INTEGRATED METHOD FOR ASSESSING THE RISKS OF USING ARTIFICIAL INTELLIGENCE IN FUNCTIONAL AREAS OF ORGANIZATION MANAGEMENT
Статья поступила в редакцию: 25.05.2026
Статья принята к публикации: 10.06.2026
Статья опубликована: 10.07.2026
Keywords:
artificial intelligence, risk assessment, risk management, functional management, multi-criteria decision-making, methodology, personnel management, finance, marketingAbstract
The purpose of the study is to develop a methodology for assessing the risks of using artificial intelligence (AI) that is specific to the functional area of management. The study used risk management theory, complex systems theory, multi-criteria decision-making, computational and analytical methods, and a functional-specific approach. The study proposed a multi-level non-compensatory convolution with reevaluation based on the AI lifecycle. The results can be used by risk managers and regulators. The scientific novelty of the work is determined by the intersection of functional specificity, formalized multi-criteria convolution, and adaptation to the Russian regulatory context. The methodology provides a measurable toolkit for managing AI risks and can serve as a basis for both corporate regulations and the development of industry-specific standardization.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Лицензия: Статья распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
Машиночитаемый файл метаданных: JATS XML
References
Айдинян А.Р., Цветкова О.Л. Нечёткая модель оценки рисков информационной безопасности автоматизированных систем // Вестник Донского государственного технического университета. 2023. Т. 50, № 2. С. 178-186.
Гринько Е.Л., Гарагуц М.А., Вырезуб Д.В. Риски применения искусственного интеллекта в финансовом секторе Российской Федерации // Финансовая экономика. 2024. № 6. С. 122-126. EDN: AVTTRE.
Бочкарева Л.О. Многоуровневая система рисков применения искусственного интеллекта в российских организациях: интеграция международного опыта и национальных особенностей // Финансовая экономика. 2025. № 6. С. 14-17. EDN: DIRYOF.
Кодекс этики в сфере искусственного интеллекта (Российская Федерация, принят 26.10.2021). М., 2021. [Электронный ресурс]. URL: https://digital.avo.ru/-/kodeks-etiki-v-sfere-iskusstvennogo-intellekta (дата обращения 11.05.2026).
Орлов А.И. Организационно-экономическое моделирование. Часть 2. Экспертные оценки: учебник. М.: Издательство МГТУ им. Н.Э. Баумана, 2011. 486 с.
Положение Банка России от 08.04.2020 № 716-П "О требованиях к системе управления операционным риском в кредитной организации и банковской группе". М., 2020. [Электронный ресурс]. URL: https://www.garant.ru/products/ipo/prime/doc/74179372/ (дата обращения 11.05.2026).
Chang D.-Y. Applications of the extent analysis method on fuzzy AHP // European Journal of Operational Research. 1996. Vol. 95. № 3. P. 649-655. DOI: 10.1016/0377-2217(95)00300-2 EDN: ANQNGV.
Chouldechova A. Fair prediction with disparate impact: a study of bias in recidivism prediction instruments // Big Data. 2017. Vol. 5. № 2. P. 153-163. DOI: 10.1089/big.2016.0047.
Hardt M., Price E., Srebro N. Equality of opportunity in supervised learning // Advances in Neural Information Processing Systems. 2016. Vol. 29. P. 3315-3323.
NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. Gaithersburg: National Institute of Standards and Technology, 2023.
OECD, Joint Research Centre. Handbook on Constructing Composite Indicators: Methodology and User Guide. Paris: OECD Publishing, 2008. 162 р.
Opricovic S., Tzeng G.-H. Compromise solution by MCDM methods: a comparative analysis of VIKOR and TOPSIS // European Journal of Operational Research. 2004. Vol. 156. № 2. P. 445-455. DOI: 10.1016/S0377-2217(03)00020-1.
Regulation (EU) 2024/1689 of the European Parliament and of the Council laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union, 2024.
Saisana M., Saltelli A., Tarantola S. Uncertainty and sensitivity analysis techniques as tools for the quality assessment of composite indicators // Journal of the Royal Statistical Society: Series A. 2005. Vol. 168. № 2. P. 307-323. DOI: 10.1111/j.1467-985X.2005.00350.x EDN: XTGGWH.
Slattery P., Saeri A.K., Grundy E.A.C. et al. The AI Risk Repository: a comprehensive meta-review, database, and taxonomy of risks from artificial intelligence // Patterns. 2026. Vol. 7. № 5. DOI: 10.1016/j.patter.2026.101517 EDN: RIDRAE.
