УДК 330.
DOI: 10.36871/ek.up.p.r.2025.12.14.022

Авторы

Абдул-Халид Абдул-Муслимович Айбуев,
Мансур Абдул-Муслимович Айбуев,
ФГБОУ ВО «Грозненский государственный нефтяной технический университет им. акад. М. Д. Миллионщикова», г. Грозный, Россия

Аннотация

В статье рассматриваются особенности стратегий внедрения искусственного интеллекта в крупных российских и зарубежных компаниях. Проведён сравнительный анализ целей, институциональных условий, уровня цифровой зрелости и подходов к использованию ИИ в корпоративной практике. Раскрыты типовые модели реализации: внутренние разработки, партнёрские экосистемы и адаптация готовых решений. Проанализированы кейсы компаний, таких как Сбер, Яндекс, Газпром, Google, Siemens и Amazon. Выявлены различия в приоритетах, масштабах и организационных моделях внедрения. Сделаны выводы о факторах успешности и направлениях развития стратегий в контексте цифровой трансформации и регулирования.

Ключевые слова

искусственный интеллект, цифровая трансформация, стратегии внедрения, корпоративное управление

Список литературы

  1. Ахмаров А. В. Модели софинансирования социальных страховых программ: сравнительный анализ и перспективы для России / А. В. Ахмаров, А. М. Мамаева, К. Д. Шахдуллаев // Экономика и управление: проблемы, решения. — 2025. — Т. 11, № 3(156). — С. 211–217. — DOI 10.36871/ ek.up. p. r.2025.03.11.022. — EDN AYUZOK.
  2. Громов Е. Н. Применение систем машинного зрения в контроле качества сварных швов // Технологии сварочного производства. 2023. № 2. С. 12–24.
  3. Жарасов Б. С., Абрамов В. И. Цифровые двойники в управлении производством: принципы создания, проблемы внедрения и перспективы развития // Современная экономика: проблемы и решения. 2024. № 6 (174). С. 80–94
  4. Козлова В. В. Оптимизация бизнес-процессов с применением технологий искусственного интеллекта // Вестник Евразийской науки. 2025. Т. 17. № s2. С. 1–16.
  5. Лазуткина О. Р., Степанов Н. И. Прогнозирование отказов энергетического оборудования на основе гибридных нейронных сетей // Энергетическая политика. 2025. № 7. С. 66–78.
  6. Мухамеджанов А. И., Хабибуллин И. И. Обзор методов машинного обучения для прогнозирования технического состояния газотурбинных двигателей // Вестник КГТУ им. А. Н. Туполева. 2023. № 3. С. 70–78.
  7. Прыткова Е. А., Давыдов В. М. Применение многофакторного анализа показателей качества машиностроительной продукции для оптимизации бизнес-процессов // Вестник МГТУ им. Г. И. Носова. 2024. Т. 22. № 3. С. 152–159.
  8. Рогулин Р. С. Использование методов анализа данных и машинного обучения для прогнозирования и планирования спроса при управлении цепочками поставок // Теоретическая экономика. 2023. № 8. С. 35–53.
  9. Рубцов Ю. В. Оценка метода машинного обучения для системы автоматизированного выбора компонентной базы радиоэлектронной аппаратуры // Автоматизация и измерения в машиностроении. 2025. № 3 (31). С. 47–55.