ОПТИМИЗАЦИЯ БИЗНЕС-ПРОЦЕССОВ С ПОМОЩЬЮ LLM

АННОТАЦИЯ

Настоящее исследование посвящено характеристике возможностей оптимизации бизнес-процессов посредством интеграции больших языковых моделей в условиях интенсивной цифровой трансформации. Актуальность обсуждаемой темы аргументируется острой необходимостью адаптировать традиционные методы управления к новым реалиям, характеризующимся существенным усложнением информационных потоков и динамикой организационных систем. Цель исследования заключается в оценке функционала LLM в контексте повышения эффективности управленческих решений и автоматизации деловой коммуникации, что позволяет выявить противоречия между высокотехнологичным потенциалом данных моделей и фрагментарностью существующих методологических подходов. Исследование показало, что синтез когнитивных технологий с классическими аналитическими инструментами способствует глубокому преобразованию бизнес-процессов, создавая подходящие условия для формирования гибких и адаптивных систем менеджмента. Вместе с тем, выделено множество проблемных зон: интерпретируемость алгоритмов, высокие вычислительные затраты, трудности интеграции с существующей инфраструктурой, безопасность, конфиденциальность данных, риск генерации некорректной информации, этические, правовые вопросы и т. д. Научная новизна данной работы выражается в систематизации междисциплинарных изысканий в данной области, формулировке видения перспектив, а также предложении рекомендаций относительно последующих исследований. Изложенные материалы будут полезны для специалистов по цифровой трансформации, аналитиков, разработчиков управленческих систем.

ABSTRACT

The present study focuses on the potential for optimizing business processes through the integration of large language models (LLMs) amid an era of rapid digital transformation. The relevance of the topic stems from the urgent need to adapt traditional management practices to new realities marked by the increasing complexity of information flows and the dynamic nature of organizational systems. The primary objective of the research is to assess the capabilities of LLMs in enhancing managerial decision-making and automating business communication, thereby revealing the contradictions between the advanced technological potential of these models and the fragmented nature of current methodological frameworks. The study demonstrates that the synthesis of cognitive technologies with classical analytical tools enables a profound transformation of business processes, creating favorable conditions for the development of flexible and adaptive management systems. However, a number of critical challenges are identified, including algorithm interpretability, high computational costs, integration difficulties with legacy infrastructures, data security and privacy concerns, the risk of generating inaccurate outputs, as well as ethical and legal issues. The scientific contribution of this work lies in the systematization of interdisciplinary research in this domain, the articulation of forward-looking perspectives, and the formulation of recommendations for future studies. The findings are expected to be of particular value to digital transformation specialists, business analysts, and developers of management systems.

Ключевые слова: автоматизация, бизнес-процессы, большие языковые модели, интеграция, оптимизация, цифровизация, LLM, искусственный интеллект, когнитивные технологии, обработка неструктурированных данных, управление знаниями, семантический анализ, интерпретируемость алгоритмов, адаптивные системы, цифровая трансформация.

Keywords: automation, business processes, digitalization, integration, large language models, LLM, optimization, artificial intelligence, cognitive technologies, unstructured data processing, knowledge management, semantic analysis, model interpretability, adaptive systems, digital transformation.

Введение

Современные предприятия функционируют в условиях растущей сложности организационных структур, глобализации рынков, а также стремительного развития технологий. Эффективность управления операционными процессами становится ключевым фактором для поддержания конкурентных преимуществ.

Несмотря на наличие многочисленных инструментов автоматизации и управления, значительная часть корпоративных операций по-прежнему страдает от избыточной бюрократии, дублирования функций, слабой адаптивности к изменяющимся условиям внешней среды. Традиционные подходы к совершенствованию бизнес-механизмов зачастую оказываются недостаточно гибкими для учета многообразия динамики корпоративной деятельности.

По мере развития искусственного интеллекта, в частности, Large Language Models (LLM), появляется принципиально новая возможность — применение систем, которые способны анализировать, интерпретировать, генерировать текстовую информацию в формах, ранее доступных исключительно человеку. По оценкам, в 2025 году 50% цифровой работы автоматизировано с помощью приложений, использующих эти языковые модели [7]. В 2024 году мировой рынок LLM оценивался в 5617,4 млн долларов США, и, по прогнозам, с 2025 по 2030 год среднегодовой темп роста составит 36,9% [9].

В связи с этим современными исследователями рассматриваются потенциал и ограничения применения LLM в задачах повышения результативности корпоративных процедур, с акцентом на их интеграцию в конкретные сегменты бизнес-деятельности.

Проблема заключается в определении вклада больших языковых моделей (LLM) в модернизацию управленческих действий, что требует пересмотра устоявшихся алгоритмов и внедрения инновационных цифровых инструментов.

Материалы и методы

В современных публикациях прослеживается формирование междисциплинарного научного дискурса, направленного на исследование потенциала больших языковых моделей (LLM) в трансформации бизнес-практик. Анализ источников позволяет условно сгруппировать их по тематическим категориям: прикладное использование LLM, архитектурно-технологические аспекты внедрения, стратегическая и организационная перспектива, а также проблематика взаимодействия с человеческим фактором и корпоративной культурой.

Так, в статье А.Р. Гимадеевой и соавторов [1] рассматриваются LLM как инструменты повышения эффективности в рутинных операциях и принятии решений на основе текстовой аналитики. В исследовании O. Dobosevych [7] предложен обзор шести сценариев применения моделей в маркетинге, обслуживании клиентов, управлении данными, В материале на платформе VentureBeat [8] систематизированы кейсы корпоративного применения открытых LLM, демонстрируется гибкость и адаптивность этих решений к различным секторам экономики.

N.K. Choi и коллеги [6] описывают проектирование бизнес-бота, сочетающего LLM с чат-ориентированными интерфейсами, что помогает создать подстраиваемый инструмент взаимодействия с клиентами и партнерами. В работе M. Arslan [5] представлена мультиагентная архитектура, интегрирующая retrieval-augmented generation (RAG) с языковыми моделями в контексте устойчивой цифровизации, что подчеркивает растущий интерес к масштабируемым и модульным системам на базе ИИ.

В статье S. Mueller-Saegebrecht, I. Lippert [10] анализируется роль LLM в предпринимательском образовании и инновационном моделировании бизнеса; высвечивается значимость взаимодействия пользователя с моделью в качестве когнитивного посредника. В исследовании G.R.G. Pessanha и соавторов [11] проводится систематизация подходов к использованию LLM в административной практике и стратегическом управлении, где указывается на необходимость адаптации моделей к локальному контексту, управленческим задачам.

В публикации Л.Ю. Гладилина и коллег [3] рассмотрены возможности применения LLM в улучшении делового диалога, особенно в переговорных процессах. В другом изыскании того же автора [2] проанализированы функции генерации карточек товаров в электронной коммерции, где характеризуемые модели играют роль креативных ассистентов, облегчая производство контента.

Отдельное внимание заслуживает работа М.К. Достова [4], в которой обобщены различные подходы к применению LLM в бизнес-среде. Этот источник служит связующим звеном между технократическими и гуманитарными подходами, демонстрируя важность междисциплинарной интеграции. Также показательно, что аналитический отчет Grand View Research [9] фокусируется на рыночных тенденциях и инвестиционном потенциале индустрии LLM, что дополняет академическую картину макроэкономическим контекстом.

В целом, обзор литературы демонстрирует значительное разнообразие исследовательских траекторий, однако выявляется и ряд пробелов. В частности, отсутствует единый теоретико-методологический «каркас», связывающий инженерные решения с поведенческими моделями. Слабо представлены работы, посвященные долгосрочной оценке результативности интеграции LLM, а также эмпирическим данным, полученным в реальных бизнес-средах. Ограниченное внимание уделено вопросам нормативного регулирования и управлению рисками, сопряженными с автономностью алгоритмов и их воздействием на корпоративную культуру.

При подготовке данной статьи в качестве методов использованы компаративный анализ, обработка статистических данных, систематизация кейс-стади.

Результаты и обсуждение

В условиях стремительной цифровой трансформации оптимизация бизнес‑процессов посредством интеграции больших языковых моделей (LLM) становится одним из ключевых драйверов повышения операционной эффективности. Использование методов prompt engineering и fine‑tuning позволяет адаптировать базовые модели (GPT, T5, BERT и их производные) к решению прикладных задач — от автоматизированного классификатора входящей корреспонденции до построения контекстно‑чувствительных чат‑ботов для поддержки клиентов. Внедрение LLM в архитектуру бизнес‑процессов на уровне workflow‑автоматизации и Robotic Process Automation (RPA) обеспечивает сокращение цикла обработки транзакций, минимизацию ручных операций, рост показателя throughput при одновременном снижении операционных затрат (OPEX). При этом задействование векторных представлений (embeddings) и semantic search позволяет разворачивать гибкую систему knowledge management, ускоряя доступ к накопленной экспертизе и повышая качество принятия управленческих решений.

С технической точки зрения, ключевыми аспектами успешной интеграции LLM являются обеспечение масштабируемости API‑ориентированных микросервисов, оптимизация использования контекстного окна (context window) и управление стоимостью вычислений (compute cost) через стратегию batching и применение Quantization / Pruning для снижения потребления оперативной памяти. Для оценки отдачи от инвестиций (ROI) важно встраивать механизмы A/B‑тестирования гипотез генерации и валидировать метрики точности (F1‑score, ROUGE, BLEU) на реальных данных. Параллельно требуется уделять внимание вопросам data governance – организации безопасного пайплайна пред‑ и пост‑обработки пользовательских запросов, обеспечение конфиденциальности через Differential Privacy, соблюдение правовых норм (GDPR, CCPA). В результате синергия LLM‑технологий и классических методик BPM открывает путь к созданию адаптивных, саморегулирующихся экосистем управления, готовых к вызовам будущей цифровой среды.

Теоретической базой исследования служат концепции процессного подхода в управлении (Business Process Management) и когнитивной инженерии, объединенные с новейшими разработками. Применение LLM рассматривается не как замена существующих управленческих систем, а в качестве усиления их интеллектуальной составляющей, что помогает осуществлять более точную настройку процессов, вовремя обнаруживать неочевидные закономерности, предлагать нестандартные решения.

Содержание таблицы 1 иллюстрирует комплексный подход к применению больших языковых моделей в оптимизации корпоративных операций, объединяя технические, методологические, организационные аспекты.

Таблица 1.

Элементы концептуальной базы использования LLM в бизнес-процессах (составлено автором на основе [1-3, 6])

Ключевая особенность LLM заключается в способности работать с неструктурированными данными (текстами, документами, письмами, транскриптами), которые традиционно остаются вне поля зрения автоматизированных систем. Это открывает возможность реконфигурации бизнес-процессов с учетом латентных потребностей, когнитивных нюансов поведения сотрудников, а также динамики внутренних коммуникаций.

На схеме (рис. 1) перечислены конкретные сферы применения больших языковых моделей.

Рисунок 1. Выделение основных сфер применения LLM в бизнес-процессах

(составлено автором на основе [4-6, 10])

Так, одна из первых областей, где LLM демонстрируют высокую эффективность, — это автоматизация рутинных коммуникационных задач. Модели могут функционировать в качестве интеллектуальных агентов, фильтрующих, обобщающих, трансформирующих информацию. Например, в крупных компаниях значительный объем ресурсов уходит на ответы на повторяющиеся внутренние запросы (HR, IT, юридический департамент). Задействование языковых моделей предоставляет возможность не только ускорить обработку таких обращений, но и структурировать ответы с учетом специфики запроса, уровня компетенции адресата.

LLM способны к семантическому анализу контрактов, регламентов, деловой переписки. Благодаря им автоматически выделяются критические положения, выявляются противоречия в документах, генерируются краткие аннотации либо преобразуются сложные формулировки в понятные для исполнителей инструкции. Это особенно значимо в организациях с разветвленной юридической структурой или в транснациональных корпорациях, где документация составляется на нескольких языках.

Внедрение LLM в систему управленческого анализа позволяет весомо расширить горизонты интерпретации рыночной информации. К примеру, в рамках конкурентной разведки модели обрабатывают массивы открытых данных (новости, аналитика, соцмедиа и т. п.), выделяя скрытые тренды и формируя резюме в терминах бизнес-рисков и возможностей. Подобная обработка выходит за рамки классических BI-систем, предоставляя как количественные, так и качественные выводы (с обязательным учетом контекста).

LLM применимы как индивидуализированные наставники — они способны подстраивать обучающие программы под уровень подготовки сотрудника, генерировать интерактивные кейсы, а также моделировать диалоги в профессиональной среде. Это особенно важно при масштабировании бизнеса, когда требуется быстрая интеграция новых работников в корпоративную культуру и стандарты.

При рассмотрении конкретных кейсов целесообразно упомянуть о Delta Airlines — компании, известной тем, что она уделяет приоритетное внимание качеству обслуживания клиентов, используя LLM в своем чат-боте Ask Delta. Обеспечивается удобство взаимодействия и быстрое решение вопросов, что привело к снижению количества обращений в колл-центр Delta на 20%. Еще один пример касается Amazon — используется оценка настроений на основе LLM для анализа отзывов о товарах, что помогает понять, насколько клиенты довольны, и улучшить ассортимент. В свою очередь, Samsung интегрирует LLM в своего виртуального помощника Bixby, который понимает естественный язык, давая возможность пользователям управлять своими устройствами, получать информацию о погоде, переводить с одного языка на другой и многое другое [7]. Гигант розничной торговли Walmart также использует большие языковые модели; создал десятки приложений с искусственным интеллектом для общения, в том числе, чат-бота, с которым взаимодействуют миллионы сотрудников, обслуживающих клиентов [8]. В июне 2024 года NАSА, независимые агентства и корпорации Федерального правительства США и IBM совместно разработали INDUS — набор больших языковых моделей (LLM), адаптированных для пяти ключевых научных областей, включая науки о Земле и астрофизику [9].

Несмотря на высокий потенциал, внедрение LLM в бизнес-процессы сопряжено с рядом вызовов (рис. 2).

Рисунок 2. Ограничения и вызовы интеграции LLM в бизнес-процессы

(составлено автором на основе [3, 6, 10, 11])

Так, остается проблема интерпретируемости. Решения, предлагаемые моделью, нередко представляют собой «черный ящик» — они не всегда поддаются логическому обоснованию в терминах традиционного бизнес-анализа. Это затрудняет аудит, снижает уровень доверия со стороны управленцев.

Помимо этого, языковые модели подвержены генерации ошибок, особенно в случаях недостатка контекста либо при наличии неоднозначных формулировок. Их применение требует создания надежной системы верификации результатов и корректировок. Без подобного уровня контроля LLM подчас воспроизводят устаревшие, неточные или даже юридически спорные конструкции.

Еще одним серьезным барьером является необходимость интеграции в уже существующую ИТ-инфраструктуру. Для эффективной работы модели должны быть встроены в экосистему бизнес-приложений, что требует архитектурной адаптации, а также значительных инвестиций в кибербезопасность.

Представляется важным отметить, что будущее оптимизации бизнес-процессов с участием LLM связано не с их полным замещением человеческого труда, а с координированной кооперацией. Речь идет о формировании гибридных систем, в которых языковые модели выполняют функции анализа, предварительной подготовки данных, создания сценариев, тогда как окончательные решения принимаются непосредственно управленцами.

По мере появления моделей нового поколения, обладающих способностью к обучению на локальных сведениях и учету контекста компании, появляется возможность более глубокой кастомизации и повышения точности рекомендаций. Комбинация LLM с прочими ИИ-компонентами (системами распознавания образов, алгоритмами прогнозирования, агентными архитектурами) ведет к формированию интеллектуальной организационной среды, где информационные потоки структурируются автоматически, а управление переходит в режим предиктивной адаптации.

Выводы

Применение больших языковых моделей в сфере оптимизации бизнес-процессов представляет собой значимый шаг в сторону интеллектуализации корпоративного управления. С авторской точки зрения, рассматриваемые технологии не являются универсальным решением, но при грамотной интеграции способны существенно повысить адаптивность, прозрачность, действенность внутренних процедур.

В контексте нарастающей сложности и информационной перегрузки — LLM становятся инструментом не просто автоматизации, а расширения когнитивных возможностей хозяйствующих субъектов в целом.

Рекомендуется продолжить исследования, ориентированные на углубленный анализ интеграции LLM с существующими информационными системами, проведение эмпирических испытаний эффективности и разработку методов повышения интерпретируемости алгоритмов, а также фокус на создании гибких подходов к адаптации моделей под отраслевые и корпоративные особенности, совершенствованию техники обучения с использованием локальных и актуальных данных, внедрению передовых механизмов обеспечения кибербезопасности и защиты конфиденциальных сведений.

Список литературы:

1. Гимадеева А.Р. Большие языковые модели как новый инструмент в решении бизнес-задач / А.Р. Гимадеева, А.А. Шпагина, А.В. Сорокина, В.Е. Ли-Же-Ю // XII Международный молодежный симпозиум по управлению, экономике и финансам. Сборник научных трудов. – Казань: 2023. – С. 65-69.
2. Гладилин Л.Ю. Возможности больших языковых моделей в креативных задачах бизнеса (на примере создания каталога и карточек товаров для электронной коммерции) / Л.Ю. Гладилин, С.А. Казярян, А.Г. Кинжигалиев, Е.М. Моисеев // Экономика и управление: проблемы, решения. – 2024. – Т. 5. – № 6 (147). – С. 6-14.
3. Гладилин Л.Ю. К вопросу о проблемах переговорного процесса бизнеса и перспективах их преодоления средствами больших языковых моделей / Л.Ю. Гладилин, Е.В. Мищенко, А.Е. Смирнов, Ш.С. Кабоснидзе // Путеводитель предпринимателя. – 2024. – Т. 17. – № 3. – С. 122-132.
4. Достов М.К. Использование больших языковых моделей в бизнесе / М.К. Достов // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. – 2024. – № 5. – С. 70-74.
5. Arslan M. Sustainable digitalization of business with Multi-agent RAG and LLM / M. Arslan, S. Munawar, Ch. Cruz // Procedia Computer Science. – 2024. – Vol. 246. – Pp. 4722-4731.
6. Choi N.K. Implementation and architecture design of a business Q&A bot combining LLM and chatbot / N.K. Choi, H.E. Lee, B.W. Jun, Ja.I. Park // Journal of the Korea Management Engineers Society. – 2024. – Vol. 29. – No. 2. – Pp. 85-98.
7. Dobosevych O. 6 use cases of large language models (LLM) in business / O. Dobosevych // URL: https://geniusee.com/single-blog/llm-use-cases-in-business (дата обращения: 08.04.2025).
8. How enterprises are using open source LLMs: 16 examples // URL: https://venturebeat.com/ai/how-enterprises-are-using-open-source-llms-16-examples/ (дата обращения: 13.04.2025).
9. Large Language Models Market Trends // URL: https://www.grandviewresearch.com/industry-analysis/large-language-model-llm-market-report (дата обращения: 03.04.2025).
10. Mueller-Saegebrecht S. In tandem with ChatGPT-4: how LLM enhance entrepreneurship education and business model innovation / S. Mueller-Saegebrecht, I. Lippert // Academy of Management Proceedings. – 2024. – Vol. 2024. – No. 1.
11. Pessanha G.R.G. Large language models (LLMs): a systematic study in administration and business / G.R.G. Pessanha, A.G. Vieira, W.C. Brandão // Mackenzie Management Review. – 2024. – Vol. 25. – No. 6.