ESG-стратегия управления устойчивой цифровой трансформацией бизнеса в экономике искусственного интеллекта

Бесплатный доступ

Введение: предметной областью исследования является управление цифровой трансформацией бизнеса. В центре внимания авторов - решение научно-практической проблемы адаптации российского бизнеса к современному контексту экономики искусственного интеллекта - новой модели организации хозяйственной системы России, особенностью которой является массовое распространение технологий искусственного интеллекта (ИИ).

Управление бизнесом, esg-управление, стратегическое управление, устойчивое развитие, бизнес России

Короткий адрес: https://sciup.org/147246785

IDR: 147246785   |   DOI: 10.17072/2218-9173-2024-2-217-239

Текст научной статьи ESG-стратегия управления устойчивой цифровой трансформацией бизнеса в экономике искусственного интеллекта

Современную модель организации хозяйственной системы России целесообразно называть экономикой искусственного интеллекта (ИИ). Научная аргументация предпочтительности данного термина базируется, во-первых, на том, что он четко обозначает стратегический вектор развития отечественной хозяйственной системы (в период до 2030 года), связанный с массовым распространением технологий искусственного интеллекта и официально закрепленный Указом Президента Российской Федерации от 10 октября 2019 года № 4901. Во-вторых, предложенный термин достоверно отражает текущий технологический уклад российской экономики: по официальной статистике, технологии ИИ в 2020 году применяли в своей деятельности 5,4 % российских бизнес-структур, а к 2021 году их доля достигла 5,7 %, что демонстрирует стремительный годовой прирост в 5,55 п. п.2 При сохранении достигнутого темпа роста активности использования искусственного интеллекта доля применяющих его российских организаций к 2030 году составит 10 %, а к 2050-му – 30 %. Однако благодаря более четкому очерчиванию контуров государственной поддержки следует ожидать, что массовое внедрение технологий ИИ значительно ускорится уже в ближайшие годы и к 2030 году данные технологии будут практиковаться повсеместно.

Смена модели организации хозяйственной системы России диктует необходимость адаптации к ней отечественного бизнеса. В соответствии с действующим нормативно-правовым обеспечением сущность данной адаптации состоит в корректировке стратегии управления цифровой трансформацией бизнеса. Проблема заключается в том, что существующая стратегия, сформировавшаяся в принципиально иных рыночных условиях, не в полной мере учитывает специфику нового контекста российской хозяйственной системы, сформировавшегося в 2022–2023 годах (Нигай, 2023; Якимова и Панкова, 2023). Опирающаяся на положения программы «Цифровая экономика Российской Федерации»3, стратегия управления цифровой трансформацией бизнеса ориентирована на укрепление цифровой конкурентоспособности бизнеса (Зенкина, 2023). И если в 2017–2021 годах технологическая модернизация обеспечивала укрепление позиций российского бизнеса в мире, то начиная с 2022 года высокая цифровая конкурентоспособность больше не может гарантировать присутствие отечественного бизнеса на мировых рынках.

В сложившемся новом контексте необходимо четко разграничивать реализацию экспортного потенциала как стратегический приоритет российского бизнеса и цифровую конкурентоспособность как инструмент достижения этого приоритета. При этом степень достижения обозначенного приоритета следует оценивать с позиций устойчивого развития не только потому, что период до 2030 года является «десятилетием действий» по реализации целей устойчивого развития (ЦУР)4, но также потому, что устойчивость к международным экономическим санкциям является ключевым измерением рыночного успеха российского бизнеса в изменившейся ситуации.

Таким образом, актуальна переориентация стратегии управления цифровой трансформацией российского бизнеса на его устойчивое развитие. Это емко воплощает в себе концепция ESG-управления (Шимановский и Третьякова, 2020), объединяющего все виды устойчивости: устойчивость как реализацию ЦУР при сбалансированности экологического (E: environmental management), социального (S: social management) и экономического (G: governance of economy and business) управления; санкционную устойчивость; устойчивость позиций на мировых рынках. Это определило постановку цели данной статьи – разработать ESG-стратегию управления устойчивой цифровой трансформацией бизнеса в экономике искусственного интеллекта.

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИССЛЕДОВАНИЯ

Существующая стратегия управления цифровой трансформацией бизнеса

При существующей стратегии управления цифровой трансформацией бизнеса укрепление его цифровой конкурентоспособности происходит в России по инициативе и на уровне государства. В связи с этим в качестве субъекта

  • II.    ИНФОРМАЦИОННЫЕ И ЦИФРОВЫЕ ТЕХНОЛОГИИ В ПУБЛИЧНОМ УПРАВЛЕНИИ И ЭКОНОМИКЕ управления цифровой трансформацией в экономике искусственного интеллекта выступают регуляторы: государственное управление через нормативноправовое обеспечение, налоговое стимулирование цифровой модернизации бизнеса, финансирование НИОКР вузов для повышения доступности цифровых технологий для бизнеса и др. (Гумеров, 2023; Mishra et al., 2023).

Основным механизмом управления цифровой трансформацией бизнеса в экономике искусственного интеллекта является механизм управления интеллектуальными ресурсами: управление человеческими ресурсами – HRM, управление инновациями (Адаменко и др., 2023; Герингер и Рихтгофен, 2022; Liu et al., 2023); ключевыми инструментами – HR-управление талантами, в частности цифровыми кадрами (Козинец, 2023; Пузанова, 2023; Chaniago, 2023), а также коммерциализация «умных» инноваций на базе высокотехнологичных стартапов, размещения инвестиций и реализации бизнес-инициатив по внедрению искусственного интеллекта изолированно от вузов (Болотин и Осипов, 2022; Головков и Калинина, 2023; Yaqub and Alsabban, 2023; Heubeck, 2023).

Критический анализ описанной стратегии выявил ее недостаток, связанный с тем, что она не обеспечивает устойчивого развития бизнеса. Вместо этого при сложившейся стратегии внедрение передовых технологий искусственного интеллекта дестабилизирует бизнес, снижая его устойчивость (так как приводит к преобладанию экономического управления над экологическим и социальным управлением: автоматизация на базе ИИ влечет за собой сокращение штата и рост энергоемкости бизнес-процессов), сохраняя уязвимость к санкциям (из-за зависимости российского бизнеса от импортных поставок цифровых технологий и оборудования) и не укрепляя его позиции на мировых рынках (так как вызывает переток инвестиций из реализации ЦУР в развитие искусственного интеллекта).

Экономика искусственного интеллекта как новая модель организации хозяйственной системы России

Теоретические основы введения в научный оборот такой категории, как экономика искусственного интеллекта, заложены в ряде публикаций (Красильников, 2023; Hang and Chen, 2022). Под экономикой искусственного интеллекта мы понимаем прогрессивную модель организации хозяйственной системы, при которой ключевой технологией, насквозь пронизывающей хозяйственные процессы, является искусственный интеллект. В качестве драйверов развития экономики искусственного интеллекта выступают реализация инфраструктурных проектов в сфере телекоммуникаций, а также создание и внедрение «умных» инноваций (Дейч и др., 2022).

Экономика искусственного интеллекта представляет собой новую модель организации хозяйственной системы России, так как в отечественной хозяйственной практике повсеместно применяются «умные» поисковые системы и голосовые помощники, чат-боты и роботы-консультанты, «умные» средства персональной идентификации, «умные» средства аналитики потребительских предпочтений, а также средства интеллектуальной поддержки принятия решений на базе технологий ИИ.

Концепция ESG-управления и ее приложение в контексте экономики искусственного интеллекта

Научные основы концепции ESG-управления изложены в нашей предыдущей статье (Морозова и др., 2023). В соответствии с приведенной литературой под ESG-управлением понимается сбалансированное экологическое, социальное и экономическое управление бизнесом, обеспечивающее системную реализацию ЦУР в деловой практике. Применение концепции ESG-управления создает преимущества в виде укрепления глобальной конкурентоспособности бизнеса (благодаря сочетанию цифровой модернизации и поддержки ЦУР), а также повышения его санкционной устойчивости (благодаря укреплению технологического суверенитета).

С позиций ESG-управления в контексте экономики искусственного интеллекта приоритетом управления выступает достижение устойчивой цифровой трансформации бизнеса, под которой понимается поддержание стабильности бизнеса через извлечение им преимуществ и избегание недостатков цифровой трансформации для всех заинтересованных сторон. Критериями такой устойчивости являются сохранение прочных рыночных позиций бизнеса (объем продаж, доля рынка), стабильность его финансового положения (прибыльность, рентабельность, окупаемость инвестиций в цифровую трансформацию) и международного присутствия (вовлеченность в международную торговлю, экспорт высокотехнологичной продукции), а также последствия деятельности бизнеса для устойчивого развития социально-экономической системы (экономический рост, состояние окружающей среды, благополучие общества – через призму ЦУР). Перечисленные критерии емко воплощены в индексе устойчивости торговли, специально созданном для измерения устойчивости цифровой трансформации бизнеса в странах мира.

По итогам проведенного обзора литературы можно сделать вывод о том, что понятийный аппарат исследования устоялся и его предметная область достаточно глубоко проработана. Тем не менее из имеющихся источников неясно, как именно бизнесу необходимо использовать возможности экономики искусственного интеллекта, чтобы осуществлять ESG-управление. Неопределенность причинно-следственных связей ESG-управления в экономике искусственного интеллекта является пробелом в литературе, который и стремится заполнить данная статья.

МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ

В качестве показателя результативности ESG-управления бизнесом в этой статье выступает индекс устойчивости торговли (Sustainable Trade Index, STI), рассчитываемый Всемирным центром конкурентоспособности IMD и Фондом Хинриха (The IMD World Competitiveness Center, the Hinrich Foundation)5. В качестве показателей, характеризующих развитие различных областей эко- номики искусственного интеллекта, выступают составляющие глобального ИИ-индекса (The Global AI Index), рассчитываемого Tortois6:

– HR-yправление талантами, в частности цифровыми кадрами (talent, ИИ1);

– управление инфраструктурными проектами экономики искусственного интеллекта (infrastructure, ИИ2);

– нормативно-правовое обеспечение экономики искусственного интеллекта (operating environment, ИИ3);

– управление созданием «умных» инноваций (research, ИИ4);

– размещение инвестиций и реализация бизнес-инициатив по внедрению искусственного интеллекта (development, ИИ5);

– финансирование научно-исследовательских и опытно-конструкторских работ (НИОКР) вузов в области технологий искусственного интеллекта и налоговое стимулирование внедрения этих технологий (government strategy, ИИ6);

– внедрение (коммерциализация) инноваций на базе высокотехнологичных стартапов (commercial, ИИ7).

Временной период исследования – 2022 год. В выборку включены 19 стран, по которым доступна вся необходимая статистика. Статистическая база исследования приведена в таблице 1.

Таблица 1 / Table 1

Индекс устойчивости торговли (STI) и составляющие глобального ИИ-индекса (ИИ1–7) в странах выборки в 2022 г., баллы 1–100 / Sustainable Trade Index (STI) and components of the Global AI Index (AI1–7) in sample countries in 2022, points 1–100

Страна

STI

ИИ1

ИИ2

ИИ3

ИИ 4

ИИ5

ИИ

ИИ7

Австралия

78,23

34,2

54,3

53,8

34,4

11,7

83,3

7,0

Великобритания

94,38

53,8

61,8

79,5

38,1

19,8

89,2

20,0

Вьетнам

40,54

21,5

56,2

64,5

3,2

0,7

65,1

1,9

Индия

11,67

86,2

34,7

91,1

12,0

7,6

56,0

8,9

Индонезия

41,21

28,1

40,9

80,0

3,9

0,3

55,0

2,5

Камбоджа

45,04

17,1

52,2

69,4

2,0

0,6

87,7

1,4

Канада

76,48

46,0

62,1

93,1

34,0

18,9

93,4

18,9

Китай

49,42

30,0

92,1

99,7

54,7

80,6

93,5

43,1

Малайзия

47,97

19,4

65,3

72,2

6,8

0,7

48,1

2,4

Мексика

45,22

20,2

43,8

78,2

4,2

0,4

53,5

1,1

Новая Зеландия

100,00

23,0

58,3

74,8

14,4

4,0

25,3

4,9

Пакистан

2,36

22,9

9,0

55,7

3,9

0,2

13,4

1,3

Россия

25,61

25,1

64,1

80,7

7,9

6,7

91,3

1,7

Сингапур

82,70

56,9

82,8

85,7

48,8

24,4

81,8

26,2

США

71,57

100,0

100,0

82,8

100,0

100,0

90,3

100,0

6 The Global AI Index [Online] // Tortois official website. 2023. URL: https://www.tortoisemedia. com/intelligence/global-ai/ (Accessed Oct. 8, 2023).

Страна

STI

ИИ1

ИИ2

ИИ3

ИИ 4

ИИ5

ИИ

ИИ7

Чили

62,87

15,0

67,5

71,6

3,8

0,6

76,3

5,2

Шри-Ланка

36,55

11,8

34,9

56,0

0,2

0,0

4,9

1,5

Южная Корея

75,35

35,1

74,4

91,4

24,3

60,9

91,9

8,3

Япония

83,09

38,0

80,8

92,4

18,6

22,2

80,3

6,7

Источники: составлено авторами на основе данных7.

Так как индексу устойчивости торговли в России некорректно присвоено значение «0», для достоверного учета российского опыта в таблице 1 использовано среднее арифметическое имеющихся составляющих данного показателя, а именно экономической составляющей (по ней России присвоено 21,78 балла) и социальной составляющей (29,43 балла). С учетом имеющихся ненулевых значений достоверное значение индекса устойчивости торговли определено следующим образом: (21,78+29,43) / 2 = 25,61 балла.

С помощью метода регрессионного анализа осуществлено эконометрическое моделирование зависимости индекса устойчивости торговли от составляющих глобального ИИ-индекса, выступающих в качестве контрольных переменных. Надежность результатов регрессионного анализа оценена с помощью корреляционного анализа, F-теста Фишера и t-теста Стьюдента. Отобраны контрольные переменные, связь которых с результирующей переменной (STI) положительна и статистически значима.

С опорой на установленную регрессионную зависимость с помощью метода наименьших квадратов определена перспектива максимизации значения индекса устойчивости торговли через Парето-оптимальный рост отобранных составляющих глобального ИИ-индекса.

Суть концепции Парето-оптимальности состоит в том, чтобы привести хозяйственную систему в такое состояние, при котором перераспределение ресурсов в ней приведет к ухудшению каких-либо ее целевых результатов (Che et al., 2024; Zhu et al., 2022). Применение концепции Парето-оптимальности в данном исследовании предполагает приведение экономики искусственного интеллекта в такое состояние, при котором ее развитие будет поддерживать устойчивую цифровую трансформацию бизнеса. То есть Парето-оптимизация в этой статье предполагает научный поиск таких составляющих глобального ИИ-индекса, улучшение (увеличение значений) которых не будет снижать индекс устойчивости торговли.

С опорой на эконометрическую модель и найденный Парето-оптимум проведен системный анализ сильных и слабых сторон, возможностей и угроз (по аналогии с методом SWOT-анализа, но ограниченный факторами глобального ИИ-индекса) устойчивости цифровой трансформации бизнеса России в условиях экономики искусственного интеллекта. В итоге разработана ESG-стратегия управления цифровой трансформацией бизнеса в экономике искусственного интеллекта, позволяющая достичь найденного Парето-оптимума.

  • 7    Sustainable Trade Index …; The Global AI Index …

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Для установления причинно-следственных связей ESG-управления в экономике искусственного интеллекта проведен регрессионный анализ статистических данных. Полученные результаты приведены в таблице 2.

По результатам регрессионного анализа (табл. 2) в модели с семью факторными переменными (STI = F(ИИ1 – ИИ7)) множественная корреляция (R2) составила 0,8205. Следовательно, изменение индекса устойчивости торговли на 82,05 % определяется влиянием составляющих глобального ИИ-индекса (это указывает на тесную связь переменных). Число наблюдений: n = 19. В связи с тем, что значимость F = 0,0402, уровень значимости α = 0,05. На заданном α при k1 = 7 и k2 = 19 – 7 – 1 = 11 табличное F = 3,0123, наблюдаемое F = 3,2371. Следовательно, F-тест Фишера пройден (3,2371 > 3,0123).

Положительные значения приняли коэффициенты регрессии только при трех факторных переменных: ИИ2 (1,0242), ИИ3 (0,0165), ИИ4 (1,8507). Стандартные ошибки при них малы и составляют 0,4716; 0,5870 и 0,7087 соответственно. При этом только для двух из них (ИИ2, ИИ4) пройден t-тест Стьюдента. При 18 степенях свободы на заданном α табличное t = 2,1009. Наблюдаемая t-статистика при факторной переменной ИИ2 составила 2,1716, при ИИ4 – 2,6115.

Незначимые контрольные переменные исключены из регрессионной модели, и составлена двухфакторная модель: STI = F(ИИ2, ИИ4). И хотя в ней множественная корреляция (R2) оказалась довольно высока и составила 0,6198 и пройден F-тест Фишера, t-тест Стьюдента пройден лишь для ИИ2. То есть при детальном рассмотрении контрольная переменная ИИ4 оказалась тоже статистически незначима.

В связи с этим эконометрическая модель в данной статье приняла окончательный вид однофакторной линейной регрессии (STI = F(ИИ2)). Коэффициент корреляции (R2) в ней принял значение 0,6192. Следовательно, изменение индекса устойчивости торговли на 61,92 % определяется управлением инфраструктурными проектами экономики искусственного интеллекта (это указывает на тесную связь переменных).

Значимость F = 0,0047, в связи с этим уровень значимости наивысший: α = 0,01. На заданном α при k1 = 1 и k2 = 19 – 1 – 1=17 табличное F = 8,3997, наблюдаемое F = 10,5724. Следовательно, F-тест Фишера пройден (10,5724 > 8,3997). Стандартная ошибка при факторной переменной мала и составляет 0,2388. Пройден t-тест Стьюдента. При 18 степенях свободы на заданном α табличное t = 2,8784. Наблюдаемая t-статистика при факторной переменной ИИ2 составила 3,2515.

Проведенные тесты подтвердили высокое качество, надежность и достоверность результатов регрессионного анализа на уровне значимости 0,01 и позволили установить ключевую составляющую глобального ИИ-индекса, обеспечивающую рост индекса устойчивости торговли (факторная переменная, связь которой с результирующей переменной положительна и статистически значима): управление инфраструктурными проектами экономики искусственного интеллекта (ИИ2). Это позволяет на основе результатов, отраженных в таблице 2, составить эконометрическую модель зависимости индекса устойчивости торговли от этой составляющей глобального ИИ-индекса:

Таблица 2 / Table 2

Результаты регрессионного анализа / Regression analysis results

Показатели регрессионного анализа

Значения показателей в модели

STI = F(ИИ1–ИИ7)

STI = F(ИИ2, ИИ4)

STI = F(ИИ2)

cd

оду

В4 $ н о ° ct

Множественная корреляция (R2)

0,8205

0,6198

0,6192

Число наблюдений (n)

19

19

19

>s

g m н t«

°     &

Л я Л s

g й S0

s

n

Значимость F

0,0402

0,0207

0,0047

Уровень значимости (α)

0,05

0,05

0,01

Табличное F

3,0123 (при k1 = 7; k2= 19 – 7 – 1 = 11)

3,6337 (при k1 = 2; k2 = 19 – 2 – 1 = 16)

8,3997 (при k1 = 1; k2= 19 – 1 – 1 = 17)

Наблюдаемое F

3,2371

4,9901

10,5724

Результат F-теста

Пройден (3,2371 > 3,0123)

Пройден (4,9901 > 3,6337)

Пройден (10,5724 > 8,3997)

M s о

Suoa &■ Й S a, c Й 5

Постоянная

4,3888 (32,9959)

11,0591

(17,6626)

9,9345 (15,1371)

Коэффициент регрессии при:

ИИ1

–0,0917 (0,4069)

ИИ2

1,0242 (0,4716)

0,7428 (0,3497)

0,7765 (0,2388)

ИИ3

0,0165 (0,5870)

ИИ

1,8507 (0,7087)

0,0407 (0,2999)

ИИ5

–0,4717 (0,4217)

ИИ

–0,2710 (0,2651)

ИИ7

–1,4786 (0,7055)

н g

я О Он ЕС О

и о

ч—> та ^

д Е К

Число степеней свободы

18

18

18

Табличное t

2,1009

2,1009

2,8784

Наблю

даемая t-статис

тика при:

ИИ1

–0,2253

ИИ2

2,1716 Пройден (2,1716 > 2,1009)

2,1242 Пройден (2,1242 > 2,1009)

3,2515 Пройден (3,2515 > 2,8784)

ИИ3

0,0281

ИИ

4

2,6115 Пройден (2,6115 > 2,1009)

0,1356 Не пройден (0,1356 < 2,1009)

ИИ5

–1,1185

ИИ

–1,0224

ИИ7

–2,0958

Источник: рассчитано и составлено авторами.

STI = 9,9345 + 0,7765ИИ2

Модель (1) сигнализирует о том, что при совершенствовании управления инфраструктурными проектами экономики искусственного интеллекта (ИИ2) на 1 балл индекс устойчивости торговли возрастает на 0,7765 балла. С опорой на модель (1) и с помощью метода наименьших квадратов определена перспектива максимизации значения индекса устойчивости торговли через Парето-оптимальный рост ключевой составляющей глобального ИИ-индекса (рис. 1).

интеллекта

| Значение в 2022 г., баллы 1 -100 Рекомендуемое значение, баллы 1 -100

2 Рекомендуемый прирост значения по сравнению с 2022 г., %

Рис. 1. Парето-оптимум ESG-управления в российской экономике искусственного интеллекта / Fig. 1. Pareto-optimum ESG management in the Russian economy of artificial intelligence

Источник: рассчитано и построено авторами.

В отраженном на рисунке 1 Парето-оптимуме перспектива максимизации значения индекса устойчивости торговли (увеличение на 46,13 %, то есть почти в 1,5 раза: с 25,61 балла в 2022 году до 37,42 балла) связана с ростом масштаба инфраструктурных проектов экономики искусственного интеллекта на 56,01 % (с 64,10 балла в 2022 году до 100 баллов).

Стоит отметить, что значения обоих статистических показателей на рисунке 1 являются относительными, поскольку присваиваются странам в сравнении с другими странами. Поэтому для достижения составленного Парето-оптимума в России рекомендуется ориентироваться не на значения именно этих статистических показателей из международной статистики, а на фактическое развитие инфраструктурного обеспечения экономики искусственного интеллекта: стимулирование притока инвестиций в инфраструктурные проекты, совершенствование управления данными проектами и т. п. Конкретизированные на рисунке 1 значения статистических показателей являются рамочными и призваны продемонстрировать значительный потен- циал повышения устойчивости цифровой трансформации бизнеса в России через совершенствование управления инфраструктурными проектами экономики искусственного интеллекта. Предложенный Парето-оптимум учитывает выявленное в таблице 1 негативное влияние ряда составляющих глобального ИИ-индекса на индекс устойчивости торговли.

В качестве барьеров на пути достижения устойчивой цифровой трансформации бизнеса, относящихся к экономике искусственного интеллекта, выступают активности в следующих направлениях ее развития: 1) HR-управление талантами, в частности цифровыми кадрами (ИИ1); 2) размещение инвестиций и реализация бизнес-инициатив по внедрению искусственного интеллекта (ИИ5); 3) финансирование НИОКР вузов в области технологий искусственного интеллекта и налоговое стимулирование внедрения этих технологий (ИИ6); 4) внедрение (коммерциализация) инноваций на базе высокотехнологичных стартапов (ИИ7).

Для достижения и удержания экономики искусственного интеллекта в России в Парето-оптимальном состоянии рекомендуется избегать ее развития в указанных четырех направлениях, так как это будет снижать устойчивость цифровой трансформации отечественного бизнеса. С опорой на эконометрическую модель (1) и найденный Парето-оптимум (рис. 1) проведен системный анализ сильных и слабых сторон, возможностей и угроз (по аналогии с методом SWOT-анализа, но ограниченный факторами глобального ИИ-индекса) устойчивости цифровой трансформации бизнеса России в условиях экономики искусственного интеллекта. Его результаты приведены в таблице 3.

Таблица 3 / Table 3

Системный анализ устойчивости цифровой трансформации бизнеса России в условиях экономики искусственного интеллекта / System analysis of the Russian business digital transformation sustainability in the conditions of the artificial intelligence economy

Элемент анализа

Результат анализа

Сильные стороны цифровой трансформации бизнеса России с позиций устойчивости

Значительный масштаб и высокая эффективность управления инфраструктурными проектами экономики искусственного интеллекта (64,10 балла, что на 7,29 % больше, чем в среднем по выборке (59,75 балла))

Слабые стороны цифровой трансформации бизнеса России с позиций устойчивости

Ограниченный вклад большинства составляющих экономики искусственного интеллекта в устойчивое развитие бизнеса

Возможности цифровой трансформации бизнеса России с позиций устойчивости

Дальнейшее наращение масштаба и повышение эффективности управления инфраструктурными проектами экономики искусственного интеллекта (на 56,01 %, до 100 баллов)

Элемент анализа

Результат анализа

Угрозы цифровой трансформации бизнеса России с позиций устойчивости

Концентрация усилий на статистически незначимых составляющих глобального ИИ-индекса, таких как: – HR-управление талантами, в частности цифровыми кадрами (25,10 балла – умеренное значение, и оно на 30,31 % меньше, чем в среднем по выборке (36,02 балла));

– нормативно-правовое обеспечение экономики искусственного интеллекта (80,70 балла – высокое значение, и оно на 4,12 % больше, чем в среднем по выборке (77,51 балла));

– создание «умных» инноваций (7,90 балла – низкое значение, и оно на 63,85 % меньше, чем в среднем по выборке (21,85 балла));

– размещение инвестиций и реализация бизнес-инициатив по внедрению искусственного интеллекта (6,70 балла – низкое значение, и оно на 64,67 % меньше, чем в среднем по выборке (18,96 балла));

– финансирование НИОКР вузов в области технологий искусственного интеллекта и налоговое стимулирование внедрения этих технологий (91,30 балла – высокое значение, и оно на 35,49 % больше, чем в среднем по выборке (67,38 баллов)); – внедрение (коммерциализация) инноваций на базе высокотехнологичных стартапов (1,70 балла – очень низкое значение, и оно на 87,72 % меньше, чем в среднем по выборке (13,84 балла))

Источник: авторская разработка.

Как показано в таблице 3, сильной стороной цифровой трансформации бизнеса России с позиций устойчивости являются значительный масштаб и высокая эффективность управления инфраструктурными проектами экономики искусственного интеллекта (64,10 балла, что на 7,29 % больше, чем в среднем по выборке (59,75 балла)), а слабой стороной – ограниченный вклад большинства составляющих экономики искусственного интеллекта в устойчивое развитие бизнеса.

Возможности цифровой трансформации бизнеса России с позиций устойчивости связаны с дальнейшим наращением масштаба и повышением эффективности управления инфраструктурными проектами экономики искусственного интеллекта (на 56,01 %, до 100 баллов). Угрозу цифровой трансформации бизнеса России с позиций устойчивости представляет концентрация усилий на статистически незначимых составляющих глобального ИИ-индекса. Для обеспечения достижения найденного Парето-оптимума в практике современной России разработана ESG-стратегия управления цифровой трансформацией бизнеса в экономике искусственного интеллекта (рис. 2).

Управление цифровой трансформацией бизнеса

Высокоэффективное корпоративное управление

Экономика искусственного интеллекта

Парето-оптимум:

сбалансированное развитие экономики.

ESG-управление

Корпоративная экологическая ответственность и благополучие окружающей соеды

Корпоративная социальная ответственность и общественное

общества, природы и технологий

благополучие

ч Этап /

X1 / Подготовка институциональной, \среды/

Подготовка деловой /среды /

Внедрение

  • >    Субъекты управления: государственные регуляторы;

  • >    Объекты управления: механизмы интеграции в экономике ИИ;

  • >    Управленческие практики: создание благоприятных условий для развития интеграционных процессов в экономике искусственного интеллекта.

  • >    Субъекты управления: государственно-частные партнерства;

  • >    Объект управления: инфраструктура экономики ИИ;

  • >    Управленческие практики: совместная реализация инфраструктурных проектов в экономике ИИ.

  • >    Субъекты управления: коллаборации бизнеса с вузами;

  • >    Объекты управления: использование передовой инфраструктуры;

  • >    Управленческие практики: ESG-управление внедрением ИИ на базе передовой инфраструктуры.

Итоговый результат: устойчивая цифровая трансформация бизнеса в экономике искусственного интеллекта при системности устойчивости как реализации ЦУР, санкционной устойчивости и устойчивости позиций на мировых рынках.

Рис. 2. ESG-стратегия управления цифровой трансформацией бизнеса в экономике искусственного интеллекта / Fig. 2. ESG strategy for managing digital business transformation in the artificial intelligence economy

Источник: авторская разработка.

Особенностью разработанной стратегии (рис. 2) является то, что в ней благодаря ESG-управлению цифровой трансформацией бизнеса достигается Парето-оптимум: сбалансированное развитие природы (E: корпоративная экологическая ответственность и благополучие окружающей среды), общества (S: корпоративная социальная ответственность и общественное благополучие), экономики (G: высокоэффективное корпоративное управление) и технологий (экономики искусственного интеллекта). Это принципиально отличает новую стратегию от существующей, в которой управление цифровой трансформацией бизнеса предполагает внедрение передовых технологий искусственного интеллекта преимущественно в интересах корпоративного управления (G) (укрепление рыночных позиций бизнеса, улучшение его финансового положения и международного присутствия), но в ущерб обществу (S) и окружающей среде (E). Из-за этого в существующей стратегии достигаются не все критерии устойчивости цифровой трансформации бизнеса, и ЦУР реализуются неравномерно. Выявленный недостаток преодолевается в новой стратегии, обеспечивающей полное достижение всех указанных критериев и равномерную реализацию ЦУР.

Первым этапом представленной на рисунке 2 ESG-стратегии управления цифровой трансформацией бизнеса в экономике искусственного интеллекта является подготовка институциональной среды. На этом этапе субъектами управления выступают государственные регуляторы, а объектами управления – механизмы интеграции в экономике искусственного интеллекта. Реализуются такие управленческие практики, как создание благоприятных условий для развития интеграционных процессов в экономике искусственного интеллекта. Второй этап связан с подготовкой деловой среды. Субъектами управления выступают государственно-частные партнерства, а объектом управления – инфраструктура экономики искусственного интеллекта. Реализуются такие управленческие практики, как совместная реализация инфраструктурных проектов в экономике искусственного интеллекта. Третий этап заключается во вне-дренииискусственногоинтеллекта.Вкачествесубъектовуправлениявыступают коллаборации бизнеса с вузами, а объектом управления является использование передовой инфраструктуры. Реализуются такие управленческие практики, как ESG-управление внедрением искусственного интеллекта на базе передовой инфраструктуры. Итоговым результатом реализации разработанной стратегии должна стать системная устойчивость в единстве реализации ЦУР, санкционной устойчивости и устойчивости позиций на мировых рынках. Таким образом, преимущество предложенной стратегии состоит в обеспечении ею устойчивой цифровой трансформации бизнеса в экономике искусственного интеллекта.

ОБСУЖДЕНИЕ

Авторские выводы и рекомендации дополняют литературу по управлению цифровой трансформацией бизнеса, раскрывая причинно-следственные связи ESG-управления с учетом особого современного контекста экономики искусственного интеллекта. Приращение научных знаний обеспечено в статье благодаря разработке ESG-стратегии управления цифровой трансформацией бизнеса в экономике ИИ, сравнительный анализ которой со стратегией данного управления, реализуемой в России сегодня, произведен в таблице 4.

Как отражено в таблице 4, в отличие от существующей стратегии, предназначенной для укрепления цифровой конкурентоспособности бизнеса, в ESG-стратегии назначением цифровой трансформации бизнеса является поддержка его устойчивого развития.

Различными оказываются также субъект и уровень управления цифровой трансформацией бизнеса в экономике искусственного интеллекта: в разработанной стратегии управление осуществляют не регуляторы (на уровне государственного управления через нормативно-правовое обеспечение, налоговое стимулирование, финансирование НИОКР вузов), а бизнес на уровне корпоративного управления – через ESG-управление внедрением искусственного интеллекта.

Таблица 4 / Table 4

Сравнение стратегий управления цифровой трансформацией бизнеса в экономике искусственного интеллекта с позиций устойчивости / Comparison of strategies for managing digital business transformation in the artificial intelligence economy from a sustainability perspective

Область сравнения стратегий

Стратегия управления цифровой трансформацией бизнеса

существующая

новая (ESG-стратегия)

Назначение цифровой трансформации бизнеса

Укрепление цифровой конкурентоспособности бизнеса

Поддержка устойчивого развития бизнеса

Субъект и уровень управления цифровой трансформацией бизнеса в экономике искусственного интеллекта

Регуляторы: нормативноправовое обеспечение, налоговое стимулирование, финансирование НИОКР вузов

Бизнес: корпоративное управление внедрением искусственного интеллекта с помощью ESG-управления

Основной механизм управления цифровой трансформацией бизнеса в экономике искусственного интеллекта

Механизм управления интеллектуальными ресурсами (HRM, управление инновациями)

Механизм интеграции: государственно-частное партнерство, коллаборация бизнеса с вузами

Ключевые инструменты корпоративного управления цифровой трансформацией бизнеса в экономике искусственного интеллекта

– HR-yправление талантами, в частности цифровыми кадрами;

– коммерциализация «умных» инноваций на базе высокотехнологич

ных стартапов, размещения инвестиций и реализации бизнес-инициатив по внедрению искусственного интеллекта изолированно от вузов

– управление инфраструктурными проектами экономики искусственного интеллекта;

– использование передовой инфраструктуры для успешного внедрения ИИ

Источник: авторская разработка.

Различия наблюдаются и на уровне основного механизма управления цифровой трансформацией бизнеса в экономике искусственного интеллекта: если существующая стратегия опирается на механизм управления интеллектуальными ресурсами (HRM, управление инновациями), то ESG-стратегия предполагает использование механизма интеграции (государственно-частное партнерство, коллаборация бизнеса с вузами).

Как показали результаты проведенного исследования, ключевые инструменты корпоративного управления цифровой трансформацией бизнеса в экономике искусственного интеллекта, используемые в рамках существующей стратегии, такие как HR-управление талантами, в частности цифровыми кадрами, коммерциализация «умных» инноваций на базе высокотехнологичных стартапов, размещения инвестиций и реализации бизнес-инициатив по внедрению ИИ изолированно от вузов, неэффективны. Вместо них ESG-стратегия ориентируется на такие инструменты, как управление инфраструктурными проектами экономики искусственного интеллекта и использование передовой инфраструктуры для успешного внедрения ИИ при тесном сотрудничестве с вузами.

ЗАКЛЮЧЕНИЕ

Итак, основные результаты проведенного исследования сводятся к следующему:

  • 1)    составлена эконометрическая модель, математически описавшая влияние составляющих глобального ИИ-индекса на индекс устойчивости торговли;

  • 2)    обоснована перспектива максимизации значения индекса устойчивости торговли через Парето-оптимальный рост ключевой (оказывающей статистически значимое влияние) составляющей глобального ИИ-индекса;

  • 3)    разработана усовершенствованная ESG-стратегия управления устойчивой цифровой трансформацией бизнеса в экономике искусственного интеллекта.

Полученные результаты обеспечили научную аргументацию авторского вывода о том, что управленческие практики, на которые опирается существующая стратегия управления цифровой трансформацией бизнеса в экономике искусственного интеллекта, ускоряют данную трансформацию, но не обеспечивают устойчивого развития бизнеса.

Реализуемые по отдельности практики государственного управления (нормативно-правовое обеспечение, налоговое стимулирование, финансирование НИОКР вузов) и корпоративного (HR-управление талантами, в частности цифровыми кадрами, коммерциализация «умных» инноваций на базе высокотехнологичных стартапов, размещения инвестиций и реализации бизнес-инициатив по внедрению ИИ изолированно от вузов) низкоэффективны с позиций устойчивого развития. С этих позиций предпочтительнее совместное и скоординированное государственное и корпоративное управление цифровой трансформацией бизнеса в экономике искусственного интеллекта: управление инфраструктурными проектами экономики ИИ и использование передовой инфраструктуры для успешного внедрения ИИ при тесном сотрудничестве с вузами.

Научная новизна авторских разработок состоит в том, что они обеспечивают переориентацию стратегии управления цифровой трансформацией российского бизнеса на его устойчивое развитие. Теоретическая значимость результатов исследования объясняется тем, что они формируют новое научное видение цифровой трансформации бизнеса, особенностью которого является ESG-управление, а преимуществом – наиболее полное раскрытие потенциала устойчивого развития в уникальном контексте экономики искусственного интеллекта.

Практическая значимость настоящего исследования определяется тем вкладом, который оно вносит в совершенствование государственной политики регулирования бизнеса: предложенный авторами Парето-оптимум ESG-управления может быть использован при формировании национальной стратегии и «дорожной карты» устойчивой цифровой трансформации бизнеса в российской экономике искусственного интеллекта. Разработанная управленческая ESG-стратегия рекомендуется к применению российскими бизнес-структурами для обеспечения устойчивости при цифровой трансформации в экономике искусственного интеллекта.

Список литературы ESG-стратегия управления устойчивой цифровой трансформацией бизнеса в экономике искусственного интеллекта

  • Адаменко А. А., Сулима Е. П., Мусаева Х. М. Цифровая трансформация бизнес-процессов экономических систем // Деловой вестник предпринимателя. 2023. № 2. С. 77-81.
  • Болотин Ю. О., Осипов А. Э. Инструменты финансирования инновационно-ориентированных инвестиций в цифровую трансформацию бизнеса [Электронный ресурс] // Вектор экономики. 2022. № 12. Ст. № 35. URL: https://www. vectoreconomy.ru/images/publications/2022/12/innovationmanagement/Bolotin_ Osipov.pdf (дата обращения: 04.01.2024).
  • Герингер С. И., Рихтгофен О. А. Цифровая трансформация бизнеса: проблемы и пути решения // Учет, анализ и аудит: проблемы теории и практики. 2022. № 29. С. 48-52.
  • Головков С. С., Калинина И. А. Ключевые риски цифровой трансформации бизнеса // Инновации и инвестиции. 2023. № 3. С. 139-143.
  • Гумеров М. Ф. Управление цифровой трансформацией бизнеса современных компаний: проблемы и инструменты выработки решений // Менеджмент и бизнес-администрирование. 2023. № 1. С. 109-118. https://doi. org/10.33983/2075-1826-2023-1-109-118.
  • Дейч Т. Л., Цветкова Н. Н., Кравцов К. С. Развитие африканской цифровой экономики и участие в нем Китая // Контуры глобальных трансформаций: политика, экономика, право. 2022. Т. 15, № 4. С. 6-22. https://doi.org/10.31249/ kgt/2022.04.01.
  • Зенкина Е. В. Стратегии и методы цифровой трансформации бизнеса и их использование в процессах управления компаниями // Вопросы региональной экономики. 2023. № 2. С. 42-50.
  • Козинец А. Н. Принципы управления человеческими ресурсами по Джеффри Пфефферу в контексте цифровой трансформации бизнеса // Цифровая трансформация. 2023. Т. 29, № 2. С. 24-34. https://doi.org/10.35596/1729-7648-2023-29-2-24-34.
  • Красильников О. Ю. Роль искусственного интеллекта в развитии экосистем в российской экономике // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. 2023. Т. 23, № 2. С. 146-152. https://doi.org/10.18500/1994-2540-2023-23-2-146-152.
  • Морозова И. А., Сметанина А. И., Сметанин А. С. ESG-менеджмент устойчивого развития бизнеса в контексте цифровой трансформации экономики России // Journal of Applied Economic Research. 2023. Т. 22, № 2. С. 425-449. https://doi.org/10.15826/vestnik.2023.22.2.018.
  • Нигай Е. А. Формирование цифровых экосистем бизнеса в условиях развития информационного общества: управленческий аспект // Ars Administrandi (Искусство управления). 2023. Т. 15, № 3. С. 353-376. https://doi. org/10.17072/2218-9173-2023-3-353-376.
  • Пузанова И. А. Ключевые элементы цифровой трансформации бизнеса // Russian Journal of Management. 2023. Т. 11, № 2. С. 160-174. https://doi. org/10.29039/2409-6024-2023-11-2-160-174.
  • Шимановский Д. В., Третьякова Е. А. Моделирование социо-эколого-экономических взаимосвязей как способ оценки устойчивого развития регионов РФ // Вестник Пермского университета. Серия: Экономика. 2020. Т. 15, № 3. С. 369-384. https://doi.org/10.17072/1994-9960-2020-3-369-384.
  • Якимова В. А, Панкова С. В. Закономерности размещения цифрового предпринимательства в регионах России // Ars Administrandi (Искусство управления). 2023. Т. 15, № 3. С. 377-405. https://doi.org/10.17072/2218-9173-2023-3-377-405.
  • Chaniago H. Investigation of entrepreneurial leadership and digital transformation: Achieving business success in uncertain economic conditions // Journal of Technology Management and Innovation. 2023. Vol. 18, № 2. P. 18-27. https:// doi.org/10.4067/S0718-27242023000200018.
  • Che Y.-K., Kim J., Kojima F. et al. "Near" weighted utilitarian characterizations of Pareto optima // Econometrica. 2024. Vol. 92, № 1. P. 141-165. https://doi. org/10.3982/ECTA18930.
  • Hang H., Chen Z. How to realize the full potentials of artificial intelligence (AI) in digital economy? // Journal of Digital Economy. 2022. Vol. 1, № 3. P. 180-191. https://doi.org/10.1016/j.jdec.2022.11.003.
  • Heubeck T. Managerial capabilities as facilitators of digital transformation? Dynamic managerial capabilities as antecedents to digital business model transformation and firm performance // Digital Business. 2023. Vol. 3, № 1. Art. № 100053. https://doi.org/10.1016/j.digbus.2023.100053.
  • Liu Q.-R., Liu J.-M., He Z.-P. Digital transformation ambidexterity and business performance // Journal of Enterprise Information Management. 2023. Vol. 36, № 5. P. 1402-1420. https://doi.org/10.1108/JEIM-08-2022-0280.
  • Mishra D. B., Haider I., Gunasekaran A. et al. "Better together": Right blend of business strategy and digital transformation strategies // International Journal of Production Economics. 2023. Vol. 266. Art. № 109040. https://doi.org/10.1016/j. ijpe.2023.109040.
  • Yaqub M. Z, Alsabban A. Industry-4.0-enabled digital transformation: Prospects, instruments, challenges, and implications for business strategies // Sustain-ability. 2023. Vol. 15, № 11. Art. № 8553. https://doi.org/10.3390/su15118553.
  • Zhu Z., Chen B., Chen H. et al. Strategy evaluation and optimization with an artificial society toward a Pareto optimum // Innovation. 2022. Vol. 3, № 5. Art. № 100274. https://doi.org/10.1016/j.xinn.2022.100274.
Еще
Статья научная