DOI: 10.33917/es-2.206.2026.62-67

Исследуются проблемы применения системного подхода в современном менеджменте. Несмотря на его признанную ценность, массовое внедрение сдерживается ключевой преградой — сложностью формирования системного мышления у руководителей. Авторы констатируют, что лишь незначительная часть разработанных стратегий реализуется на практике, что напрямую связано с дефицитом данного типа мыслительной деятельности. В качестве решения предлагается задействовать инструменты искусственного интеллекта, которые не подменяют, но существенно усиливают когнитивные способности человека. Работа содержит конкретное видение создания экосистемы AI-агентов, состоящей из пяти взаимосвязанных модулей. Формулируется вывод о том, что искусственный интеллект выступает тем самым «рычагом», который позволяет преодолеть элитарность системной методологии и раскрыть ее потенциал в повседневной управленческой практике.

Источники:

1. Питерсен В. Стратегия как обучение: Новый взгляд на процесс создания ценности и борьбы за конкурентное преимущество / Пер. с англ. М.: Интеллектуальная Литература, 2020.

2. Сенге П. Пятая дисциплина: Искусство и практика самообучающейся организации / Пер. с англ. Б.С. Пинскер. М.: Олимп-Бизнес, 2003 (Новости). 406 с.

3. Агеев А.И., Логинов Е.Л., Шкута А.А. Применение нейротехнологий в глобальных социальных коммуникациях, международном бизнесе, науке и госуправлении. Мировые тенденции и опыт Китая: Учеб. пособие. М.: ИНЭС, 2021.

4. Мамардашвили М.К. Процессы анализа и синтеза в книге «Как я понимаю философию». М., 1992.

5. Гвишиани Д.М. Организация и управление. М.: Изд-во МГТУ, 1998.

6. Агеев А.И. Россия в пространстве и времени: стратегии и циклы. СПб.: СПбГУП, 2005. 32 с.

DOI: 10.33917/mic-2.127.2026.44-52

Статья посвящена обоснованию важности концепции динамической экономической безопасности предприятия в условиях цифровой трансформации и высокой турбулентности внешней среды. Проанализированы ограничения традиционных статических моделей защиты «периметра», теряющих эффективность из-за информационной перегрузки и нелинейности экономических процессов. Обоснована гипотеза, что уровень защищенности современного бизнеса определяется качеством и скоростью управленческих решений. Предложена архитектура динамической безопасности, основанная на симбиозе искусственного интеллекта (для операционного реагирования в режиме 24/7) и коллективного разума (для стратегического осмысления). Аргументирована необходимость перехода от экстраполяционного прогнозирования к сценарному моделированию и управлению многокритериальным выбором. Сформулированы принципы резильентности бизнеса как способности сохранять траекторию развития через управляемые изменения и когнитивную конвергенцию разнородных данных.

Источники:

22. Rittel H.W.J., Webber M.M. Dilemmas in a General Theory of Planning. Policy Sciences. 1973. Vol. 4, № 2. pp. 155-169.

23. Keeney R.L., Raiffa H., Rajala D.W. Decisions with Multiple Objectives: Preferences and Value Trade-Offs. IEEE Transactions on Systems, Man, and Cybernetics. 1977. p. 403 URL: https://www.researchgate.net/publication/3116639_Decisions_with_Multiple_Objectives_Preferences_and_Value_Trade-Offs

24. Талеб Н.Н. Черный лебедь. Под знаком непредсказуемости. М.: КоЛибри, Азбука-Аттикус. 2012. 736 с.

25. Robinson J.B. Futures Under Glass: A Recipe for People Who Hate to Predict. Futures. 1990. Vol. 22, iss. 9. pp. 820-842. DOI: 10.1016/0016-3287(90)90018-D

26. Гордеев В.В., Абрамов В.И. Прогнозирование бизнес-процессов как инструмент принятия решений в рамках проактивного подхода к управлению. Экономика и управление. 2025. Т. 31. № 7. С. 893-902. DOI 10.18334/evp.6.4.123876

DOI: 10.33917/mic-1.126.2026.42-52

Статья посвящена обоснованию важности концепции динамической экономической безопасности предприятия в условиях цифровой трансформации и высокой турбулентности внешней среды. Проанализированы ограничения традиционных статических моделей защиты «периметра», теряющих эффективность из-за информационной перегрузки и нелинейности экономических процессов. Обоснована гипотеза, что уровень защищенности современного бизнеса определяется качеством и скоростью управленческих решений. Предложена архитектура динамической безопасности, основанная на симбиозе искусственного интеллекта (для операционного реагирования в режиме 24/7) и коллективного разума (для стратегического осмысления). Аргументирована необходимость перехода от экстраполяционного прогнозирования к сценарному моделированию и управлению многокритериальным выбором. Сформулированы принципы резильентности бизнеса как способности сохранять траекторию развития через управляемые изменения и когнитивную конвергенцию разнородных данных.

Источники:

1. Глазьев С.Ю. Состояние и перспективы формирования 6-го технологического уклада в российской экономике. Экономика науки. 2024. Т. 10. № 2. С. 11-29. DOI 10.22394/2410-132X-2024-10-2-11-29

2. Шваб К. Четвертая промышленная революция. М.: Эксмо, 2021. 208 с.

3. Cascio J. Facing the Age of Chaos. Medium. 2020. URL: https://medium.com/@cascio/facing-the-age-of-chaos-b00687b1f51d

4. Gantz J., Reinsel D. The Digital Universe in 2020: Big Data, Bigger Digital Shadows, and Biggest Growth in the Far East. IDC Analyze the Future. 2012. pp. 1-16. URL: https://www.cs.princeton.edu/courses/archive/spring13/cos598C/idc-the-digital-universe-in-2020.pdf

5. Simon H.A. Designing Organizations for an Information-Rich World. Computers, Communications, and the Public Interest (ed. by M. Greenberger) Baltimore: The Johns Hopkins Press, 1971. рp.37-72.

6. Абрамов В.И., Арефьев Д.В. Экосистемное развитие предприятий: возможности, риски и особенности оценки их цифровой зрелости. Новое в экономической кибернетике. 2025. № 1. С. 70-84. DOI 10.5281/zenodo.15165454

DOI: 10.33917/es-6.204.2025.34-41

Статья фокусируется на трех ключевых проблемах, играющих особую роль в исследовании и регулировании развития цифровой технологии «большие данные»: (1) содержание и особенности больших данных как цифровой технологии и как больших массивов информации, которые предопределяют методологические подходы к исследованию траекторий их развития и их правовую базу; (2) глобальные тренды и проблемы перехода на рельсы экономики, основанной на данных; (3) анализ и оценка российских тенденций в глобальном ландшафте.

Источники:

1. Big Data. Definition [Электронный ресурс]. Gartner. URL https://www.gartner.com/en/information-technology/glossary/big-data

2. Гапоненко Н.В. Цифровые технологии за границами хайпа: глобальный ландшафт // Экономические стратегии. 2022. №6. С. 104–110. DOI: https://doi.org/10.33917/es-6.186.2022.104-110

3. Going Digital: Shaping Policies, Improving Lives. Paris: OECD Publishing, 2019.

4. Навин Кумар. Статистика больших данных за 2025 год (данные о росте и рынке) [Электронный ресурс]. DemandSage. 2025. 24 июня. URL https://www.demandsage.com/big-data-statistics/

5. Data and AI Leadership Executive Survey. Wavestone, 2024.

6. Data, BI and Analytics Trend. BARC, 2025.

7. Большие данные: выгодное приложение или дорогостоящий эксперимент? K2 Cloud и Arenadata, 2025.

8. Готовность российского бизнеса к экономике данных: Мониторинг цифровой трансформации бизнеса. Вып. 2. М.: НИУ ВШЭ, 2023.

DOI: 10.33917/es-6.204.2025.6-15

Несмотря на разнообразие научных дисциплин, занимающихся проблемами управления, практика очень часто показывает примеры малоэффективного управления. В статье выделены и кратко рассмотрены 17 основных препятствий для успешного управления –– начиная от проблем сложности и заканчивая последствиями 1990-х годов. Эти барьеры условно разделены на три направления, относящиеся к системным, инструментальным и социальным аспектам управления. В конце статьи приводится граф зависимости барьеров для управления и экспертная оценка возможностей устранения этих барьеров.

Источники:

1. Эшби У.Р. Введение в кибернетику / Пер. с англ. 4-е изд. М.: URSS, 2009. 432 с.

2. Ансофф И. Новая корпоративная стратегия / Пер. с англ. СПб.: Питер Ком, 1999. 414 с.

3. Экономическая стратегия фирмы / Под ред. А.П. Градова. 2-е изд. СПб.: Спец.Лит, 2000. 588 с.

4. Князева Е.Н., Курдюмов С.П. Основания синергетики. М.: УРСС, 2005. 240 с.

5. Solomatin A.N. Entropic Approach to Sustainable Development Issues // Thirteenth International Conference “Management of Large-Scale System Development” (MLSD). Moscow (September 2020). IEEE Conference Publications, IEEE Xplore Digital Library [Электронный ресурс]. P. 1–5. URL: https://doi.org/10.1109/MLSD49919.2020.9247737

6. Винер Н. Кибернетика и общество / Пер. с англ. М.: АСТ, 2019. 285 с.

7. Соломатин А.Н. Построение допустимых крупномасштабных систем как условие их управляемости и самоорганизации // Управление развитием крупномасштабных систем (MLSD’2010): Труды Четвертой международной конференции. Т. 1. М.: ИПУ РАН, 2010. С. 18–26.

8. Прангишвили И.В. Системный подход и общесистемные закономерности. М.: СИНТЕГ, 2000. 528 с.

9. Румянцев В.Ю., Шохов А.С. Конвейер платформизации экономики России [Электронный ресурс]. С. 1–12. URL: https://spkurdyumov.ru/uploads/2025/04/konvejer-platformizacii-ekonomiki-rossii.pdf

10. Олескин А.В. Децентрализованная сетевая организация научного сообщества: перспективы и проблемы. М.: URSS: ЛЕНАНД, 2021. 142 с.

DOI: 10.33917/mic-6.125.2025.5-11

Статья посвящена использованию цифровых технологий для оперирования в информационной сфере активностью субъекта информационных отношений с опорой на элементы искусственного интеллекта. Разработана информационная технология адаптации индивидуально-ориентированных информационных сообщений, формируемых сервисами искусственного интеллекта (смысловых блоков), с учетом выявленной в ходе наблюдения характеристик личности и формирования адаптированных сообщений, интерпретирующих события для задания вектора индивидуализированной логики выбора цепочки поступков субъекта информационных отношений в условиях сложной эпидемиологической обстановки. Предлагается обеспечение возможностей цифровой поддержки информационных сервисов для конфигурируемой модели целевой разработки и точечного доведения до потребителя адаптированных пакетов информационных сообщений — процесса с расширением НЛП-компоненты, отношения к информационной картине реальности, постоянно воспроизводимого поступка в рамках информационной деятельности.

Источники:

1. Агеев А.И., Грабчак Е.П., Логинов Е.Л. Использование суперкомпьютерных технологий для управления работой сверхбольших организационных систем при реализации сложных специальных проектов (операций). Микроэкономика. 2024. № 1. С. 5—10.

2. Агеев А.И., Григорьев В.В., Логинов Е.Л. Квантовые симуляторы как инструмент наблюдаемости цифровой суперсистемы с существенной компонентой непредсказуемого поведения ее элементов. Микроэкономика. 2024. № 5. С. 5—13.

3. Агеев А.И., Логинов Е.Л., Зиядинов А.С., Зиядинов Д.С. Ключевые тренды развития искусственного интеллекта в мировой экономике. Микроэкономика. 2025. № 4. С. 5—18.

DOI: 10.33917/es-4.202.2025.78-85

В статье проанализировано социально-экономическое положение работников горнодобывающей промышленности (с 2019 по 2025 г.), выявлены тенденции перехода с традиционных на инновационные инструменты в трудовой деятельности персонала. В том числе обнаружено, что внедрение технологий искусственного интеллекта способствует минимизации человеческого фактора и обеспечивает максимальную отдачу производства. Также в данной статье рассмотрена трансформация качественных и количественных характеристик представителей горнодобывающей промышленности, ее социальные последствия, в частности, влияние работы в горнорудной отрасли на психофизическое здоровье.

Исследована разработка нелинейного алгоритма с использованием методов искусственного интеллекта, включающих в себя нейронную сеть и когнитивные модули как фактор перехода с традиционных на инновационные инструменты в трудовой деятельности персонала горнодобывающей промышленности и имеющих непосредственную значимость для человека.

Источники:

1. Зиновьева О.М., Меркулова А.М., Смирнова Н.А., Щербакова Е.А. К вопросу управления психосоциальными рисками в горном деле // Горный информационно-аналитический бюллетень. 2022. № 1. С. 20–33.

2. Тимофеева С.С., Бобоев А.А., Дроздова И.В. Идентификация опасностей при добыче рудного золота в России и Узбекистане // Journal of Advances in Engineering Technology. Vol. 1(1). Sept. 2020. С. 1–7.

3. Чеботарев А.Г., Лескина Л.М., Головкова Н.П. Условия труда и профессиональный риск нарушения здоровья рабочих рудных карьеров // Горная промышленность. 2020. № 5. С. 115–119.

4. Березовская А.В., Фомин А.И. Факторы опасности здоровью шахтеров и меры противодействия этим рискам // Международный научно-исследовательский журнал. 2023. № 5(131). С. 1–8.

DOI: 10.33917/es-4.202.2025.70-77

Раскрывается сущность искусственного интеллекта как математической модели, используемой для автоматизации когнитивной деятельности человека. Определяются практические задачи, решаемые с помощью данной технологии, такие как автоматизация рутинных бизнес-процессов, персонализация маркетинговых предложений, выявление мошенничества, поддержка принятия управленческих решений и др. Изучены отрасли, в которых искусственный интеллект находит активное применение, включая здравоохранение, финансовую сферу, розничную торговлю, производство, энергетику и телекоммуникации. Особое внимание уделяется конкретным примерам использования искусственного интеллекта в проведении аукционов, в частности, в сфере недвижимости, энергетики, онлайн-рекламы и распределения вычислительных ресурсов. Раскрыты аукционные модели, их суть и сферы применения, такие как онлайн-аукционы, программатик-реклама, спотовые рынки электроэнергии, финансовые рынки и государственные закупки.

Анализируются перспективы внедрения инструментов на основе искусственного интеллекта в аукционы в контексте дальнейшей цифровизации российской экономики и потенциальные выгоды от их применения, такие как повышение прибыли, оптимизация использования ресурсов, снижение расходов на человеческий труд и прочих операционных затрат.

Источники:

1. Smith C. Introduction // The History of Artificial Intelligence [Электронный ресурс]. URL: https://courses.cs.washington.edu/courses/csep590/06au/projects/history-ai.pdf

2. Тимофеева А.Ю., Королева Е.Н. Искусственный интеллект в управлении экономикой // Наука XXI века: актуальные направления развития. 2021. № 1-2. С. 184–188.

3. Реутов Р.В. Влияние инноваций цифровой экономики на механизм нейтрализации дефектов банковского рынка // Экономико-правовые проблемы обеспечения экономической безопасности. 2021. С. 99–102.

DOI: 10.33917/mic-4.123.2025.5-18

Рассматриваются ключевые факторы определяющие развитие искусственного интеллекта в мировой экономике, в т.ч. вероятность доминирования искусственного интеллекта над человечеством в будущем, ключевые аспекты развития искусственного интеллекта с акцентом на нейросети, возможные перспективы развития искусственного интеллекта до 2070 г., перспективы возможных экзистенциальных рисков искусственного интеллекта, а также рисков возникновения киберконфликта. Для исследования проблемы использовался диалог с искусственным интеллектом – с нейросетью ChatGPT от компании OpenAi. Сделан вывод, что будущее развития искусственного интеллекта в мировой экономике остается неопределенным и зависит от множества факторов, включая технологические достижения и социальные изменения. Нерешенной проблемой является налаживание гармоничного регулирующего механизма отношений между человеком и искусственным интеллектом с учетом его интенсивного развития и внедрения в различные управляющие системы мировой экономики. Важными задачами для человечества становиться создание этических норм использования искусственного интеллекта и разработка эффективных стратегий управления этими технологиями, чтобы минимизировать риски и максимизировать выгоды от их внедрения.

Источники: 

1. Агеев А.И., Григорьев В.В., Логинов Е.Л. Квантовые симуляторы как инструмент наблюдаемости цифровой суперсистемы с существенной компонентой непредсказуемого поведения ее элементов. Микроэкономика. 2024. № 5. С. 5-13.

2. Агеев А.И., Иванова О.Д., Лощинин А.А. Технология информационного пространства данных и совершенствование государственного управления. Экономические стратегии. 2023. Т. 25. № 6 (192). С. 62-67.

DOI: 10.33917/es-3.201.2025.98-101

Рассматривается концепция цифрового двойника предприятия (Enterprise Digital Twin, EDT) как организационно- управленческого механизма на основе бизнес-способностей. Бизнес-способность — это целостная система для выполнения определенного вида деятельности, поведение которой стратегически предопределено уникально и однозначно в масштабах экосистемы, а реализация вариативна, включая процессы, организацию и все виды ресурсов. Предложена методология формирования карты бизнес-способностей с использованием федеративного подхода к интеграции данных и технологий искусственного интеллекта (AI), что обеспечивает высокую адаптивность и прозрачность экосистем. На основе теоретического анализа и апробации в реальных компаниях показана практическая значимость EDT для вертикальной и горизонтальной интеграции корпораций и, соответственно, управления многоотраслевыми экосистемами.

Источники: 

1. Grieves M. Digital Twin: Manufacturing Excellence through Virtual Factory Replication. 2014.

2. Tao F., Zhang H., Liu A., Nee A.Y.C. Digital Twin in Industry: State-of-the-Art. 2019.

3. Ulrich D., Smallwood N. Capitalizing on Capabilities // Harvard Business Review. 2004.

4. Ross J.W., Weill P., Robertson D. Enterprise Architecture as Strategy: Creating a Foundation for Business Execution. 2006.

5. Kairouz P., McMahan H.B., Avent B., Bellet A., Bennis M., Bhagoji A.N., et al. Advances and Open Problems in Federated Learning, 2021.