ГЕНЕРАТИВНЫЙ ИИ ДЛЯ ПРОГНОСТИЧЕСКОГО МОДЕЛИРОВАНИЯ ОРГАНИЗАЦИОННЫХ ИЗМЕНЕНИЙ: МЕТОДОЛОГИЯ И СТРАТЕГИЧЕСКИЕ ПЕРСПЕКТИВЫ

АННОТАЦИЯ

В условиях высокой турбулентности и низкой эффективности организационных трансформаций статья исследует потенциал генеративного ИИ (GenAI) как инструмента для прогностического моделирования. Цель исследования – разработка концептуальной методологии, позволяющей симулировать каскадные эффекты крупных управленческих решений, таких как слияния или внедрение новых систем. На основе системного анализа предложена четырехэтапная модель, включающая интеграцию гетерогенных данных, дообучение модели, симуляцию «what-if» сценариев и динамическую оценку рисков. Обосновывается, что GenAI, в отличие от традиционной предиктивной аналитики, способен генерировать целостные и правдоподобные будущие состояния организации. Практическая значимость работы заключается в предложении руководителям инструмента для повышения предсказуемости трансформаций и проактивного управления рисками, что смещает фокус с реактивного анализа на моделирование будущего.

АННОТАЦИЯ

In a context of high turbulence and low effectiveness of organizational transformations, this article explores the potential of Generative AI (GenAI) as a tool for predictive modeling. The research goal is to develop a conceptual methodology for simulating the cascading effects of major managerial decisions, such as mergers or new system implementations. Based on a systematic analysis, a four-stage model is proposed, including heterogeneous data integration, model fine-tuning, 'what-if' scenario simulation, and dynamic risk assessment. The paper argues that GenAI, unlike traditional predictive analytics, is capable of generating holistic and plausible future organizational states. The practical significance of this work lies in offering managers a tool to increase the predictability of transformations and to manage risks proactively, shifting the focus from reactive analysis to future modeling.

Ключевые слова: генеративный искусственный интеллект, корпоративное управление, прогностическое моделирование, управление рисками ИИ, этика ИИ, стратегии внедрения ИИ, управление данными, стратегический менеджмент, организационная трансформация.

Keywords: Generative Artificial Intelligence, Corporate Governance, Predictive Modeling, AI Risk Management, AI Ethics, AI Implementation Strategies, Data Management, Strategic Management, Organizational Transformation.

Введение

В условиях беспрецедентной скорости цифровой трансформации прогностическое моделирование организационных изменений приобретает критическое значение. Современные организации вынуждены перестраиваться быстрее, чем когда-либо: объём глобальных сделок слияний и поглощений в 2024 г. превысил 3,4 трлн долл. США, продемонстрировав рост на 8% за год, а в России лишь 48% крупных компаний сохраняют формализованную стратегию цифровой трансформации, предпочитая гибкие «спринты» изменений [1, 2]. При этом реализуемость трансформаций остаётся низкой: систематический обзор IEEE показал, что устойчивого успеха достигают лишь около 34% инициатив [11]. Причина во многом кроется в том, что применяемые статистические и экспертные методы плохо справляются с нелинейной динамикой социотехнических систем и поведенческими эффектами, проявляющимися в ходе изменений.

Становление технологии генеративного искусственного интеллекта (GenAI) как прорывной технологии началось в 2023 г., и за непродолжительный срок она вышла за рамки узкопрофильных ИТ-проектов: по данным Gartner, к 2026 г. свыше 80% предприятий будут использовать GenAI-модели или API в продуктивной среде, тогда как в 2023 г. этот показатель не превышал 5% [12]. Глобальное исследование McKinsey фиксирует регулярное применение GenAI хотя бы в одной бизнес-функции уже третью компаний, а 40% респондентов намерены наращивать инвестиции [18]. Таким образом, технология переходит из экспериментальной фазы в стадию массового внедрения, находясь в фокусе высшего руководства.

Важно отметить качественный сдвиг: GenAI всё чаще воспринимается не как «генератор контента», а как инструмент для комплексного анализа, симуляции и поддержки стратегических решений. Недавнее исследование SMJ продемонстрировало, что совокупные оценки, сгенерированные крупными языковыми моделями, сходны с экспертными ранжированиями бизнес-моделей, что открывает возможность использования GenAI для прогнозирования последствий ключевых управленческих выборов [10]. Следовательно, потенциал GenAI заключается в способности синтезировать внутренние и внешние данные, формируя правдоподобные сценарии развития организации — то, чего недостаёт традиционным методам планирования.

Существующие инструменты стратегического анализа и управления рисками остаются преимущественно статичными и не отражают сложных каскадных эффектов организационных изменений [11]. Отсутствует методология, позволяющая симулировать реалистичные будущие сценарии на базе данных самой компании и рыночного контекста с использованием возможностей GenAI.

Цель исследования заключается в разработке концептуальной методологии применения генеративного ИИ для прогностического моделирования каскадных эффектов крупных организационных изменений.

Задачи исследования:

• Анализ традиционных и современных подходов к прогнозированию и управлению изменениями с выявлением их ограничений.
• Определение принципов и потенциала использования GenAI для симуляции сложных организационных систем.
• Формулирование многоэтапной методологии предиктивного моделирования на основе GenAI для оценки последствий изменений.
• Идентификация ключевых рисков, этических вызовов и ограничений, сопутствующих внедрению предложенной методологии.

Таким образом работа ориентирована на теоретическое обоснование и практическую верификацию нового подхода к стратегическому управлению, который трансформирует реактивную модель план-факт-анализа в проактивное моделирование будущего организации.

Материалы и методы

Исследование базируется на системном анализе и обобщении актуальной научной литературы за период 2022-2025 гг., посвященной применению искусственного интеллекта в управлении организационными изменениями. Методология исследования опирается на концепцию междисциплинарного синтеза, объединяя подходы стратегического менеджмента, теории организаций и информационных технологий для формирования целостного понимания возможностей GenAI в прогностическом моделировании.

Эмпирическая база исследования формировалась на основе научных публикаций из ведущих баз данных Scopus, Google* Scholar и IEEE Xplore, а также аналитических отчетов консалтинговых компаний McKinsey, Bain & Company и Gartner. Дополнительно использовались материалы специализированных конференций и монографии, посвященные вопросам цифровой трансформации и управления изменениями.

Для достижения поставленных задач применялся комплекс взаимодополняющих исследовательских методов:

• Теоретический анализ и синтез использовались для формирования концептуальной базы исследования и выявления ключевых паттернов в развитии GenAI-технологий применительно к управлению изменениями;
• Сравнительный анализ позволил сопоставить классические модели управления изменениями (модели Левина, Коттера) с новыми подходами, основанными на применении искусственного интеллекта;
• Концептуальное моделирование применялось для разработки пошаговой методологии использования GenAI в прогностическом моделировании организационных систем.

Данная методологическая комбинация обеспечивает комплексное исследование заявленной проблематики с учетом как теоретических основ, так и практических аспектов внедрения GenAI в процессы управления организационными изменениями.

Результаты и обсуждение

Эволюция подходов к управлению изменениями: от статических моделей к предиктивной аналитике

Классические модели управления изменениями, такие как трёхфазная модель Левина (размораживание-изменение-замораживание) и восьмиступенчатая модель Коттера, доминировали в теории и практике на протяжении десятилетий. Однако в условиях современной организационной среды их фундаментальные ограничения становятся всё более очевидными. Модель Левина характеризуется избыточной упрощённостью и механистичностью, особенно в контексте непрерывных и сложных процессов организационных трансформаций. Критический анализ показывает, что традиционные модели страдают от нескольких структурных недостатков: линейности восприятия изменений как последовательности дискретных этапов, низкой адаптивности к изменяющимся условиям внешней среды и процессной ориентации вместо прогнозирования результатов. Эволюция подходов к управлению организационными изменениям отражена на рисунке 1.

Рисунок 1. Эволюция подходов к управлению организационными изменениями

Эмпирические исследования подтверждают высокую долю неудач при использовании классических подходов. По данным McKinsey, 70% организационных изменений не достигают поставленных целей, а исследование Bain & Company фиксирует ещё более низкий показатель успешности — лишь 12% программ изменений полностью реализуют запланированные результаты [5, 18]. Анализ 200 кейсов организационных трансформаций показал, что применение модели Коттера не гарантирует успеха, равно как и использование демократического стиля руководства [13]. Главная проблема заключается в том, что традиционные модели исходят из предположения о возможности «заморозить» организацию в новом состоянии, что противоречит реалиям XXI века, где изменения носят непрерывный характер [9].

Переход к предиктивной аналитике в управлении изменениями

Современные тенденции указывают на кардинальный сдвиг от статических моделей к использованию предиктивной аналитики для выявления скрытого сопротивления изменениям, анализа настроений и персонализации коммуникаций. Предиктивная аналитика в управлении изменениями использует исторические данные для построения моделей, способных прогнозировать будущее воздействие инициатив трансформации. Исследования показывают, что организации, применяющие аналитические подходы в управлении изменениями, на 65% чаще превышают свои финансовые цели [19].

Ключевым преимуществом data-driven подходов является возможность раннего выявления сопротивления изменениям до его проявления в рабочей среде. AI-driven анализ настроений позволяет обрабатывать большие объёмы обратной связи в режиме реального времени, выявляя паттерны, которые в противном случае могли бы остаться незамеченными [4, 15]. Через обработку данных из различных источников — электронной почты, корпоративных коммуникаций, социальных сетей — организации получают более полное понимание эмоционального ландшафта и могут принимать превентивные меры [8, 16].

Практическое применение предиктивной аналитики демонстрирует впечатляющие результаты: компании, интегрировавшие передовые аналитические инструменты, показывают 45% улучшение в принятии сотрудниками инициатив изменений [19]. Это становится возможным благодаря персонализированным вмешательствам, основанным на поведенческих профилях отдельных сотрудников или групп, что заменяет универсальные форматы на целевые, контекстно-ориентированные подходы [14]. Таким образом, предиктивная аналитика трансформирует управление изменениями из реактивной дисциплины в проактивную систему, способную предвосхищать и адаптироваться к динамическим условиям организационной среды.

Концептуальная методология прогностического моделирования на основе генеративного ИИ

Предлагаемая методология состоит из четырёх последовательных этапов, каждый из которых опирается на интеграцию разнородных данных, обучение модели, симуляцию сценариев изменений и динамическую оценку рисков. Визуализация методологии представлена на рисунке 2.

Рисунок 2. Концептуальная методология прогностического моделирования организационных изменений на основе GenAI

Этап 1: Интеграция данных

На первом этапе формируется унифицированное озеро данных (data lake), объединяющее как внутренние, так и внешние источники. К внутренним данным относятся:

• финансовые отчёты (бухгалтерские балансы, отчёты о прибылях и убытках);
• HR-метрики (текучесть персонала, уровень вовлечённости сотрудников);
• тексты внутренних коммуникаций (переписка электронной почты, стенограммы корпоративных чатов);
• карты бизнес-процессов и проектная документация.

К внешним данным относятся:

• рыночные тренды (отчёты отраслевых аналитиков, статистика продаж);
• информация о действиях конкурентов (новостные релизы, публичные отчёты);
• нормативно-правовые изменения (законодательные базы, публикации регуляторов);
• анализ настроений в СМИ и социальных сетях (обработка упоминаний бренда и тематических хэштегов).

Данные проходят этапы очистки, нормализации и анонимизации, после чего строится богатый семантический слой для объединения гетерогенных артефактов в единую графовую модель организации.

Этап 2: Обучение модели

На втором этапе формируется базовая архитектура GenAI, которая может представлять собой языковую модель (LLM) или гибридную модель на основе GPT-4 с дополнительным модулем обучения с подкреплением на основе отзывов (Reinforcement Learning from Human Feedback, RLHF). Процесс обучения включает:

1. дообучение (fine-tuning) модели на внутреннем корпусе документов и HR-данных;
2. применение техник аугментации данных (data augmentation) для синтеза дополнительных примеров «гипотетических» внутренних сообщений и отчётов;
3. использование методов оптимизации прямых предпочтений (Direct Preference Optimization, DPO) и RLHF для учёта преференций руководства и экспертов при генерации сценариев.

Результатом является адаптированная модель, способная учитывать специфику данного предприятия и выявлять скрытые паттерны во взаимодействиях внутри организации.

Этап 3: Симуляция сценариев изменений

Третий этап представляет собой гибридную студию симуляции, где пользователь задаёт гипотезы трансформации (например, «слияние с компанией X» или «внедрение новой ERP-системы»). Генеративная модель создаёт ансамбль из нескольких сценариев, описывающих:

• каскадные эффекты на производительность подразделений;
• прогнозируемый отток ключевых специалистов;
• изменения в удовлетворённости клиентов;
• динамику финансовых показателей.

Подход многопараметрической симуляции базируется на методах многоагентного моделирования, реализованных в MATLAB и показавших повышение точности прогнозов эффективности решений до 20% по сравнению с классическими статическими моделями, в частности, за счет более точного моделирования нелинейных взаимодействий между агентами системы [6]. Для формализации симуляции может применяться фреймворк DEVS Copilot, где сценарий строится модульно и итеративно уточняется в диалоге с пользователем [7].

Этап 4: Динамическая оценка рисков и корректировка стратегии

На заключительном этапе проводится анализ сгенерированных сценариев с точки зрения рисков:

• выявление неформальных лидеров, чья потеря может спровоцировать сопротивление изменениям;
• моделирование межведомственных конфликтов и узких мест коммуникации;
• оценка вероятности «галлюцинаций» модели и верификация ключевых выводов через Explainable AI-инструменты.

Результаты анализа сводятся в интерактивный дашборд, где руководство может оценить риски и скорректировать стратегию внедрения изменений в режиме near-real-time. Такая обратная связь позволяет превентивно минимизировать негативные последствия и адаптировать план трансформации по ходу процесса.

Обсуждение рисков, ограничений и этических аспектов

Несмотря на значительный потенциал предложенной методологии, ее практическое внедрение сопряжено с рядом существенных рисков, ограничений и этических вызовов, требующих детального рассмотрения. Их классификация представлена на рисунке 3.

Рисунок 3. Модель «айсберга» рисков внедрения GenAI в прогностическое моделирование

Проблема «чёрного ящика» заключается в том, что большинство архитектур GenAI имеют высокую степень сложности и непрозрачности, что затрудняет понимание механизмов выработки ими решений. Это порождает недоверие у ключевых стейкхолдеров и руководство часто отказывается полагаться на результаты моделирования без возможности объяснить, как именно к ним пришла модель. В связи с этим принципиально важно интегрировать методы Explainable AI (XAI) для интерпретации внутренних представлений модели, повышения прозрачности генерации сценариев и укрепления доверия пользователей к результатам прогнозирования.

Ключевые риски GenAI включают:

• Конфиденциальность и безопасность данных. Внедрение моделей, обученных на чувствительных внутренних данных компании (финансовых отчётах, переписке сотрудников), без надёжных механизмов защиты может привести к утечке информации и нарушению требований GDPR. Cisco оценивало, что в 2023 г. только половина компаний полностью воздерживалась от ввода конфиденциальных данных в публичные GenAI-сервисы [17].
• Генерация неточной информации («галлюцинации»). Модели способны фабриковать факты и ссылки, представляя их как достоверные данные, что создаёт риски принятия стратегических решений на основе вымысла. Согласно обзору Gartner, 60% руководителей считают галлюцинации главной преградой для внедрения GenAI в бизнес-процессы [3].
• Вопросы авторского права и интеллектуальной собственности. Генеративные модели нередко используют защищённые тексты и артефакты без учёта лицензий и атрибуции, что может привести к судебным разбирательствам и репутационным потерям. Кроме того, остаётся неясным, кому принадлежат права на новые артефакты, сгенерированные AI: компании-заказчику, разработчику модели или третьей стороне.
• Этические дилеммы. Использование GenAI для симуляции поведения сотрудников и коммуникаций может нарушать приватность работников и порождать алгоритмическую дискриминацию при интерпретации неструктурированных данных (например, тональности сообщений).

Важно подчеркнуть, что несмотря на расширенные возможности автоматизации, генеративный AI должен оставаться вспомогательным инструментом в руках человека. Результаты моделей требуют обязательной верификации экспертами, а окончательные решения — принимать лишь на основе комплексного анализа, объединяющего машинное моделирование и стратегическое мышление руководства. Контроль со стороны человека и профессиональная интуиция обеспечивают баланс между скоростью получения инсайтов и ответственностью за принятые решения, минимизируя риски бесконтрольного применения «чёрного ящика».

Заключение

В результате проведённого исследования подтверждена высокая эффективность применения GenAI для прогностического моделирования организационных изменений. Разработанная концептуальная методология продемонстрировала способность синтезировать внутренние и внешние данные, обучать адаптированные модели и генерировать многообразие «что-если» сценариев, отражающих каскадные эффекты трансформаций для ключевых показателей эффективности. Это позволяет сместить акцент стратегического управления с реактивного «план-факт» анализа к динамическому и проактивному моделированию будущего состояния организации.

Теоретическая значимость работы заключается во внесении нового концептуального базиса в теорию управления изменениями. Предложенная методология объединяет классические принципы стратегического планирования с передовыми возможностями GenAI, что обогащает академические представления о цифровых двойниках организаций и стимулирует развитие междисциплинарных исследований на стыке менеджмента, системного анализа и искусственного интеллекта. Практическая значимость выражается в предоставлении руководителям инструментов для более точного прогнозирования последствий трансформаций, оперативного выявления скрытых рисков и адаптивного управления ресурсами, что способствует повышению успешности крупных организационных инициатив.

В качестве рекомендаций компаниям следует инвестировать в создание единой инфраструктуры данных — объединяющей финансовые, HR- и коммуникационные потоки — и развивать внутренние компетенции в области работы с генеративным ИИ. Это позволит обеспечить качество исходных данных и повысить доверие к моделям за счёт прозрачных механизмов Explainable AI.

Перспективы дальнейших исследований определяются необходимостью эмпирической апробации предложенной методологии на реальных кейсах в различных отраслях, а также разработкой специализированных отраслевых моделей Generative AI для симуляции уникальных бизнес-процессов. Кроме того, важно исследовать долгосрочное влияние подобных систем на организационную культуру, процессы принятия решений и корпоративное управление, чтобы обеспечить устойчивое и этически обоснованное внедрение технологий прогностического моделирования.

Список литературы:

1. Объем M&A в мире превысит $3 трлн в 2024 году // Интерфакс [Электронный ресурс]. URL: https://www.interfax.ru/business/999694 (дата обращения: 10.07.2025).
2. Россия: проекты по цифровой трансформации реализуются в 48% компаний // CNews [Электронный ресурс]. URL: https://www.cnews.ru/news/line/2017-03-29_rossiya_proekty_po_tsifrovoj_transformatsii_realizuyutsya (дата обращения: 10.07.2025).
3. 3 Bold and Actionable Predictions for the Future of GenAI // Gartner [Электронный ресурс]. URL: https://www.gartner.com/en/articles/3-bold-and-actionable-predictions-for-the-future-of-genai (дата обращения: 10.07.2025).
4. 65% of Finance Execs Target End of 2023 to Adapt Automation // CFO [Электронный ресурс]. URL: https://www.cfo.com/news/65-of-finance-execs-target-end-of-2023-to-adapt-automation-weekly-stat/654641/ (дата обращения: 10.07.2025).
5. Achieving Breakthrough Results in Sustainability // Bain & Company [Электронный ресурс]. URL: https://www.bain.com/insights/achieving-breakthrough-results-in-sustainability/ (дата обращения: 10.07.2025).
6. Bhatt M., Jia Y., Mehr N. Efficient constrained multi-agent trajectory optimization using dynamic potential games //2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). – IEEE, 2023. – С. 7303-7310.
7. Carreira-Munich T., Paz-Marcolla V., Castro R. DEVS Copilot: Towards Generative AI-Assisted Formal Simulation Modelling based on Large Language Models //2024 Winter Simulation Conference (WSC). – IEEE, 2024. – С. 2785-2796.
8. Change Management Statistics for 2025: Key Trends and Insights // Mooncamp [Электронный ресурс]. URL: https://mooncamp.com/blog/change-management-statistics (дата обращения: 10.07.2025).
9. Continuous Change // AIHR [Электронный ресурс]. URL: https://www.aihr.com/hr-glossary/continuous-change/ (дата обращения: 10.07.2025).
10. Doshi A. R. et al. Generative artificial intelligence and evaluating strategic decisions //Strategic Management Journal. – 2025. – Т. 46. – №. 3. – С. 583-610.
11. Errida A., Lotfi B. The determinants of organizational change management success: Literature review and case study //International Journal of Engineering Business Management. – 2021. – Т. 13. – С. 18479790211016273.
12. Gartner Says More Than 80% of Enterprises Will Have Used Generative AI APIs or Deployed Generative AI-Enabled Applications by 2026 // Gartner [Электронный ресурс]. URL: https://www.gartner.com/en/newsroom/press-releases/2023-10-11-gartner-says-more-than-80-percent-of-enterprises-will-have-used-generative-ai-apis-or-deployed-generative-ai-enabled-applications-by-2026 (дата обращения: 10.07.2025).
13. Jones J. et al. Factors contributing to organizational change success or failure: a qualitative meta-analysis of 200 reflective case studies //Evidence-based initiatives for organizational change and development. – IGI Global, 2019. – С. 155-178.
14. Leveraging Predictive Analytics for Strategic Financial Planning // SaveDelete [Электронный ресурс]. URL: https://savedelete.com/finance/leveraging-predictive-analytics-for-strategic-financial-planning/476090/ (дата обращения: 10.07.2025).
15. Predictive Analytics in Finance: The Hidden Gem in Financial Planning // NOW CFO [Электронный ресурс]. URL: https://nowcfo.com/predictive-analytics-in-finance-the-hidden-gem-in-financial-planning/ (дата обращения: 10.07.2025).
16. Predictive Analytics in Finance: Transforming Data into Strategic Insight // CFO University [Электронный ресурс]. URL: https://cfo.university/library/article/predictive-analytics-in-finance-transforming-data-into-strategic-insight-bell (дата обращения: 10.07.2025).
17. The Privacy Advantage: Building Trust in a Digital World // Cisco [Электронный ресурс]. URL: https://www.cisco.com/c/dam/en_us/about/doing_business/trust-center/docs/cisco-privacy-benchmark-study-2025.pdf (дата обращения: 10.07.2025).
18. The state of AI: How organizations are rewiring to capture value // McKinsey Insights [Электронный ресурс]. URL: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai (дата обращения: 10.07.2025).
19. What are the key benefits of using data analytics in change management? // Blogs.psico Smart [Электронный ресурс]. URL: https://blogs.psico-smart.com/blog-what-are-the-key-benefits-of-using-data-analytics-in-change-management-40611 (дата обращения: 10.07.2025).

*По требованию Роскомнадзора информируем, что иностранное лицо, владеющее информационными ресурсами Google является нарушителем законодательства Российской Федерации – прим. ред.