Анализ управленческих подходов и разработка методики интеграции моделей машинного обучения в управление бизнес-процессами

Ускоренная цифровая трансформация и рост использования технологий искусственного интеллекта в российском бизнесе в условиях конкуренции обострили проблему отсутствия целостных управленческих подходов к интеграции моделей машинного обучения в управление бизнес-процессами. Целью настоящего исследования является анализ современного состояния такой интеграции в условиях конкуренции, выявление ключевых барьеров и предложение методики синхронизации жизненных циклов BPM и ML. В соответствии с поставленной целью решаются задачи синхронизации этапов жизненного цикла бизнес-процессов предприятия с этапами жизненного цикла модели машинного обучения, определяются бизнес-проблемы и осуществляется анализ ситуации, формируется модель машинного обучения, проводится выравнивание целей и области применения ML между бизнес-стратегией и задачами BPM, сравниваются подходы к интеграции ML в BPM за рубежом и в России. В исследовании проработана авторская модель синхронизации жизненных циклов BPM и ML, введены метрики оценки эффективности интеграции (точность прогнозов, прирост производительности, скорость внедрения и др.), проведен системный сравнительный анализ зарубежных и российских подходов (представлен в виде таблицы), а также предложен структурированный пошаговый план (roadmap) внедрения ИИ в бизнес-процессы с указанием этапов, участников, сроков и ресурсов.

методика управления, цифровая трансформация, бизнес-процесс, машинное обучение, интеграция ИИ, жизненный цикл BPM, жизненный цикл моделей ML, барьеры внедрения ИИ

1. Адаменко П. А., Цибульникова В. Ю., Нужина И. П. Применение машинного обучения и искусственного интеллекта при управлении предпринимательскими рисками в малом бизнесе // Журнал прикладных исследований. 2023. № 10. С. 66–72. DOI: 10.47576/2949-1878_2023_10_66.

2. Алексеева Т. В., Гумеров Э. А., Култыгин О. П. и др. Разработка архитектуры интеллектуальной системы управления граничными вычислениями для IoT систем промышленного предприятия // Информационные системы и технологии. 2023. № 6 (140). С. 29–40. EDN: HBWVET.

3. Зубанова А. Е., Култыгин О. П., Люблинская Н. Н. и др. Применение нейронных сетей для анализа текстовой информации о состоянии рынка // Информационные системы и технологии. 2023. № 1 (125). С. 53–64. EDN: BXKWLE.

4. Кириллова Е. А., Лазарев А. И., Култыгин О. П. Нейросетевая модель для поддержки принятия решений по управлению кооперативными связями в инновационных экосистемах // Прикладная информатика. 2022. Т. 17. № 2. С. 79–92. DOI: 10.37791/2687-0649-2022-17-2-79-92.

5. Кондратенко Н. А., Филимонова Е. В., Машегов П. Н. и др. Построение математической модели системы поддержки принятия решений в области ценообразования для электронной коммерции // Прикладная информатика. 2022. Т. 17. № 6. С. 5–17. DOI: 10.37791/2687-0649-2022-17-6-5-17.

6. Култыгин О. П. Оценка экономической эффективности проектов по созданию информационных систем // Прикладная информатика. 2021. Т. 16. № 5. С. 117–125. DOI: 10.37791/2687-0649-2021-16-5-117-125.

7. Култыгин О. П., Люблинская Н. Н., Токмакова Е. Н., Трубин А. Е. Проблемы и перспективы развития рынка криптовалют // Вестник Российского экономического университета имени Г. В. Плеханова. 2024. Т. 21. № 4. С. 135–147. DOI: 10.21686/2413-2829-2024-4-135-147.

8. Мелихова Л. А., Рюмшин А. В., Думм Д. В. Возможности оптимизации бизнес-процессов в организациях IT-сферы и маркетинга на основе использования искусственной нейросети // Экономика, предпринимательство и право. 2025. Т. 15. № 4. С. 2431–2442. DOI: 10.18334/epp.15.4.122941.

9. Научно-практические аспекты цифровой трансформации экономики: монография / А. Ю. Анисимов, А. Е. Трубин, А. Н. Алексахин [и др.]; под общ. ред. А. Н. Алексахина, А. Ю. Анисимова, А. Е. Трубина. М.: Русайнс, 2023. 214 с. EDN: GDJVCQ.

10. Пантелеева Т. А. Интеграция инструментов искусственного интеллекта в систему стратегического менеджмента агробизнеса // Продовольственная политика и безопасность. 2021. Т. 8. № 2. С. 145–166. DOI: 10.18334/ppib.8.2.111548.

11. Сахаров А. Г., Трубин А. Е., Култыгин О. П., Анисимов А. Ю. Методические аспекты управления запасами в логистике в современных условиях // Вестник Северо-Кавказского федерального университета. 2025. № 3 (108). С. 148–161. DOI: 10.37493/2307-907X.2025.3.14.

12. Скворцова Н. А., Захаров А. В., Булатов И. И. Цифровая трансформация бизнес-процессов на основе технологий искусственного интеллекта (российский и международный опыт) // Экономика, предпринимательство и право. 2025. Т. 15. № 1. С. 131–152. DOI: 10.18334/epp.15.1.122526.

13. Трансфер технологий в инновационной экономике: учебник для вузов / А. Ю. Анисимов, О. А. Пятаева, А. Т. Волков [и др.]. М.: Издательство Юрайт, 2024. 251 с. EDN: FJGAXY.

14. Трубин А. Е., Ожередов В. А., Морозов А. А. и др. Построение и анализ модели машинного обучения для краткосрочного прогнозирования рынка биткоина на основе рекуррентных нейронных сетей // Прикладная информатика. 2022. Т. 17. № 3. С. 45–54. DOI: 10.37791/2687-0649-2022-17-3-45-54.

15. Фроликов А. В., Трубин А. Е., Алексахин А. Н., Нечаев А. М. Перспективы и риски применения технологии искусственного интеллекта в корпоративном управлении // Вестник Российского экономического университета имени Г. В. Плеханова. 2025. Т. 22. № 1 (139). С. 198–208. DOI: 10.21686/2413-2829-2025-1-198-208.

16. Функциональное программирование на императивных и функциональных языках: учебник / А. Н. Алексахин, Е. И. Алехин, А. В. Андреев [и др.]. М.: КноРус, 2025. 240 с. EDN: XGVOBZ.

17. Шаврин А. В. Применение методов искусственного интеллекта в управлении рисками предприятий малого бизнеса // Молодой ученый. 2025. № 48 (599). С. 117–120. EDN: AXNIXE.

18. Шакеров Т. Р., Трубин А. Е., Култыгин О. П. Оптимизация логистических процессов в условиях глобализации рыночной экономики // Вестник Академии знаний. 2024. № 2 (61). С. 768–774. EDN: AOSQSE.

19. Fountaine, T., McCarthy, B., & Saleh, T. (2019). Building the AI-Powered Organization. Harvard Business Review, 97(4), 62–73. Available at: https://hbr.org/2019/07/building-the-ai-powered-organization (accessed 14.07.2026).

20. Khan, A., Le, H., Do, K. et al. (2021). DeepProcess: Supporting Business Process Execution Using a MANN-Based Recommender System (pp. 19–33). In: Hacid, H., Kao, O., Mecella, M. et al. (eds.) Service-Oriented Computing (ICSOC 2021). Lecture Notes in Computer Science, vol. 13121. Springer Publ. https://doi.org/10.1007/978-3-030-91431-8_2

21. Van der Aalst, W. (2016). Process Mining: Data Science in Action. 2nd edition. Springer Publ. https://doi.org/10.1007/978-3-662-49851-4

22. Weinzierl, S., Zilker, S., Dunzer, S., & Matzner, M. (2024). Machine Learning in Business Process Management: A Systematic Literature Review. Expert Systems with Applications, 253, 124181. https://doi.org/10.1016/j.eswa.2024.124181

23. Xu, F., Uszkoreit, H., Du, Y. et al. (2019). Explainable AI: A Brief Survey on History, Research Areas, Approaches and Challenges (pp. 563–574). In: Tang, J., Kan, M.-Y., Zhao, D. et al. (eds.) Natural Language Processing and Chinese Computing (NLPCC 2019). Lecture Notes in Computer Science, vol. 11839. Springer Publ. https://doi.org/10.1007/978-3-030-32236-6_51