Введение

Искусственный интеллект относится к технологиям общего назначения, способным изменить организацию производства во многих отраслях одновременно. Особенность таких технологий состоит в том, что их отдача зависит от масштабных дополняющих инвестиций – в перестройку бизнес-процессов, обучение персонала, данные и новые бизнес-модели. Э. Бриньолфсон, Д. Рок и Ч. Сайверсон показали, что эти инвестиции носят преимущественно нематериальный характер и плохо отражаются в национальных счетах, вследствие чего на ранних этапах распространения технологии рост производительности недооценивается, а на поздних – переоценивается; данное явление получило название J-кривой производительности [8]. По их расчётам для экономики США учёт нематериальных активов, связанных с компьютерным оборудованием и программным обеспечением, дает уровень совокупной факторной производительности на конец 2017 г. на 15,9% выше официальной оценки [8].

Оценки макроэкономического эффекта ИИ существенно расходятся. Д. Аджемоглу на основе модели задач оценивает прирост совокупной факторной производительности за десять лет не более чем в 0,66% и указывает, что ИИ скорее увеличит разрыв между доходами от капитала и доходами от труда [6]. На уровне отдельных организаций эффекты фиксируются отчетливее: в исследовании Э. Бриньолфсона, Д. Ли и Л. Рэймонд по данным о 5172 операторах службы поддержки доступ к генеративному ИИ-ассистенту повысил производительность, измеряемую числом решенных обращений в час, в среднем на 15%, причем наибольший выигрыш получили менее опытные работники [7].

В России приоритеты в этой сфере определены Национальной стратегией развития искусственного интеллекта на период до 2030 года [5]. Одновременно отечественные исследования фиксируют высокий потенциал замещения труда: по оценке С.П. Земцова, около 44% работников в России заняты на рабочих местах, которые потенциально могут быть автоматизированы [4]. Для управления инновациями недостаточно знать масштаб распространения ИИ: требуется понимание того, какие технологии и в каких процессах используются, какие эффекты организации фактически наблюдают и что препятствует внедрению. Именно этот уровень анализа позволяет перейти от констатации тенденций к управленческим решениям.

Цель исследования – выявить структурные особенности внедрения технологий ИИ в российских организациях и обосновать направления управления этим процессом как инновационным. Задачи исследования: проанализировать структуру применяемых технологий, способов их приобретения и бизнес-процессов; оценить отраслевую и региональную концентрацию; оценить подтвержденность экономических эффектов; систематизировать барьеры и сопоставить их с управленческими мерами.

Объекты и методы исследования

Объектом исследования выступает процесс внедрения технологий ИИ в деятельность российских организаций, предметом – структура их применения, экономические эффекты и барьеры внедрения. Информационную базу составили аналитические материалы Института статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ, подготовленные по данным обследования свыше 15 тыс. крупных и средних организаций – пользователей ИИ, проведенного Росстатом в 2025 г. по итогам 2024 г. по методологии ИСИЭЗ НИУ ВШЭ [1; 2; 3], а также результаты зарубежных эмпирических и теоретических исследований [6; 7; 8].

В работе применены структурный и сравнительный анализ, расчет относительных показателей и сопоставление полученных результатов с выводами зарубежных исследований. Для оценки подтвержденности эффектов авторами предложен коэффициент подтвержденности эффекта:

K = A / (A + N) × 100%,

где A – доля организаций, отметивших влияние ИИ на данный показатель, %; N – доля организаций, не отметивших такого влияния, %. Организации, затруднившиеся с ответом, из расчета исключаются, а их доля рассматривается отдельно как показатель неопределенности оценки. Ограничения исследования связаны с тем, что исходные данные охватывают только крупные и средние организации, использующие ИИ, а оценки эффектов представляют собой самооценки респондентов.

Экспериментальная часть

На первом этапе проанализирована структура применяемых технологий ИИ и бизнес-процессов, в которых они используются (таблица 1).

Таблица 1

Использование технологий ИИ по видам и бизнес-процессам: 2024 (в % от числа организаций, использующих технологии ИИ)

Источник: составлено авторами по данным [1, с. 2; 2, с. 1–2]

Технологии обработки визуальных данных лидируют и в отраслевом разрезе: в торговле их применяют 87,5% организаций отрасли – пользователей ИИ; технологии обработки звуковых данных наиболее востребованы в сфере информации и связи (67,6%), а финансовый сектор отличается наибольшей активностью в применении технологий обработки текста (84,2%), интеллектуальной поддержки принятия решений (66,2%) и повышения эффективности ИИ (69,8%) [3, с. 1].

Анализ способов приобретения программного обеспечения для ИИ показывает, что организации чаще всего привлекают сторонние компетенции для разработки или модификации программ (56%) и покупают готовое коммерческое программное обеспечение (53%); бесплатное программное обеспечение используют 24% организаций, собственную разработку ведут 23%, дорабатывают программы с открытым исходным кодом 18%, дорабатывают приобретенное программное обеспечение 14%, а 17% организаций в отчетном году не разрабатывали и не приобретали нового программного обеспечения [2, с. 2]. Следовательно, внедрение ИИ в российских организациях строится преимущественно по модели интеграции внешних решений, а не собственной разработки.

На втором этапе оценена концентрация затрат и пользователей. В 2024 г. затраты крупных и средних организаций на приобретение машин и оборудования для ИИ составили 56,2 млрд руб., на программное обеспечение для ИИ – 30,5 млрд руб.; на финансовый сектор пришлось 77% и 43% этих затрат соответственно, на сферу информации и связи – 11% и 14%, на государственное управление – 5% и 10% [3, с. 2]. Расчет авторов показывает, что из суммарных 86,7 млрд руб. по двум статьям 64,8% приходится на оборудование, а на долю финансового сектора – около 56,4 млрд руб., или 65,0%. Основным источником финансирования внедрения ИИ в бизнесе остаются собственные средства организаций (от 96 до 100%) [3, с. 2]. Регионально пользователи ИИ также сконцентрированы: 10,7% из них расположены в Москве, 7,8% – в Московской области, 25,4% – в 11 субъектах Российской Федерации с административными центрами в городах-миллионерах, 56,1% – в остальных 73 регионах [1, с. 1]. Таким образом, 43,9% организаций – пользователей ИИ сосредоточены в 13 субъектах.

На третьем этапе проанализированы кадры. По итогам 2024 г. численность работников с компетенциями в области ИИ превысила 242 тыс. чел., что составляет менее 1% списочной численности обследованных организаций; из них 39 тыс. – специалисты по ИИ и 203 тыс. – сотрудники, использующие ИИ для решения профессиональных задач [3, с. 2]. На одного профильного специалиста приходится 5,2 пользователя, то есть массовое внедрение опирается прежде всего на пользовательские, а не разработческие компетенции.

На четвертом этапе рассчитан коэффициент подтвержденности эффектов по оценкам организаций – пользователей ИИ (таблица 2).

Таблица 2

Оценка эффектов внедрения ИИ организациями-пользователями: 2024

Источник: столбцы A, N и доля затруднившихся – по данным [2, с. 2]; коэффициент K рассчитан авторами. Сумма по строке может отличаться от 100% из-за округления исходных данных

На пятом этапе систематизированы барьеры. Около половины (48%) крупных и средних организаций заявили об отсутствии потребности в технологиях ИИ. Ключевым препятствием являются высокие затраты (58% респондентов); для трети компаний значимы недостаточный уровень развития ИКТ-инфраструктуры, нехватка средств для привлечения квалифицированных кадров и дефицит массивов данных; для каждой пятой – сложность интеграции ИИ в производственные и бизнес-процессы, ограничения, связанные с законодательством, низкое качество и сложность обработки данных [2, с. 3].

Результаты

Первый результат исследования состоит в выявлении прикладного, «инструментального» профиля внедрения ИИ. Доминируют технологии компьютерного зрения и поддержки принятия решений, а основными сферами применения являются маркетинг и продажи, производство и управление персоналом, тогда как управление организацией затрагивается лишь в 23% случаев (таблица 1). Модель приобретения через сторонних разработчиков и готовые коммерческие решения означает, что инновационная активность организаций в данной сфере носит преимущественно характер заимствования и адаптации технологий.

Второй результат касается структуры эффектов. Коэффициент подтвержденности максимален для процессных эффектов (71,3% и 57,5%), находится на уровне около 50% для рыночных эффектов (рост доходов и числа клиентов) и минимален для стоимостных и временных показателей – снижения себестоимости (20,0%) и сокращения сроков вывода продукции на рынок (14,3%) (таблица 2). Доля организаций, затруднившихся оценить рост производительности труда, снижение себестоимости и сокращение сроков вывода продукции, составляет 50–51%. Сочетание выраженных процессных эффектов и неопределенности в оценке стоимостных согласуется с концепцией J-кривой производительности: отдача от дополняющих нематериальных инвестиций проявляется с запаздыванием и плохо улавливается учетом [8]. Низкий коэффициент для снижения численности работников (19,2%) при 63% организаций, отрицающих такое влияние, указывает на то, что на текущем этапе ИИ используется скорее как дополнение к труду, что соответствует результатам микроисследования [7] и не противоречит умеренной макрооценке Д. Аджемоглу [6].

Третий результат – выраженная концентрация. Около 65% затрат на оборудование и программное обеспечение для ИИ приходится на финансовый сектор, а 43,9% пользователей – на 13 регионов. При финансировании преимущественно за счет собственных средств это создает риск усиления цифрового разрыва между отраслями и регионами, поскольку организации с ограниченными ресурсами сталкиваются с главным барьером – высокими затратами.

Четвертый результат – сопоставление барьеров с управленческими мерами, составленное авторами (таблица 3).

Таблица 3

Барьеры внедрения ИИ и соответствующие управленческие меры

Источник: доли организаций – по данным [2, с. 3]; управленческие меры предложены авторами

На основе полученных результатов авторами предложена поэтапная модель внедрения ИИ как инновационного проекта организации. На этапе диагностики оцениваются потребность в ИИ, применимость технологий к конкретным процессам и готовность данных. На этапе пилотирования используются типовые и открытые решения с ограниченным бюджетом, что отвечает на барьер высоких затрат и соответствует сложившейся практике приобретения программного обеспечения. На этапе накопления дополняющих активов проводятся перестройка процессов, обучение пользователей и формирование политики управления данными. На этапе масштабирования и измерения эффектов вводятся показатели, разделяющие процессные, рыночные и стоимостные эффекты, а коэффициент подтвержденности может применяться для внутренней оценки портфеля ИИ-проектов. Выделение этапа накопления дополняющих активов в самостоятельный этап обусловлено тем, что именно на нем формируется отложенная отдача, которую фиксирует J-кривая производительности.

Заключение

Проведенное исследование показало, что внедрение ИИ в российских крупных и средних организациях имеет прикладной профиль с доминированием технологий компьютерного зрения (66,3% пользователей) и поддержки принятия решений (50,2%), опирается преимущественно на внешние решения и пользовательские компетенции (5,2 пользователя на одного специалиста по ИИ) и характеризуется высокой отраслевой и региональной концентрацией. Эффекты ИИ на текущем этапе носят преимущественно процессный характер: коэффициент подтвержденности составляет 71,3% для повышения эффективности бизнес-процессов и лишь 14,3–20,0% для стоимостных и временных показателей при доле затруднившихся с оценкой до 51%. Такое соотношение согласуется с концепцией J-кривой производительности и указывает на необходимость управлять внедрением ИИ как инновационным процессом с отложенной отдачей.

Практическая значимость работы состоит в предложенном сопоставлении барьеров с управленческими мерами и поэтапной модели внедрения ИИ, которые могут использоваться организациями при планировании ИИ-проектов, а также в образовательном процессе при подготовке бакалавров по направлению 27.03.05 «Инноватика». Перспективным направлением дальнейших исследований является проверка предложенного коэффициента подтвержденности эффекта на данных отдельных отраслей и малых предприятий, не охваченных рассмотренным обследованием.