УДК 004.8
DOI: 10.36871/ek.up.p.r.2026.01.01.017

Авторы

Сергей Владимирович Савин,
ООО «Резалт Регион», Ростов-на-Дону, Россия; Южный федеральный университет, Ростов-на-Дону, Россия

Аннотация

В статье предложен прикладной алгоритм интеграции искусственного интеллекта в управленческий контур малых и средних предприятий (МСП), охватывающий полный жизненный цикл решения: от постановки управленческой задачи и выбора пилотного кейса до развертывания, мониторинга и масштабирования модели в ежедневной эксплуатации. Методологическая основа алгоритма построена на каркасе CRISP-DM и дополнена элементами бизнес-проектирования (AI Canvas), оценкой цифровой готовности организации и контуром MLOps для устойчивого сопровождения модели. Алгоритм формализован через семь последовательных этапов с выходными артефактами, распределением ролей и критериями перехода, что снижает риски типичных «провалов внедрения» в МСП (дефицит данных и компетенций, ограниченный бюджет, сопротивление изменениям). Работоспособность подхода проиллюстрирована пилотным проектом прогнозирования потребности в комплектующих в компании малого бизнеса, где применение модели градиентного бустинга обеспечило существенное улучшение точности относительно базового сценария и позволило встроить механизм «человек-вконтуре» для управления критическими отклонениями. Показано, что сочетание интерпретируемости (XAI) и операционных процедур контроля качества (дрейф данных, переобучение, регламенты использования) повышает доверие пользователей и воспроизводимость управленческого эффекта.

Ключевые слова

малые и средние предприятия, управленческие решения, искусственный интеллект, CRISP-DM, MLOps, человек-в-контуре, объяснимый ИИ

Список литературы

  1. Авдеева И. Л. Цифровая трансформация экономических систем: итоги и перспективы развития // Среднерусский вестник общественных наук. 2021. № 1. URL: https://cyberleninka. ru/article/n/tsifrovaya-transformatsiyaekonomicheskih-sistem-itogi-i-perspektivyrazvitiya (дата обращения: 09.04.2025).
  2. Жарова А. К. Достижение алгоритмической прозрачности и управление рисками информационной безопасности при принятии решений без вмешательства человека: правовые подходы // Journal of Digital Technologies and Law. 2023. Т. 1, № 4. С. 973–993. DOI: 10.21202/jdtl.2023.42.
  3. Куликова О. М., Тропынина Н. Е. Организационные аспекты инновационной деятельности предприятия // Экономика и бизнес: теория и практика. 2020. № 3-2. URL: https:// cyberleninka.ru/article/n/organizatsionnye-aspekty-innovatsionnoy-deyatelnosti-predpriyatiya (дата обращения: 09.04.2025).
  4. Anuradha R., Swathi B., Kumar R., Nagpal A., Kalra R., Abdulaali H. S. Advanced Graph Convolutional Networks for Semantic Relationship Mining in Large-Scale Ontologies // Proceedings of the 2024 International Conference on Trends in Quantum Computing and Emerging Business Technologies. 2024. P. 1–6. DOI: 10.1109/TQCEBT59414.2024.10545210.
  5. Badmus O., Rajput S., Arogundade J., Williams M. AI-driven business analytics and decision making // World Journal of Advanced Research and Reviews. 2024. Vol. 24. P. 616–633. DOI: 10.30574/wjarr.2024.24.1.3093.
  6. Bisong E. Kubeflow for Machine Learning: From Lab to Production. Berkeley, CA: Apress, 2019. 619 p. DOI: 10.1007/978-1-4842-4470-8.
  7. Drucker P. F. The Coming of the New Organization // Harvard Business Review. 1988. Vol. 66, No. 1. P. 45–53.
  8. Fayol H. General and Industrial Management. New York: Martino Fine Books, 2013. 118 p. ISBN 978-1-61427-459-9.
  9. Gigerenzer G. Gut Feelings: The Intelligence of the Unconscious. New York: Penguin, 2008. 288 p.
  10. Giuggioli G., Pellegrini M. M. Artificial intelligence as an enabler for entrepreneurs: a systematic literature review and an agenda for future research // International Journal of Entrepreneurial Behavior & Research. 2022. Vol. 29, No. 4. P. 816–837. DOI: 10.1108/ IJEBR-05-2021-0426.
  11. Jerome J., Sonwaney V., Arunkumar O. N. Modelling the factors affecting organizational flexibility in MSMEs // Journal of Global Operations and Strategic Sourcing. 2023. Vol. 17, No. 2. P. 1–15. DOI: 10.1108/JGOSS-06-2022-0075.
  12. Muminova E. A., Ashurov M. S., Akhunova S., Turgunov M. AI in Small and Medium Enterprises: Assessing the Barriers, Benefits, and Socioeconomic Impacts // 2024 International Conference on Knowledge Engineering and Communication Systems. 2024. P. 1–6. URL: https://doi.org/10.1109/ickecs61492.2024.10616816
  13. Sambasivan N., Kapania S., Highfill H., Akrong D., Paritosh P. K., Aroyo L. M. “Everyone wants to do the model work, not the data work”: Data Cascades in High-Stakes AI // Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems. 2021. P. 1–15. DOI: 10.1145/3411764.3445518.
  14. Shukla M., Dubey S., Mishra S. The Impact of AI on Improving the Efficiency and Accuracy of Managerial Decisions // International Journal for Research in Applied Science and Engineering Technology. 2024. Vol. 12, Issue VII. DOI: 10.22214/ijraset.2024.63652.
  15. Triguero A., Córcoles D., Cuerva M. C. Organizational innovation: Implications for manufacturing SMEs. Findings from an empirical study // ResearchGate. 2022. URL: https:// www.researchgate.net/publication/359729980_ Organizational_Innovation_Implications_for_ Manufacturing_SMEs_Findings_from_an_empirical_study (дата обращения: 22.07.2025).
  16. Tversky A., Kahneman D. Judgment under Uncertainty: Heuristics and Biases// Science. 1974. Vol. 185, No. 4157. P. 1124–1131.
  17. Verhoef P. C., Broekhuizen T., Bart Y. et al. Digital Transformation: A Multidisciplinary Reflection and Research Agenda // Journal of Business Research. 2021. Vol. 122. P. 889–901. DOI: 10.1016/j.jbusres.2019.09.022.