ИНТЕГРИРОВАННАЯ МЕТОДИКА ОЦЕНКИ РИСКОВ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ФУНКЦИОНАЛЬНЫХ СФЕРАХ УПРАВЛЕНИЯ ОРГАНИЗАЦИЕЙ
Статья поступила в редакцию: 25.05.2026
Статья принята к публикации: 10.06.2026
Статья опубликована: 10.07.2026
Ключевые слова:
искусственный интеллект, оценка рисков, риск-менеджмент, функциональная сфера управления, многокритериальное принятие решений, методика, управление персоналом, финансы, маркетингАннотация
Цель исследования заключается в разработке методики оценки рисков применения искусственного интеллекта (ИИ), специфичной для функциональной сферы управления. В процессе проведения исследования применялась теория риск-менеджмента, теория сложных систем, многокритериальное принятие решений, расчетный и аналитический методы, функционально-специфический подход. В результате проведения исследования предложена многоуровневая некомпенсаторная свёртка с переоценкой по жизненному циклу ИИ. Результаты применимы риск-менеджерами и регуляторами. Научная новизна работы определяется пересечением функциональной специфичности, формализованной многокритериальной свёртки и адаптации к российскому нормативному контексту. Методика обеспечивает измеримый инструментарий управления рисками ИИ и может служить основой как для корпоративных регламентов, так и для развития отраслевой стандартизации.
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
Список литературы
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.
