Влияние цифровых технологий на управление предприятиями

ВВЕДЕНИЕ

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИСПОЛЬЗОВАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ AI-АГЕНТОВ В УПРАВЛЕНИИ ПРЕДПРИЯТИЯМИ

1.1. Современные концепции и подходы к использованию интеллектуальных AI-агентов в управлении предприятиями

1.2. Эволюция технологий искусственного интеллекта в контексте управления предприятиями

1.3. Классификация и систематизация цифровых технологий на основе AI-агентов в управлении предприятиями

1.4. Технологическая платформа n8n как основа для создания интеллектуальных AI-агентов в системах автоматизации бизнес-процессов

ГЛАВА 2. АНАЛИЗ И ОЦЕНКА ПРИМЕНЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ AI-АГЕНТОВ В УПРАВЛЕНИИ СОВРЕМЕННЫМИ ПРЕДПРИЯТИЯМИ

2.1. Современное состояние применения технологий AI-агентов в управлении отечественными и зарубежными предприятиями

2.2. Методические подходы к оценке эффективности технологий на основе AI-агентов в

управлении

2.3. Проблемы и ограничения использования технологий на основе AI-агентов в управлении предприятиями

2.4. Анализ практики применения n8n-based AI-агентов для автоматизации управленческих процессов предприятия

ГЛАВА 3. РАЗРАБОТКА И ВНЕДРЕНИЕ АВТОРСКОЙ ЦИФРОВОЙ ТЕХНОЛОГИИ УПРАВЛЕНИЯ

предприятием на основе интеллектуальных AI-агентов

3.1. Концептуальная модель авторской цифровой технологии управления предприятием с использованием интеллектуальных AI-агентов на базе n8n

3.2. Методика оценки эффективности применения разработанной технологии на основе AI-агентов

3.3. Рекомендации по внедрению авторской технологии на основе интеллектуальных AIагентов и оценка ее экономической эффективности

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫПРИЛОЖЕНИЯ

ВВЕДЕНИЕ

Актуальность темы исследования. Современный этап развития мировой экономики характеризуется беспрецедентным ускорением цифровой трансформации, затрагивающей все аспекты функционирования предприятий. Технологии искусственного интеллекта, прошедшие путь от экспертных систем 1980-х гг. до современных интеллектуальных AI-агентов, становятся ключевым фактором конкурентоспособности организаций в условиях турбулентной внешней среды. Согласно данным международных исследований, объём глобального рынка AI-агентов оценивается в 5,4 млрд долларов США в 2024 г. с прогнозируемым ростом до 50,3 млрд долларов к 2030 г. при среднегодовом темпе роста 45,8%, что свидетельствует о переходе данных технологий из экспериментальной фазы в стадию массового промышленного внедрения^[1].

Актуальность исследования обусловлена несколькими взаимосвязанными факторами. Во-первых, традиционные системы автоматизации управления, основанные на жёстко заданных алгоритмах и правилах, демонстрируют неспособность адаптироваться к быстро меняющимся условиям ведения бизнеса. Интеллектуальные AI-агенты, обладающие автономностью, способностью к обучению и принятию решений в условиях неопределённости, представляют качественно новый уровень автоматизации управленческих процессов. Во-вторых, развитие low-code и no-code платформ, среди которых особое место занимает платформа n8n, существенно снижает барьеры входа для создания и внедрения AI-агентов, делая данные технологии доступными для широкого круга предприятий, включая средний и малый бизнес. В-третьих, нарастающий дефицит квалифицированных кадров в российской экономике актуализирует необходимость автоматизации рутинных управленческих функций с помощью интеллектуальных систем^[2].

Стратегическая значимость цифровых технологий для развития российской экономики закреплена на государственном уровне. Указ Президента Российской Федерации от 9 мая 2017 г. № 203 «О Стратегии развития информационного общества в Российской Федерации на 2017–2030 годы» и Указ Президента Российской Федерации от 21 июля 2020 г. № 474 «О национальных целях развития Российской Федерации на период до 2030 года» определяют цифровую трансформацию как приоритетное направление государственной политики. В данном контексте исследование возможностей применения интеллектуальных AI-агентов в управлении отечественными предприятиями приобретает не только научную, но и практическую значимость для обеспечения технологического суверенитета страны.

Степень разработанности проблемы. Теоретические основы цифровой трансформации и управления предприятиями в условиях четвёртой промышленной революции исследованы в трудах К. Шваба, обосновавшего концепцию конвергенции технологий, размывающих границы между физическими, цифровыми и биологическими сферами. Системный подход к управлению экономическими субъектами в условиях цифровизации представлен в работах Г. Б. Клейнера, развивающего экосистемную парадигму организации хозяйственных взаимодействий. Вопросы проектирования систем управления организациями и оптимизации бизнес-процессов рассмотрены в исследованиях А. В. Тебекина, К. В. Балдина, А. И. Балашова и других отечественных учёных.

Проблематика искусственного интеллекта в управлении разрабатывается как зарубежными, так и отечественными исследователями. Теоретические основы мультиагентных систем заложены в работах М. Вулдриджа и Н. Дженнингса, предложивших концепцию BDI-агентов (Belief-Desire-Intention). Современные подходы к применению AI-агентов в корпоративном управлении представлены в аналитических материалах Boston Consulting Group, World Economic Forum, McKinsey Global Institute. Российский контекст внедрения технологий искусственного интеллекта исследуется в работах С. А. Искандаровой, И. Ю. Ваславской, Н. А. Горелова и других авторов^[3].

Вместе с тем анализ научной литературы позволяет констатировать недостаточную разработанность ряда аспектов исследуемой проблематики. Большинство существующих работ носят описательный характер и не предлагают комплексных методических решений по внедрению AI-агентов в системы управления предприятиями. Практически отсутствуют исследования, посвящённые использованию конкретных технологических платформ, в частности платформы n8n, для создания экосистем интеллектуальных агентов. Недостаточно разработаны методики оценки экономической эффективности внедрения AI-агентов, учитывающие специфику российских предприятий. Указанные обстоятельства определяют научную проблему исследования и обусловливают выбор темы диссертационной работы.

Цель исследования состоит в теоретическом обосновании и разработке авторской цифровой технологии управления предприятием на основе интеллектуальных AI-агентов, обеспечивающей комплексную автоматизацию управленческих процессов и повышение эффективности деятельности организации.

Достижение поставленной цели предполагает решение следующих задач исследования: исследовать теоретические концепции и подходы к использованию интеллектуальных AI-агентов в управлении предприятиями, выявив ключевые характеристики, отличающие AI-агентов от традиционных инструментов автоматизации; проанализировать эволюцию технологий искусственного интеллекта в контексте управления предприятиями, определив закономерности и тенденции развития; систематизировать существующие цифровые технологии на основе AI-агентов и разработать их классификацию, позволяющую осуществлять обоснованный выбор решений для конкретных управленческих задач; исследовать технологическую платформу n8n как основу для создания интеллектуальных AI-агентов, обосновав её преимущества перед альтернативными решениями; проанализировать современное состояние применения технологий AI-агентов в управлении отечественными и зарубежными предприятиями; разработать методические подходы к оценке эффективности технологий на основе AI-агентов; выявить и систематизировать проблемы внедрения интеллектуальных AI-агентов на базе n8n; разработать авторскую модель цифровой технологии управления предприятием, обеспечивающую сквозную автоматизацию ключевых бизнес-процессов; обосновать методику оценки эффективности применения разработанной технологии; разработать детальный план мероприятий по внедрению авторской технологии с оценкой экономической эффективности.

Объектом исследования выступают цифровые технологии управления современными предприятиями, основанные на применении интеллектуальных AI-агентов.

Предметом исследования являются методы и инструменты разработки и внедрения цифровых технологий на основе AI-агентов в систему управления предприятием.

Теоретическую и методологическую основу исследования составляют фундаментальные положения теории управления, системного анализа, теории принятия решений, концепции цифровой трансформации и искусственного интеллекта. В работе использованы общенаучные методы познания, включающие анализ и синтез, индукцию и дедукцию, аналогию и моделирование. Применены специальные методы экономического исследования: абстрактно-логический метод, расчётно-конструктивный метод, экономико-математическое моделирование, функциональный анализ, статистические методы. Для систематизации и классификации цифровых технологий использован сравнительный анализ, для оценки эффективности – методы инвестиционного анализа и маржинального анализа.

Информационную базу исследования составили нормативные правовые акты Российской Федерации в области цифровой экономики и искусственного интеллекта, государственные стандарты (ГОСТ Р 59796-2021, ГОСТ Р 59795-2021), международные стандарты (ISO/IEC 38500-2017), аналитические материалы международных консалтинговых компаний, научные публикации отечественных и зарубежных авторов, официальная документация технологической платформы n8n, данные о практике внедрения AI-агентов на российских и зарубежных предприятиях.

Научная новизна исследования заключается в разработке комплексного теоретико-методического подхода к созданию и внедрению цифровых технологий управления предприятием на основе интеллектуальных AI-агентов, обеспечивающего системную автоматизацию управленческих процессов и повышение операционной эффективности организации.

Положения, выносимые на защиту:

Первое положение связано с развитием понятийного аппарата и разработкой авторской классификации цифровых технологий на основе интеллектуальных AI-агентов. В отличие от существующих подходов, предложенная классификация учитывает уровень автономности агентов, тип используемых рассуждений (ReAct, ReWOO), архитектурную сложность и область применения в управленческих процессах. Выделены пять типов AI-агентов по уровню когнитивной сложности: простые рефлексные агенты, модельно-ориентированные агенты, целеориентированные агенты, утилитарные агенты и обучающиеся агенты. Разработанная классификация позволяет осуществлять обоснованный выбор типа агента для решения конкретных управленческих задач и формирует теоретическую основу для проектирования мультиагентных систем управления предприятием.

Второе положение представляет авторскую четырёхуровневую концептуальную модель цифровой технологии управления предприятием на основе интеллектуальных AI-агентов с использованием платформы n8n. Модель включает инфраструктурный уровень (базовая IT-инфраструктура и облачные сервисы), интеграционный уровень (платформа n8n с системой workflow-автоматизации), интеллектуальный уровень (AI-агенты различных типов с подключением к большим языковым моделям) и управленческий уровень (системы поддержки принятия решений и аналитические дашборды). Новизна модели состоит в интеграции принципов событийно-управляемой архитектуры с концепцией Human-in-the-Loop, обеспечивающей баланс между автономностью AI-агентов и контролем со стороны человека.

Третье положение содержит методику оценки эффективности применения интеллектуальных AI-агентов в управлении предприятием, включающую систему количественных и качественных показателей. Методика предусматривает оценку операционной эффективности (сокращение времени выполнения процессов, снижение трудозатрат), экономической эффективности (ROI, срок окупаемости, снижение операционных расходов), качественных параметров (точность решений, удовлетворённость пользователей) и стратегических эффектов (повышение адаптивности, развитие организационных способностей). Особенностью методики является учёт специфики российских предприятий и возможность применения на различных стадиях зрелости цифровой трансформации.

Четвёртое положение представляет механизм внедрения авторской цифровой технологии на основе AI-агентов в систему управления предприятием, включающий поэтапную дорожную карту, систему управления рисками и организационные мероприятия по обеспечению готовности персонала. Механизм предусматривает четыре стадии зрелости внедрения AI-агентов: файловый агент для компаний начального уровня, инструментальный агент на базе no-code платформы, внутренняя микроплатформа для масштабирования успешных сценариев и корпоративная агентная платформа для крупного бизнеса. Разработан комплексный workflow автоматизации, обеспечивающий сквозную интеграцию AI-агентов в ключевые бизнес-процессы предприятия [Ваславская, И. Ю. Агентный подход к моделированию интеллектуальной системы управления экономическими субъектами / И. Ю. Ваславская, Е. П. Кочетков, Д. А. Денисова // Экономика устойчивого развития. – 2024. – № 1 (57). – С. 256-260.].

Теоретическая значимость исследования определяется вкладом в развитие теории управления организациями в контексте цифровой трансформации. Разработанная классификация AI-агентов расширяет понятийный аппарат теории менеджмента. Предложенная концептуальная модель развивает методологию проектирования систем управления организациями с применением технологий искусственного интеллекта. Результаты исследования могут использоваться для дальнейших научных разработок в области цифровых технологий управления.

Практическая значимость исследования состоит в возможности применения разработанных методических положений и рекомендаций для повышения эффективности управления предприятиями различных отраслей и масштабов деятельности. Авторская цифровая технология на основе AI-агентов может быть адаптирована для конкретных условий функционирования организаций с учётом их стадии цифровой зрелости. Методика оценки эффективности позволяет обосновывать инвестиционные решения о внедрении AI-агентов и контролировать достижение целевых показателей. Практический опыт внедрения, апробированный в ходе исследования, демонстрирует возможность достижения экономии операционных расходов от 1 млн рублей в год для средних предприятий при сроке окупаемости 2,4 месяца.

Соответствие диссертации паспорту научной специальности. Диссертационное исследование соответствует паспорту научной специальности 5.2.6 – Менеджмент по следующим пунктам: пункт 4 – управление экономическими системами, принципы, формы и методы его осуществления, теория и методология управления изменениями в экономических системах; пункт 10 – проектирование систем управления организациями, бизнес-процессы: методология построения и модели оптимизации, информационно-аналитическое обеспечение управления организациями; пункт 14 – стратегический менеджмент, методы и формы его осуществления, бизнес-модели организации; пункт 26 – управление организацией в контексте цифровой трансформации, стратегии и методы цифровой трансформации бизнеса; пункт 27 – управление данными в организации, применение методов искусственного интеллекта и больших данных в менеджменте.

Апробация результатов исследования. Основные положения и результаты диссертационного исследования докладывались и обсуждались на научно-практических конференциях, опубликованы в рецензируемых научных изданиях. Разработанная авторская цифровая технология прошла апробацию на предприятиях, что подтверждается актами внедрения.

Структура и объём диссертации. Диссертационная работа состоит из введения, трёх глав, заключения, списка использованной литературы и приложений. Первая глава посвящена теоретическим основам использования интеллектуальных AI-агентов в управлении предприятиями и включает анализ современных концепций, исследование эволюции технологий искусственного интеллекта, разработку классификации цифровых технологий на основе AI-агентов, а также обоснование выбора платформы n8n как технологической основы для создания интеллектуальных агентов. Вторая глава содержит анализ современного состояния применения технологий AI-агентов в управлении отечественными и зарубежными предприятиями, разработку методических подходов к оценке эффективности, выявление проблем и ограничений внедрения, а также анализ практики применения n8n-based AI-агентов. Третья глава представляет авторскую концептуальную модель цифровой технологии, методику оценки эффективности и рекомендации по внедрению с оценкой экономической эффективности. Работа изложена на № страницах машинописного текста, содержит № таблиц, № рисунков, список литературы включает № источников.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИСПОЛЬЗОВАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ AI-АГЕНТОВ В УПРАВЛЕНИИ ПРЕДПРИЯТИЯМИ

1.1. Современные концепции и подходы к использованию интеллектуальных AI-агентов в управлении предприятиями

Современная экономическая среда характеризуется высокой степенью неопределённости, динамичностью изменений и возрастающей сложностью управленческих задач. В этих условиях проектный менеджмент становится одним из ключевых инструментов достижения стратегических целей организации, а процессы принятия управленческих решений приобретают особую значимость для обеспечения успешной реализации проектов. Согласно исследованиям, проведённым в 2023-2024 гг., более 70% проектов не достигают запланированных показателей по срокам, бюджету или качеству именно вследствие неэффективных управленческих решений, принятых на различных этапах жизненного цикла проекта^[4].

Управленческое решение в контексте проектной деятельности представляет собой результат анализа, прогнозирования, оптимизации и выбора альтернативы из множества вариантов достижения конкретной цели проекта. Данное определение подчёркивает многоаспектность процесса принятия решений, который включает не только момент непосредственного выбора, но и всю совокупность предшествующих аналитических процедур. Профессор А. Т. Зуб отмечает, что управленческое решение в проектном менеджменте отличается от решений в операционной деятельности прежде всего своей уникальностью, ограниченностью временных рамок и необходимостью учёта множества взаимосвязанных факторов при высоком уровне неопределённости^[5].

Процесс принятия управленческих решений в проектном менеджменте обладает рядом специфических характеристик, обусловленных природой проектной деятельности. Во-первых, решения принимаются в условиях временных ограничений, что существенно сокращает возможности для глубокого анализа всех альтернатив. Во-вторых, каждый проект является уникальным, что затрудняет использование стандартных шаблонов и требует адаптации подходов к принятию решений под конкретные условия. В-третьих, решения в проектном менеджменте характеризуются высокой степенью взаимозависимости, когда выбор одной альтернативы существенно влияет на последующие решения и результаты проекта в целом.

Теоретические основы принятия управленческих решений формировались на протяжении длительного периода развития науки управления. Классическая рациональная модель принятия решений, берущая начало в работах Г. Саймона, предполагает последовательное прохождение этапов идентификации проблемы, формулирования критериев, генерации альтернатив, их оценки и выбора оптимального варианта. Однако практика проектного менеджмента демонстрирует существенные ограничения данной модели, связанные с невозможностью полного учёта всех релевантных факторов и ограниченностью когнитивных возможностей лиц, принимающих решения^[6].

Критический анализ представленных подходов позволяет констатировать, что существующие определения AI-агентов страдают рядом методологических недостатков, препятствующих их эффективному использованию в теории и практике управления предприятиями. Во-первых, большинство определений заимствованы из области компьютерных наук и не учитывают специфику управленческой деятельности, включающей работу с неструктурированной информацией, необходимость координации с человеком и интеграцию в существующие организационные процессы. Во-вторых, авторы, как правило, акцентируют внимание на технических характеристиках агентов в ущерб управленческим аспектам их функционирования. В-третьих, отсутствует чёткое разграничение между AI-агентами и смежными понятиями, такими как чат-боты, RPA-системы и экспертные системы, что создаёт терминологическую путаницу в научном дискурсе.

Указанные обстоятельства обусловливают необходимость разработки авторского определения, интегрирующего технологические и управленческие аспекты функционирования интеллектуальных агентов. Под интеллектуальным AI-агентом в управлении предприятием автор понимает программную сущность, обладающую способностью автономно воспринимать состояние управленческой среды, формировать цели на основе делегированных полномочий, осуществлять рассуждения с использованием больших языковых моделей, выполнять действия посредством интеграции с информационными системами предприятия и адаптировать своё поведение на основе обратной связи, функционируя в рамках установленных организационных ограничений и протоколов взаимодействия с человеком.

Предложенное определение принципиально отличается от существующих подходов по нескольким основаниям. Прежде всего, оно эксплицитно включает концепцию делегированных полномочий, что соответствует теории агентских отношений и отражает реальную практику внедрения AI-агентов на предприятиях, где границы автономии агента определяются руководством организации. Далее, определение акцентирует использование больших языковых моделей как ключевого когнитивного механизма, что отличает современных AI-агентов от агентов предыдущих поколений, основанных на экспертных системах или машинном обучении. Наконец, включение организационных ограничений и протоколов Human-in-the-Loop подчёркивает управленческую природу рассматриваемых систем и необходимость их гармоничной интеграции в существующую организационную структуру^[7].

Авторская позиция относительно природы AI-агентов базируется на синтезе двух теоретических традиций: теории мультиагентных систем, развиваемой в работах М. Вулдриджа и Н. Дженнингса, и теории агентских отношений, применяемой в экономике и менеджменте. С позиции теории мультиагентных систем AI-агент рассматривается как автономная вычислительная единица, способная к целенаправленному поведению в динамической среде. Теория агентских отношений, в свою очередь, акцентирует внимание на делегировании полномочий от принципала (руководителя) к агенту и связанных с этим проблемах информационной асимметрии и оппортунистического поведения. Интеграция данных подходов позволяет сформировать целостное понимание AI-агента как технико-организационной системы, функционирование которой определяется как техническими возможностями, так и институциональными рамками организации.

Принципиальное значение для понимания специфики AI-агентов имеет их разграничение со смежными технологиями автоматизации. В научной литературе и практике нередко происходит смешение понятий AI-агент, чат-бот, виртуальный ассистент и RPA-система, что приводит к некорректным ожиданиям от внедрения соответствующих технологий и ошибкам в проектировании систем управления. Автором предлагается концептуальная модель разграничения данных технологий, основанная на трёх измерениях: уровень автономности, когнитивная сложность и способность к целенаправленному действию.

Чат-боты представляют собой реактивные системы, функционирующие по принципу «стимул-реакция» в рамках заранее определённых сценариев диалога. Они не обладают способностью к формированию собственных целей и не могут выполнять действия за пределами коммуникативного взаимодействия с пользователем. RPA-системы (Robotic Process Automation) автоматизируют рутинные операции путём имитации действий пользователя в программных интерфейсах, однако они лишены когнитивных способностей и работают исключительно по жёстко заданным алгоритмам, не допускающим отклонений. Виртуальные ассистенты занимают промежуточное положение, обладая определённым уровнем понимания естественного языка и способностью к выполнению ограниченного набора действий, однако их автономность существенно ограничена необходимостью постоянного взаимодействия с пользователем.

В отличие от перечисленных технологий, AI-агенты характеризуются сочетанием высокого уровня автономности, развитых когнитивных способностей на основе больших языковых моделей и способности к целенаправленному выполнению комплексных задач с использованием внешних инструментов. AI-агент способен декомпозировать сложную задачу на подзадачи, планировать последовательность действий, использовать различные инструменты и API для получения информации и выполнения операций, а также корректировать своё поведение на основе промежуточных результатов. Именно эта триада характеристик — автономность, когнитивность и инструментальность — составляет, по мнению автора, сущностное отличие AI-агентов от других технологий автоматизации^[8].

Авторский подход к концептуализации AI-агентов предполагает также выделение ключевых атрибутов, определяющих возможности их применения в управлении предприятиями. На основе анализа теоретических источников и практики внедрения автором идентифицированы семь базовых атрибутов AI-агента в контексте управленческой деятельности.

Первым атрибутом выступает автономность, понимаемая как способность агента функционировать без постоянного контроля со стороны человека и принимать решения на основе собственного анализа ситуации. Уровень автономности может варьироваться от минимального, когда агент лишь подготавливает рекомендации для человека, до максимального, когда агент самостоятельно выполняет полный цикл управленческой задачи. Вторым атрибутом является реактивность — способность агента воспринимать изменения в управленческой среде и своевременно реагировать на них, что обеспечивается механизмами мониторинга и событийно-управляемой архитектурой. Третий атрибут — проактивность — отражает способность агента не только реагировать на внешние стимулы, но и инициировать действия для достижения делегированных целей, что требует наличия внутренней модели желаемого состояния.

Четвёртым атрибутом выступает социальность, понимаемая как способность агента взаимодействовать с другими агентами и людьми для координации деятельности и достижения совместных целей. В контексте управления предприятием социальность проявляется во взаимодействии AI-агента с сотрудниками различных подразделений, внешними контрагентами и другими программными системами. Пятый атрибут — адаптивность — характеризует способность агента изменять своё поведение на основе накопленного опыта и обратной связи, что обеспечивается механизмами машинного обучения и тонкой настройки больших языковых моделей. Шестой атрибут — объяснимость — отражает способность агента предоставлять понятные человеку обоснования принимаемых решений, что критически важно для обеспечения доверия со стороны пользователей и соблюдения регуляторных требований. Седьмой атрибут — управляемость — характеризует возможность установления границ автономии агента, определения правил его поведения и механизмов эскалации решений к человеку^[9].

Предложенная система атрибутов создаёт основу для разработки классификации AI-агентов. В существующей литературе представлены различные классификационные схемы, основанные преимущественно на технических характеристиках агентов. Предполагается, что для целей управления предприятиями более продуктивным является подход, интегрирующий технические и функциональные критерии классификации.

Современные подходы к принятию решений в проектном менеджменте интегрируют достижения различных научных направлений, включая теорию систем, когнитивную психологию, теорию игр и информационные технологии. Особое значение приобретает концепция ограниченной рациональности, согласно которой лица, принимающие решения, стремятся не к оптимальному, а к удовлетворительному результату вследствие объективных ограничений по времени, информации и когнитивным ресурсам. Данная концепция особенно актуальна для проектного менеджмента, где решения часто принимаются в условиях неполной информации и жёстких временных рамок.

Структурирование процесса принятия управленческих решений в проектном менеджменте позволяет выделить несколько ключевых этапов, каждый из которых характеризуется специфическими задачами, методами и результатами. Систематизация данных этапов представлена в таблице 1.

Таблица 1

Этапы процесса принятия управленческих решений в проектном менеджменте

Источник: составлено автором по данным^[10].

Так, можно констатировать, что процесс принятия управленческих решений в проектном менеджменте носит итеративный характер. На практике границы между этапами часто размыты, а возврат к предыдущим стадиям является нормой при получении новой информации или изменении условий реализации проекта. Особенно важным представляется этап идентификации проблемы, поскольку ошибки на данной стадии приводят к принятию решений, направленных на устранение симптомов, а не причин проблемной ситуации.

Следует также отметить, что эффективность процесса принятия решений существенно зависит от качества информационного обеспечения каждого этапа. В современных условиях объём доступной информации многократно возрос, однако это не всегда способствует повышению качества решений. Напротив, информационная перегрузка может приводить к параличу анализа, когда лицо, принимающее решение, не способно обработать весь массив данных в отведённые сроки. Данное обстоятельство актуализирует необходимость применения специализированных систем поддержки принятия решений, способных автоматизировать рутинные аналитические операции.

Важным аспектом теории принятия управленческих решений в проектном менеджменте является классификация решений по различным основаниям. Понимание типологии решений позволяет выбирать адекватные методы и инструменты для каждой конкретной ситуации. В научной литературе представлены многочисленные классификации, однако наиболее значимыми для проектного менеджмента являются классификации по степени структурированности проблемы, уровню неопределённости, временному горизонту и масштабу последствий.

Структурированные решения характеризуются чётко определённой проблемой, известными альтернативами и формализованными критериями выбора. Такие решения поддаются алгоритмизации и могут быть автоматизированы с помощью информационных систем. Неструктурированные решения, напротив, связаны с уникальными ситуациями, для которых не существует готовых алгоритмов, а выбор альтернативы во многом зависит от интуиции и опыта лица, принимающего решение. Большинство стратегических решений в проектном менеджменте относятся к категории слабоструктурированных, сочетающих элементы обоих типов^[11].

Принципиальное значение для проектного менеджмента имеет также классификация решений по уровню неопределённости. Решения в условиях определённости предполагают полное знание последствий каждой альтернативы, что в практике проектной деятельности встречается крайне редко. Решения в условиях риска характеризуются возможностью оценки вероятности наступления различных исходов, что позволяет применять методы вероятностного анализа и математического ожидания. Решения в условиях неопределённости связаны с невозможностью объективной оценки вероятностей, что требует использования специальных критериев выбора, таких как критерий Вальда, критерий Гурвица или критерий Сэвиджа.

Сравнительный анализ основных моделей принятия решений, применяемых в проектном менеджменте, представлен в таблице 2.

Таблица 2

Сравнительный анализ моделей принятия управленческих решений в проектном менеджменте

Источник: составлено автором по данным^[12].

Наблюдается отсутствие универсальной модели принятия решений, пригодной для всех ситуаций в проектном менеджменте. Выбор конкретной модели определяется характеристиками проблемной ситуации, доступными ресурсами, временными ограничениями и организационным контекстом. На практике руководители проектов часто комбинируют элементы различных моделей, формируя гибридные подходы, адаптированные к специфике конкретного проекта.

Особого внимания заслуживает тенденция к интеграции формальных аналитических методов и интуитивного опыта экспертов. Исследования в области когнитивной психологии показывают, что интуиция опытных специалистов часто базируется на распознавании паттернов, накопленных за годы практической деятельности. Такое «экспертное распознавание» позволяет быстро идентифицировать типичные ситуации и применять проверенные решения. Однако в нестандартных условиях, характерных для инновационных проектов, интуиция может оказаться ненадёжным инструментом, что обусловливает необходимость её дополнения формализованными методами анализа.

Современные тенденции в области принятия управленческих решений в проектном менеджменте связаны с цифровизацией и внедрением технологий искусственного интеллекта. Большие данные, машинное обучение и предиктивная аналитика открывают новые возможности для повышения качества решений за счёт обработки больших объёмов информации и выявления скрытых закономерностей^[13]. Вместе с тем автоматизация процессов принятия решений порождает новые вызовы, связанные с прозрачностью алгоритмов, ответственностью за последствия решений и взаимодействием человека и машины.

Теоретический анализ концепций и подходов к использованию AI-агентов позволяет сформулировать авторскую концептуальную рамку, определяющую методологические основания дальнейшего исследования. Данная рамка базируется на нескольких ключевых положениях, отражающих авторское видение места и роли AI-агентов в системе управления современным предприятием.

Первое положение состоит в признании AI-агентов качественно новым этапом эволюции систем автоматизации управления, принципиально отличающимся от предшествующих технологических решений. Если традиционные системы автоматизации функционируют по принципу детерминированных алгоритмов и не способны к самостоятельному принятию решений в нестандартных ситуациях, то AI-агенты обладают когнитивными способностями, позволяющими интерпретировать неструктурированную информацию, генерировать альтернативные варианты действий и выбирать оптимальные решения в условиях неопределённости. Данное обстоятельство обусловливает необходимость пересмотра традиционных подходов к проектированию систем управления и распределению функций между человеком и машиной.

Второе положение акцентирует значимость парадигмы «Human-in-the-Loop» как обязательного элемента архитектуры AI-агентов в управлении предприятиями. Несмотря на высокий уровень автономности современных агентов, полностью автономное функционирование без участия человека представляется нецелесообразным по ряду причин. Во-первых, AI-агенты могут допускать ошибки вследствие так называемых галлюцинаций больших языковых моделей, генерирующих правдоподобную, но фактически неверную информацию. Во-вторых, решения в области управления часто затрагивают интересы различных стейкхолдеров и требуют учёта этических, политических и репутационных факторов, оценка которых остаётся прерогативой человека. В-третьих, законодательство большинства юрисдикций возлагает ответственность за управленческие решения на конкретных должностных лиц, что исключает возможность полного делегирования ответственности искусственному интеллекту. Автор предлагает концепцию «контролируемой автономии», предполагающую градацию уровней самостоятельности AI-агента в зависимости от типа решаемых задач, степени риска и организационного контекста^[14].

Третье положение связано с необходимостью экосистемного подхода к внедрению AI-агентов на предприятиях. Изолированное применение отдельных агентов для решения локальных задач не позволяет реализовать полный потенциал данных технологий. Максимальный эффект достигается при формировании взаимосвязанной экосистемы агентов, интегрированной с информационными системами предприятия и обеспечивающей сквозную автоматизацию управленческих процессов. Такой подход предполагает создание единой технологической платформы, обеспечивающей оркестрацию множества агентов, их взаимодействие между собой и с внешними системами, а также централизованное управление и мониторинг. По мнению автора, платформа n8n представляет собой оптимальное решение для построения подобной экосистемы, что будет обосновано в параграфе 1.4 настоящего исследования.

Четвёртое положение касается дифференцированного подхода к выбору типа и конфигурации AI-агентов в зависимости от характеристик управленческих задач. Автором выделяются три класса задач, предъявляющих различные требования к AI-агентам. Операционные задачи, связанные с обработкой рутинных транзакций и выполнением стандартных процедур, могут эффективно решаться простыми рефлексными агентами с минимальным уровнем автономности. Тактические задачи, требующие анализа ситуации и выбора из множества альтернатив, предполагают использование целеориентированных или утилитарных агентов с развитыми когнитивными способностями. Стратегические задачи, связанные с формированием долгосрочных планов и управлением в условиях высокой неопределённости, требуют применения обучающихся агентов, способных адаптироваться к изменениям среды и накапливать опыт. Данная типология создаёт основу для методически обоснованного проектирования систем управления с использованием AI-агентов.

Пятое положение отражает авторскую позицию относительно критериев оценки эффективности AI-агентов в управлении предприятиями. Традиционные подходы к оценке информационных систем, основанные преимущественно на экономических показателях (ROI, срок окупаемости, снижение затрат), представляются недостаточными для комплексной оценки AI-агентов. Автор предлагает расширенную систему критериев, включающую операционные показатели (скорость и качество выполнения задач), когнитивные показатели (точность и обоснованность принимаемых решений), организационные показатели (влияние на организационную культуру и компетенции персонала) и стратегические показатели (вклад в развитие динамических способностей организации и повышение её адаптивности). Детальная методика оценки будет разработана во второй главе диссертационного исследования.

Итак, процессы принятия управленческих решений в проектном менеджменте представляют собой сложную многоаспектную деятельность, эффективность которой определяется совокупностью организационных, информационных, методических и личностных факторов. Понимание теоретических основ данных процессов создаёт фундамент для разработки и внедрения систем поддержки принятия решений, способных повысить качество управления проектами в условиях возрастающей сложности и неопределённости внешней среды.

1.2. Эволюция технологий искусственного интеллекта в контексте управления предприятиями

Исследование современных технологий интеллектуальных AI-агентов невозможно без понимания исторического контекста их возникновения и развития. Эволюционный анализ позволяет выявить закономерности технологического прогресса, определить факторы, обусловившие переход от одного поколения систем искусственного интеллекта к другому, и сформировать обоснованный прогноз относительно дальнейших тенденций развития. Кроме того, исторический подход создаёт методологическую основу для понимания преемственности между различными технологическими решениями и позволяет избежать типичных ошибок при внедрении новых технологий, уже совершённых на предыдущих этапах развития.

История применения технологий искусственного интеллекта в управлении предприятиями насчитывает более пяти десятилетий, на протяжении которых происходила последовательная трансформация как технологических возможностей, так и концептуальных подходов к использованию ИИ в организационном контексте. Анализ научной литературы и практики внедрения позволяет выделить пять основных этапов данной эволюции, каждый из которых характеризуется специфическими технологиями, парадигмами применения и результатами для управленческой практики^[15].

Первый этап эволюции охватывает период с середины 1970-х до начала 1990-х гг. и связан с развитием экспертных систем. Концептуальной основой данного этапа стала идея формализации экспертных знаний в виде набора правил, которые могут применяться компьютерной системой для решения специализированных задач. Экспертные системы представляли собой программные комплексы, включающие базу знаний, механизм логического вывода и интерфейс взаимодействия с пользователем. База знаний содержала факты и правила вида «если-то», полученные от экспертов предметной области, а механизм вывода обеспечивал применение этих правил к конкретным ситуациям.

В сфере управления предприятиями экспертные системы нашли применение преимущественно в задачах диагностики, конфигурирования и планирования. Система XCON, разработанная для компании Digital Equipment Corporation в 1980 г., автоматизировала процесс конфигурирования компьютерных систем и позволила сократить время выполнения заказов с нескольких недель до нескольких часов. Система MYCIN использовалась для диагностики инфекционных заболеваний и рекомендации антибиотиков, демонстрируя точность, сопоставимую с ведущими специалистами. В области финансового менеджмента применялись экспертные системы для оценки кредитоспособности заёмщиков и выявления мошеннических транзакций.

Вместе с тем практика применения экспертных систем выявила ряд существенных ограничений данного подхода. Процесс извлечения знаний от экспертов оказался чрезвычайно трудоёмким и требовал участия специализированных инженеров по знаниям. Системы демонстрировали хрупкость при столкновении с ситуациями, не предусмотренными в базе знаний, и не обладали способностью к обучению и адаптации. Высокая стоимость разработки и сопровождения ограничивала распространение экспертных систем крупными корпорациями. К началу 1990-х гг. первоначальный энтузиазм относительно экспертных систем существенно снизился, уступив место более реалистичным ожиданиям относительно возможностей символического искусственного интеллекта.

Второй этап эволюции приходится на период с начала 1990-х до конца 2000-х гг. и характеризуется развитием технологий машинного обучения. Концептуальный сдвиг данного этапа состоял в переходе от явного программирования правил к обучению систем на основе данных. Вместо формализации экспертных знаний в виде правил машинное обучение позволяло автоматически выявлять закономерности в больших массивах данных и использовать их для прогнозирования и классификации. Теоретической основой данного подхода стали статистические методы, нейронные сети и алгоритмы оптимизации^[16].

В управлении предприятиями машинное обучение нашло применение в задачах прогнозирования спроса, сегментации клиентов, оптимизации ценообразования и управления рисками. Алгоритмы кластеризации позволяли автоматически выделять группы клиентов со схожим поведением для целей маркетинга. Методы регрессионного анализа использовались для прогнозирования продаж и оптимизации запасов. Деревья решений и ансамблевые методы применялись в скоринговых моделях для оценки кредитного риска. Существенным достижением данного этапа стала возможность масштабирования интеллектуальных систем благодаря автоматизации процесса обучения^[17].

Однако классическое машинное обучение также имело значительные ограничения с точки зрения управленческих приложений. Качество моделей критически зависело от ручного конструирования признаков, требовавшего глубокой экспертизы в предметной области и методах машинного обучения. Модели были оптимизированы для решения узкоспециализированных задач и не могли переноситься на смежные области без существенной переработки. Интерпретируемость сложных моделей, таких как ансамбли и нейронные сети, оставалась проблемой, затруднявшей их принятие лицами, принимающими решения. Кроме того, классическое машинное обучение было ориентировано преимущественно на обработку структурированных данных и плохо справлялось с текстами, изображениями и другими неструктурированными форматами.

Третий этап эволюции охватывает период с 2010 по 2020 гг. и связан с прорывом в области глубокого обучения. Революционный характер данного этапа обусловлен конвергенцией трёх факторов, которые в совокупности создали условия для качественного скачка в возможностях искусственного интеллекта. Первым фактором стал экспоненциальный рост вычислительных мощностей, особенно благодаря использованию графических процессоров для обучения нейронных сетей. Вторым фактором явилось накопление огромных объёмов данных вследствие цифровизации экономики и распространения интернета. Третьим фактором стали алгоритмические инновации, включая архитектуры свёрточных и рекуррентных нейронных сетей, а также методы регуляризации и оптимизации.

Глубокое обучение принципиально изменило возможности обработки неструктурированных данных, что имело непосредственное значение для управления предприятиями. Системы компьютерного зрения позволили автоматизировать контроль качества на производстве, распознавание документов и идентификацию клиентов^[18]. Технологии обработки естественного языка обеспечили создание чат-ботов для клиентского обслуживания, автоматическую классификацию обращений и анализ тональности отзывов. Рекомендательные системы на основе глубокого обучения существенно повысили эффективность персонализации предложений в электронной коммерции и банковском секторе^[19].

Важной характеристикой третьего этапа стало формирование рынка коммерческих облачных сервисов искусственного интеллекта, предоставляемых ведущими технологическими компаниями. Amazon Web Services, Google Cloud Platform и Microsoft Azure начали предлагать готовые API для распознавания изображений, транскрибации речи, анализа текста и других задач, что существенно снизило барьеры входа для предприятий, не располагающих собственными компетенциями в области глубокого обучения. Однако даже на этом этапе системы искусственного интеллекта оставались инструментами, требующими человеческого контроля и не способными к автономному выполнению комплексных задач.

Четвёртый этап эволюции начался в 2020 г. и связан с появлением больших языковых моделей, обладающих беспрецедентными способностями к пониманию и генерации естественного языка. Публикация модели GPT-3 компанией OpenAI в 2020 г. ознаменовала переход к новой парадигме искусственного интеллекта, основанной на предобучении на огромных корпусах текстовых данных и последующей тонкой настройке для конкретных задач. Модели с сотнями миллиардов параметров продемонстрировали эмерджентные способности, не наблюдавшиеся у меньших моделей, включая рассуждение по аналогии, следование инструкциям и обучение на нескольких примерах.

Для управления предприятиями большие языковые модели открыли принципиально новые возможности автоматизации интеллектуальных задач, ранее считавшихся исключительной прерогативой человека. Автоматическая генерация отчётов, подготовка деловой переписки, анализ контрактов, обобщение документов, ответы на вопросы клиентов в свободной форме — все эти задачи стали доступны для автоматизации с помощью больших языковых моделей. Запуск ChatGPT в ноябре 2022 г. привлёк беспрецедентное внимание к возможностям генеративного искусственного интеллекта и стимулировал массовое экспериментирование с данными технологиями в корпоративном секторе.

Вместе с тем практика применения больших языковых моделей выявила ряд ограничений, препятствующих их автономному использованию в критически важных управленческих процессах. Проблема галлюцинаций, когда модель генерирует правдоподобный, но фактически неверный текст, создавала риски принятия ошибочных решений. Отсутствие доступа к актуальным данным ограничивало применимость моделей для задач, требующих текущей информации. Невозможность выполнения действий во внешних системах сводила роль больших языковых моделей к консультационной, без возможности непосредственного влияния на управленческие процессы^[20].

Пятый этап эволюции начался в 2023 г. и связан с появлением интеллектуальных AI-агентов, представляющих собой качественно новый уровень развития технологий искусственного интеллекта. Концептуальная новизна AI-агентов состоит в интеграции когнитивных способностей больших языковых моделей с возможностью автономного выполнения действий во внешних системах. AI-агент не просто генерирует текстовый ответ, но способен декомпозировать сложную задачу на подзадачи, планировать последовательность действий, использовать внешние инструменты и API, контролировать результаты и корректировать своё поведение на основе обратной связи. Такая архитектура превращает искусственный интеллект из пассивного инструмента в активного участника управленческих процессов.

Технологической основой AI-агентов стали парадигмы рассуждений ReAct (Reasoning and Acting) и ReWOO (Reasoning Without Observation), обеспечивающие структурированное взаимодействие между языковой моделью, инструментами и внешней средой. Парадигма ReAct предполагает чередование этапов рассуждения и действия, когда агент сначала анализирует ситуацию и формулирует план, затем выполняет действие, наблюдает результат и корректирует дальнейшие шаги. Парадигма ReWOO оптимизирует данный процесс, разделяя фазы планирования и исполнения для повышения эффективности. Обе парадигмы обеспечивают прозрачность рассуждений агента, что критически важно для обеспечения доверия со стороны пользователей и возможности аудита принимаемых решений.

Систематизация выделенных этапов эволюции технологий искусственного интеллекта в контексте управления предприятиями представлена в таблице 3.

Таблица 3

Периодизация эволюции технологий искусственного интеллекта в управлении предприятиями

Источник: составлено автором по данным^[21].

Выявим несколько устойчивых закономерностей эволюции технологий искусственного интеллекта в контексте управления предприятиями. Первая закономерность связана с последовательным расширением класса задач, доступных для автоматизации. Если экспертные системы первого этапа были ориентированы на узкоспециализированные задачи диагностики и конфигурирования, то современные AI-агенты способны решать комплексные управленческие задачи, требующие интеграции информации из множества источников и координации действий в различных системах. Данная закономерность отражает общий тренд на повышение универсальности систем искусственного интеллекта.

Вторая закономерность состоит в постепенном переходе от жёсткого программирования к обучению на данных. Экспертные системы требовали явной формализации знаний в виде правил, что ограничивало их гибкость и адаптивность. Машинное обучение позволило автоматизировать процесс извлечения закономерностей из данных, однако по-прежнему требовало ручного конструирования признаков. Глубокое обучение обеспечило сквозное обучение представлений непосредственно из сырых данных. Большие языковые модели продемонстрировали способность к обучению на естественно-языковых инструкциях без специализированной разметки. Данная закономерность свидетельствует о последовательном снижении барьеров для создания и настройки интеллектуальных систем.

Третья закономерность связана с эволюцией роли человека во взаимодействии с системами искусственного интеллекта. На ранних этапах человек выступал преимущественно в роли источника знаний и конечного пользователя результатов работы системы. По мере развития технологий роль человека трансформировалась в направлении супервизора, контролирующего работу всё более автономных систем. Современные AI-агенты функционируют в парадигме «Human-in-the-Loop», предполагающей избирательное вмешательство человека в критических точках принятия решений при делегировании рутинных операций агенту. Данная закономерность отражает поиск оптимального баланса между эффективностью автоматизации и необходимостью человеческого контроля.

Сравнительный анализ технологий различных этапов эволюции по критериям, значимым для управления предприятиями, представлен в таблице 4.

Таблица 4

Сравнительный анализ технологий искусственного интеллекта по критериям применимости в управлении

Источник: составлено автором по данным^[22].

AI-агенты наследуют преимущества технологий предыдущих поколений, одновременно преодолевая их ключевые ограничения. Способность к обучению, заложенная в парадигме машинного обучения, сочетается с возможностью работы с неструктурированными данными, характерной для глубокого обучения, и когнитивными способностями больших языковых моделей. Принципиальным отличием AI-агентов является способность к выполнению действий во внешних системах, что превращает их из аналитических инструментов в полноценных участников управленческих процессов.

Вместе с тем следует отметить, что переход к AI-агентам не означает полного отказа от технологий предыдущих поколений. На практике предприятия формируют гибридные архитектуры, в которых различные технологии применяются для решения задач соответствующего класса сложности. Экспертные системы по-прежнему эффективны для задач с чётко определёнными правилами и высокими требованиями к интерпретируемости, например в области комплаенса и регуляторной отчётности. Классическое машинное обучение остаётся предпочтительным выбором для задач прогнозирования на структурированных данных с высокими требованиями к скорости вывода. Глубокое обучение незаменимо в задачах компьютерного зрения и обработки мультимодальной информации. AI-агенты наиболее эффективны для комплексных задач, требующих рассуждений, интеграции информации и координации действий^[23].

Анализ эволюции технологий искусственного интеллекта позволяет сформулировать ряд положений, имеющих методологическое значение для дальнейшего исследования. Прежде всего, обращает на себя внимание циклический характер развития, когда периоды завышенных ожиданий сменяются разочарованием и последующим более реалистичным освоением технологий. Данный феномен, известный как цикл хайпа Gartner, наблюдался в отношении экспертных систем в конце 1980-х гг., нейронных сетей в 1990-х гг. и в определённой степени повторяется в отношении генеративного искусственного интеллекта в настоящее время. Понимание данной закономерности имеет практическое значение для формирования реалистичных ожиданий от внедрения AI-агентов и разработки стратегий управления рисками.

Далее следует отметить нарастающую конвергенцию технологий искусственного интеллекта с другими цифровыми технологиями, формирующими ландшафт четвёртой промышленной революции. Интернет вещей обеспечивает AI-агентам доступ к данным физического мира в реальном времени. Облачные технологии предоставляют масштабируемую инфраструктуру для развёртывания интеллектуальных систем. Технологии блокчейн создают возможности для обеспечения прозрачности и аудируемости решений, принимаемых AI-агентами. Данная конвергенция обусловливает необходимость системного подхода к цифровой трансформации, в рамках которого AI-агенты рассматриваются как элемент более широкой технологической экосистемы^[24].

Существенное значение имеет также анализ факторов, определяющих скорость и направление эволюции технологий искусственного интеллекта. Традиционно выделяются три группы таких факторов: технологические, экономические и институциональные. К технологическим факторам относятся прогресс в области вычислительных мощностей, алгоритмические инновации и доступность данных для обучения моделей. Экономические факторы включают соотношение затрат на внедрение технологий и получаемых выгод, доступность инвестиций в исследования и разработки, а также конкурентное давление, стимулирующее инновации. Институциональные факторы охватывают регуляторную среду, стандарты и нормы, определяющие допустимые границы применения искусственного интеллекта.

Применительно к современному этапу развития AI-агентов следует констатировать, что технологические предпосылки для широкого внедрения данных систем в значительной степени сформированы. Большие языковые модели достигли уровня когнитивных способностей, достаточного для решения широкого спектра управленческих задач. Платформы оркестрации, такие как n8n, LangChain и AutoGen, обеспечивают инфраструктуру для создания и развёртывания агентов. Экосистема интеграций позволяет подключать агентов к корпоративным информационным системам. Вместе с тем экономические и институциональные факторы создают определённые барьеры, требующие внимания при планировании внедрения AI-агентов на предприятиях.

В экономическом отношении основным барьером является неопределённость относительно возврата инвестиций в AI-агентов. В отличие от традиционных проектов автоматизации, где эффект достаточно легко поддаётся количественной оценке через сокращение трудозатрат, выгоды от внедрения AI-агентов часто носят качественный характер и проявляются с временным лагом. Ускорение принятия решений, повышение их обоснованности, улучшение клиентского опыта — все эти эффекты сложно выразить в денежных единицах и атрибутировать конкретной технологии. Данное обстоятельство затрудняет обоснование инвестиционных решений и требует разработки специальных методик оценки эффективности, что составляет одну из задач настоящего исследования.

Институциональные барьеры связаны прежде всего с неопределённостью правового статуса решений, принимаемых AI-агентами, и распределения ответственности между агентом, его разработчиком и пользователем. Действующее законодательство большинства юрисдикций, включая Российскую Федерацию, не содержит специальных норм, регулирующих деятельность автономных интеллектуальных систем в сфере управления. Федеральный закон от 24 апреля 2020 г. № 123-ФЗ «О проведении эксперимента по установлению специального регулирования в целях создания необходимых условий для разработки и внедрения технологий искусственного интеллекта в субъекте Российской Федерации — городе федерального значения Москве» создал правовую базу для экспериментирования с технологиями искусственного интеллекта, однако его действие ограничено территориально и по времени. Регуляторная неопределённость создаёт риски для предприятий, внедряющих AI-агентов для принятия юридически значимых решений^[25].

Прогнозирование дальнейших тенденций развития технологий искусственного интеллекта в контексте управления предприятиями представляет значительный научный и практический интерес. На основе анализа выявленных закономерностей и текущего состояния технологий представляется возможным сформулировать несколько обоснованных гипотез относительно ближайших перспектив развития.

Первая тенденция связана с дальнейшим повышением автономности AI-агентов при одновременном развитии механизмов контроля и объяснимости. Исследования в области выравнивания искусственного интеллекта направлены на обеспечение соответствия поведения агентов намерениям их создателей и общественным ценностям. Развитие методов интерпретируемого машинного обучения позволит повысить прозрачность рассуждений агентов. Концепция конституционного искусственного интеллекта предполагает встраивание этических принципов непосредственно в архитектуру агентов. Данные направления исследований создают предпосылки для расширения сферы применения AI-агентов в критически важных областях управления.

Вторая тенденция состоит в развитии мультиагентных систем, в которых множество специализированных агентов взаимодействуют между собой для решения комплексных задач. Такая архитектура позволяет декомпозировать сложные управленческие проблемы на компоненты, каждый из которых решается агентом соответствующей специализации, с последующей интеграцией результатов агентом-координатором. Мультиагентный подход обеспечивает масштабируемость и гибкость системы, а также повышает её устойчивость к отказам отдельных компонентов. Развитие данного направления требует решения проблем координации агентов, распределения задач и разрешения конфликтов.

Третья тенденция связана с углублением интеграции AI-агентов с корпоративными информационными системами и формированием единых платформ интеллектуальной автоматизации. Изолированное применение агентов для решения отдельных задач постепенно уступает место экосистемному подходу, в рамках которого агенты функционируют как часть интегрированной архитектуры предприятия. Платформы автоматизации рабочих процессов, такие как n8n, эволюционируют в направлении поддержки AI-агентов, обеспечивая инфраструктуру для их создания, развёртывания и оркестрации. Данная тенденция отражает переход от точечной автоматизации к комплексной цифровой трансформации управления.

Таким образом, проведённый анализ эволюции технологий искусственного интеллекта в контексте управления предприятиями позволяет констатировать, что современные интеллектуальные AI-агенты представляют собой закономерный результат более чем полувекового развития данной области. Каждый этап эволюции вносил вклад в формирование технологического фундамента, на котором основаны возможности современных агентов. Выявленные закономерности и тенденции развития создают методологическую основу для проектирования систем управления предприятиями с использованием AI-агентов и формирования реалистичных ожиданий относительно их возможностей и ограничений.

1.3. Классификация и систематизация цифровых технологий на основе AI-агентов в управлении предприятиями

Эффективное применение интеллектуальных AI-агентов в управлении предприятиями требует наличия научно обоснованной классификации, позволяющей осуществлять обоснованный выбор типа агента для решения конкретных управленческих задач. Классификация выполняет несколько важных функций в научном исследовании и практической деятельности. Во-первых, она обеспечивает упорядочение многообразия существующих технологических решений и создаёт единый понятийный аппарат для научной коммуникации. Во-вторых, классификация позволяет выявить существенные характеристики объектов и установить взаимосвязи между ними. В-третьих, она создаёт основу для прогнозирования свойств новых объектов на основании их принадлежности к определённому классу. Применительно к AI-агентам классификация призвана обеспечить методическую базу для проектирования систем управления и оценки применимости различных типов агентов к конкретным управленческим задачам^[26].

Анализ научной литературы позволяет выделить несколько подходов к классификации интеллектуальных агентов, сформировавшихся в рамках различных исследовательских традиций. Классический подход, берущий начало в работах С. Рассела и П. Норвига, основан на классификации агентов по архитектуре и механизму принятия решений. В рамках данного подхода выделяются простые рефлексные агенты, модельно-ориентированные рефлексные агенты, целеориентированные агенты, утилитарные агенты и обучающиеся агенты. Данная классификация получила широкое распространение в академической среде и часто используется в учебной литературе по искусственному интеллекту.

Простые рефлексные агенты функционируют по принципу прямого отображения текущего состояния среды на действие в соответствии с набором заранее определённых правил. Такие агенты не обладают памятью о прошлых состояниях и не способны учитывать последствия своих действий. Модельно-ориентированные рефлексные агенты дополняют данную архитектуру внутренней моделью мира, позволяющей отслеживать ненаблюдаемые аспекты среды и учитывать историю взаимодействий. Целеориентированные агенты принимают решения на основе информации о целях, что позволяет им выбирать действия, ведущие к достижению желаемого состояния. Утилитарные агенты используют функцию полезности для оценки и сравнения различных состояний, что обеспечивает возможность выбора оптимального действия в ситуациях с множеством альтернатив. Обучающиеся агенты дополняют базовую архитектуру компонентом обучения, позволяющим улучшать поведение на основе накопленного опыта^[27].

Альтернативный подход к классификации AI-агентов предложен в аналитических материалах Всемирного экономического форума и основан на выделении семи измерений профиля агента. Данные измерения включают функцию агента, его роль в организационном контексте, предсказуемость поведения, уровень автономности, объём делегированных полномочий, сценарий использования и характеристики среды функционирования. Такой многомерный подход позволяет создавать детализированные профили агентов, однако его практическое применение затруднено вследствие высокой размерности пространства классификации и отсутствия чётких границ между классами^[28].

Практикоориентированный подход к классификации AI-агентов представлен в работах консалтинговых компаний и отраслевых экспертов. В рамках данного подхода агенты классифицируются по функциональному назначению и области применения. Выделяются агенты-секретари, осуществляющие планирование и координацию деятельности, агенты-агрегаторы, собирающие и систематизирующие информацию из множества источников, агенты-поисковики, обеспечивающие интеллектуальный поиск и извлечение знаний, агенты-аналитики, выполняющие обработку данных и формирование отчётности, а также агенты-исполнители, автоматизирующие рутинные операции в информационных системах. Данная классификация удобна для практического применения, однако не отражает глубинных характеристик агентов и не позволяет прогнозировать их поведение в нестандартных ситуациях.

Критический анализ существующих подходов к классификации AI-агентов позволяет констатировать ряд методологических недостатков, ограничивающих их применимость для целей управления предприятиями. Классический подход, основанный на архитектуре агентов, разработан применительно к абстрактным интеллектуальным системам и не учитывает специфику организационного контекста^[29]. Многомерный подход Всемирного экономического форума, напротив, чрезмерно детализирован и не обеспечивает формирования компактных классов, пригодных для практического использования. Функциональные классификации ориентированы на текущее состояние технологий и не обладают прогностической ценностью. Указанные обстоятельства обусловливают необходимость разработки интегративной классификации, преодолевающей ограничения существующих подходов.

Предлагается многокритериальная классификация AI-агентов, интегрирующая технические, функциональные и организационные аспекты их применения в управлении предприятиями. Основу классификации составляют четыре взаимодополняющих критерия, каждый из которых отражает существенный аспект функционирования агента в организационном контексте.

Первым критерием классификации выступает уровень когнитивной сложности, определяющий способность агента к рассуждениям, планированию и адаптации. По данному критерию выделяются пять типов агентов, соответствующих классической типологии Рассела-Норвига, однако с существенным уточнением применительно к современным технологиям на основе больших языковых моделей. Простые рефлексные агенты реализуются как системы на основе шаблонов и правил без использования когнитивных возможностей LLM. Модельно-ориентированные агенты дополняются контекстным окном языковой модели, выступающим в качестве оперативной памяти. Целеориентированные агенты используют механизмы промптинга для формулирования целей и планирования действий. Утилитарные агенты применяют функции оценки для сравнения альтернатив и выбора оптимальных решений. Обучающиеся агенты интегрируют механизмы тонкой настройки и обучения с подкреплением на основе обратной связи от человека.

Вторым критерием классификации является парадигма рассуждений, определяющая способ взаимодействия между когнитивным компонентом агента, инструментами и внешней средой. Выделяются три основные парадигмы рассуждений современных AI-агентов. Парадигма ReAct предполагает итеративное чередование этапов рассуждения, действия и наблюдения, когда агент формулирует мысль, выполняет действие, наблюдает результат и корректирует дальнейший план. Парадигма ReWOO оптимизирует данный процесс путём разделения фаз планирования и исполнения, что позволяет сократить количество обращений к языковой модели и повысить эффективность агента. Парадигма Plan-and-Execute предполагает формирование полного плана действий до начала исполнения с возможностью перепланирования при существенных отклонениях от ожидаемых результатов^[30].

Третьим критерием классификации выступает уровень автономности, отражающий степень самостоятельности агента в принятии и реализации решений. Предлагается выделение четырёх уровней автономности, адаптированных к специфике управленческой деятельности. Информационный уровень предполагает, что агент осуществляет сбор и систематизацию информации, однако все решения принимаются человеком. Рекомендательный уровень дополняет информационную функцию формированием рекомендаций, при этом окончательный выбор остаётся за человеком. Делегированный уровень предполагает самостоятельное принятие решений агентом в рамках установленных полномочий с уведомлением человека. Автономный уровень характеризуется полной самостоятельностью агента в определённой области деятельности с возможностью эскалации нестандартных ситуаций^[31].

Четвёртым критерием классификации является архитектурная сложность, определяющая организацию агента и его взаимодействие с другими компонентами системы управления. По данному критерию выделяются монолитные агенты, представляющие собой единую систему с интегрированными компонентами, модульные агенты, состоящие из специализированных компонентов с определёнными интерфейсами взаимодействия, и мультиагентные системы, объединяющие множество взаимодействующих агентов для решения комплексных задач. Выбор архитектурной сложности определяется масштабом и характером автоматизируемых процессов, требованиями к гибкости и масштабируемости системы.

Систематизация предложенных критериев классификации и их взаимосвязь с областями применения в управлении предприятиями представлены в таблице 5.

Таблица 5

Многокритериальная классификация AI-агентов для управления предприятиями

Источник: составлено автором по данным^[32],^[33].

Представленная классификация обладает рядом преимуществ по сравнению с существующими подходами. Многокритериальность обеспечивает комплексное описание агентов с учётом различных аспектов их функционирования. Иерархичность критериев позволяет осуществлять последовательное уточнение типа агента от общих характеристик к частным. Ориентация на управленческие задачи обеспечивает практическую применимость классификации при проектировании систем управления. Гибкость классификации позволяет учитывать новые типы агентов по мере развития технологий без пересмотра базовых принципов.

Особое методологическое значение имеет выделение уровней автономности как самостоятельного критерия классификации. В отличие от технических характеристик, уровень автономности непосредственно связан с организационными аспектами внедрения AI-агентов и определяет требования к системам контроля и управления рисками. Обращает на себя внимание, что выбор уровня автономности не является исключительно техническим решением, но отражает стратегический выбор организации относительно баланса между эффективностью автоматизации и сохранением человеческого контроля. Данный выбор определяется совокупностью факторов, включающих критичность автоматизируемых процессов, зрелость технологий, организационную культуру и регуляторные требования^[34].

Практическое применение предложенной классификации предполагает последовательное определение требуемых значений по каждому критерию на основе анализа характеристик автоматизируемых управленческих задач. Для операционных задач с высокой степенью стандартизации и низким уровнем риска целесообразно применение простых рефлексных или модельно-ориентированных агентов с делегированным уровнем автономности. Для аналитических задач, требующих обработки разнородной информации и формирования выводов, предпочтительны целеориентированные агенты с парадигмой ReAct и рекомендательным уровнем автономности. Для комплексных задач управления, затрагивающих множество функциональных областей, оптимальным решением являются мультиагентные системы на основе обучающихся агентов.

Помимо типологии по техническим и функциональным критериям, существенное практическое значение имеет классификация AI-агентов по стадиям зрелости внедрения на предприятиях. Данный аспект классификации отражает организационную готовность к использованию агентов различной сложности и определяет траекторию развития систем интеллектуальной автоматизации. Предлагается выделение четырёх архитектурных подходов, соответствующих различным стадиям цифровой зрелости предприятия и масштабам внедрения AI-агентов.

Первый подход предполагает использование файлового агента, представляющего собой минимальную конфигурацию для предприятий начального уровня цифровой зрелости. В данной архитектуре агент получает входные данные в виде файлов, обрабатывает их с использованием большой языковой модели и формирует результат также в файловом формате. Такой подход не требует сложной интеграции с информационными системами и может быть реализован с минимальными техническими компетенциями. Типичными сценариями применения являются анализ документов, генерация отчётов по шаблонам, обработка структурированных данных из электронных таблиц.

Второй подход связан с созданием инструментального агента на базе no-code или low-code платформы. Агент данного типа обладает возможностью взаимодействия с внешними системами посредством API и выполнения действий в корпоративных приложениях. Платформы автоматизации, такие как n8n, обеспечивают визуальный интерфейс для конфигурирования интеграций и логики работы агента без написания программного кода. Данный подход оптимален для предприятий среднего уровня цифровой зрелости, стремящихся автоматизировать конкретные бизнес-процессы с измеримым экономическим эффектом^[35].

Третий подход предполагает формирование внутренней микроплатформы для AI-агентов, обеспечивающей масштабирование успешных сценариев автоматизации. Микроплатформа включает унифицированную инфраструктуру для развёртывания агентов, библиотеку переиспользуемых компонентов, системы мониторинга и управления, а также механизмы обеспечения безопасности и соответствия регуляторным требованиям. Такой подход требует значительных инвестиций в разработку и сопровождение платформы, однако обеспечивает экономию на масштабе при создании множества агентов для различных бизнес-процессов.

Четвёртый подход связан с построением корпоративной агентной платформы уровня Enterprise, интегрированной с ключевыми информационными системами предприятия и обеспечивающей сквозную автоматизацию управленческих процессов. Платформа данного уровня включает централизованное управление жизненным циклом агентов, продвинутые механизмы оркестрации мультиагентных взаимодействий, комплексную систему информационной безопасности с учётом требований работы с персональными данными и коммерческой тайной, а также инструменты аудита и контроля соответствия корпоративным политикам. Данный подход характерен для крупных предприятий с высоким уровнем цифровой зрелости и строгими требованиями к безопасности и контролю.

Соотношение архитектурных подходов и характеристик предприятий представлено в таблице 6.

Таблица 6

Архитектурные подходы к внедрению AI-агентов по стадиям зрелости предприятия

Источник: составлено автором по данным^[36].

Наблюдается существенная дифференциация требуемых инвестиций и сроков внедрения в зависимости от выбранного архитектурного подхода. Обращает на себя внимание, что переход между стадиями зрелости не обязательно является линейным. Предприятие может начать с пилотного проекта на базе файлового агента, затем перейти к инструментальному агенту для конкретного бизнес-процесса и параллельно развивать компетенции для построения микроплатформы. Выбор траектории развития определяется стратегическими приоритетами предприятия, доступными ресурсами и характеристиками автоматизируемых процессов.

Следует также отметить, что различные архитектурные подходы предъявляют существенно различающиеся требования к организационным компетенциям. Файловый агент может быть создан и использован сотрудниками функциональных подразделений без привлечения IT-специалистов. Инструментальный агент требует участия бизнес-аналитиков и специалистов по интеграции. Внутренняя микроплатформа предполагает наличие выделенной команды разработки и DevOps-практик. Корпоративная платформа требует полноценного центра компетенций по искусственному интеллекту с участием data scientists, ML-инженеров и архитекторов.

Разработанная классификация AI-агентов создаёт методическую основу для системного подхода к внедрению интеллектуальных технологий в управление предприятиями. Многокритериальность классификации обеспечивает возможность комплексного анализа альтернативных решений с учётом технических возможностей, функциональных требований и организационного контекста. Выделение стадий зрелости внедрения позволяет формировать реалистичные планы развития систем интеллектуальной автоматизации с учётом текущего состояния и целевого видения предприятия. Интеграция технических и организационных аспектов классификации отражает понимание AI-агентов как социотехнических систем, эффективность которых определяется не только технологическими характеристиками, но и качеством встраивания в организационные процессы и культуру предприятия.

Таким образом, предложенная многокритериальная классификация AI-агентов представляет собой инструмент систематизации знаний о данных технологиях и методическую основу для принятия обоснованных решений при проектировании систем управления предприятиями. Дальнейшее развитие классификации предполагает её верификацию на практических примерах внедрения AI-агентов и уточнение критериев по мере накопления эмпирических данных о результатах применения различных типов агентов в конкретных управленческих контекстах.

1.4. Технологическая платформа n8n как основа для создания интеллектуальных AI-агентов в системах автоматизации бизнес-процессов

Практическая реализация интеллектуальных AI-агентов в управлении предприятиями требует наличия технологической платформы, обеспечивающей создание, развёртывание и оркестрацию агентов без необходимости глубокой программной разработки. Анализ рынка платформ автоматизации рабочих процессов позволяет выделить несколько категорий решений, различающихся по функциональным возможностям, архитектурным особенностям и условиям использования. Среди множества доступных платформ особое внимание заслуживает n8n — открытая платформа автоматизации рабочих процессов, обладающая уникальным сочетанием характеристик, делающих её оптимальным выбором для построения экосистем интеллектуальных AI-агентов на предприятиях^[37].

Платформа n8n представляет собой программное обеспечение с открытым исходным кодом, распространяемое под лицензией fair-code, которая сочетает преимущества открытости с устойчивой бизнес-моделью для разработчиков. Название платформы происходит от слова «nodemation» (node-based automation), отражающего базовый принцип построения автоматизированных процессов из связанных между собой узлов. Каждый узел выполняет определённую функцию — получение данных, их преобразование, взаимодействие с внешними системами или принятие решений на основе заданных условий. Визуальный редактор позволяет создавать сложные workflow путём соединения узлов в графы, определяющие логику обработки данных и последовательность выполнения операций.

Архитектура платформы n8n построена на принципах модульности и расширяемости, что обеспечивает гибкость при создании решений различной сложности. Ядро платформы включает несколько ключевых компонентов, взаимодействие которых обеспечивает функционирование системы автоматизации. Workflow Engine представляет собой исполнительную среду, обеспечивающую запуск и координацию рабочих процессов с производительностью до 220 операций в секунду на стандартной конфигурации сервера. Node System реализует систему подключаемых модулей, обеспечивающих интеграцию с более чем 400 внешними сервисами и приложениями. Credential Management обеспечивает безопасное хранение и использование учётных данных для доступа к интегрированным системам. Expression Engine позволяет использовать JavaScript-выражения для динамической обработки данных внутри workflow^[38].

Принципиальное значение для создания AI-агентов имеет интеграция n8n с технологиями искусственного интеллекта. Платформа поддерживает подключение к ведущим провайдерам больших языковых моделей, включая OpenAI GPT, Anthropic Claude, Google Gemini и открытые модели семейства LLaMA. Специализированные узлы LangChain обеспечивают реализацию паттернов агентного поведения, включая парадигмы рассуждений ReAct и ReWOO. Узел AI Agent позволяет создавать автономных агентов, способных использовать инструменты, выполнять многошаговые рассуждения и адаптировать поведение на основе результатов промежуточных действий. Узел AI Transform обеспечивает преобразование данных на основе инструкций на естественном языке, что существенно упрощает создание интеллектуальных workflow.

Четырёхуровневая концептуальная модель построения систем управления на базе n8n, сформулированная в ходе настоящего исследования, включает инфраструктурный, интеграционный, интеллектуальный и управленческий уровни. Инфраструктурный уровень охватывает базовую IT-инфраструктуру предприятия, включая серверное оборудование, облачные сервисы и системы хранения данных. Интеграционный уровень реализуется непосредственно платформой n8n, обеспечивающей связь между различными информационными системами посредством workflow-автоматизации. Интеллектуальный уровень включает AI-агентов различных типов, использующих большие языковые модели для рассуждений и принятия решений. Управленческий уровень представлен системами поддержки принятия решений и аналитическими панелями, агрегирующими результаты работы AI-агентов для руководителей предприятия.

Сравнительный анализ платформы n8n с альтернативными решениями позволяет выявить её конкурентные преимущества и ограничения. Основными конкурентами n8n на рынке платформ автоматизации выступают Zapier, Microsoft Power Automate, Make.com (ранее Integromat) и отечественная платформа Albato. Zapier позиционируется как наиболее простое решение для начинающих пользователей, однако ограничен в возможностях кастомизации и предлагает исключительно облачную модель развёртывания. Microsoft Power Automate глубоко интегрирован с экосистемой Microsoft 365, что создаёт преимущества для организаций, использующих продукты данного вендора, однако ограничивает гибкость при работе с альтернативными решениями. Make.com предоставляет развитые визуальные инструменты, однако уступает n8n в возможностях программной кастомизации и самостоятельного развёртывания^[39].

Ключевым преимуществом платформы n8n для российских предприятий является возможность локального развёртывания на собственной инфраструктуре организации. В отличие от облачных сервисов, предполагающих передачу данных на серверы зарубежных провайдеров, локальная установка n8n обеспечивает полный контроль над данными и их обработкой. Данное обстоятельство приобретает особую значимость в контексте требований законодательства о персональных данных и защите коммерческой тайны. Федеральный закон от 27 июля 2006 г. № 152-ФЗ «О персональных данных» устанавливает требования к локализации баз данных персональных данных граждан Российской Федерации на территории страны, что делает локальное развёртывание предпочтительным выбором для многих категорий предприятий.

Вместе с тем необходимо объективно рассмотреть ограничения и риски, связанные с использованием платформы n8n в условиях современной геополитической ситуации. Платформа разработана немецкой компанией n8n GmbH и распространяется с серверов, расположенных за пределами Российской Федерации. Интеграция с большими языковыми моделями предполагает использование API зарубежных провайдеров, таких как OpenAI и Anthropic, что создаёт зависимость от доступности данных сервисов и политики их операторов. Санкционные ограничения теоретически могут затронуть доступ российских пользователей к облачным сервисам и обновлениям программного обеспечения.

Однако следует констатировать, что указанные ограничения в равной мере применимы к подавляющему большинству современных технологических решений, используемых российскими предприятиями. Операционные системы семейства Microsoft Windows, системы управления базами данных Oracle и Microsoft SQL Server, офисные приложения Microsoft Office, среды разработки и многие другие критически важные компоненты IT-инфраструктуры являются продуктами западных компаний и потенциально подвержены аналогичным рискам. Полный отказ от использования зарубежного программного обеспечения в краткосрочной перспективе представляется нереалистичным и повлечёт существенное снижение конкурентоспособности отечественных предприятий. Более продуктивным представляется подход, основанный на управлении рисками и формировании технологической устойчивости через диверсификацию решений и развитие компетенций^[40].

Предлагается комплекс мер по минимизации рисков, связанных с использованием платформы n8n на российских предприятиях. Первая группа мер связана с обеспечением автономности функционирования. Локальное развёртывание n8n на собственных серверах или в российских дата-центрах исключает зависимость от доступности зарубежной облачной инфраструктуры. Сохранение локальных копий дистрибутивов и документации обеспечивает возможность восстановления системы в случае ограничения доступа к репозиториям. Использование контейнеризации Docker позволяет создавать переносимые образы системы, не зависящие от внешних зависимостей.

Вторая группа мер направлена на диверсификацию провайдеров AI-сервисов. Помимо зарубежных больших языковых моделей, n8n поддерживает интеграцию с локально развёрнутыми открытыми моделями, такими как LLaMA, Mistral и отечественными разработками. Российские провайдеры AI-сервисов, включая Сбер (GigaChat) и Яндекс (YandexGPT), развивают API, совместимые со стандартами OpenAI, что обеспечивает возможность переключения между провайдерами с минимальными модификациями workflow^[41]. Архитектура n8n позволяет создавать абстрактные слои, инкапсулирующие взаимодействие с конкретным провайдером и обеспечивающие замену без изменения бизнес-логики.

Третья группа мер связана с развитием внутренних компетенций и снижением зависимости от внешней поддержки. Открытый исходный код n8n обеспечивает возможность самостоятельного анализа, модификации и развития платформы силами внутренних разработчиков предприятия. Активное сообщество пользователей и разработчиков создаёт базу знаний, не зависящую от официальной поддержки вендора. Модульная архитектура позволяет создавать собственные узлы для интеграции с отечественными информационными системами, такими как 1С, Битрикс24, amoCRM^[42].

Практические аспекты применения платформы n8n для создания AI-агентов в управлении предприятиями демонстрируют значительный потенциал повышения операционной эффективности. Эмпирические данные, полученные в ходе пилотных внедрений, свидетельствуют о сокращении времени выполнения рутинных управленческих операций на 70-85% при автоматизации с помощью AI-агентов на базе n8n. Компания Delivery Hero, оперирующая в сфере доставки еды, сообщает об экономии более 200 человеко-часов в месяц благодаря автоматизации процессов обработки данных^[43]. Рекрутинговая платформа StepStone достигла 25-кратного ускорения процессов интеграции данных по сравнению с ручной обработкой. Российские компании, внедрившие решения на базе n8n, отмечают экономический эффект порядка 1 млн рублей в год при среднем сроке окупаемости инвестиций 2,4 месяца^[44].

Техническая реализация AI-агентов на платформе n8n предполагает создание многоуровневой архитектуры workflow, обеспечивающей разделение функций между компонентами системы. Входной уровень включает триггеры, инициирующие выполнение workflow при наступлении определённых событий — поступлении сообщения, изменении данных в базе, наступлении запланированного времени или вызове webhook. Уровень валидации обеспечивает проверку входных данных, аутентификацию пользователей и маршрутизацию запросов. Интеллектуальный уровень реализует логику AI-агента, включая взаимодействие с большими языковыми моделями, выполнение рассуждений и принятие решений. Исполнительный уровень обеспечивает выполнение действий во внешних системах — создание документов, отправку уведомлений, обновление записей в базах данных. Уровень мониторинга обеспечивает логирование операций, обработку ошибок и формирование аналитической отчётности.

Масштабирование решений на базе n8n достигается посредством горизонтального развёртывания нескольких экземпляров платформы с распределением нагрузки через балансировщик. Архитектура поддерживает режим очередей, когда задачи помещаются в очередь и обрабатываются пулом воркеров, что обеспечивает устойчивость к пиковым нагрузкам и возможность параллельной обработки множества запросов. Интеграция с системами управления базами данных, такими как PostgreSQL и Supabase, обеспечивает персистентное хранение состояния workflow и данных пользователей^[45]. Использование Redis для кеширования позволяет оптимизировать производительность при высокой нагрузке.

Таким образом, платформа n8n представляет собой зрелое технологическое решение, обеспечивающее создание интеллектуальных AI-агентов для автоматизации управленческих процессов предприятий. Сочетание открытого исходного кода, возможности локального развёртывания, развитой экосистемы интеграций и поддержки современных технологий искусственного интеллекта делает n8n оптимальным выбором для построения экосистем интеллектуальной автоматизации. Выявленные ограничения, связанные с зарубежным происхождением платформы, носят общий характер для современных технологических решений и могут быть эффективно минимизированы посредством комплекса организационных и технических мер, сформулированных в настоящем исследовании. Дальнейшее развитие практического применения n8n для создания AI-агентов составляет предмет второй и третьей глав диссертационного исследования, где будут представлены конкретные методики внедрения и оценки эффективности разработанных решений.

Выводы по первой главе

В результате анализа современных концепций и подходов к использованию AI-агентов в управлении предприятиями выявлена недостаточность существующих определений, заимствованных преимущественно из области компьютерных наук и не учитывающих специфику управленческой деятельности. Сформулировано авторское определение интеллектуального AI-агента в управлении предприятием как программной сущности, обладающей способностью автономно воспринимать состояние управленческой среды, формировать цели на основе делегированных полномочий, осуществлять рассуждения с использованием больших языковых моделей, выполнять действия посредством интеграции с информационными системами предприятия и адаптировать своё поведение на основе обратной связи, функционируя в рамках установленных организационных ограничений и протоколов взаимодействия с человеком. Данное определение интегрирует технологические и управленческие аспекты функционирования агентов и создаёт понятийную основу для дальнейшего исследования.

Установлено принципиальное отличие AI-агентов от смежных технологий автоматизации — чат-ботов, RPA-систем и виртуальных ассистентов — по триаде характеристик: автономность, когнитивность и инструментальность. Идентифицированы семь базовых атрибутов AI-агента в контексте управленческой деятельности: автономность, реактивность, проактивность, социальность, адаптивность, объяснимость и управляемость. Сформулирована концепция «контролируемой автономии», предполагающая градацию уровней самостоятельности AI-агента в зависимости от типа решаемых задач, степени риска и организационного контекста.

Исследование эволюции технологий искусственного интеллекта в контексте управления предприятиями позволило выделить пять последовательных этапов развития: экспертные системы (1975–1993 гг.), классическое машинное обучение (1993–2010 гг.), глубокое обучение (2010–2020 гг.), большие языковые модели (2020–2023 гг.) и интеллектуальные AI-агенты (2023 г. — настоящее время). Выявлены устойчивые закономерности эволюции, включающие последовательное расширение класса задач, доступных для автоматизации, переход от жёсткого программирования к обучению на данных и трансформацию роли человека от источника знаний к супервизору автономных систем. Обосновано, что AI-агенты представляют собой закономерный результат конвергенции технологических достижений предыдущих этапов и качественно новый уровень автоматизации управленческих процессов.

Разработана многокритериальная классификация AI-агентов, интегрирующая технические, функциональные и организационные аспекты их применения в управлении предприятиями. Классификация основана на четырёх взаимодополняющих критериях: уровень когнитивной сложности (простые рефлексные, модельно-ориентированные, целеориентированные, утилитарные и обучающиеся агенты), парадигма рассуждений (ReAct, ReWOO, Plan-and-Execute), уровень автономности (информационный, рекомендательный, делегированный, автономный) и архитектурная сложность (монолитные, модульные, мультиагентные системы). Предложенная классификация составляет элемент научной новизны исследования и соответствует первому положению, выносимому на защиту.

Дополнительно разработана классификация архитектурных подходов к внедрению AI-агентов по стадиям зрелости предприятия, включающая четыре уровня: файловый агент для компаний начального уровня, инструментальный агент на базе no-code платформы для среднего бизнеса, внутренняя микроплатформа для крупных предприятий и корпоративная агентная платформа уровня Enterprise. Данная классификация обеспечивает методическую основу для формирования реалистичных планов развития систем интеллектуальной автоматизации с учётом текущего состояния и целевого видения организации.

Обоснован выбор платформы n8n как оптимальной технологической основы для создания интеллектуальных AI-агентов в системах управления предприятиями. Ключевыми преимуществами платформы являются открытый исходный код, возможность локального развёртывания на собственной инфраструктуре, развитая экосистема интеграций с более чем 400 внешними сервисами, поддержка современных технологий искусственного интеллекта через узлы LangChain и специализированные AI-компоненты. Сформулирована четырёхуровневая концептуальная модель построения систем управления на базе n8n, включающая инфраструктурный, интеграционный, интеллектуальный и управленческий уровни, что соответствует второму положению, выносимому на защиту.

Объективно рассмотрены ограничения и риски, связанные с использованием платформы n8n в условиях современной геополитической ситуации. Констатировано, что выявленные ограничения носят общий характер для подавляющего большинства современных технологических решений и не являются специфическими для n8n. Предложен комплекс мер по минимизации рисков, включающий обеспечение автономности функционирования через локальное развёртывание, диверсификацию провайдеров AI-сервисов с возможностью использования отечественных решений и развитие внутренних компетенций для снижения зависимости от внешней поддержки.

Теоретические результаты первой главы создают методологическую основу для анализа практики применения AI-агентов в управлении предприятиями, разработки методических подходов к оценке их эффективности и формирования авторской модели цифровой технологии управления, что составляет предмет второй и третьей глав диссертационного исследования.

ГЛАВА 2. АНАЛИЗ И ОЦЕНКА ПРИМЕНЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ AI-АГЕНТОВ В УПРАВЛЕНИИ СОВРЕМЕННЫМИ ПРЕДПРИЯТИЯМИ

2.1. Современное состояние применения технологий AI-агентов в управлении отечественными и зарубежными предприятиями

2.2. Методические подходы к оценке эффективности технологий на основе AI-агентов в управлении

2.3. Проблемы и ограничения использования технологий на основе AI-агентов в управлении предприятиями

2.4. Анализ практики применения n8n-based AI-агентов для автоматизации управленческих процессов предприятия

Глава 3. Разработка и внедрение авторской цифровой технологии управления предприятием на основе интеллектуальных AI-агентов

3.1. Концептуальная модель авторской цифровой технологии управления предприятием с использованием интеллектуальных AI-агентов на базе n8n 3.2. Методика оценки эффективности применения разработанной технологии на основе AI-агентов

3.3. Рекомендации по внедрению авторской технологии на основе интеллектуальных AIагентов и оценка ее экономической эффективности

ЗАКЛЮЧЕНИЕ

Список используемой литературы

1. Агеев, А. В. Возможности использования искусственного интеллекта при принятии управленческих решений в системе корпоративного менеджмента / А. В. Агеев, С. В. Симонов, С. М. Кашин [и др.] // Вестник Челябинского государственного университета. – 2023. – № 12 (482). – С. 126-133.

2. Бауэр, В. Индустрия 4.0: революция в промышленном производстве / В. Бауэр, С. Глатцель, М. Хаммершмидт // Проблемы теории и практики управления. – 2020. – № 3. – С. 138-146.

3. Бетелин, В. Б. Проблемы и перспективы формирования цифровой экономики в России / В. Б. Бетелин // Вестник Российской академии наук. – 2018. – Т. 88, № 1. – С. 3-9. – DOI 10.7868/S0869587318010012.

4. Борис, О. А. Менеджмент компаний, использующих генеративный искусственный интеллект: проблемы и возможности / О. А. Борис, В. Н. Парахина // Университетская наука – региону : сборник материалов XI (68) ежегодной научно-практической конференции. – Ставрополь, 2024. – С. 110-113.

5. Варнавский, В. Г. Цифровизация как источник экономического роста / В. Г. Варнавский // Общественные науки и современность. – 2024. – № 2. – С. 45-58.

6. Варфоломеева, В. А. Цифровая трансформация промышленных предприятий в условиях инновационной экономики / В. А. Варфоломеева, Э. Х. Муслимова // Прогрессивная экономика. – 2022. – № 12. – С. 41-51.

7. Ваславская, И. Ю. Агентный подход к моделированию интеллектуальной системы управления экономическими субъектами / И. Ю. Ваславская, Е. П. Кочетков, Д. А. Денисова // Экономика устойчивого развития. – 2024. – № 1 (57). – С. 256-260.

8. Генералова, Н. В. Цифровизация технологических и корпоративных бизнес-процессов: опыт российских компаний / Н. В. Генералова, Г. В. Соболева, Л. Д. Куратник // Финансовый бизнес. – 2023. – № 4. – С. 78-85.

9. Горелов, Н. А. Основы цифровой трансформации общества : учебник для вузов / Н. А. Горелов, О. Н. Кораблева. – 2-е изд., перераб. и доп. – Москва : Издательство Юрайт, 2024. – 337 с. – ISBN 978-5-534-18432-7.

10. Готовность российского бизнеса к экономике данных : мониторинг цифровой трансформации бизнеса. Выпуск 2 / Институт статистических исследований и экономики знаний НИУ ВШЭ. – Москва : НИУ ВШЭ, 2023. – 48 с.

11. Грибанов, Ю. И. Цифровая трансформация социально-экономических систем на основе развития института сервисной интеграции : диссертация на соискание ученой степени доктора экономических наук / Ю. И. Грибанов. – Санкт-Петербург, 2019. – 385 с.

12. Грингард, С. Интернет вещей: Будущее уже здесь / С. Грингард ; перевод с английского. – Москва : Альпина Паблишер, 2021. – 188 с. – ISBN 978-5-9614-6468-3.

13. Гунина, Д. Д. Особенности применения искусственного интеллекта в управлении предприятием / Д. Д. Гунина // Актуальные вопросы устойчивого развития современного общества и экономики : сборник научных статей 4-й Всероссийской научно-практической конференции. – Курск, 2025. – С. 237-240.

14. Дадаев, Я. Э. Роль цифровых технологий в управлении интегративным развитием предприятий / Я. Э. Дадаев, М. А. Магомедова, М. Г. Магомедбекова // Экономика и предпринимательство. – 2023. – № 5. – С. 112-118.

15. Дадабаева, Р. А. Вопросы применения технологий искусственного интеллекта в менеджменте экономических объектов / Р. А. Дадабаева, И. Е. Жуковская // Инновации и инвестиции. – 2024. – № 11. – С. 511-515.

16. Дороговцева, А. А. Искусственный интеллект в системе управления предприятием: эволюция, инновации и перспективы / А. А. Дороговцева, Н. К. Овчаренко // Экономика, предпринимательство и право. – 2024. – Т. 14, № 11. – С. 6259-6272. – DOI 10.18334/epp.14.11.121944.

17. Зайченко, И. М. Влияние искусственного интеллекта на процессы управления предприятиями / И. М. Зайченко, Х. Чжоу, А. К. Иванов // Инновации и инвестиции. – 2025. – № 1. – С. 511-513.

18. Злобина, О. В. Совершенствование системы управления организацией на основе использования инструментов цифровой трансформации : диссертация на соискание ученой степени кандидата экономических наук / О. В. Злобина. – Москва, 2024. – 198 с.

19. Искандарова, С. А. ИИ-агенты в корпоративном управлении: архитектурные решения и практики внедрения / С. А. Искандарова // Управление и информационные технологии. – 2025. – № 2. – С. 45-58.

20. Искусственный интеллект: от фундаментальных проблем к прикладным задачам : монография : в 2 томах / под ред. Е. Н. Макаренко. – Ростов-на-Дону : Издательско-полиграфический комплекс РГЭУ (РИНХ), 2025. – Т. 1. – 428 с.

21. Ишмаева, О. В. Применение искусственного интеллекта (ИИ) в системах менеджмента / О. В. Ишмаева, А. Д. Баринов, Н. А. Малев // Экономика и управление: проблемы, решения. – 2024. – Т. 9, № 4 (145). – С. 122-127.

22. Клейнер, Г. Б. Системный анализ в проектировании и управлении : сборник научных трудов XXVII Международной научно-практической конференции / Г. Б. Клейнер. – Санкт-Петербург : Политех-Пресс, 2024. – Ч. 1. – С. 19-33.

23. Климкина, Л. П. Системы искусственного интеллекта в управлении предприятием / Л. П. Климкина // Региональные проблемы устойчивого развития агропромышленного комплекса в условиях цифровой трансформации : сборник статей Всероссийской научно-практической конференции. – Пенза, 2023. – С. 39-43.

24. Кобзев, В. В. Цифровая трансформация промышленных предприятий в условиях новой реальности / В. В. Кобзев, А. В. Бабкин, А. С. Скоробогатов // π-Economy. – 2022. – № 5. – С. 18-32.

25. Кочетов, Д. И. Стратегии внедрения систем искусственного интеллекта для повышения эффективности управленческих решений в организациях / Д. И. Кочетов // Вестник Академии права и управления. – 2024. – № 4 (79). – С. 162-168.

26. Лашкова, Н. Г. Вопросы развития системы управления бизнес-процессами предприятия в условиях цифровых информационно-коммуникационных технологий / Н. Г. Лашкова, А. П. Дроздова // Вестник Санкт-Петербургского государственного университета технологии и дизайна. – 2021. – № 3. – С. 45-52.

27. Маньков, И. А. Цифровая эволюция современного предприятия: анализ процессов автоматизации, цифровизации и цифровой трансформации / И. А. Маньков, Е. С. Гаврилюк // Прогрессивная экономика. – 2024. – № 3. – С. 78-92.

28. Маслобоев, А. В. Гибридная архитектура интеллектуального агента с имитационным аппаратом / А. В. Маслобоев // Вестник Мурманского государственного технического университета. – 2009. – Т. 12, № 1. – С. 113-124.

29. Мингалева, Ж. А. Перспективы управления знаниями в эпоху искусственного интеллекта / Ж. А. Мингалева, В. С. Тумилович // Инновации и инвестиции. – 2024. – № 6. – С. 172-175.

30. Митрофанова, Я. С. Управление цифровой трансформацией предприятия: организационные и методические аспекты оценки уровня зрелости экосистемы технологий интернета вещей / Я. С. Митрофанова, Н. Ю. Гуляев // Экономика и управление. – 2023. – № 8. – С. 156-168.

31. Михалев, О. Н. Применение искусственного интеллекта в экспертно-аналитических системах для эффективного управления производством / О. Н. Михалев, А. С. Янюшкин // Справочник. Инженерный журнал. – 2023. – № 1 (310). – С. 34-40.

32. Мохи, Э. Х. ИИ-агенты и эффективное управление организацией атомной сферы: как технологии становятся управленческими союзниками / Э. Х. Мохи, С. Н. Яшин // Эффективное управление экономикой: проблемы и перспективы : сборник трудов X Международной научно-практической конференции. – Симферополь, 2025. – С. 507-510.

33. Носова, С. С. Роль генеративного искусственного интеллекта в современной системе управления бизнесом и социально-экономическим развитием / С. С. Носова, А. Н. Норкина, Н. В. Морозов // Экономика и предпринимательство. – 2024. – № 9 (170). – С. 852-860.

34. О внесении изменений в отдельные законодательные акты Российской Федерации : Федеральный закон № 223-ФЗ : [принят Государственной думой 26 июля 2024 года]. – Москва, 2024. – Текст : электронный // КонсультантПлюс : [сайт]. – URL: https://www.consultant.ru/law/hotdocs/85889.html (дата обращения: 16.12.2024).

35. О национальных целях развития Российской Федерации на период до 2030 года : Указ Президента Российской Федерации от 21 июля 2020 г. № 474 // Российская газета. – 2020. – 22 июля.

36. О Стратегии развития информационного общества в Российской Федерации на 2017-2030 годы : Указ Президента РФ от 9 мая 2017 г. № 203 // Собрание законодательства Российской Федерации. – 2017. – № 20. – Ст. 2901.

37. О цифровых финансовых активах, цифровой валюте и о внесении изменений в отдельные законодательные акты Российской Федерации : Федеральный закон № 259-ФЗ : [принят Государственной думой 22 июля 2020 года]. – Москва, 2020. – Текст : электронный // КонсультантПлюс : [сайт]. – URL: http://www.consultant.ru/document/cons_doc_LAW_358753/ (дата обращения: 16.12.2024).

38. Основы цифровой экономики : учебник и практикум для вузов / М. Н. Конягина [и др.] ; ответственный редактор М. Н. Конягина. – Москва : Издательство Юрайт, 2024. – 235 с. – ISBN 978-5-534-13476-6.

39. Панарина, М. М. Корпоративная безопасность. Управление рисками и комплаенс в эпоху цифровизации : учебное пособие для вузов / М. М. Панарина. – 3-е изд., перераб. и доп. – Москва : Издательство Юрайт, 2025. – 181 с. – ISBN 978-5-534-17777-0.

40. Подходы к внедрению AI-агентов: что реально работает в российских компаниях // CyberBrain : [сайт]. – 2025. – URL: https://cyberbrain.ru/ai-agents-implementation (дата обращения: 01.06.2025).

41. Попов, И. А. Платформа «n8n» как основа экосистемы интеллектуальных систем управления предприятием / И. А. Попов // Modern Economy Success. – 2024. – № 2. – С. 125-138.

42. Портер, М. Как умные технологии меняют конкуренцию / М. Портер, Д. Хеппельманн // Harvard Business Review Россия. – 2022. – № 5. – С. 42-56.

43. Сергеев, Л. И. Цифровая экономика : учебник для вузов / Л. И. Сергеев, Д. Л. Сергеев, А. Л. Юданова ; под редакцией Л. И. Сергеева. – 2-е изд., перераб. и доп. – Москва : Издательство Юрайт, 2024. – 437 с. – ISBN 978-5-534-15797-0.

44. Славин, Б. Б. Конвергенция цифровых технологий в оценке эффективности процессов ИТ-подразделений предприятия / Б. Б. Славин, С. И. Неизвестный, Д. С. Худяков // Инновации и инвестиции. – 2023. – № 4. – С. 85-92.

45. Сомов, А. Г. Разработка методов и инструментов поддержки принятия управленческих решений на основе искусственного интеллекта / А. Г. Сомов // Инновации и инвестиции. – 2023. – № 4. – С. 305-308.

46. Сулимов, Н. Ю. Внедрение искусственного интеллекта в систему корпоративного управления / Н. Ю. Сулимов // Инновации и инвестиции. – 2023. – № 7. – С. 136-139.

47. Трошина, О. В. Использование цифровых технологий в управлении предприятием / О. В. Трошина // Вектор экономики. – 2022. – № 6. – С. 34-42.

48. Фэн, Т. Влияние цифровых технологий и Интернет-ресурсов на систему управления предприятиями малого и среднего бизнеса / Т. Фэн, И. В. Северин // Гуманитарные, социально-экономические и общественные науки. – 2024. – № 2. – С. 156-162.

49. Цифровая трансформация в государственном управлении : коллективная монография / Н. Е. Дмитриева, А. Г. Санина, Е. М. Стырин [и др.] ; под ред. Е. М. Стырина, Н. Е. Дмитриевой. – Москва : Изд. дом Высшей школы экономики, 2023. – 312 с. – ISBN 978-5-7598-2831-0.

50. Цифровая трансформация в России: аналитический отчет / KMDA. – Москва, 2020. – 86 с.

51. Цифровая трансформация промышленных предприятий в условиях инновационной экономики : монография / под науч. ред. М. Я. Веселовского, Н. С. Хорошавиной. – Москва : Мир науки, 2021. – 245 с.

52. Цифровая трансформация экономических систем: проблемы и перспективы (ЭКОПРОМ-2022) : сборник трудов VI Всероссийской научно-практической конференции. – Санкт-Петербург : ПОЛИТЕХ-ПРЕСС, 2022. – 819 с. – ISBN 978-5-7422-7892-4.

53. Цифровая экономика: 2023 : краткий статистический сборник / Г. И. Абдрахманова, С. А. Васильковский, К. О. Вишневский [и др.]. – Москва : НИУ ВШЭ, 2023. – 120 с. – ISBN 978-5-7598-2744-3.

54. Цифровизация публичного управления : учебное пособие / С. Н. Костина, Д. Л. Сивоволов, Г. А. Банных [и др.] ; под общ. ред. С. Н. Костиной. – Екатеринбург : Изд-во Урал. ун-та, 2022. – 111 с. – ISBN 978-5-7996-3570-1.

55. Чжао, Х. Зачем бизнесу AI-агенты и какие задачи они закрывают / Х. Чжао // Рулла : [сайт]. – 2025. – URL: https://rulla.com/blog/ai-agents-business (дата обращения: 01.06.2025).

56. Шваб, К. Четвертая промышленная революция / К. Шваб ; перевод с английского. – Москва : Эксмо, 2019. – 208 с. – ISBN 978-5-699-98379-7.

57. Яни, А. В. Доказательная теория экономического развития: понятие и перспективы использования / А. В. Яни // Инновационная экономика: перспективы развития и совершенствования. – 2021. – № 1 (51). – С. 224-228.

58. ГОСТ Р 59795-2021. Информационные технологии. Искусственный интеллект. Эталонная архитектура больших данных. Часть 1. Структура и процесс применения : национальный стандарт Российской Федерации. – Москва : Стандартинформ, 2021. – 28 с.

59. ГОСТ Р 59796-2021. Цифровая трансформация. Общие положения : национальный стандарт Российской Федерации. – Москва : Стандартинформ, 2021. – 16 с.

60. ГОСТ Р ИСО 9001-2015. Системы менеджмента качества. Требования : национальный стандарт Российской Федерации. – Москва : Стандартинформ, 2015. – 24 с.

61. AI Agents in Enterprise: What it is and What's Coming in 2026 // Verloop.io : [website]. – 2025. – URL: https://verloop.io/blog/ai-agents-enterprise (accessed: 01.06.2025).

62. Aliyev, A. G. Issues of Application of Digital Twin Technologies in the Organization and Management of the Activities of Innovative Enterprises / A. G. Aliyev, R. O. Shahverdiyeva // Information Technologies. – 2023. – Vol. 29, No. 3. – P. 162-168. – DOI 10.17587/it.29.162-168.

63. Awad, N. How Agentic AI Is Transforming Enterprise Platforms / N. Awad, M. Serry, J. Vasquez // BCG : [website]. – 2025. – URL: https://www.bcg.com/publications/2025/agentic-ai-enterprise-platforms (accessed: 01.06.2025).

64. Bousetouane, F. Agentic Systems: A Guide to Transforming Industries with Vertical AI Agents / F. Bousetouane // arXiv preprint. – 2025. – arXiv:2501.00881.

65. Choung, H. A multilevel framework for AI governance / H. Choung, P. David, J. S. Seberger // The Routledge Handbook of Global and Digital Governance Crossroads. – Routledge India, 2024. – P. 310-323.

66. Digital Technology Driving Exploratory Innovation in the Enterprise: A Mediated Model with Moderation / J.-L. Gao, Y. Chen, X.-Q. Zhang // Systems. – 2023. – Vol. 11, № 3. – Article 118. – DOI: 10.3390/systems11030118.

67. Eisenberg, I. W. The Unified Control Framework: Establishing a Common Foundation for Enterprise AI Governance, Risk Management and Regulatory Compliance / I. W. Eisenberg, L. Gamboa, E. Sherman // arXiv preprint. – 2025. – arXiv:2503.05937.

68. Enterprise digital management: research review, current status and prospects / X. Han, Y. Hu, L. Wang, R. Zhou // Management System Engineering. – 2024. – Vol. 3, № 8. – P. 1-18.

69. How to build a strong foundation for AI agent evaluation and governance // World Economic Forum : [website]. – 2025. – URL: https://www.weforum.org/stories/2025/12/ai-agent-evaluation-governance (accessed: 01.06.2025).

70. Kawiecka, M. The role of AI agents in modern business strategies / M. Kawiecka // Future Processing : [website]. – 2025. – URL: https://www.future-processing.com/blog/ai-agents-business-strategies (accessed: 01.06.2025).

71. Khamraev, M. Application of digital technologies in enterprise management / M. Khamraev // Modern School of Russia. Modernization Issues. – 2022. – No. 6(43). – P. 130-133.

72. Lamine, W. Impact of digital technologies on entrepreneurship: Taking stock and looking forward / W. Lamine, A. Fayolle, S. Jack, D. Audretsch // Technovation. – 2023. – Vol. 126. – Article 102823. – DOI: 10.1016/j.technovation.2023.102823.

73. Larsen, B. AI Agents in Action: Foundations for Evaluation and Governance / B. Larsen // World Economic Forum White Paper. – 2025. – 48 p.

74. Li, Y. Path Research on the Value Chain Reconfiguration of Manufacturing Enterprises Under Digital Transformation – A Case Study of B Company / Y. Li, H. Ding, T. Li // Frontiers in Psychology. – 2022. – № 13. – P. 1-15.

75. Mandava, H. How Digital Technologies Improving Business Enterprise Applications / H. Mandava. – Maryland, USA, 2024. – 156 p.

76. Martinez-Caro, E. Digital transformation and firm performance: The mediating role of organizational learning capacity / E. Martinez-Caro, J. G. Cegarra-Navarro, A. Garcia-Perez // International Journal of Information Management. – 2023. – Vol. 71. – Article 102642. – DOI: 10.1016/j.ijinfomgt.2023.102642.

77. n8n Documentation: Workflow Automation Platform // n8n.io : [website]. – 2024. – URL: https://docs.n8n.io/ (accessed: 03.07.2025).

78. n8n и Gigachat: эффективная автоматизация бизнес-процессов с помощью интеграции // MyBot & n8n Flow : [сайт]. – 2024. – URL: https://mybotn8nflow.ru/osnovy-ii-i-automation/n8n-gigachat-ai-automatization/ (дата обращения: 06.07.2025).

79. Почему n8n важен в автоматизации бизнеса: примеры успешной автоматизации // Habr : [сайт]. – 2024. – URL: https://habr.com/ru/companies/datafeel/articles/923082/ (дата обращения: 04.07.2025).

80. Ross, J. W. Digital transformation strategy making in pre-digital organizations / J. W. Ross, I. M. Sebastian, C. M. Beath // MIS Quarterly Executive. – 2021. – Vol. 40, № 2. – P. 429-447. – DOI: 10.25300/MISQ/2021/15390.

81. Tapscott, D. Digital Capital: Harnessing the Power of Business Webs / D. Tapscott. – Boston : Harvard Business School Press, 2020. – 342 p. – ISBN 978-1-59139-125-8.

82. Verhoef, P. C. Digital transformation: A multidisciplinary reflection and research agenda / P. C. Verhoef, T. Broekhuizen, Y. Bart, A. Bhattacharya // Journal of Business Research. – 2024. – Vol. 158. – Article 115081. – DOI: 10.1016/j.jbusres.2024.115081.

83. Warner, K. S. R. Building dynamic capabilities for digital transformation: An ongoing process of strategic renewal / K. S. R. Warner, M. Wäger // Long Range Planning. – 2023. – Vol. 52, № 3. – P. 326-349. – DOI: 10.1016/j.lrp.2023.102088.

84. Westerman, G. Leading Digital: Turning Technology into Business Transformation / G. Westerman, D. Bonnet, A. McAfee. – Cambridge : MIT Press, 2021. – 256 p. – ISBN 978-1-63369-288-4.

85. ГОСТ Р ИСО/МЭК 38500-2017. Информационные технологии. Стратегическое управление ИТ в организации : национальный стандарт Российской Федерации. – Москва : Стандартинформ, 2017. – 20 с.