Использование искусственного интеллекта в помощь информационному аналитику при принятии управленческих решений

В современных организациях тема использования искусственного интеллекта при принятии управленческих решений выходит на первый план из-за общего курса на цифровизацию [3] и роста конкуренции на рынке. Аналитикам приходится работать с огромным количеством разнородных данных, быстро реагировать на изменения в экономике и поведении клиентов, учитывать требования регуляторов и акционеров. При традиционном ручном анализе всё большую часть времени занимает не собственно подготовка к выбору альтернативы, а поиск, обработка и сопоставление информации. В такой ситуации интеллектуальные технологии перестают быть экспериментом и становятся одним из ключевых инструментов аналитического труда.

Целью настоящей работы является выявить, какую именно часть процесса подготовки принятия управленческого решения возможно передать системам искусственного интеллекта, какие преимущества это даёт аналитику и его организации, и с какими рисками связано. Для этого целесообразно обратиться к классическому пониманию управленческого решения и рассмотреть роль ИИ на каждом этапе.

Согласно традиционному подходу, управленческое решение представляет собой выбор одной из альтернатив, направленный на достижение целей организации и основанный на анализе информации о внутренней и внешней среде. В ряде работ по менеджменту, в частности в учебнике Р.А. Фатхутдинова «Управленческие решения» [11], выделяют несколько этапов: постановка проблемы, сбор и обработка информации, формирование и оценка альтернатив, выбор решения, реализация и контроль. Именно в эти этапы сегодня «встраиваются» системы искусственного интеллекта.

Постановка проблемы и сбор информации

На первой стадии аналитик должен понять, существует ли управленческая проблема, насколько она значима и срочна. В условиях цифровизации ключевым источником сигналов о проблемах становятся данные: показатели продаж, обращения клиентов, показатели загрузки оборудования, упоминания компании в сети и т.д. ИИ на этом этапе используется прежде всего для автоматического мониторинга и раннего выявления отклонений. Алгоритмы машинного обучения фиксируют нетипичные изменения показателей, строят тренды, выявляют скрытые взаимосвязи и предупреждают аналитика о возможных рисках.

Примером может служить использование систем предиктивной аналитики в розничной торговле и банковском секторе. С помощью интеллектуальных моделей аналитики ежедневно анализируют миллионы транзакций и операций, выделяя подозрительные случаи. Формально система не принимает окончательного решения, но именно она «подсвечивает» те ситуации, которые требуют управленческого вмешательства. Преимущество такого подхода заключается в том, что руководитель получает от аналитика более полную и своевременную картину происходящего, чем при выборочном ручном контроле.

В то же время уже на этапе постановки проблемы проявляются и ограничения ИИ. Алгоритм работает только с теми данными, которые ему доступны и формализованы. Радикальные изменения внешней среды, новые регуляторные требования, внутренние конфликты в коллективе часто не отражаются напрямую в числовых показателях, а следовательно, не фиксируются моделью. Поэтому окончательное определение того, что именно является проблемой, остаётся сферой профессионального суждения аналитика, и содержат его мнение в ходе изложения диагностики проблемы руководителю.

Формирование и оценка альтернатив

Следующий этап разработки управленческого решения связан с поиском возможных вариантов действий. Здесь ИИ используется аналитиком для моделирования последствий разных сценариев. В духе подхода, предложенного А. Агравалом [1] и соавторами, искусственный интеллект можно рассматривать как технологию удешевления прогнозов: алгоритм, обученный на исторических данных, оценивает, к каким результатам приведёт тот или иной управленческий шаг при заданных условиях.

Так, российские банки применяют скоринговые модели при принятии кредитных решений. Система на основе множества параметров рассчитывает вероятность дефолта клиента, и аналитик и риск менеджер видят числовую оценку риска для разных вариантов: выдать кредит на стандартных условиях, ужесточить требования, предложить иной продукт. В торговых сетях ИИ моделирует влияние изменения цены, объёма закупки или ассортимента на объём продаж и маржу. В транспортных компаниях аналогичные системы оценивают, как изменение маршрутов и расписания отразится на загрузке и издержках.

К преимуществам такого использования ИИ относятся, во-первых, возможность учитывать большое количество факторов и их сочетаний, во-вторых, повышение прозрачности последствий решения: специалист видит не только саму рекомендацию, но и ожидаемые значения ключевых показателей. Это снижает долю интуитивных решений и помогает руководителям обосновывать свои действия перед собственниками и регуляторами с помощью аналитических справок.

Однако существенным недостатком является зависимость от качества исторических данных и предположения «неизменности среды». Модели, построенные на прошлых наблюдениях, склонны воспроизводить уже существующие практики и не всегда подходят для ситуаций радикальных изменений: выхода на новые рынки, появления принципиально новых технологий, кризисных событий. Кроме того, многие современные модели слабо интерпретируемы: часто менеджеру трудно понять, почему алгоритм считает один вариант более предпочтительным, чем другой. Это требует разъяснения ситуации со стороны аналитика, может снижать доверие к системе, и усложнять принятие ответственности за результат.

Выбор решения и распределение ответственности

Формально именно на стадии выбора альтернативы происходит акт управленческого решения. При наличии ИИ-систем у руководителя возникает соблазн «переложить» этот выбор на алгоритм, особенно если рекомендации системы в большинстве типичных ситуаций оказываются успешными. На практике распространены три модели взаимодействия:

1. ИИ используется как справочный инструмент, проверенный специалистом-аналитиком, а окончательное решение принимает человек, опираясь на собственный опыт и интуицию.
2. ИИ формирует жёсткие правила (например, пороговые значения скоринга), и управленец следует им в большинстве случаев, лишь изредка отступая.
3. Решение полностью автоматизируется, а роль человека сводится к контролю корректности работы системы и рассмотрению апелляций.

Выбор той или иной модели зависит от значимости решения, требований регуляторов и корпоративной культуры. Преимущество автоматизации состоит в снижении времени на принятие решений и уменьшении влияния человеческого фактора. Однако при этом возникает риск «размывания» личной ответственности: в случае неудачи проще сослаться на алгоритм, чем признать управленческую ошибку. Кроме того, автоматизация выбора может закреплять в организации скрытые дискриминационные практики, если исходные данные и модели содержат предвзятости.

Оптимальным для большинства российских компаний на текущем этапе представляется гибридный подход, при котором ИИ предлагает варианты и оценивает их последствия, но окончательный выбор и ответственность остаются за руководителем, который в сложных случаях может попросить помощи у аналитика. Важно, чтобы руководитель сам понимал логику работы системы, знал ограничения моделей и мог сознательно принять решение о том, следовать рекомендации или от неё отступить, и здесь роль аналитика – обучить лицо, принимающее решение, приемам работы с ИИ.

Реализация решения и оперативное управление.

После выбора альтернативы задача руководителя – организовать реализацию решения. Здесь ИИ применяется для детального планирования и оперативного управления: составления графиков, распределения ресурсов, маршрутизации поставок, приоритетности задач. Подобные примеры оптимизации бизнес-процессов с помощью ИИ приводит в своем исследовании Р.С. Назипов [9]. В контакт-центрах и службах поддержки интеллектуальные системы автоматически распределяют обращения по очередям и подсказкам для операторов; в логистике оптимизируют загрузку транспорта и складов; в управлении персоналом помогают формировать смены с учётом прогнозируемой нагрузки.

Плюсом такого использования ИИ является возможность более точно соотносить принятые решения с текущими условиями: система в режиме реального времени пересчитывает планы при изменении исходных параметров. Это особенно важно для компаний, работающих в высоковолатильной среде. Вместе с тем на этой стадии особенно явно проявляется риск организационного сопротивления. Сотрудники нередко воспринимают рекомендации системы как вмешательство «снаружи» и могут саботировать изменения, если не понимают их логики и цели. Поэтому внедрение ИИ требует не только технических, но и серьёзных коммуникационных и образовательных усилий. Обычно проводником этих решений в организации выступает аналитик, как специалист, прекрасно понимающий технологический и организационный аспекты применения ИИ.

Контроль и обратная связь

Заключительный этап управленческого решения – оценка результатов и корректировка дальнейших действий. Для этой цели ИИ предоставляет аналитику расширенный набор инструментов: автоматический расчёт ключевых показателей, выявление причин отклонений, моделирование альтернативных сценариев («что было бы, если…»).  На основе этих данных специалист может дать руководителю предложения по продолжении, корректировке или прекращении реализации выбранной стратегии.

Преимущество состоит в том, что система обеспечивает постоянную обратную связь и позволяет быстро обнаруживать ошибки в принятых ранее решениях. Недостатком иногда становится риск перегрузки информацией ЛПР: при отсутствии культуры работы с аналитикой руководитель сталкивается с множеством показателей и сигналов, но не всегда понимает, на какие из них следует реагировать в первую очередь. Кроме того, чрезмерное доверие к автоматическим отчётам может приводить к недооценке «качественных» аспектов, не попадающих в цифровую форму: настроения коллектива, репутационные эффекты, отношения с ключевыми партнёрами. И здесь опять должна проявляться роль аналитика в быстром разборе сложных ситуаций и помощи руководителю в качественной области оценки решения.

Анализ основных преимуществ и недостатков применения ИИ аналитиком для предложений ЛПР по принятию управленческих решений.

Обобщая рассмотренные этапы, можно выделить несколько ключевых преимуществ использования искусственного интеллекта:

• повышение информационной обеспеченности руководителей за счёт автоматического мониторинга и анализа больших массивов данных;
• увеличение точности и обоснованности прогнозов последствий различных управленческих альтернатив; – сокращение времени, необходимого для подготовки и принятия решений;
• снижение влияния случайных и эмоциональных факторов, а также личных предубеждений руководителей;
• возможность строить сложные сценарии развития и оперативно корректировать решения по мере изменения внешних условий.

К основным недостаткам и рискам относятся:

• зависимость надежности и качества решений от полноты и достоверности исходных данных, а также от корректности выбранной модели;
• недостаточная прозрачность многих алгоритмов и трудности обоснования решения, опирающегося на «чёрный ящик»;
• вероятность воспроизводства и усиления скрытых дискриминационных практик, заложенных в исторических данных;
• организационное сопротивление персонала, страх потери автономии и рабочих мест;
• риск чрезмерного доверия к алгоритмам и снижение собственной аналитической активности руководителей.

Все перечисленные факторы показывают, что вопрос заключается не только в технической возможности внедрить ИИ, но и в правильном распределении ролей между человеком и системой. Искусственный интеллект наиболее эффективен там, где решение может быть формализовано, а последствия оцениваются в количественных показателях. Человеческий интеллект незаменим в ситуациях высокой неопределённости, конфликтности интересов, необходимости учёта ценностных и этических аспектов.

Рассмотренные преимущества и недостатки использования искусственного интеллекта в управленческих решениях во многом подтверждаются практикой российских компаний. Чтобы показать, как именно ИИ выступает инструментом поддержки информационного аналитика и руководителя, а не заменой человека, рассмотрим два кратких примера.

Литература и источники:

1. Агравал А., Ганс Дж., Голдфарб А. Искусственный интеллект на службе бизнеса: как машинное прогнозирование помогает принимать решения / пер. с англ. – М.: Манн, Иванов и Фербер, 2019. – 336 с.
2. Бочарников И.В. Развитие современных глобализационных процессов: перспективы, проблемы и риски. В сборнике: Современная Россия в мировом политическом процессе: глобальное и региональное измерение. Материалы международной научно-практической конференции. Под общей редакцией А.Я. Касюка, И.К. Харичкина. 2019. С. 171–182. 
3. Бочарников И.В., Чемезов Н.А. Проблемы и приоритеты политики цифровизации в России // Наука. Общество. Оборона. – 2020. – Т. 8. – № 2 (23). – С. 19.
4. «Газпром нефть» и «Ростех» цифровизируют управление месторождениями [Электронный ресурс] // ComNews. Цифровая экономика. – 09.06.2018. – Режим доступа: URL: https://myseldon.com/ru/news/index/189802073 (дата обращения: 04.12.2025).
5. Доронин П. Как прогнозируют спрос в X5 Retail Group? Зачем это нужно и как это влияет на прибыль [Электронный ресурс] // RB.ru. – 11.02.2020. – Режим доступа: URL: https://rb.ru/opinion/demand-forecasting-x5/ (дата обращения: 04.12.2025).
6. Загороднюк Д. Цифровое технологическое видение «Газпром нефти».

Особая роль технологий ИИ [Электронный ресурс] // Презентация компании «Газпром нефть». – 2022. – Режим доступа: URL: https://rusindustrial.ai/wp-content/uploads/

2022/12/Zagorodnjuk_Gazprom-neft-CTV.pdf

• Информационная аналитика и информационно-аналитические технологии в контексте социального управления / Под ред. В.Н. Ремарчука, И.В. Бочарникова. Москва, 2025.
• Кулаева К.В. Искусственный интеллект в бизнесе // Политика, экономика и инновации. – 2024. – № 1 (54). – С. 1–9.
• Назипов Р.С. Перспективы применения искусственного интеллекта в оптимизации бизнес-процессов компаний // International Journal of Humanities and Natural Sciences. – 2024. – Vol. 7–3 (94). – P. 179–185.
• Ремарчук В.Н. Информационно-аналитическая деятельность: проблемы и перспективы. В сборнике: Информационная аналитика и информационно-аналитические технологии в контексте социального управления. Москва, 2023. С. 16–25.
• Фатхутдинов, Р.А. Управленческие решения: учебник для вузов.  6-е изд., перераб. и доп. М.: ИНФРА-М, 2012. 344 с.
• Хомутова Е.В. Использование технологий искусственного интеллекта в цифровой трансформации бизнеса // Естественно-гуманитарные исследования. – 2024. – № 1 (51). – С. 258–261.
• Внедрение технологий на базе ИИ может принести X5 в 2024 году миллиарды рублей [Электронный ресурс] // ТАСС. – 22.04.2024. – Режим доступа:

URL: https://tass.ru/ekonomika/20612945 (дата обращения: 04.12.2025).

Абрамов В.В., Чернявская В.А., студенты группы СГН3‐32Б МГТУ им. Н.Э. Баумана / Аналитические технологии в социальной сфере: теория и практика: Сб. статей / Кафедра «Информационная аналитика и политические технологии» МГТУ имени Н.Э. Баумана; Научно-исследовательский центр проблем национальной безопасности / под общ. ред. И.В. Бочарникова, В.Н. Ремарчука. – М.: Изд-во НИЦ «Национальная безопасность», (Вып. 19), 2025. – С.38-45.