На сегодняшний день малое и среднее предпринимательство (далее МСП) является одним из ключевых элементов экономической системы Российской Федерации. По данным Корпорации МСП, доля данного сектора в ВВП России к концу 2024 года составила 21,7 % [1]. Малый бизнес способствует повышению занятости населения, инновационному развитию и росту конкуренции.
К сожалению, деятельность МСП часто сопряжена с высоким уровнем неопределенности. Учитывая современные реалии, проявляющиеся в виде санкционной политики против нашей страны и вытекающих из них последствий, проблема эффективного управления рисками малых предприятий имеет особое значение.
Одним из основных источников данной проблемы выступает несоответствие уровня угроз и возможностей их преодоления. Малые предприятия, в отличие от крупных организаций или компаний, не располагают достаточным уровнем финансовых ресурсов, специалистами в области управления рисками и развитой IT-инфраструктурой. Они также имеют большую зависимость от рыночной конъюнктуры, повышенную чувствительность к изменениям условий хозяйствования, недостаточное использование маркетинговых инструментов [2]. Например, пандемия 2020 года наглядно продемонстрировала, как внешние факторы могут привести к закрытию небольших фирм, чьи бизнес-модели оказались недостаточно устойчивыми перед подобными ситуациями. Традиционные методы управления рисками в данных случаях оказываются неэффективны, поэтому возникает потребность в разработке современных, доступных, а, главное, технологических решениях, способных компенсировать имеющиеся ограничения.
В данном контексте технологии искусственного интеллекта (далее ИИ) открывают новые возможности и перспективы для создания адаптивных и экономически эффективных систем принятия решений. В сравнении с классическими методами управления рисками, которые требует существенного вклада человеческих ресурсов и финансовых затрат, ИИ-решения могут функционировать на основе облачных сервисов. Это позволяет снизить затраты на их внедрение и эксплуатацию. Инструменты, разработанные на основе искусственного интеллекта, способны анализировать большие объемы данных в режиме реального времени, выявлять скрытые закономерности и предсказывать потенциальные риски задолго до их возникновения.
Среди методов искусственного интеллекта в управлении рисками различают:
– машинное обучение;
– искусственные нейронные сети (ИНС) и глубокое обучение;
– обработка естественного языка (NLP).
Предиктивные модели, основанные на машинном обучении, способны анализировать как внутренние данные организации, так и внешние источники. Например, алгоритмы прогнозной аналитики могут с высокой точностью спрогнозировать нехватку финансовых средств или резкие изменения покупательского спроса, позволяя предпринимателям заранее вносить изменения в стратегию закупок и ценообразования. В таблице 1 подробно рассмотрены методы машинного обучения.
Таблица 1
Методы машинного обучения в управлении рисками малого бизнеса
|
Метод машинного обучения |
Влияние на управление рисками малого бизнеса |
|
Кредитный скорринг и оценка кредитного риска |
Позволяет автоматически оценивать надежность клиентов и партнеров, минимизируя риски неплатежей и финансовых потерь |
|
Прогнозирование спроса |
Снижает операционные и рыночные риски, связанные с несоответствием объема производства или закупок, минимизируя затраты на хранение излишков или упущенную выгоду от дефицита |
|
Выявление фродовых операций |
Защищает малый бизнес от прямых финансовых потерь и репутационного ущерба, тем самым снижает финансовые и репутационные риски, связанные с недобросовестными действиями клиентов, партнеров или сотрудников. |
|
Управление запасами, поставками и логистикой |
Оптимизирует цепочку поставок, прогнозируя возможные сбои, также предлагает альтернативы. Снижает риск остановки производства или срыва продаж из-за нарушений в логистике. |
|
Детектирование поддельных товаров |
Позволяет снизить репутационные риски и финансовые потери, связанные с продажей поддельной продукции и подрывом доверия клиентов. |
|
Прогнозирование цен, неисправностей и технических проблем |
Позволяет планировать расходы, в том числе и на техническое обслуживание. Снижает операционные риски внезапных простоев оборудования и финансовые риски незапланированных затрат на ремонт и закупки. |
|
Прогнозирование тенденций и изменений на рынке товаров |
Позволяет планировать расходы, в том числе и на техническое обслуживание. Снижает риски, связанные с внезапными простоями оборудования и незапланированными затратами на ремонт и закупки. |
Примечание: составлено автором на основании источника [1]
Искусственные нейронные сети и глубокое обучение эффективны при решении сложных задач. Они открывают широкие перспективы для использования технологических преимуществ анализа и обработки больших массивов информации для снижения затрат на подбор поставщиков и маркетинговые исследования, а также в целом позволяют уменьшить риск неблагоприятного развития событий [4]. ИНС также могут применяться для анализа изображений, например, с камер видеонаблюдения для автоматического обнаружения кражи товаров, что подходит для предприятий в сфере розничной торговли, или мониторинга производственного оборудования.
Технология NLP позволяет компьютерам анализировать и даже «понимать» человеческий язык. Благодаря этому она может автоматически выявлять скрытые закономерности, риски и тенденции в различных текстовых данных, которые могут быть упущены при анализе, проводимым человеком. Ключевыми направлениями ее применения в управлении рисками являются:
- Мониторинг репутационных угроз. Позволяет анализировать настроение и эмоции в комментариях и отзывах клиентов, распределяя их на три категории: положительные, нейтральные и отрицательные отзывы. При обнаружении резкого роста последних система мгновенно уведомляет руководство компании, что позволяет минимизировать репутационные потери и сохранить лояльность клиентов.
- Выявление юридических рисков в договорах. Применение алгоритмов NLP позволяет проводить анализ контрактов, правовые исследования и прогноз судебных решений. Данная мера позволяет сократить время на юридический анализ и снизить вероятность заключения финансово невыгодных сделок.
- Оценка надежности партнеров. Анализ открытых информационных источников позволяет оценить финансовое состояние контрагента.
Таким образом, применение ИИ-методов позволяет повысить уровень устойчивости предприятий малого бизнеса к различным видам рисков. Однако эффективность их внедрения сдерживается рядом проблем и ограничений. К таковым относятся:
– проблемы с конфиденциальностью и защитой данных (могут повлечь за собой вероятность хакерских атак для организации) [5];
– ресурсные ограничения (несмотря на то, что облачные модели позволяют снизить затраты организации, для многих малых компаний расходы на внедрение моделей искусственного интеллекта могут быть значительными);
– низкое качество исходных данных (эффективность методов машинного обучения определяется качеством и количеством исходных данных, однако малый бизнес имеет риск столкнуться с их недостатком, это может сказаться на точности и полезности создаваемых алгоритмов);
– организационно-кадровые ограничения (низкий уровень квалифицированности работников и сложность понимания работы с ИИ-системами снижают эффективность от использования данных инструментов в управлении рисками).
Для устранения данных проблем и повышения эффективности использования рассмотренных методов искусственного интеллекта автор предлагает:
- Развитие доступных моделей для внедрения.
Перспективным направлением в области искусственного интеллекта является масштабирование облачных сервисов по модели Al as Service или же «Искусственный интеллект как услуга». Данный подход позволяет преобразовать капитальные затраты в операционные расходы, делая передовые технологии финансово доступными для малых предприятий.
- Создание инфраструктуры данных.
В качестве решения проблемы низкого качества данных автор предлагает сформировать специальную инфраструктуру механизмов, например, безопасную межотраслевую платформу обмена информацией, с параллельным внедрением стандартов сбора и обработки данных внутри самих организаций. Это позволит увеличить объемы и улучшить качество данных, необходимых для наилучшей работы алгоритмов машинного обучения.
- Повысить результативность взаимодействия человека с ИИ-системами.
Успешная интеграция ИИ-методов в бизнес-процессы требует совмещения двух направлений — это обучение персонала основам работы с подобного рода системами и упрощение интерфейсов для того, чтобы пользователи могли получать готовые управленческие решение вместо огромного потока информации.
Таким образом, методы искусственного интеллекта в процессе управления рисками на малых предприятиях имеют достаточно широкое применение: они позволяют прогнозировать угрозы, оптимизировать процессы и снизить возможные финансовые потери. Предложенные по результатам работы меры направлены на улучшение доступности и применимости данных технологий. Их успешная реализация позволит решить выявленные проблемы, что, в свою очередь, откроет малым предприятиям путь ко внедрению доступных ИИ-решений, и сможет сделать их более устойчивыми и конкурентоспособными на современном рынке.
Литература:
- Вклад МСП в экономику России превысил 34,5 трлн рублей // Министерство экономического развития Российской Федерации URL: https://www.economy.gov.ru/material/news/vklad_msp_v_ekonomiku_rossii_prevysil_345_trln_rubley.html (дата обращения: 20.11.2025).
- Митрофанова Н. Б. Особенности управления рисками в малом бизнесе // Россия: тенденции и перспективы развития. — 2021. — С. 377–380.
- 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. — С. 66–72.
- Слепцова Ю. А., Качалов Р. М., Шокин Я. В. Создание системы управления экономическим риском с использование искусственных нейронных сетей // π-Economy. — 2020. — № 5. — С. 24–36.
- Батищев А. В., Соловьев И. В. Анализ перспектив и проблем управления бизнес-процессами малого бизнеса на основе технологий искусственного интеллекта // Естественно-гуманитарные исследования. — 2024. — С. 492–497.
