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/es-2.206.2026.58-61

В статье объясняется концепция «Культура как код» (Culture as a Code) в качестве эволюционно необходимого этапа развития систем управления сложными организациями и существенного расширения трактовки применяемых в ИТ-отрасли понятий “as-a-Code”: «управление как код» и «архитектура как код». Обосновывается допущение, что формализация управленческой культуры открывает возможность создания эффективных цифровых двойников не только для корпораций, но и на отраслевом и национальном уровне, как это делают в Китае, чтобы преодолеть институциональную и социальную разобщенность.

Источники:

1. Подымов П.В. Цифровой двойник предприятия: карты бизнес-способностей и искусственный интеллект в управлении многоотраслевыми экосистемами/ Экономические стратегии. 2025. Т. 27. № 3(201). С. 98–101. DOI: https://doi.org/10.33917/es-3.201.2025.98-101

2. Норт Д. Институты, институциональные изменения и функционирование экономики. М.: Фонд экономической книги «Начала», 1997.

3. Попов Е.В., Семячкин А.В. Управление как код: эволюция подходов к автоматизации управления ИТ-инфраструктурой/ Бизнес-информатика. 2021.

4. Eom S.J. The emerging digital twin bureaucracy in the 21st century/ Perspectives on Public Management and Governance. 2022.

5. Kranenburg, R. van. Statecraft and Policymaking in the Age of Digital Twins. Cham: Springer Nature, 2024.

DOI: 10.33917/es-6.204.2025.50-55

Рассматривается роль цифровых факторов в повышении производительности труда как одного из ключевых элементов технологического и экономического развития. На примере Кыргызской Республики показано, что внедрение цифровых технологий и развитие цифровой инфраструктуры содействуют росту эффективности, однако без одновременной модернизации основных фондов и подготовки квалифицированных кадров эффект цифровизации остается ограниченным. В статье также выдвигается предложение о создании интегральной модели цифровых факторов производительности труда на макро-, мезо- и микроуровне, что позволит комплексно оценивать процессы цифровой трансформации и управлять ими.

Источники:

1. Телятникова Т.В., Кипервар Е.А., Трункина Л.В. Выявление факторов, влияющих на уровень производительности труда, как основа формирования устойчивого развития предприятия // Экономика труда. 2024. Т. 11. № 3. С. 361–374. DOI 10.18334/ et.11.3.120672

2. Мкртычан З.В. Классификация факторов, оказывающих влияние на производительность труда [Электронный ресурс]. Сибирская финансовая школа. 2020. № 3(139). С. 23–30.

3. Концепция цифровой трансформации Кыргызской Республики на 2024–2028 годы [Электронный ресурс]. Министерство юстиции КР. URL: https://cbd.minjust.gov.kg/30-164/edition/6414/ ru?ysclid=mgi8iwipwl116850581

4. Цифровой кодекс Кыргызской Республики от 31 июля 2025 г. № 178 [Электронный ресурс]. Министерство юстиции КР. URL: https://cbd.minjust.gov.kg/3-48/edition/35412/ru

5. Распоряжение Кабинета министров КР от 23 июля 2024 г. № 4 [Электронный ресурс]. Министерство юстиции КР. URL: https://cbd.minjust.gov.kg/57-19271/edition/14721/ ru?ysclid=mgjn8uo4yg604258729

6. Индекс развития электронного правительства (средневзвешенный): Киргизия: По данным ООН [Электронный ресурс]. Statbase. URL: https://statbase.ru/data/kgz-e-governmentdevelopment-index/

DOI: 10.33917/es-6.204.2025.42-49

Объективным критерием управления являются не рейтинги и оценки, а именно результаты. Поскольку «любое моделирование осуществляется человеком и для человека» [1], речь идет о росте качества жизни людей соответствующего публично-правового образования (далее — ППО), включая их безопасность, и о прибыли соответствующих корпораций. Для этого важна информационная модель власти, а управленцам важно перейти от мышления словами к мышлению уравнениями [1]. «Поменьше пышных фраз, побольше простого будничного дела и заботы о пуде хлеба и пуде угля» [2].

Источники:

1. Глушков В.М. Кибернетика. Вопросы труда и практики. М.: Наука, 1986. 488 с.

2. Ленин В.И. Полное собрание сочинений. Т. 39. М.: Изд-во политической литературы, 1972. С. 23.

3. Шумпетер Й. Теория экономического развития: Исследование предпринимательской прибыли, капитала, кредита, процента и цикла конъюнктуры. М.: URSS, 2024. 400 с.

4. Ланге О. Введение в экономическую кибернетику. М.: Прогресс, 1968. 207 с.

5. Vanchurin V., Wolf Yu.I., Katsnelson M.I., Kooni E.V. Toward a theory of evolution as multilevel learning [Электронный ресурс]. PNAS. February 4, 2022. DOI: https://doi.org/10.1073/pnas.2120037119

6. Бычкова Н.Ю., Киселев В.Г. Устойчивое развитие управляемой системы как результат эволюции управленческого капитала // Инновации и инвестиции. 2025. № 7. С. 180–184. DOI: 10.24412/2307-180X-2025-7-180-184

7. Глазьев С.Ю. За горизонтом конца истории. М.: Проспект, 2021. 416 с.

8. Гусаков В.Г. Доклад на Международной научно-практической конференции «Стратегия развития экономики Беларуси: вызовы, инструменты реализации и перспективы», 16 ноября 2023 г. [Электронный ресурс]. URL: https://youtu.be/tDQ5x6v1t-0

9. Бычкова Н.Ю. Сознание как экономическая категория // Инновации и инвестиции. 2022. № 12. С. 22–29. DOI: 10.24412/2307-180X-2022-12-22-29

10. Жуков Н.И. Философские основы кибернетики. Мн.: Изд-во БГУ, 1976. 224 с.

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-6.204.2025.26-33

Обсуждаются концептуальные подходы к моделированию трендов в области информационных технологий. Показано, что моделирование ИТ-трендов только на основе данных об интересе к технологии, подобной Hype Cycle от компании Gartner, не позволяет предсказывать появление новых технологий. На различных примерах из сферы ИТ демонстрируется, что необходимо анализировать связи между технологиями, поскольку успех в одних областях цифровизации экономики формирует условия для развития технологий в других областях. Кроме того, в силу высокой наукоемкости информационных технологий надо учитывать глубину фундаментальных и прикладных научных исследований. Также при моделировании трендов следует учитывать востребованность в технологиях тех или иных отраслей экономики. При моделировании на основе эмпирической информации необходимо находить простые и объяснимые зависимости, а высокое качество предсказаний должно достигаться за счет синтеза всех связей исследуемой технологии. Предложенный концептуальный подход может быть применим и к моделированию других социально-экономических процессов на основе синтеза эмпирической информации.

Источники:

1. Almalawi A., Soh B., Li A., Samra H. Predictive Models for Educational Purposes // A Systematic Review. Big Data Cogn. Comput. 2024. No. 8. P. 187. DOI: https://doi.org/10.3390/bdcc8120187

2. Hassan M., Awan F.M., Naz A., Andrés-Galiana, de E.J., Alvarez O., Cernea A.; Fernández-Brillet L., Fernández-Martínez J.L., Kloczkowski A. Innovations in Genomics and Big Data Analytics for Personalized Medicine and Health Care // A Review. Int. J. Mol. Sci. 2022. No. 23, 4645. DOI: https://doi.org/10.3390/ijms23094645

3. Ribeiro F.L., Rybski D. Mathematical models to explain the origin of urban scaling laws // Physics Reports. 2023. Vol. 1012. 23 April. P. 1–39.

4. Mokhov V., Aliukov S., Alabugin A., Osintsev K. A Review of Mathematical Models of Macroeconomics, Microeconomics, and Government Regulation of the Economy // Mathematics. 2023. No. 11, 3246. DOI: https://doi.org/10.3390/math11143246

DOI: 10.33917/es-6.204.2025.16-25

В статье представлен реквием по кибернетике — классической науке управления, которая выполнила свою историческую миссию и теперь уступает место новым подходам, рождающимся на пересечении философии познания, теории сложности, когнитивных и социальных наук. Представлен историко-философский обзор кибернетики — от Платона, Ампера и Винера до наших дней. Доказано, что классическая кибернетическая парадигма — механистическая модель управления с контурами обратной связи и представлением о мире как о совокупности «конечных автоматов» — оказалась недостаточной в эпоху динамично изменяющихся, слабо детерминированных, самоорганизующихся живых систем. Дан анализ причин методологического кризиса кибернетики на рубеже XX–XXI вв. и приведены аргументы в пользу того, что ее ресурс исчерпан — дальнейший прогресс требует перехода к новым концептуальным идеям. В качестве перспективной замены предлагается новый инженерный подход к познанию мира (К3-Инжиниринг) и оригинальная концепция генезиса цифры — цифрогенез.

Источники:

1. Wiener N. Cybernetics: or Control and Communication in the Animal and the Machine. 1948.

2. Beer S. Brain of the Firm. L.: Allen Lane, 1972. 320 p.

3. Соболев С.Л., Китов А.И., Ляпунов А.А. Основные черты кибернетики // Вопросы философии. 1955. № 4. С. 136–148.

4. Thiel P., Douthat R. Peter Thiel and the Antichrist // The New York Times. June 26, 2025.

5. Karp A., Zamiska N. The technological republic: hard power, soft belief, and the future of the West. Crown Publishing Group, 2025.

6. Буданов В.Г. Методология синергетики в постнеклассической науке и в образовании. Изд. 4-е доп. М.: Ленанд, 2017. 272 с.

7. Буданов В.Г., Кутин В.Н., Хохлова М.Н. Когнитивный коллективный конвергентный инжиниринг. Часть I // Экономические стратегии. 2023. № 5. С. 100–109. DOI: https://doi.org/10.33917/es-5.191.2023.100-109

8. Буданов В.Г., Кутин В.Н., Хохлова М.Н. Когнитивный коллективный конвергентный инжиниринг. Часть II // Экономические стратегии. 2023. № 6. С. 52–61. DOI: https://doi.org/10.33917/es-6.192.2023.52-61

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/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.