AI-РЕШЕНИЯ ДЛЯ ОПТИМАЛЬНОГО ПЛАНИРОВАНИЯ ВЫПОЛНЕНИЯ ЗАДАЧ: НЕОБХОДИМОСТЬ И ЭФФЕКТЫ ВНЕДРЕНИЯ

 

АННОТАЦИЯ

В условиях растущего интереса к применению искусственного интеллекта (ИИ) в бизнес-среде особую актуальность приобретает исследование необходимости внедрения таких технологий и сопутствующих трансформаций. Настоящая работа посвящена анализу целесообразности использования ИИ в коммерческих компаниях с акцентом на его влияние в области планирования и управления проектами. Рассматриваются ожидаемые положительные эффекты от внедрения ИИ и их связь с потребностью в технологической трансформации бизнеса. В качестве базы анализа используются существующие теоретические и эмпирические исследования, а также примеры из различных отраслей.

ABSTRACT

Amid the growing interest in the application of artificial intelligence (AI) in the business sector, it becomes increasingly important to examine both the necessity of implementing such technologies and the accompanying business transformation. This study focuses on analyzing the relevance and need for AI adoption in commercial enterprises, with a particular emphasis on its impact within the domain of project planning and management. The expected positive outcomes of AI integration are explored as a key factor driving this necessity. The analysis is grounded in existing literature, including both theoretical frameworks and empirical research, and is supported by examples from various industries.

 

Ключевые слова: искусственный интеллект, управление проектами, планирование, внедрение ИИ, трансформация бизнеса.

Keywords: artificial intelligence, project management, planning, AI implementation, business transformation.

 

Введение

В последние годы в сфере инновационных технологий очевидно нарастает интерес к внедрению инструментов с использованием искусственного интеллекта. Так, среднегодовой рост глобального рынка ИИ в 2025-2034 гг. оценивается в 19,2%: 638.23 и 3680.47 млрд USD в 2025 и 2034 гг., соответственно (Artificial Intelligence (AI) Market Size, Share, and Trends 2025 to 2034, 2025). При этом, среднегодовой рост глобального рынка акселераторов ИИ в 2024-2030 гг. оценивается в 29,4% (AI Accelerator Market Size & Trends, 2023). Более того, рост рынка коммуникационных инструментов ИИ в 2022-2035 гг. прогнозируется на уровне 30% (Bouteraa, Chekima, Thurasamy, Bin-Nashwan, & et al., 2024). Основная преследуемая цель таких внедрений – это повышение эффективности работы бизнеса в целом за счет автоматизации его отдельных процессов в частности.

Данная тенденция характеризуется несколькими отличительными особенностями, которые достаточно широко представлены в проведенных исследованиях:

- Проблематика восприятия внедрения ИИ топ-менеджментом, управленческим звеном среднего уровня и рядовыми сотрудниками (Kanellopoulou, Giannakopoulos, & Karkaletsis, 2025), (Gieselmann, Erdsiek, Rost, & Sassenberg, 2025);

- Задачи, связанные с органичным встраиванием нового инструментария в существующую экосистему (архитектуру) бизнеса как совокупность коллаборации, коммуникации и сетевого взаимодействия (Climent, Haftor, & Staniewski, 2024);

- Влияние внедрения на традиционный процесс управления задачами в динамической рыночной среде, включая психологические, временные и экономические (прежде всего, финансовые и маркетинговые) факторы (Theoharakis, Zheng, & Zhang, 2024);

- Оценка применимости ИИ в отдельных отраслях экономики и на разных географических рынках, что можно охарактеризовать как «специфическую универсальность»: например, в ритейле (Robertson, Botha, Oosthuizen, & Montecchi, 2025), разработке новых продуктов (Cooper, 2025), управлении цепочками поставок (Raab, Fischer, & Brandtner, 2025) и других;

- Разработка оптимального самого процесса такого внедрения и трансформации бизнеса, которые не должны иметь негативного влияния на сложившиеся практики (Black, Samson, & Ellis, 2024) и (Barcaui & Monat, 2023);

- Оценка эффектов внедрения, которые связаны с трансформацией бизнеса (Gandía, Gavrila, Ancillo, & Val Núñez, 2025).

- Оценка и нивелирование рисков, связанных с изменением текущей бизнес-модели (Kanellopoulou, Giannakopoulos, & Karkaletsis, 2025);

- Применение ИИ как инструмента повышения эффективности управления проектами (Vicci, 2024) и снижения издержек операционной деятельности (Yang, Di Maddaloni, Calabrese, Zhao, & Zou, 2025).

Данные работы достаточно хорошо иллюстрируют указанную проблематику, однако, не дают общей, агрегированной картины, представляя лишь отдельные аспекты внедрения ИИ. С точки же зрения бизнеса, необходимо учитывать все эти факторы в совокупности, т. к. каждый из них имеет определенное значение. Более того, стратегические управленческие решения, связанные с внедрением ИИ, могут быть эффективными, если учитывают как можно больше факторов грядущей трансформации, т. е. принимаются на основе как можно более полного отражения текущей ситуации и последствий.

В этой связи, возможно сформулировать цели и задачи настоящей работы.

Цель исследования

Целью настоящего исследования является формирование сводной, агрегированной картины проблематики внедрения ИИ в коммерческих компаниях с учетом как процессов управления, так и отраслевых особенностей. Фокус при этом делается на управлении проектами, задачами и бизнес-процессами.

Задачи исследования

В соответствии с целью анализа, его задачами является показать на основе проведенных предыдущих исследований, чем именно обусловлена необходимость внедрения ИИ и какие проблемы связаны с таким внедрением, с учетом таких аспектов, как необходимость и трансформация бизнеса и особенности эффектов внедрения в некоторых отраслях.

Актуальность настоящего исследования основана на следующих аспектах, которые уже упоминались выше:

- Повышенный интерес бизнеса и рост популярности инструментов ИИ для оптимизации бизнес-процессов и повышения эффективности деятельности (Islam, Hasan, Md. Redwanuzzaman, & Hossain, 2024), что отражает актуальность исследования проблематики внедрения таких решений и продуктов;

- Относительная разрозненность анализа проблематики внедрения инструментов ИИ и необходимость максимально полного представления текущей ситуации и возможных эффектов трансформации бизнеса для принятия управленческих решений.

Таким образом, анализ, представленный в данной работе, призван облегчить принятие оптимальных управленческих решений, связанных с внедрением ИИ инструментов.

Методология

Методология настоящего исследования основана на анализе предыдущих работ по теме, включая обзоры литературы, теоретические разработки, а также эмпирические исследования.

Для получения наиболее полной картины исследуемой проблематики, существующие работы анализировались с точки зрения управления проектами и бизнесом, а также особенностей отдельных отраслей.

Данный подход с учетом задач и аспектов исследования, предполагает следующую структуру раскрытия проблематики:

- Факторы необходимости и трансформации бизнеса;

- Эффекты отраслевого использования.

1. Факторы необходимости и трансформации бизнеса

Сложившаяся рыночная среда характеризуется высокой степенью динамизма, который требует высокой скорости принятия решений и адаптации. Эти условия ведения бизнеса, в свою очередь, провоцируют еще большее ускорение динамики и потребности в быстром создании конкурентных преимуществ как базиса для развития (Felicetti, Cimino, Mazzoleni, & Ammirato, 2024).

С точки зрения бизнес-процессов, высокая степень динамизма рыночной среды требует высокой эффективности управления в целом и проектами в частности. Также создание конкурентного преимущества в таких условиях нуждается в креативности со стороны управляющего персонала (в большей степени) и сотрудников (в меньше степени).

Помимо высокой скорости изменений и потребности в оптимальной и своевременной реакции на эти изменения, наблюдается также возрастающая сложность бизнес-проектов. Управление процессами и проектами происходит при наличии огромных массивов данных, обновляющихся в реальном времени. Выполнение однотипных, повторяющиеся, но неавтоматизированных задач, неэффективное бюджетирование, неправильное распределение ресурсов и задач, могут также негативно сказаться на результатах операционной деятельности (Parekh & Mitchell, 2024). Традиционные методы управления проектами могут быть уже не настолько эффективными в такой среде.

Эффективному ведению бизнеса в таких условиях способствует применение LLM-инструментов: например, порядка 15% рабочих задач могут быть выполнены гораздо быстрее, а при использовании специализированного программного обеспечения, созданного на основе LLM, – порядка 56% задач (Barcaui & Monat, 2023). Другие исследования показывают, что ИИ-инструменты привели к сокращению времени выполнения задач на 20%, а прогнозирование рисков позволило снизить издержки проекта на 15% (Parekh & Mitchell, 2024). Выводы об изменении эффективности управления задачами, сделанные этими же авторами, приведены в таблице 1.

Таблица 1.

Улучшение показателей проекта в результате применения ии (Parekh & Mitchell, 2024)

Тип улучшения	Значение
Определение повышенных рисков	20%
Прогнозирование и устранение негативных факторов	15%
Повышение точности планирования задач	30%
Повышение точности планирования расходов	92%
Улучшение результатов проекта	25%

 

С другой стороны, очевидно, что если компания не будет внедрять такие решения в свои бизнес-процессы, то существует высокая вероятность потери ею конкурентных позиций. При этом, внедрение должно происходить относительно быстро: любая задержка может привести к потере определенного количество клиентов и, следовательно, снижению объема продаж.

Однако, трансформация бизнеса требует определенных усилий по планированию изменений, адаптации бизнес-процессов для внедрения инноваций. С точки зрения управления персоналом, такие изменения могут потребовать дополнительных действий по разработке новых систем мотивации, планирования и коммуникации.

Более того, инновации требуются не только для оптимизации и повышения эффективности конвенциональных бизнес-процессов, но также и для внедрения новых инноваций и поддержке их работоспособности.

Само по себе внедрение ИИ требует определенной работы по планированию и контролю в рамках менеджмента проекта. В частности, может применятся методология APSS, при которой есть потребность в четком понимании задач на каждой фазе. (Kanellopoulou, Giannakopoulos, & Karkaletsis, 2025)

Таким образом, существует определенная сложность, связанная с трансформацией бизнеса для использования ИИ. В соответствии с оценкой Kanellopoulou, Giannakopoulos, & Karkaletsis, до 80% проектов масштабирования внедрений ИИ в 2025 году может закончится неудачей (Kanellopoulou, Giannakopoulos, & Karkaletsis, 2025).

Однако, в данных трудах не рассматривается возможность использования внешних сервисов, которые позволят нивелировать следующие проблемы внедрения:

1. Дополнительные расходы на разработку ИИ-инструментов. Такие расходы могут быть существенными вследствие необходимости проектирования, программирования и тестирования программного продукта, что требует значительных временных и финансовых расходов;

2. Сложность бюджетирования: при самостоятельной разработке продукта потребуется постоянно корретировать план расходов компании, чтобы иметь необходимые ресурсы на внедрение. Более того, во время разработки нет возможности вкладывать данные средства в другие сферы развития бизнеса;

3. Необходимость содержания собственной службы поддержки и отладки, что также окажет давление на финансовые показатели бизнеса;

4. Встраивание ИИ-инструмента в бизнес-процесс будет проще, если уже понятен его функционал, чем если он разрабатывается с нуля. Также четкое понимание возможностей существующего инструмента может значительно сократить время на принятие его высшим менеджментом.

Помимо указанных проблем внедрения ИИ-инструментов и трансформации бизнеса на этой основе, важны также психологические аспекты восприятия новых технологий, которые влияют на принятие решения об их внедрении. Так, было показано (Felicetti, Cimino, Mazzoleni, & Ammirato, 2024), что отношение к инновациям коррелирует с креативным поведением и непринятием новых методов ведения бизнеса. Кроме этого, важными являются такие факторы, как влияние коллег и то, насколько технология полезна в глазах менеджеров проектов.

При осуществлении трансформационных изменений по внедрению ИИ-инструментов стоит также учитывать, что последние не всегда являются наилучшим выбором. Был проведен ряд исследований, авторы которых сравнили эффективность планирования проекта разработки мобильного приложения людьми на основе конвенциональных методик и с использованием ИИ: например, работа Barcaui & Monat (Barcaui & Monat, 2023).

В результате авторами были сделаны интересные выводы (приводятся агрегировано):

- ИИ может формулировать задачи без необходимой детализации: некоторые важные аспекты и риски могут не приниматься во внимание (ИИ сформулировал 25 задач, человек - 175 задач);

- ИИ может не учесть неочевидные факторы контекста проекта, такие, как состояние рынка;

- ИИ может недостаточно верно установить взаимосвязи задач, их последовательность и время выполнения.

В итоге авторами сделан вывод о том, что ИИ является хорошим помощником для создания исходного шаблона проекта, который затем нуждается в доработке.

Таким образом, можно говорить о том, что:

1. Однозначно существует ценность, которую может принести ИИ в управление проектами и задачами – это повышение эффективности распределения ресурсов и прогнозирования, оценки рисков, обработка больших массивов данных и т. п.;

2. Напротив, отказ от использования ИИ, возможно, чреват потерей рыночных позиций и конкурентных преимуществ;

3. В то же время, ИИ-инструмент не может являться панацеей для решения всех задач сразу: наиболее эффективным представляется внедрение таких инноваций точечно в часть функционала компании (например, распределение рабочего времени между сотрудниками).

Далее рассмотрим, как использование ИИ-инструментов обусловлено особенностями отдельных отраслей.

2. Эффекты отраслевого использования

При наличии необходимости и пользы от внедрения ИИ следует также рассмотреть проблематику использования таких инструментов в разрезе отдельных отраслей. Это может быть важно по нескольким причинам:

А. Каждая отрасль может иметь свою специфику и, следовательно, приложение возможностей ИИ. Например, в некоторых сферах деятельности может иметь решающее значение взаимодействие с клиентами (банковская сфера, сервисные компании и т. п.), в других – планирование маркетинга (фэшн-индустрия, FMCG и т. п.);

B. Ценность внедрения ИИ может отличаться для разных секторов экономики, т. к. для некоторых компаний могут иметь особое значение отдельные бизнес-функции. Например, сектор гостеприимства или строительства может потребовать особой скрупулезности при планировании ресурсов и загрузки сотрудников;

C. Может иметь место разная сложность внедрения ИИ-инструментов в зависимости от специфики бизнес-процессов. Например, бизнес-процессы логистической компании будут отличаться от процессов компании, работающей в строительной сфере;

D. Разные сферы деятельности могут иметь разную применимость универсальных решений. Также, в разной степени могут быть востребованы доработки и адаптация универсальных решений.

В данном разделе рассмотрим результаты эмпирических исследований ценности применения ИИ-инструментов в некоторых отраслях.

Финансовый сектор

В финансовом секторе применение ИИ-инструментов возможно в широком спектре функциональных направлений бизнеса: взаимодействие с клиентами, планирование и прогнозирование, автоматизация задач и принятия решений, продажи и маркетинг и другие (Bouteraa, Chekima, Thurasamy, Bin-Nashwan, & et al., 2024).

Для финансового сектора также особое значение имеет динамизм внешней среды. Поэтому планирование и ассистирование принятия решений также может быть рассмотрено как приложение ИИ-инструментов. Порядка 70% сотрудников отмечают, что временной аспект крайне важен при принятии решений (Bouteraa, Chekima, Thurasamy, Bin-Nashwan, & et al., 2024).

Таким образом, экономия времени позволят повысить эффективность бизнес-процессов и, как следствие, сформировать и укрепить конкурентное преимущество на рынке. Такое преимущество может быть достигнуто как при тактическом, так и стратегическом планировании.

Как было показано в результате исследования финансовых институтов Эфиопии (Ejigu & Desalegn, 2023), существует значимая корреляция между стратегической инновационностью и финансовой эффективностью, а также между стратегическим планированием и финансовой эффективностью. Исследование представляло собой опрос менеджеров банков и страховых компаний, было собрано всего 175 анкет, из которых 142 были признаны корректными.

Таблица 2.

Результаты исследования взаимосвязи стратегического планирования, инновационности и финансовой эффективности (Ejigu & Desalegn, 2023)

	SP	SI	FP
SP	0.902
SI	0.850	0.870
FP	0.843	0.847	0.850

SP: стратегическое планирование; SI: стратегическая инновационность; FP: финансовая эффективность.

 

Таким образом, инновационность и стратегическое планирование имеют непосредственное отношение к финансовой эффективности.

Повышение же эффективности самого планирования и инновационности возможно за счет применения ИИ-инструментов.

Однако, внедрение ИИ-инструментов должно быть осуществлено с учетом ожиданий и восприятия управленческого персонала. Иначе возможен негативный эффект такого внедрения (Bouteraa, Chekima, Thurasamy, Bin-Nashwan, & et al., 2024).

Учитывая как позитивные перспективы внедрения ИИ-инструментов, так и риски, связанные с ним, представляется оптимальным трансформация бизнес-процессов, прежде всего, на уровне автоматизации отдельных функциональных блоков, например, планирование задач. Такой подход должен снизить риски фундаментальной трансформации и обеспечить необходимую автоматизацию. Однако, требуются эмпирические исследования для доказательства этой гипотезы.

Управление цепочками поставок

Особенности применения ИИ-инструментов в данной отрасли включают такие аспекты, как снабжение, производство, складское хозяйство, распределение и прогнозирование спроса (Raab, Fischer, & Brandtner, 2025). Многие из этих аспектов могут быть также рассмотрены с точки зрения управления ресурсами.

Представляет интерес опрос, проведенный среди представителей отрасли логистики в Австрии в апреле 2024 г. (Raab, Fischer, & Brandtner, 2025). Общее количество полных анкет составило 44 единицы.

В результате исследования было выявлено, что порядка 52% респондентов уже пользовались каким-то ИИ-инструментом, а 18% планировали их внедрение.

 

Рисунок 1. Использование ИИ в логистических компаниях (Raab, Fischer, & Brandtner, 2025)

 

Согласно результатам опроса, наиболее востребован (уже используется или планируется использование) ИИ в таких функциональных областях бизнеса, как планирование и прогнозирование, управление транспортными средствами, планирование маршрутов.

Отдельно можно выделить сферы, где в настоящее время ИИ не используется, но планируется его внедрение – это разработка архитектуры сети поставок, отбор поставщиков, планирование заказов, организация производственных процессов и управление инвентарем.

В целом, можно говорить о том, что ИИ наиболее востребован в автоматизации и улучшении функций планирования и прогнозирования разного рода, а наименее – в сфере автоматизации коммуникации.

 

Рисунок 2. Ожидаемый эффект от применения ии в разрезе функционалов (1 - абсолютно не согласен, 7 - полностью согласен) (Raab, Fischer, & Brandtner, 2025)

 

В части ожиданий от внедрения ИИ, наиболее ожидаемыми эффектами являются: снижение издержек, улучшения качества принимаемых решений, повышение продуктивности.

Таким образом, можно говорить о высоком потенциале использования ИИ-решений в логистике, но прежде всего, в сферах планирования и прогнозирования, а не коммуникации.

Сектор гостеприимства

Сфера управления отелями характеризуется высокими требованиями к качеству планирования загрузки номеров и оптимальному распределению задач персонала с целью снижения операционных издержек. Эти факторы также должны рассматриваться в совокупности со стремлением достигнуть высокого уровня удовлетворения гостей (Pitakaso, Golinska-Dawson, Luesak, Srichok, & Khonjun, 2025).

Pitakaso et al. разработали и протестировали применение системы управления задачами персонала (Artificial Multiple Intelligence System (AMIS)) для достижения высокой операционной эффективности без потери качества обслуживания. Продуктиность этой системы обеспечивается за счет использования ИИ, что включает обработку данных в реальном времени, циклы обратной связи, балансировку загрузки персонала на основе экристического анализа. Кроме этого, был создан внешний компонент (интерфейс) с использованием мобильных устройств для ввода данных, взаимодействию с гостями, а также управления процессами.

Показатели, полученные в результате тестирования системы, позволят проиллюстрировать, как ИИ может использоваться в сфере гостеприимства. Так, было определено, что система позволяет снизить среднее время обработки номера на 50%, а доля завершенных задач вовремя повысить до 99%.

Ниже приведены показатели по всем направлениям улучшений.

Таблица 3.

Итоговые показатели внедрения системы AMIS (Pitakaso, Golinska-Dawson, Luesak, Srichok, & Khonjun, 2025)

Показатель	До	После	Улучшение, %
Период обслуживания номеров, часы	5.24	4.08	22.14%
Индекс баланса загрузки	0.72	0.89	23.61%
Индекс удовлетворенности гостей	3.75	4.42	17.87%

 

В среднем, внедрение системы позволило улучшить операционную деятельность компании на 21%. Если рассматривать отдельные аспекты бизнеса, то улучшения коснулись распределения ресурсов, назначения задач, планирования времени уборки номеров. Время подготовки номеров сократилось с 45 до 21 минуты, а доля завершенных задач повысилась с 91,5 до 99,2%.

Более того, как отмечают авторы, операционная деятельность стала более устойчива. Это крайне важно с точки зрения эффективности бизнеса, который подвержен влиянию динамических факторов, таких, как сезонность.

Таким образом, авторы исследования продемонстрировали, что внедрение ИИ позволяет не только повысить качество и эффективность планирования операционной деятельности, но и сформировать важные предпосылки для увеличения прибыльности бизнеса.

Строительство

Проведение строительных работ требует согласования многих моментов: поставка материалов, технологические циклы проведения работ, занятость персонала, согласования и подготовка документации. В таких условиях крайне важным является правильное планирование работ, достижение баланса задействования и наличия ресурсов.

В данной части настоящей работы рассмотрим применение ИИ в строительстве на примере строительных работ по расширению аэропорта. Исследование этого приложения возможностей ИИ было проведено Mamdouh Al-Ghzawi и Khaled El-Rayes как разработка методологии оптимизации таких строительных работ (Al-Ghzawi & El-Rayes, 2024). Объектом строительства являлся международный аэропорт Сан Диего (San Diego International Airport), где было необходимо реконструировать часть для проезда такси длиной порядка 5000 футов (~1.5 км).

Особенность работ по расширению аэропорта заключается в том, что во время их проведения, учреждение продолжает функционировать. Поэтому одной из задач является такое планирование, при котором трафик аэропорта будет сохраняться. Отчасти, это достигается за счет разделения всей работы на определенные фазы в оптимальной последовательности. При этом, фазы могут быть активными как параллельно, так и последовательно.

Для решения этой задачи был задействован ИИ, модель которого была обучена на тестовой совокупности данных. Для создания модели использовались данные о рейсах (время прилета и вылета), планировка аэропорта и трафик посетителей. Целью являлось достижения баланса расходов и времени строительных работ, а также минимизация простоев. Также было проведено сравнение результатов с симулятором Simmod Pro.

В результате проведения моделирования было выявлено, что:

Время для вычислений составило порядка 1 сек для модели ИИ, в то время как время вычислений симулятора Simmod Pro составило 15 минут;

Было получено оптимальное распределение фаз строительства, включая такие параметры, как начало и окончание строительства, упущенная выгода от сокращения времени обслуживания посетителей и стоимость строительства. При этом прогноз включал варианты строительства стоимость от 8.2 до 13.4 млн USD.

Эффективность применения ИИ-инструментов была подтверждена путем эмпирического исследования, результаты которого не только показали эффективность модели прогнозирования, но также потребовали значительно меньше времени на вычисления.

Использование таких моделей позволяет выбрать оптимальный вариант для строительства с учетом расходов и упущенной выгоды за счет простоя.

Разработка новых продуктов

Особенность разработки новых продуктов заключается в том, что необходимо учитывать огромное количество факторов как внешней, так и внутренней среды. Планирование создания нового продукта включает анализ сложной и динамичной рыночной среды, производственных мощностей и технологических решений. В результате весь процесс планирования представляет собой сложный баланс задач и распределения ресурсов.

Как показывают некоторые исследования, 61% компаний, которые использовали ИИ для создания новых продуктов, выводили на рынок действительно инновационный продукт и получали более высоких доход по сравнению с компаниями, которые действовали традиционными методами (Cooper, 2025).

Однако, как отмечает Robert G. Cooper, на данный момент только 29% компаний среднего и малого бизнеса выражают готовность к внедрени. ИИ для разработки новых продуктов. Одной из проблем является необходимость инвестиций в трансформацию бизнеса, что требует дополнительных финансовых ресурсов с не очень быстрой отдачей: только 25% высшего менеджмента готовы ждать до одного года для поля получения видимого результата таких инвестиций. Также только 10% менеджеров готовы доверять ИИ при принятии решений.

Тем не менее, если абстрагироваться от проблемы инвестирования и длительного возврата вложений, в целом применение ИИ при разработке новых продуктов достаточно перспективна. Такой вывод можно сделать на основе результатов опроса, результаты которого приведены в работе Robert G. Cooper (Cooper, 2025). В качестве выборки для данного опроса выступили 47 ирландских компаний со средним количеством сотрудников в 320 человек. Респондентом являлся сотрудник, который отвечает за направление разработки новых продуктов.

Результаты этого исследования позволяют выделить наиболее перспективные сферы применения ИИ, а также положительные эффекты от этого применения. На диаграммах ниже приведен процент опрошенных компаний.

 

Рисунок 3. Сферы применения ии при разработке новых продуктов (Cooper, 2025)

 

Согласно результатам опроса, намерение использовать ИИ наиболее высоко (более 45% положительных компаний) в таких областях, как генерация идей, анализ рынка и проектирование.

 

Рисунок 4. Воспринимаемые положительные эффекты от применения ИИ (доля от тех, кто использует или имеет намерение использовать ИИ)

 

Как видно на диаграмме, наиболее ценным эффектом внедрения ИИ представляется повышение продуктивности, хотя ожидается также и большая гибкость в принятии решений, повышение скорости выведения продукта на рынок и т. п.

Таким образом, можно сделать следующие выводы о применимости ИИ в области разработки новых продуктов:

1. Существуют определенные барьеры по внедрению ИИ, прежде все, в области инвестирования и длительного ожидания положительного эффекта. Также часть менеджеров не склонна полностью полагаться на ИИ при принятии решений;

2. С другой стороны, многие компании, уже применяющие или собирающиеся применять ИИ, видят полезность такого инструментария в части повышения продуктивности, гибкости, экономии времени. При этом, заинтересованность в ИИ существует в таких функциональных областях, как проектирование продукта, анализ рынка, генерация идей и других.

Заключение

Отрасль ИИ-инструментов является относительно молодой. Однако, уже сейчас она вызывает большой интерес со стороны бизнеса, который видит в применении таких решений возможности повысить продуктивность операционной деятельности, улучшить качество планирования задач и найти баланс между затратами и ожидаемыми эффектами.

Было показано, как внедрение ИИ-решений способствует более эффективному решению задач по сравнению с традиционными методами. Кроме этого, помимо оптимизации операционной деятельности, ИИ-решения призваны создать устойчивое конкурентное преимущество в быстро меняющейся рыночной среде.

Однако, существуют еще и проблемы, которые предстоит решить – это возможное недоверие менеджмента к результатам работы ИИ, а также необходимость существенных инвестиций в трансформацию бизнеса.

Принимая во внимание вышесказанное, оптимальным выходом из ситуации представляется внедрение ИИ на уровне отдельных бизнес-процессов и функциональных блоков. Например, ИИ-инструменты могут быть использованы для проектирования продукта, моделирования разных вариантов реализации проекта, а также оптимизации распределения задач и ресурсов.

При таком подходе, как было продемонстрированно результатами эмпирических исследований, существуют хорошие возможности повысить эффективность бизнес-процессов, а также улучшить качество взаимодействия с рынком.

Направления последующих исследований

В настоящей работе были рассмотрены только лишь некоторые отрасли со своей географической спецификой. Можно предположить, что анализ других отраслей и географических рынков позволит получить более точную и полную картину проблематики.

Помимо этого, возможны отличия в применении ИИ-инструментов в разных функциональных подразделениях бизнеса. Например, внедрение ИИ в сервисные службы будет отличаться от аналогичных трансформаций в управлении производственным процессом, маркетингом и персоналом.

Тем не менее, несмотря на такие возможные различия, представляется эффективным внедрение ИИ в универсальные функции до определенного уровня сложности. Например, планирование задач является важных функциональным направлением бизнеса в любой отрасли, хотя и с разными степенями важности и сложности.

В любом случае, представляется оптимальным подход, при котором рассматривается внедрение ИИ с точки зрения ценности для бизнеса, отраслевой специфики и функциональных особенностей отдельных направлений внутри компании.

 

Список литературы:

1. AI Accelerator Market Size & Trends. (2023). [Электронный ресурс] URL: https://www.grandviewresearch.com/industry-analysis/ai-accelerator-market-report (дата обращения: 10.03.2025).
2. Al-Ghzawi, M., & El-Rayes, K. (2024). Machine learning and multi-objective optimization methodology for planning construction phases of airport expansion projects // Journal of Air Transport Management. 2024. Vol. 115. doi:10.1016/j.jairtraman.2024.102550.
3. Artificial Intelligence (AI) Market Size, Share, and Trends 2025 to 2034. (2025, February 10). [Электронный ресурс] URL: https://www.precedenceresearch.com/artificial-intelligence-market (дата обращения: 10.03.2025).
4. Barcaui, A., & Monat, A. (2023). Who is better in project planning? Generative artificial intelligence or project managers? // Leadership and Society. 2023. Vol. 4. doi:10.1016/j.plas.2023.100101.
5. Black, S., Samson, D., & Ellis, A. (2024). Moving beyond ‘proof points’: Factors underpinning AI-enabled business model transformation // International Journal of Information Management. 2024. Vol. 77. doi:10.1016/j.ijinfomgt.2024.102796.
6. Bouteraa, M., Chekima, B., Thurasamy, R., Bin-Nashwan, S., et al. (2024). Open Innovation in the Financial Sector: A Mixed-Methods Approach to Assess Bankers' Willingness to Embrace Open-AI ChatGPT // Journal of Open Innovation: Technology, Market, and Complexity. 2024. Vol. 10(1). doi:10.1016/j.joitmc.2024.100216.
7. Climent, R. C., Haftor, D. M., & Staniewski, M. W. (2024). AI-enabled business models for competitive advantage // Journal of Innovation & Knowledge. 2024. Vol. 9(3). doi:10.1016/j.jik.2024.100532.
8. Cooper, R. (2025). SMEs' use of AI for new product development: Adoption rates by application and readiness-to-adopt // Marketing Management. 2025. Vol. 126. doi:10.1016/j.indmarman.2025.01.016.
9. Ejigu, M., & Desalegn, T. (2023). How does strategic planning influence the performance of financial institutions? // IIMB Management Review. 2023. Vol. 35(1). doi:10.1016/j.iimb.2023.03.003.
10. Parekh, R., & Mitchell, O. (2024). Utilization of artificial intelligence in project management // International Journal of Science and Research Archive. 2024. Vol. 13(1). doi:10.30574/ijsra.2024.13.1.1779.
11. Pitakaso, R., Golinska-Dawson, P., Luesak, P., Srichok, T., & Khonjun, S. (2025). Embracing open innovation in hospitality management: Leveraging AI-driven dynamic scheduling systems for complex resource optimization and enhanced guest satisfaction // Journal of Open Innovation: Technology, Market, and Complexity. 2025. Vol. 11(1). doi:10.1016/j.joitmc.2025.100487.
12. Raab, C., Fischer, T., & Brandtner, P. (2025). A Survey of AI Capabilities in Austrian Supply Chain Management // Procedia Computer Science. 2025. Vol. 253. doi:10.1016/j.procs.2025.01.124.