Содержание
В России создают ИИ-госплан — платформу стратегического планирования на базе искусственного интеллекта для моделирования экономики в реальном времени.
Предиктивная (прогнозная) аналитика уже широко задействована в госсекторе: помогает планировать ресурсы, выбирать оптимальные сценарии, снижать количество ошибок в работе руководителей. В материале — о том, как цифровое моделирование применяется в бизнесе и что учесть при внедрении систем поддержки принятия управленческих решений.
Почему классическое планирование теряет эффективность
Горизонт стратегического планирования в российском бизнесе снизился до 1—2 лет, цели приходится пересматривать поквартально. Из-за высокой волатильности, сдвигов в потребительском и B2B-спросе, усложнения внешнеэкономических условий бизнес-среда меняется быстрее, чем компании успевают адаптировать планы.
«Компании стали чаще отказываться от долгосрочных стратегий в пользу более гибких краткосрочных», — говорит президент компании Naumen Игорь Кириченко. Он ссылается на данные проведённого Naumen исследования, согласно которому число организаций с формализованной стратегией цифровой трансформации за период с 2021 по 2023 год сократилось в 1,5 раза. А доля компаний, реализующих трансформацию без стратегии, выросла с 19 до 25%.
Классические инструменты с линейными сценариями больше не обеспечивают нужной скорости реакции. Компании переходят к цифровым системам поддержки принятия решений с использованием искусственного интеллекта (artificial intelligence, ИИ). Технологии позволяют заменить фиксированные планы на адаптивные управленческие сценарии, которые обновляются в реальном времени.
Алексей Ерёмин,
основатель и генеральный директор Rocketmind
Раньше бизнес делал ставку на многолетнюю стратегию, периодически внося корректировки. Сейчас главное — скорость интерпретации рыночных сигналов. Моделирование на базе ИИ помогает выявлять связи между данными — от поведения клиентов до изменений в регулировании. Это меняет саму логику стратегирования: компании переходят к коротким циклам «гипотеза — тест — адаптация», а решения принимаются на основе постоянно обновляемых данных. Стратегия становится непрерывным процессом, где сценарии пересобираются при каждом новом сигнале.
Наиболее ожидаемые эффекты внедрения ИИ по мнению бизнеса
Источник: Workday (глобальный отчёт о показателях искусственного интеллекта)
Практики управления будущим: ключевые подходы
Современные системы стратегического планирования всё чаще интегрируют возможности искусственного интеллекта, аналитики больших данных и интернета вещей (англ. Internet of Things, IoT) для построения адаптивных моделей управления. Их ключевое преимущество — способность учитывать нестабильность внешней среды и быстро перестраивать сценарии. Сложные взаимосвязи, которые ранее ускользали от аналитиков, становятся просчитываемыми и операционализируются внутри цифровых контуров управления.
Цифровые двойники (digital twins)
Один из наиболее зрелых и широко применяемых классов решений. Цифровые двойники — это виртуальные модели объектов, процессов или систем, которые формируются на основе реальных данных и позволяют проводить вычислительные эксперименты без вмешательства в физическую среду. Технология даёт возможность делать различные сценарные расчёты — от запуска нового продукта с оценкой его влияния на рынок до моделирования поведения космического аппарата в различных условиях эксплуатации.
В основе технологии цифровых двойников — три элемента:
В 2023 году мировой рынок цифровых двойников достиг 10,1 млрд долларов. Ожидается, что к 2028 году он вырастет почти в 11 раз — до 110,1 млрд долларов. Технология уже используется на 75% зарубежных предприятий и около 20% российских, преимущественно в промышленности (сообщает «Коммерсант»).
В финансовой сфере цифровые двойники используются для моделирования и анализа ИТ-инфраструктуры и кредитного конвейера, прогнозирования рисков (пишут «Ведомости»). Аналитические модули с искусственным интеллектом применяются для предсказания изменений и выработки долговременных стратегий.
20%
российских предприятий используют технологию цифровых двойников
Так, информационные двойники работают с потоками реальных данных в онлайн-режиме: отслеживают транзакции, поведение клиентов. Прогностические двойники анализируют макроэкономические показатели, оценивают ситуации на рынках, прогнозируют доходность. С их помощью также проводят стресс-тестирование финансовых моделей.
В режиме реального времени алгоритмы способны отслеживать множество факторов риска и оценить устойчивость бизнес-модели к различным рыночным и экономическим сценариям. При управлении инвестиционным портфелем ИИ способен быстрее спрогнозировать доходность инструментов.
Рынок управления рисками на основе ИИ в финансовом секторе оценивался в 2,5 млрд долларов в 2024 году, по прогнозам, он вырастет до 8,7 млрд долларов к 2033 году.
Агентное моделирование (agent-based modeling, ABM)
В отличие от цифровых двойников, ориентированных на воспроизведение объекта, агентные модели создают имитационную среду, в которой взаимодействуют «агенты» — самостоятельные сущности с заданными правилами поведения. Это могут быть люди (покупатели, поставщики, участники команд), проекты, логистические звенья и даже целые организации.
Каждый агент принимает решения на основе текущих условий и собственного «набора правил», а вся система ведёт себя как живая — с обратными связями, конкуренцией, адаптацией и непредсказуемыми результатами. Это особенно важно при анализе нестабильных, конфликтных и чувствительных к рискам процессов.
С помощью имитационного моделирования можно анализировать и прогнозировать:
С развитием больших языковых моделей (large language models, LLM) имитационное моделирование стало ещё более приближенным к реальности. Агенты умеют интерпретировать вводные в текстовой форме, корректировать стратегию, анализировать действия других агентов и принимать решения в условиях неопределённости.
Применение технологии ABM выходит за рамки экономики. Такие системы используют для моделирования социальных конфликтов, работы общественного транспорта, урбанистических изменений и даже климатических сценариев. В корпоративной среде они становятся инструментом soft power (с англ. «мягкая сила»): позволяют заранее увидеть эффект организационных трансформаций, реструктуризации или изменения системы мотивации.
Центры управления цепями поставок (Control Tower)
Это программная платформа, объединяющая данные о цепочках поставок в единый цифровой контур. Такие системы дают сквозную видимость на всех уровнях логистики и производства, в режиме реального времени отслеживают отклонения и инциденты, а также моделируют сценарии реагирования. В отличие от классических систем управления цепочками поставок, Control Tower фокусируется не только на фактах, но и на прогнозировании и автоматизации решений.
Технология особенно эффективна при высокой сложности цепей, мультиканальности, необходимости балансировать между издержками, сроками и качеством обслуживания. С помощью встроенных алгоритмов ИИ такие платформы могут не только сигнализировать о сбоях, но и рекомендовать оптимальные маршруты, точки складирования или изменения в графиках.
Основные элементы Control Tower:
Control Tower внедряются в логистике, ретейле, госсекторе. В России такие решения применяют, например, оператор почтовой связи и крупный поставщик логистических решений. Технология позволяет перейти от реактивной логистики к управлению по отклонениям и цифровым SLA (от англ. service level agreement — «соглашение об уровне обслуживания»).
Decision Intelligence и интегрированное планирование (IBP)
Системы класса Decision Intelligence (DI, от англ. — «интеллект принятия решений») соединяют аналитику, искусственный интеллект и методы стратегического управления в единую архитектуру принятия решений. Их отличие — ориентация на моделирование причинно-следственных связей и объяснимость решений, а не просто выдачу прогноза. В рамках DI формируется цикл: гипотеза →моделирование →оценка →действие →обратная связь.
На практике такие системы реализуются как платформы IBP (от англ. integrated business planning — «интегрированное бизнес-планирование»), которые объединяют данные о продажах, производстве, логистике, финансах и персонале. Сценарии могут быть как классическими (лучший/оптимальный/худший), так и многомерными — с учётом различных метрик и ограничений.
Decision Intelligence применяется при следующем:
В России IBP используют компании из сфер FMCG (от англ. fast-moving consumer goods — «товары повседневного спроса»), агропрома, фармацевтики, а также крупные добывающие холдинги. Такие системы помогают ускорить пересмотр планов, синхронизировать работу подразделений и сократить циклы принятия решений.
Андрей Кукушко,
эксперт компании Rocketmind по разработке цифровых стратегий, бизнес-дизайну и применению ИИ в бизнесе
Decision Intelligence особенно эффективен при переходе от иерархических моделей к платформенной логике управления. Искусственный интеллект уже используется для координации сложных процессов, перераспределения ресурсов и усиления операционной гибкости. При этом растут требования к ИТ-инфраструктуре: архитектура управления должна быть data-driven, а решения — моделироваться на основе цифр. Ключевым становится понимание причинно-следственных связей: что влияет на отток клиентов, динамику продаж, удержание персонала. DI-платформы позволяют моделировать не 2—3 сценария, а десятки, с учётом множества KPI и ограничений. Такие системы делают процесс принятия решений объяснимым, управляемым и адаптивным.
BI-платформы с ИИ и внешними данными
BI-системы (от англ. business intelligence — «бизнес-аналитика») нового поколения перестают быть просто инструментом визуализации. Благодаря интеграции алгоритмов машинного обучения и возможностям подключения внешних источников они становятся полноценным звеном в контуре принятия решений.
В современных BI-платформах:
Инструмент актуален в условиях нестабильной экономики, когда требуется быстрая переоценка ситуаций и адаптация действий. В России BI-платформы с ИИ-функциями развивают в рамках проектов импортозамещения. Продукты отечественных разработчиков уже применяются в торговых и производственных компаниях для оперативного контроля ключевых метрик и визуального анализа рисков.
Как это работает на практике: кейсы российского бизнеса
Применение технологий моделирования на базе искусственного интеллекта приносит бизнесу прямую финансовую отдачу.
Игорь Кириченко,
президент Naumen:
Для перехода от управления отдельными проектами к стратегическому управлению необходима цифровая система, которая связывает долгосрочные цели с конкретными задачами. Такие решения формируют единое поле для планирования, позволяют визуализировать цели, декомпозировать их по направлениям и соотносить каждый проект с приоритетами бизнеса. В перспективе такие инструменты поддерживают адаптивное моделирование: стратегия обновляется автоматически при изменении условий, а решения принимаются на основе данных и причинно-следственных связей.
Какие возможности ИИ наиболее полезны в управлении проектами
Источник: Академия бизнеса Б1
Что нужно для перехода к сценарному моделированию
Чтобы стратегия стала динамичной и управляемой в реальном времени, компаниям необходимо переосмыслить подход к данным, ИТ-инфраструктуре и роли стратегических функций. В основе — отказ от единичных ИИ-экспериментов в пользу платформенного подхода, где сценарное моделирование встроено в бизнес-контур.
Первый шаг — выстраивание data-driven-инфраструктуры (с англ. — «управляемый данными»), в которой управленческие решения принимаются не на базе интуиции или статичной отчётности, а на основе реальных, непрерывно обновляемых данных. По словам Игоря Кириченко, до 70% усилий в ИИ-проектах сегодня уходит не на обучение моделей, а на сбор, очистку и согласование данных из разрозненных систем. Поэтому компании всё чаще формируют единый цифровой контур, в котором данные стандартизированы, доступны и готовы к использованию в моделях.
70%
усилий в ИИ-проектах уходит на сбор данных из разрозненных систем и их обработку
«Переход к сценарию невозможен без качественных входных данных. Фундаментом становятся цифровые платформы, которые структурируют данные, синхронизируются с внутренними системами и обеспечивают модель предсказания в реальном времени. Это сокращает цикл подготовки информации для анализа и делает планирование непрерывным», — поясняет Игорь Кириченко.
Трансформируется и роль стратегов в компании, они становятся архитекторами адаптивных управленческих систем. Их задача — не только задавать цели, но также строить гипотезы, тестировать их с помощью ИИ и обеспечивать интерпретацию выводов для первых лиц.
«Стратег превращается в архитектора сценариев. Его инструменты — симуляции, бизнес-правила, прогнозы в единой аналитической среде. Его продукт не план, а система обратной связи. Управленец теперь работает с рекомендациями ИИ: понимает ограничения моделей, задаёт рамки, а решения принимает человек», — говорит Алексей Ерёмин.
Андрей Кукушко добавляет, что каждый сценарий должен сопровождаться экономическим обоснованием и оценкой рисков. Оценить не только эффект, но и «живую» работу ИИ внутри бизнес-процесса позволят такие показатели, как ROI (от англ. return on investment — «показатель возврата инвестиций»), снижение издержек, рост производительности и уровень автоматизации.
Чек-лист: база для перехода компании на цифровое планирование
Главное по тексту
Горизонт стратегического планирования в российских компаниях снизился до 1—2 лет, при этом пересматривать цели и планы приходится ежеквартально. В ответ на этот вызов компании переходят на адаптивные модели управления, используя технологии цифрового моделирования и искусственного интеллекта. Такие системы позволяют в режиме реального времени анализировать данные, просчитывать десятки сценариев и принимать решения на основе прогнозов, а не интуиции.