ТЕОРЕТИЧЕСКИЙ АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ К ОЦЕНКЕ ЭФФЕКТИВНОСТИ И УПРАВЛЕНИЯ РИСКАМИ ПРИ ВНЕДРЕНИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МАЛЫХ И СРЕДНИХ ПРЕДПРИЯТИЯХ

В последние годы цифровая трансформация стала одним из ключевых факторов конкурентоспособности бизнеса. В этом контексте технологии искусственного интеллекта приобретают особое значение, поскольку обладают признаками универсальной технологии: они способны трансформировать структуру отраслей, характер производственных процессов и модели взаимодействия с потребителями.

Однако условия внедрения ИИ существенно различаются в зависимости от размера предприятия. Крупные компании располагают достаточными финансовыми, кадровыми и инфраструктурными ресурсами для масштабного развертывания ИИ-решений. Для малых и средних предприятий (МСП) ситуация принципиально иная: дефицит ресурсов делает стандартные подходы к внедрению малоприменимыми.

Актуальность проблемы связана с масштабом сектора МСП: он формирует значительную долю занятости и валового продукта, и его технологическое отставание способно усилить структурные дисбалансы в экономике. При этом эмпирические данные показывают противоречивую картину. С одной стороны, внедрение ИИ действительно связано с ростом производительности и результативности. С другой стороны, уровень цифровой зрелости МСП остается низким, а инструменты для оценки целесообразности внедрения практически отсутствуют.

Для обоснования актуальности и научной новизны сформулированной проблемы был выполнен анализ научных источников, структурированный по шести тематическим направлениям: состояние внедрения ИИ в МСП; барьеры и риски; влияние на эффективность и результативность; роль генеративного ИИ; региональная и отраслевая специфика; подходы к управлению внедрением и оценке эффективности. Ниже последовательно раскрываются ключевые результаты по каждому из блоков.

Первый блок «Обзор состояния внедрения ИИ в секторе МСП» позволяет увидеть общую картину и одновременно выявить расхождения в оценках уровня зрелости. Работы Oldemeyer L., Jede A., Teuteberg F. [1], Proietti S., Magnani R. [2], а также Schwaeke J., Schmidt M., Brixner F.[3] дают взаимодополняющие, оценки.

В систематическом обзоре Oldemeyer L., Jede A., Teuteberg F. [1] зафиксировано 27 барьеров, с которыми сталкиваются МСП. Среди них чаще встречаются: недостаток знаний, издержки, низкий уровень цифровой зрелости и ограниченная доступность данных. При этом авторы обращают внимание на перекос исследовательского внимания: большинство публикаций посвящено операционной деятельности, а такие направления, как маркетинг, управление персоналом и финансы, практически не рассматриваются. Это важный пробел – если методика опирается только на операционные примеры, она окажется непоказательной для большинства МСП.

Особый интерес представляет исследование Proietti S., Magnani R. [2], опирающееся на опрос 36 итальянских МСП, которое дает следующие цифры: только 13,9 % предприятий используют ИИ для поддержки процессов, а 11 % знакомы с генеративным ИИ и регулярно его применяют. т.е. подавляющее большинство малых и средних предприятий остаются вне активного внедрения ИИ-решений, что указывает на крайне низкий уровень внедрения даже в относительно развитой экономике.

Schwaeke J., Schmidt M., Brixner F.[3] систематизировали литературу по восьми кластерам (совместимость, инфраструктура, знания, ресурсы, культура, конкуренция, регулирование, экосистема) и выявили существенные пробелы – в частности, недостаточное внимание к изменению тенденций и правовым требованиям.

Сопоставление этих работ обнаруживает методологический разрыв: разные подходы по-разному фиксируют уровень готовности МСП. Oldemeyer и Schwaeke с соавторами подчеркивают, что большинство предприятий находятся на начальных стадиях цифровой зрелости - у них нет ни больших массивов данных, ни опыта работы с ИИ, ни выделенных ИТ-специалистов. Proietti S., Magnani R. [2], напротив, предлагают модель, в которой большинство МСП попадают в категорию «ограниченное знание ИИ без его использования», и ни одно предприятие не отнесено к высокой цифровой зрелости. Такое расхождение свидетельствует о том, что существующие метрики либо недостаточно адаптированы к реальным условиям МСП, либо не учитывают разрыв между теоретической готовностью и фактическим уровнем цифровизации.

Второй блок посвящен барьерам и рискам внедрения ИИ. Анализ работ Bhalerao K. [4], Hansen E.B., Bøgh S. [5], Zavodna L.S., Vintr D., Papadaki J.S. [6], а также Мызрова К.А., Авдеева Т.В., Болдырева Т.В., Заводцков А.С. [7] позволяет выделить устойчивые группы препятствий и проследить, как их значимость меняется в зависимости от контекста.

Bhalerao K. [4] на основе обзора литературы называет среди ключевых барьеров осведомленность о выгодах ИИ, уровень ИТ-навыков сотрудников, слабое финансовое положение, размер организации, предпринимательскую ориентацию и качество доступных данных. Одновременно автор фиксирует и преимущества внедрения: улучшение принятия решений, вовлечение клиентов, управление человеческими ресурсами, управление запасами и кибербезопасность.

Zavodna L.S., Vintr D., Papadaki J.S. [6], опираясь на 22 интервью с отраслевыми экспертами в Чехии и Австрии, выделяют четыре основных барьера: недостаток доверия к надежности, этическим и правовым последствиям ИИ; пробел в знаниях о технологиях и их применении; ограничения инфраструктуры (недостаточные вычислительные ресурсы, устаревшие системы, слабая техническая поддержка); нехватка квалифицированных специалистов. При этом высокие издержки, вопреки ожиданиям, не стали главным препятствием - лишь отдельные компании указали их как основной фактор. Таким образом, проблема внедрения ИИ в МСП определяется не только финансированием, но и дефицитом доверия, знаний и инфраструктуры.

Обзор Hansen E.B., Bøgh S., [5] посвященный производственным МСП, обобщает 37 публикаций об использовании ИИ и «Интернета вещей» (IoT)1 и предлагает прагматичный подход: начинать с цифровизации не все производство целиком, а отдельные единицы оборудования/процесса, поскольку оно дешевле в реализации. По данным опроса экспертов, 90 % согласны, что IoT критически важен для промышленной результативности МСП, а более половины считают значимыми большие базы данных. При этом ни один из экспертов не считает, что МСП обладают достаточными знаниями и экспертизой для использования ИИ. Этот разрыв между признанием важности технологий и отсутствием компетенций остается одним из ключевых выводов.

Российское исследование Мызрова К.А., Авдеева Т.В., Болдырева Т.В., Заводцков А.С. [7] дополняет картину данными «Предприниматели России: исследовательский мониторинг» (Фонд «Общественное мнение» (ФОМ), Сбер, Минэкономразвития, проведенный в июле 2023): 45 % российских МСП применяют ИИ хотя бы в одном бизнес-процессе. Основные технологии - распознавание речи и перевод в текст, автоматизация взаимодействия с клиентами, нейросети для генерации изображений и видео, распознавание и анализ изображений, рекомендательные системы, анализ данных и прогнозирование. Еще 14 % малых организаций, не использующих ИИ, планируют его внедрение. Эти цифры показывают, что в России уровень проникновения ИИ выше, чем в ряде европейских выборок, но при этом сохраняются те же системные барьеры - особенно в части компетенций и правовых рисков.

На основании этого блока можно структурировать риски внедрения ИИ в пять категорий, значимость которых неоднородна для разных типов МСП.

Финансовые риски включают прежде всего неопределенность периода окупаемости инвестиций. Технологические риски в первую очередь связаны с качеством исходных данных и совместимостью с существующей ИТ-инфраструктурой. Организационные риски определяются вовлеченностью руководства и готовностью менять процессы. Компетентностные риски отражают дефицит профильных навыков у персонала. Регуляторно-правовые риски охватывают вопросы кибербезопасности и юридической ответственностиза результаты работы ИИ. При этом для производственных предприятий более критичны технологические риски, а для малых - регуляторные. Приоритизация рисков является необходимостью - это позволит сделать реалистичную оценку текущего состояния и своевременно принять управленческие решения для устранения этих рисков.

Третий блок «Влияние ИИ на эффективность и результативность МСП» демонстрирует, что эффект от внедрения не является автоматическим и реализуется через определенные механизмы. Исследования Czarnitzki D., Fernández G., Rammer C. [8], Segarra-Blasco A., Teruel J., Tomàs M. [9], Wahab M.D. A., Radmehr M. [10], а также Soomro R.B., Khan M.A., Ahmed N. [8] позволяют выделить устойчивые эмпирические закономерности.

Работа Czarnitzki D., Fernández G., Rammer C. [8] на базе немецкого инновационного панельного обследования подтверждает, что внедрение ИИ связано с ростом производительности фирмы, а не является следствием изначально более высокой эффективности. Даже при консервативных оценках прирост продаж составляет порядка 5 – 6 %.

Исследование Segarra-Blasco A., Teruel J., Tomàs M. [9] на выборке более 16 тысяч европейских фирм показывает, что активнее всего ИИ используют стартапы и развивающиеся компании, а связь с инновационной деятельностью имеет отраслевую специфику: в производстве технологии применяются целенаправленно, в сфере услуг – шире.

Wahab M. D. A., Radmehr M. [10] на данных опроса 417 руководителей МСП Ливана показывают, что эффект реализуется не напрямую, а через два ключевых механизма: способность компании усваивать новые знания и гибкость в работе с клиентами. Организационная гибкость усиливает положительную связь между внедрением ИИ и итоговым результатом.

Soomro R.B., Khan M.A., Ahmed N. В своей работе на выборке 305 руководителей предприятий Пакистана подтверждают, что ИИ положительно связан не только с экономическими, но и с социальными и экологическими показателями. Ключевыми факторами успеха оказались компетенции сотрудников, поддержка руководства, поддержка поставщиков технологий и давление со стороны клиентов и конкурентов.

Таким образом, эффект от ИИ проявляется не как универсальное улучшение, а как усиление уже существующих организационных способностей - прежде всего способности учиться и адаптироваться. Это важно учитывать при построении методики оценки эффективности: она должна фиксировать не только финансовые результаты, но и динамику организационных изменений. Фиксирование данных метрик может позволить оценить эффект от внедрения ИИ-решения на ранних стадиях, когда финансовый результат еще не виден.

Четвертый блок посвящен генеративному ИИ. Работы Calvino F., Fontanelli L., Spigarelli M. [11] и Kshetri N., Dwivedi Y.K., Nguyen T.H. [12] позволяют оценить потенциал и риски этой технологии для МСП.

Calvino F., Fontanelli L., Spigarelli M. [11] подтверждают, что генеративный ИИ обладает характеристиками универсальной технологии: повсеместностью распространения, непрерывным совершенствованием и способностью порождать инновации. При этом эффект может проявляться с временным лагом и зависит от развития компетенций работников, организационных изменений и инвестиций. Авторы отмечают, что генеративный ИИ потенциально становится «изобретением метода изобретения» (IMI), повышая продуктивность исследовательской деятельности.

Kshetri N., Dwivedi Y.K., Nguyen T.H. [12] подчеркивают, что, несмотря на отставание МСП от крупных фирм, малые предприятия чаще используют генеративный ИИ для преодоления ресурсных ограничений – прежде всего для делегирования рутинных задач, что компенсирует дефицит человеческих ресурсов. При этом в проанализированных работах риски генеративного ИИ (галлюцинации, утечка данных, юридическая неопределенность) практически не рассматриваются, что указывает на пробел в текущих исследованиях.

Следует отметить, что в проанализированных источниках риски генеративного ИИ, включая риск галлюцинаций, риск утечки данных и юридическую неопределенность, не рассматриваются. Данный аспект остается за рамками предоставленных научных работ и требует отдельного изучения.

Пятый блок «Региональная и отраслевая специфика» показывает, что универсальные рекомендации плохо работают без учета локальных условий. Работы Васюк Е.В. [13], Мезенцева Д.А. [14], Петровой Р.Р. [15] и Спиридонова Е.А. [8] выделяют факторы, которые необходимо учитывать при адаптации методики.

Васюк Е.В. [13], опираясь на данные Boston Consulting Group, приводит ориентиры эффективности внедрения ИИ: прирост валовой прибыли на 5-10 %, повышение конверсии посетителей в покупателей на 15 %, рост результативности персонала на 4 % и сокращение расходов на оплату труда на 15 %. Эти значения можно рассматривать как практические ориентиры, но их применимость зависит от отрасли и уровня зрелости предприятия.

Спиридонов Е.А. [8] выделяет ограничения экспертных систем для МСП: финансовые ограничения, недостаток технической экспертизы, ограниченность данных, проблемы интерпретируемости решений ИИ и этико-правовые вопросы. При этом такие системы могут стать инструментом компенсации недостатка опыта и ресурсов.

Петрова Р.Р. [15] анализирует тренды государственной поддержки МСП в России: переход от реактивного к предиктивному управлению, автоматизацию рутинных процедур и персонализацию мер поддержки. Одновременно фиксируются системные барьеры: проблема данных, цифровое неравенство, этические и правовые риски, кадровый дефицит и кибербезопасность.

Мезенцев Д.А. [14] подчеркивает важность человеческого фактора: ИИ следует рассматривать как дополнение к человеческим возможностям, а задача менеджмента - найти баланс между способностями «машины» и человека, разграничить их функции и создать условия для их сотрудничества.

Отраслевая специфика должна выступать структурным каркасом методики. В данном случае усредненные значения результативности малоприменимы из‑за неоднородности отраслей МСП. Методика должна опираться на различные отраслевые стандарты и типовые сценарии внедрения, присущие определенной отрасли. Это позволит МСП реалистично оценивать ожидаемую эффективность и принимать обоснованные управленческие решения.

Шестой блок посвящен подходам к управлению внедрением и оценке эффективности. В нем представлены теоретические основы для построения методики. Работы Choudrie J., Patil S., Mahfouz S. [16] и Peretz-Andersson E., Lindgren R., Thorgren S. [17] показывают, как разные авторы подходят к организации внедрения.

Choudrie J., Patil S., Mahfouz S. [16] изучают использование ИИ-функций смартфонов (виртуальных ассистентов) в МСП на примере рынка Кэмден в Лондоне. В исследовании участвовали 21 респондент. Выявлены как положительные эффекты (конвертеры валют, языковой перевод, прогнозы погоды), так и проблемы (обработка естественного языка, приватность, задержки). Результаты показывают, что цифровой разрыв связан не только с материальным доступом, но и с отсутствием навыков и возможностей для реального применения технологии.

В своей работе Peretz-Andersson E., Lindgren R., Thorgren S. [17] применяют теорию оркестрации ресурсов (Resource Orchestration Theory) к внедрению ИИ в пяти шведских производственных МСП. Авторы выделяют три компонента оркестрации: структурирование ресурсов (приобретение, накопление, высвобождение), комбинирование ресурсов для формирования организационных способностей (стабилизация, обогащение) и использование способностей для создания ценности (мобилизация, координация, развертывание). На каждом из этих этапов возникают специфические риски, которые необходимо идентифицировать и минимизировать. На основе эмпирических данных предложен шаблон цифровой трансформации через внедрение ИИ, включающий три фазы: структурирование AI-ресурсов, комбинирование AI-capabilities и использование ресурсов через мобилизацию технологий, координацию процессов и расширение прав и возможностей сотрудников.

Анализ этих источников показывает, что ни одна из существующих рамок не может быть принята в чистом виде для сектора МСП. Теория оркестрации дает полезную логику этапов - структурирование, комбинирование, создание ценности. Но абстрактные категории, составляющие ее, требуют переработки под ограниченные ресурсы МСП. В свою очередь, эмпирические данные Choudrie подчеркивают, что даже простые ИИ‑инструменты сталкиваются с барьерами: недостаточной цифровой грамотностью, вопросами приватности, неудобными интерфейсами.

При такой разнообразии подходов к оценке эффективности и рисков ИИ в МСП прослеживается общая проблема: существующие методики либо слишком сложны для ресурсно-ограниченных предприятий, либо чрезмерно упрощены и не учитывают динамику изменений. Этот разрыв между уже существующими моделями и реальными условиями МСП и определяет необходимость разработки специального инструмента.

Выполненный анализ позволяет выделить три принципиальных вывода. Во‑первых, риски внедрения ИИ в секторе МСП образуют устойчивую пятикомпонентную структуру: финансовые, технологические, организационные, компетентностные, регуляторно‑правовые риски. При этом их значимость меняется в зависимости от отрасли, размера предприятия и стадии цифровой зрелости. Так, для производственных МСП критичнее технологические риски, а для малых предприятий - регуляторные и компетентностные.

Во‑вторых, существующие методики оценки эффективности ИИ плохо применимы к МСП: они предполагают развитую ИТ‑инфраструктуру, большие базы данных и профильных специалистов - ресурсы, которых у МСП зачастую нет.

В‑третьих, текущие подходы практически не учитывают временной лаг между внедрением и проявлением эффекта, а также динамику трансформации структуры рисков по мере накопления опыта.

Это обосновывает необходимость методики, адаптированной под ресурсные ограничения МСП: она должна опираться на доступные данные, учитывать отраслевую специфику и позволять отслеживать изменения во времени. При этом ее роль - не заменять детальные корпоративные оценки, а служить рабочим инструментом для первичного обоснования целесообразности внедрения ИИ, помогая отделить реалистичные проекты от заведомо рискованных. Дальнейшие исследования целесообразно направить на эмпирическую проверку методики на выборке российских МСП и разработку отраслевых модулей.