внедрения искусственного интеллекта в управление предприятиями

Table 1

Comparative characteristics of methodological approaches to assessing the economic efficiency of artificial intelligence implementation in enterprise management

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

Source: compiled by the authors based on [5, 6, 7, 9, 14, 15, 16, 18, 21]

Сравнение групп методов позволяет зафиксировать положение, имеющее принципиальное значение для дальнейшего обоснования: ни одна из выделенных групп в изолированном применении не охватывает всех значимых эффектов проекта искусственного интеллекта. Финансово-инвестиционные методы дают количественно точный результат, но не учитывают качественные характеристики искусственного интеллекта и нефинансовые эффекты; затратные методы фиксируют расходную часть и требуют дополнения доходной стороной; стоимостная оценка применима ограниченно - в задачах учета; нефинансовые методы не обеспечивают сопоставимости с финансовыми инвестиционными решениями.

Специфика проектов внедрения искусственного интеллекта в управление предприятиями формирует ряд требований к методическому инструментарию оценки, выходящих за рамки традиционного финансового анализа. Высокая доля нематериальных эффектов проявляется в улучшении качества управленческих решений, ускорении реакции на изменения внешней среды, повышении удовлетворенности пользователей; на необходимость учета подобных эффектов при стоимостной оценке указывает А.А. Помулев [18]. Эффект самообучения моделей создает нелинейную динамику отдачи: первичная отдача от внедрения может быть умеренной, тогда как накопленный эффект через 12–24 месяца кратно превосходит исходные оценки. Специфические риски качества систем искусственного интеллекта - снижение робастности при изменении входных данных, потеря точности при изменении предметной области, отказы при обработке нетипичных запросов - формализованы в национальном стандарте ГОСТ Р 70462.1-2022, который вводит методическую базу для оценки соответствующих параметров [7].

Расширение перечня управленческих задач, поддерживаемых интеллектуальными методами, фиксируется в современных исследованиях. А. Фасха показывает, что машинное обучение, аналитика данных, экспертные системы, обработка естественного языка применяются для поддержки принятия решений в финансах, маркетинге, логистике, управлении персоналом [20; 8; 11]. В публикации, посвященной границам применения искусственного интеллекта в корпоративном управлении, выделены две парадигмы: применение искусственного интеллекта как совокупности мета-алгоритмов автоматизации управленческих процессов и применение искусственного интеллекта как средства оптимизации поведения людей в организации [12]. Различение этих парадигм имеет методическое значение: первая допускает прямую финансовую оценку через сравнение затрат «до» и «после», вторая требует подключения нефинансовых индикаторов.

Эмпирические данные о результативности внедрения технологий искусственного интеллекта в российских и зарубежных компаниях позволяют выполнить количественную калибровку методических ожиданий. Сопоставление ключевых эмпирических показателей представлено в таблице 2.

Таблица 2

Эмпирические оценки эффекта от внедрения технологий искусственного интеллекта

Table 2

Empirical estimates of the effect of implementing artificial intelligence technologies

Источник: составлено по данным [22, 23, 24, 25]

Source: compiled based on [22, 23, 24, 25]

Расхождение между самооценкой экономического эффекта (78% по данным «Яков и Партнеры» и Яндекс [24]) и долей организаций с измеримым влиянием на EBIT (39% по данным McKinsey & Company [25]) имеет принципиальное методическое значение: оно отражает не отсутствие эффекта как такового, а несовершенство применяемых организациями методик его измерения. Большая часть зафиксированных эффектов локализуется на уровне бизнес-процессов - качество продукции, производительность труда, скорость операций - и не агрегируется до уровня финансового результата всего предприятия в применяемых методиках. Сопоставимое распределение эффектов по уровням деятельности подтверждается данными ИСИЭЗ НИУ ВШЭ под редакцией Г.И. Абдрахмановой, К.О. Вишневского, Л.М. Гохберга и др. - 54,3% / 51% / 45% [23], что свидетельствует о преимущественной локализации эффекта искусственного интеллекта на операционном уровне, а не на уровне консолидированной финансовой отчетности.

Влияние нормативно-правового контура на методику оценки экономической эффективности проектов искусственного интеллекта реализуется через несколько каналов. Первый канал - налоговый: льготная ставка налога на прибыль 5% для аккредитованных информационно-технологических компаний на период 2025–2030 гг. согласно статье 284 Налогового кодекса Российской Федерации непосредственно изменяет величину чистого денежного потока в составе расчета NPV и сокращает значение срока окупаемости [1]. Учет льготы в финансовой модели проекта формирует разницу в итоговых показателях, существенную для принятия инвестиционного решения. Второй канал - целевой: национальные показатели, установленные Указом Президента Российской Федерации № 490 [3] и Концепцией технологического развития до 2030 г. [4], формируют макроэкономические ориентиры, к которым может привязываться сопоставление частных проектных результатов.

Третий канал - нормативно-методический: приказы Министерства цифрового развития № 600 и № 601 устанавливают официальный показатель цифровой зрелости с горизонтом до 2030 г. при целевом значении 100%, что обеспечивает унифицированный нефинансовый показатель для агрегированной оценки [5, 6]. Четвертый канал - качественный: ГОСТ Р 70462.1-2022 задает критерии оценки качества систем искусственного интеллекта - робастность, точность, безопасность, формирующие нефинансовую составляющую интегральной оценки эффективности [7]. Пятый канал - определительный: Федеральный закон № 149-ФЗ закрепляет базовые определения информационных технологий и информационной системы, используемые при квалификации соответствующих затрат и эффектов [2].

Развитие рынка корпоративного программного обеспечения в Российской Федерации, по оценке «Strategy Partners» прогнозируемое на уровне 24% в среднегодовом исчислении до 2030 г. [22], сопровождается ростом доли расходов на проекты внедрения искусственного интеллекта. Совокупное действие выявленных факторов - нормативной поддержки, рыночного роста, накопленной эмпирической базы - формирует условия, при которых методический инструментарий оценки эффективности перестает быть нейтральным фактором: выбор методики прямо влияет на принимаемые управленческие и инвестиционные решения, а методическая неоднородность транслируется в неоднородность зафиксированных результатов.

На основании выполненного систематического обзора и сравнительного анализа формируются контуры комплексного подхода к оценке экономической эффективности внедрения искусственного интеллекта в управление предприятиями. Подход построен на принципе трехуровневой агрегации показателей с распределением по типам учитываемых эффектов. Первый уровень - финансово-инвестиционный - обеспечивает количественную оценку стоимостных эффектов. Применяемые методы: NPV, IRR, ROI, payback period в формулировке Л.Л. Куликовой и В.Ю. Швакина в базовой конфигурации с учетом льготной ставки налога на прибыль по статье 284 Налогового кодекса Российской Федерации [1, 15]; метод реальных опционов в задачах с высокой неопределенностью результата [15]; TCO в формулировке Е.В. Этингофа [21] как инструмент оценки полной стоимости владения по жизненному циклу с учетом скрытых затрат [16]. Второй уровень - нефинансовых эффектов - обеспечивает учет организационно-управленческих результатов. Применяемые показатели: цифровая зрелость по методикам Министерства цифрового развития [5, 6]; отраслевые ключевые показатели эффективности цифровой трансформации в подходах В.Ю. Денисенко [9] и А.С. Красниковой [14]; качественные показатели ГОСТ Р 70462.1-2022 [7]. Третий уровень - нормативно-правовых условий - обеспечивает соответствие проекта институциональным требованиям и национальным ориентирам, установленным Указом Президента Российской Федерации № 490 [3] и Концепцией технологического развития до 2030 г. [4].

Композиция трех уровней направлена на обеспечение полноты учета значимых эффектов: финансовые показатели формируют основу инвестиционного решения, нефинансовые показатели отражают локализованные эффекты на уровне бизнес-процессов и подразделений (показатели 54,3% / 51% / 45% по данным ИСИЭЗ НИУ ВШЭ [23]), нормативно-правовые условия обеспечивают сопоставимость частной оценки с национальными целевыми ориентирами. Применение комплексного подхода направлено на сокращение методического разрыва, проявляющегося в виде расхождения 78% / 39% между самооценкой эффекта и его финансовой верификацией. Положение, формируемое по итогам анализа: систематизация методических подходов требует не выбора одной из существующих групп методов в качестве основной, а их структурированного сочетания по уровням учитываемых эффектов с обязательным включением нормативно-правового контура. Подобная композиция направлена на повышение объективности оценки и обеспечение сопоставимости результатов между проектами в разных отраслях.

Выводы

Выполненное исследование подтвердило исходное положение о методической неоднородности подходов к оценке экономической эффективности внедрения технологий искусственного интеллекта в управление предприятиями. Сопоставление эмпирических данных показало наличие существенного количественного расхождения: при доле российских компаний, фиксирующих экономический эффект от внедрения искусственного интеллекта, на уровне 78% по данным «Яков и Партнеры» и Яндекс [24], доля организаций с измеримым влиянием искусственного интеллекта на EBIT на уровне всего предприятия в глобальной выборке McKinsey & Company составляет 39% [25]. Расхождение объясняется не отсутствием эффекта, а локализацией его на операционном уровне - рост качества продукции в 54,3% организаций, рост эффективности процессов в 51% и рост производительности труда в 45% по данным ИСИЭЗ НИУ ВШЭ под редакцией Г.И. Абдрахмановой, К.О. Вишневского, Л.М. Гохберга и др. [23] - и недостаточной агрегацией нефинансовых эффектов в применяемых методиках.

Систематизация методического инструментария по двум основаниям - типу учитываемых эффектов и стадии жизненного цикла проекта - позволила выделить четыре функциональные группы методов: финансово-инвестиционные в формулировке Л.Л. Куликовой и В.Ю. Швакина, включающие NPV, IRR, ROI, payback period и метод реальных опционов [15]; затратные, ядром которых выступает методика TCO в формулировке Е.В. Этингофа [21] и аналитических публикаций по совокупной стоимости владения [16]; стоимостные, основанные на оценке искусственного интеллекта как объекта учета в работе А.А. Помулева [18]; нефинансовые, объединяющие показатели цифровой зрелости по методикам Министерства цифрового развития № 600 и № 601 [5, 6], ключевые показатели эффективности цифровой трансформации в подходах В.Ю. Денисенко [9] и А.С. Красниковой [14], а также качественные показатели систем искусственного интеллекта по ГОСТ Р 70462.1-2022 [7]. Сравнительный анализ показал, что изолированное применение каждой группы методов не обеспечивает полноты учета эффектов проектов искусственного интеллекта.

Обоснован трехуровневый комплексный подход к оценке, уровень нефинансовых эффектов с использованием методик цифровой зрелости Министерства цифрового развития [5, 6] и качественных показателей ГОСТ Р [7], а также уровень нормативно-правовых условий с привязкой к Указу Президента Российской Федерации № 490 [3] и Концепции технологического развития до 2030 г. [4]. Применение комплексного подхода направлено на обеспечение полноты учета значимых эффектов и сокращение методического разрыва между декларируемым и финансово верифицируемым результатом. Теоретический вклад исследования состоит в расширении сложившейся концепции оценки эффективности информационно-технологических проектов через включение в нее специфики проектов искусственного интеллекта: нематериальных эффектов, эффекта самообучения моделей, требований к качеству согласно ГОСТ Р [7], национальных целевых ориентиров [3, 4]. Систематизация подходов и обоснование комплексного подхода направлены на восполнение научного пробела, выявленного при анализе работ Е.Ю. Беловой и А.В. Бадьиной [8], А.А. Дороговцевой и Н.К. Овчаренко [10], Б.Г. Ивановского [11], Е.П. Кочеткова, А.А. Забавиной и М.Г. Гафарова [13], И.А. Тищенко [19] и А. Фасхи [20]; дополнительный теоретический результат связан с уточнением понимания природы расхождения 78% / 39% - оно интерпретировано как методическая, а не содержательная проблема.

Практическая применимость результатов исследования связана с возможностью использования предложенной композиции методик при формировании инвестиционных решений по проектам внедрения искусственного интеллекта. Учет трехуровневой структуры показателей при разработке бизнес-кейсов направлен на обеспечение сопоставимости проектов между собой и с национальными целевыми ориентирами; учет льготной ставки налога на прибыль в финансовой модели направлен на повышение точности расчетных значений NPV, IRR и срока окупаемости; включение в систему оценки показателя цифровой зрелости по методикам Министерства цифрового развития [5, 6] направлено на обеспечение совместимости частной оценки с государственной системой мониторинга цифровой трансформации, методологические основы которой систематизированы в учебнике под редакцией Е.Ю. Сидоровой [17]. Перспективные направления дальнейших исследований включают разработку отраслевых референтных моделей оценки эффективности проектов искусственного интеллекта с дифференциацией по типам управленческих задач; эмпирическую верификацию предложенного комплексного подхода на выборке российских предприятий; адаптацию методического инструментария к специфике различных типов решений на основе искусственного интеллекта - генеративных моделей, интеллектуальных агентов, систем поддержки принятия решений; сопряжение предложенного подхода с прогнозом среднегодового роста рынка корпоративного программного обеспечения на уровне 24% до 2030 г. по оценке Strategy Partners [22] для построения моделей агрегированного отраслевого эффекта.

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 расчета 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 расчета 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, ее 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. - Орел, 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 Партнеры; 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. References
27. Tax Code of the Russian Federation (Part Two) No. 117-FZ of 05.08.2000 (as amended on 29.12.2025, with changes effective from 01.03.2026). Official Internet Portal of Legal Information. URL: http://pravo.gov.ru/proxy/ips/?docbody=&nd=102067323 (access date: 22.04.2026).
28. Federal Law "On Information, Information Technologies and Information Protection" No. 149-FZ of 27.07.2006 (as amended on 29.12.2025). Official Internet Portal of Legal Information. URL: http://pravo.gov.ru/proxy/ips/?docbody=&nd=102108264 (access date: 15.05.2026).
29. Decree of the President of the Russian Federation "On the Development of Artificial Intelligence in the Russian Federation" No. 490 of 10.10.2019 (as amended on 15.02.2024). Official Internet Portal of Legal Information. URL: http://publication.pravo.gov.ru/Document/View/0001201910110003 (access date: 28.04.2026).
30. Order of the Government of the Russian Federation "On Approval of the Concept of Technological Development for the Period until 2030" No. 1315-r of 20.05.2023. Official Internet Portal of Legal Information. URL: http://publication.pravo.gov.ru/Document/View/0001202305260023 (access date: 06.05.2026).
31. Order of the Ministry of Digital Development, Communications and Mass Media of the Russian Federation "On Approval of Methodologies for Calculating Target Indicators of the National Development Goal of the Russian Federation 'Digital Transformation'" No. 600 of 18.11.2020 (as amended on 29.12.2023). Official Internet Portal of Legal Information. URL: http://publication.pravo.gov.ru/Document/View/0001202012100029 (access date: 18.04.2026).
32. Order of the Ministry of Digital Development, Communications and Mass Media of the Russian Federation "On Approval of Methodologies for Calculating Forecast Values of Target Indicators of the National Development Goal of the Russian Federation 'Digital Transformation'" No. 601 of 18.11.2020. Official Internet Portal of Legal Information. URL: http://publication.pravo.gov.ru/Document/View/0001202012100025 (access date: 30.04.2026).
33. GOST R 70462.1-2022/ISO/IEC TR 24029-1-2021. Information Technology (IT). Artificial Intelligence. Assessment of the Robustness of Neural Networks. Part 1. Overview. Introduced 2022-12-01. Moscow: Russian Institute for Standardization, 2022. Electronic Fund of Legal and Normative-Technical Documents. URL: https://docs.cntd.ru/document/1200193906 (access date: 03.05.2026).
34. Belova E.Yu., Badina A.V. Measuring the effect of artificial intelligence implementation at enterprises. Progressive Economy. 2025. No. 3. pp. 42–59. DOI: 10.54861/27131211_2025_3_42.
35. Denisenko V.Yu. Monitoring the effects of digital products in the context of digital transformation of industrial enterprises. Creative Economy. 2021. Vol. 15. No. 5. pp. 1837–1850.
36. Dorogovtseva A.A., Ovcharenko N.K. Artificial intelligence in the enterprise management system: evolution, innovations and prospects. Economics, Entrepreneurship and Law. 2024. Vol. 14. No. 11. pp. 6259–6272. DOI: 10.18334/epp.14.11.121944.
37. Ivanovsky B.G. Economic effects of implementing "artificial intelligence" technologies. Social Novelties and Social Sciences. 2021. No. 2 (4). pp. 8–25.
38. Artificial intelligence in corporate governance: opportunities and limits of application [Electronic resource]. CyberLeninka: Scientific Electronic Library. URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-korporativnom-upravlenii-vozmozhnosti-i-granitsy-primeneniya (access date: 25.04.2026).
39. Kochetkov E.P., Zabavina A.A., Gafarov M.G. Digital transformation of companies as a tool for anti-crisis management: an empirical assessment of the impact on efficiency. Strategic Decisions and Risk Management. 2023. Vol. 14. No. 2. pp. 132–151.
40. Krasnikova A.S. Stages of digital transformation of defense-industrial complex enterprises and indicators characterizing it. Economics, Entrepreneurship and Law. 2023. Vol. 13. No. 12. pp. 5681–5696.
41. Kulikova L.L., Shvakin V.Yu. Features of assessing the efficiency of IT projects. Bulletin of Irkutsk State Technical University. 2010. No. 3 (43). pp. 153–159.
42. Methodology for analyzing total cost of ownership (TCO) [Electronic resource]. CyberLeninka: Scientific Electronic Library. URL: https://cyberleninka.ru/article/n/metodika-analiza-sovokupnoy-stoimosti-vladeniya-tco (access date: 27.04.2026).
43. Fundamentals of the Digital Economy and Business Transformation: textbook / ed. by E.Yu. Sidorova. Moscow: KnoRus, 2023. 312 p.
44. Pomulev A.A. Artificial intelligence as an object of valuation. Property Relations in the Russian Federation. 2022. No. 11 (254). pp. 42–56. DOI: 10.24412/2072-4098-2022-6249-42-56.
45. Tishchenko I.A. The Concept of Digital Transformation of the Industrial Economy: Innovative Approaches and Forecasting of Economic Development: dissertation for the degree of Doctor of Economic Sciences: 08.00.05. Orel, 2022. 375 p.
46. Faskha A. Intelligent methods for supporting managerial decision-making. Production Organizer. 2024. Vol. 32. No. 2. pp. 50–55. DOI: 10.36622/1810-4894.2024.33.50.005.
47. Etingof E.V. Assessment of the total cost of ownership of an automated information system. Bulletin of Vitus Bering Kamchatka State University. 2022. No. 2. pp. 41–53.
48. Analysis of the Russian corporate software market [Electronic resource]. Strategy Partners. 2025. URL: https://strategy.ru/research/research/analiz-rossijskogo-rynka-korporativnogo-po/ (access date: 11.05.2026).
49. Digital Economy Indicators: 2024: statistical compilation / G.I. Abdrakhmanova, K.O. Vishnevskiy, L.M. Gokhberg et al. [Electronic resource]. National Research University Higher School of Economics. Moscow: HSE, 2024. URL: https://publications.hse.ru/books/888949257 (access date: 07.05.2026).
50. Artificial Intelligence in Russia – 2025: Trends and Prospects [Electronic resource]. Yakov and Partners; Yandex. 08.12.2025. URL: https://yakovpartners.ru/publications/ai-2025/ (access date: 13.05.2026).
51. 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 (access date: 09.05.2026).

Информация об авторах

Скворцова Наталия Александровна, кандидат экономических наук, доцент, доцент кафедры информационного менеджмента им. профессора В.В. Дика, ID: https://orcid.org/0000-0002-9139-3756, Московский университет «Синергия», 115230 Россия, г. Москва, Хлебозаводский пр-д, д. 7, стр. 10, NSkvortsova@synergy.ru, +79107479002

ФИО, аспирант факультета бизнеса Московского университета «Синергия», 115230 Россия, г. Москва, Хлебозаводский пр-д, д. 7, стр. 10

© Скворцова Н.А., Попов И.А., 2026