ЭКОНОМИЧЕСКАЯ ЦЕННОСТЬ ГЕНЕРАТИВНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В КОНТЕКСТЕ ДАННЫХ: ПРАКТИКИ И ПЕРСПЕКТИВЫ ДЛЯ БИЗНЕСА
DOI:
https://doi.org/10.5281/zenodo.17849791Ключевые слова:
генеративный искусственный интеллект, экономическая ценность, большие данные, анализ данных, бизнес-модели, инновации, цифровая трансформация, цифровая экономика, экономика данных.Аннотация
В условиях экспоненциального роста объемов данных традиционные методы анализа становятся недостаточными для полного раскрытия их экономической ценности. В статье исследуется трансформационная роль генеративного искусственного интеллекта как ключевого инструмента в создании ценности из данных. При этом выделяются три ключевые модели: повышение эффективности за счет автоматизации процессов, создание новых продуктов и услуг через генерацию уникального контента, а также улучшение качества принятия решений на основе моделирования сложных сценариев. Обосновывается, что генеративный ИИ является не просто новым инструментом, а фундаментальным явлением, формирующим новую экономическую парадигму. Показано, что генеративный ИИ способствует двум революционным изменениям в монетизации данных, и он позволяет компаниям извлекать ценность из неструктурированных форматов, которые ранее было сложно использовать, и превращает необработанные данные в практически применимую информацию, встроенную в рабочие процессы. Для иллюстрации этих подходов в статье представлены отраслевые кейсы из финансового сектора, медицины, маркетинга, производства и логистики. Показано, что внедрение генеративного ИИ приводит к сокращению операционных издержек, созданию новых источников дохода и усилению конкурентоспособности. Описываются конкретные экономические эффекты, такие как увеличение конверсии продаж на 20-30% и сокращение времени на подготовку отчетов на 70%. Кроме того, в работе обсуждаются вызовы и риски, связанные с внедрением генеративного ИИ, к ним относятся проблемы качества и достоверности данных, этические и правовые аспекты, включая вопросы авторского права и кибербезопасности. Обсуждается комплексная методология оценки эффективности, которая выходит за рамки традиционных метрик, учитывая как прямые финансовые результаты, так и косвенные стратегические показатели, такие как ускорение инновационного цикла и рост удовлетворенности клиентов. В заключение, делается вывод, что генеративный ИИ трансформирует данные из пассивного актива в источник продуктивности, ускоряет движение по «пирамиде данных» и является катализатором преобразования данных в экономическую ценность и формулируются перспективы развития и подчеркивается необходимость создания правовой базы для устойчивого внедрения технологии.
Скачивания
Библиографические ссылки
1. McAfee A. Generally Faster. The Economic Impact of Generative AI. 2024. Visiting Fellow / Technology & Society at Google [Электронный ресурс]. – URL: https://ide.mit.edu/wp-content/uploads/2024/04/Davos-Report-Draft-XFN-Copy-01112024-Print-Version.pdf (дата обращения: 17.07.2025).
2. McKinsey Global Institute. The Economic Potential of Generative AI: The Next Productivity Frontier. 2023. [Электронный ресурс]. – URL: https://www.mckinsey. com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier (дата обращения: 17.07.2025).
3. Гордеев, В.В. Прогнозирование бизнес-процессов как инструмент принятия решений в рамках проактивного подхода к управлению / В.В. Гордеев, В.И. Абрамов // Экономика и управление. – 2025. – Т. 31, № 7. – С. 893-902. – DOI 10.35854/1998-1627-2025-7-893-902. – EDN QAAIDI.
4. Davenport T., Mittal N. How Generative AI Is Changing Creative Work // MIT Sloan Management Review. 2022. [Электронный ресурс]. – URL: https://hbr.org/2022/11/ how-generative-ai-is-changing-creative-work (дата обращения: 17.07.2025).
5. Абрамов, В.И. Первый год реализации программ цифровой трансформации в регионах России: проблемы и результаты / В.И. Абрамов, В.Д. Андреев // Вопросы государственного и муниципального управления. – 2024. – № 2. – С. 110-128. – DOI: 10.17323/1999-5431-2024-0-2-110-128. – EDN: XCTAJM.
6. Национальный проект «Экономика данных и цифровая трансформация государства». [Электронный ресурс]. – URL: https://digital.gov.ru/target/naczionalnyj-proekt-ekonomika-dannyh-i-czifrovaya-transformacziya-gosudarstva (дата обращения: 17.07.2025).
7. Абрамов, В.И. Экосистемное развитие предприятий: возможности, риски и особенности оценки их цифровой зрелости / В.И. Абрамов, Д.В. Арефьев // Новое в экономической кибернетике. – 2025. – № 1. – С. 70-84. – DOI: 10.5281/zenodo.15165454. – EDN: VPBYLC.
8. Абрамов, В.И. Создание региональных бизнес-экосистем на основе цифровых профилей клиентов и омниканальных коммуникаций / В.И. Абрамов, В.В. Гордеев, А.Д. Столяров // Экономика, предпринимательство и право. – 2023. – Т. 13, № 5. – С. 15211540. – DOI: 10.18334/epp.13.5.117670. – EDN: JATJMX
9. Абрамов, В.И. Цифровые бизнес-экосистемы как перспективная форма развития региональной экономики / В.И. Абрамов, А.Д. Столяров // Экономика, предпринимательство и право. – 2024. – Т. 14, №10. – С. 5523-5542. – DOI: 10.18334/epp.14.10.121823. – EDN: TELLXQ.
10. Абрамов, В.И. Цифровая экосистема региона как перспективная модель территориального развития экономики / В.И. Абрамов, В.А. Ломакин, А.Д. Столяров // Информационное общество. – 2024. - №6. – С.16-27. https://doi.org/10.52605/16059921_2024_06_16. – EDN: ABKYFQ.
11. Gartner. Design your data architecture for modern business needs. [Электронный ресурс]. – URL: https://www.gartner.com/en/dataanalytics/topics/dataarchitecture. html?utm_plan=Content+Marketing&utm (дата обращения: 17.07.2025).
12. Абрамов, В.И. Цифровая безопасность и технологический суверенитет: новые вызовы для международного бизнеса / В.И. Абрамов, А.В. Гаврилюк, А.В. Путилов // Международный бизнес. – 2025. – № 2(12). – С. 28-42. – DOI: 10.24833/2949-639X-2025-2-12-28-42. – EDN: PNNEVK.
13. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2021. 800 pp.
14. Абрамов, В.И. Инновационные тренды и вызовы использования генеративного искусственного интеллекта в управлении / В.И. Абрамов, А.В. Абрамов, А.Д. Столяров // Муниципальная академия. – 2024. – №4. – С. 200-210. – DOI: 10.52176/2304831X_2024_04_200. – EDN: RXQQIR.
15. Varian H.R. Artificial Intelligence, Economics, and Industrial Organization (July 2018). NBER Working Paper No. w24839. [Электронный ресурс]. – URL: https://ssrn.com/ abstract=3218069 (дата обращения: 17.07.2025).
16. Wixom B., Beath C., Duane J.-N. High performance data monetization // MIT Center for Information Systems Research, November 21, 2024; [Электронный ресурс]. – URL: https://cisr.mit.edu/publication/2024_1101_HighPerformanceDataMonetization_WixomBeathDuane (дата обращения: 17.07.2025).
17. Макафи А., Бриньолфсон Э. Вторая эра машин. Работа, прогресс и процветание в эпоху новейших технологий. АСТ, 2017. 384 с.
18. Абрамов, А.В. Инновационные подходы к взаимодействию с клиентами на базе генеративного искусственного интеллекта / А.В. Абрамов, А.Д. Столяров, В.И. Абрамов // Beneficium. – 2025. – № 2(55). – С. 77-85. – DOI: 10.34680/BENEFICIUM.2025.2(55).77-85. – EDN: DDPMWM.
19. Bloomberg. Generative AI to become a $1.3 trillion market by 2032. 2023. [Электронный ресурс]. – URL: https://www. bloomberg.com/company/press/generative-ai-to-become-a-1-3-trillion-market-by-2032-research-finds/. (дата обращения: 17.07.2025).
20. McKinsey. LLM to ROI: How to scale gen AI in retail. [Электронный ресурс]. – URL: https://www.mckinsey.com/industries/retail/our-insights/llm-to-roi-how-to-scale-gen-ai-in-retail. (дата обращения: 17.07.2025).
21. Filippucci F., Gal P., Jona-Lasinio C., Leandro A., Nicoletti G. The impact of artificial intelligence on productivity, distribution and growth key mechanisms, initial evidence and policy challenges. OECD Аrtificial intelligence papers. – 2024. – №15.
22. OECD. AI, data governance and privacy: synergies and areas of international co-operation. 2024. [Электронный ресурс]. – URL: https://one.oecd.org/document/DSTI/CDEP/ AIGO/DGP(2023)1/FINAL/en/pdf (дата обращения: 17.07.2025).
23. Цифровая экономика: 2023: краткий статистический сборник / Г.И. Абдрахманова, С.А. Васильковский, К.О. Вишневский и др.; Нац. исслед. ун-т «Высшая школа экономики». – М. : НИУ ВШЭ, 2023. – 120 с.
24. Ellencweig B., Cruz G., Kamalnath V. Intelligence at scale: Data monetization in the age of gen AI. July 31, 2025. [Электронный ресурс]. – URL: https://www.mckinsey.com/capabilities/ business-building/our-insights/intelligence-at-scale-data-monetization-in-the-age-of-gen-ai (дата обращения: 17.07.2025).
25. Muscolino H., Machado A., Rydning J., Vesset D. Untapped value: What every executive needs to know about unstructured data, IDC, August 2023. [Электронный ресурс]. – URL: https://www.storagenewsletter.com/2023/09/07/what-every-executive-needs-to-know-about-unstructured-data/ (дата обращения: 17.07.2025).
26. Chandrasekaran A. Three bold and actionable predictions for the future of gen AI. Gartner, April 12, 2024. [Электронный ресурс]. – URL: https://www.gartner.com/en/articles/3-bold-and-actionable-predictions-for-the-future-of-genai (дата обращения: 17.07.2025).
27. Sheikholeslami M., Mazrouei N., Gheisari Y., Fasihi A., Irajpour M., Motahharynia A. DrugGen enhances drug discovery with large language models and reinforcement learning // Scientific Reports. – 2025. – V.15, 13445.
28. Brynjolfsson E., Li D., Raymond L. Generative AI at Work, National Bureau of Economic Research Working Papers. – 2023. – No. 31161. [Электронный ресурс]. – URL: https://www. nber.org/papers/w31161 (дата обращения: 17.07.2025).
29. Candelon F., Gupta A., Krayer L., Zhukov L. The CEO’s Guide to the Generative AI Revolution. 2023. [Электронный ресурс]. – URL: https://www.bcg.com/publications/2023/ceo-guide-to-ai-revolution (дата обращения: 17.07.2025).
30. Introducing BloombergGPT, Bloomberg’s 50-billion parameter large language model, purpose-built from scratch for finance. [Электронный ресурс]. – URL: https://www.bloomberg. com/company/press/bloomberggpt-50-billion-parameter-llm-tuned-finance/ (дата обращения: 17.07.2025).
31. Sun P., Kretzschmar H., Dotiwalla X., et al. Scalability in perception for autonomous driving: Waymo open dataset. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 2446–2454, 2020.
32. Развитие генеративного искусственного интеллекта и его влияние на персонализацию предложений потребителям / А.Д. Столяров, В.В. Гордеев, А.В. Абрамов, В.И. Абрамов // Информационное общество. – 2025. – № 2. – С. 2-13. – DOI: 10.52605/16059921_2025_02_02. – EDN: NKXZHT.
33. Accenture. Reinvention in the age of generative AI. 2024. [Электронный ресурс]. – URL: https://www. accenture.com/content/dam/accenture/final/accenture-com/document-2/Accenture-reinvention-in-the-age-of-generative-AI-executive-summary.pdf (дата обращения: 17.07.2025).
34. Olavsrud T. Unilever leverages GPT API to deliver business value. CIO, March 10. 2023. [Электронный ресурс]. – URL: https:// www. cio. com/ artic le/ 464190/ unile ver- lever ages- chatg pt- to- deliver- busin ess- value. Html (дата обращения: 17.07.2025).
35. Coase R. H. The Nature of the Firm // Economica. 1937. V.4 (16). P. 386-405.
36. Deloitte. Generative AI and the Future of Work. Deloitte AI Institute. 2023. [Электронный ресурс]. – URL: https://www.brianheger.com/generative-ai-and-the-future-of-work-deloitte-ai-institute/ (дата обращения: 17.07.2025).
37. Гордеев, В.В. Персонализация предложений и управление продажами в экономике данных / В.В. Гордеев, А.Д. Столяров, В.И. Абрамов // Экономика, предпринимательство и право. – 2024. – Т. 14, № 12. – С. 8205-8224. – DOI: 10.18334/epp.14.12.122199. – EDN: KCVGUO.
38. Развитие экономических систем: теория, методология, практика: монография (научное издание) / ФГАОУ ВО «Самарский национальный исследовательский университет имени академика С.П. Королева» [и др]; под. ред. Б.Н. Герасимова. – Пенза: ПГАУ, 2024. – 275 c.
39. Абрамов, В.И. Сравнительный анализ цифровых двойников регионов / В.И. Абрамов, В.Д. Андреев // Информационное общество. – 2023. – № 4. – С. 106-117. – DOI: 10.52605/16059921_2023_04_106. – EDN: ULSHWD.
References
1. McAfee, A. (2024). Generally Faster. The Economic Impact of Generative AI. Retrieved from: https://ide.mit.edu/wp-content/uploads/2024/04/Davos-Report-Draft-XFN-Copy-01112024-Print-Version.pdf (date of application: 17.07.2025).
2. McKinsey Global Institute. (2023). The Economic Potential of Generative AI: The Next Productivity Frontier. Retrieved from: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier (date of access: 17.07.2025).
3. Gordeev, V.V., & Abramov, V.I. (2025). Forecasting business processes as a decision-making tool within the framework of a proactive approach to management. Economics and Management, 31(7), 893-902. doi: 10.35854/1998-1627-2025-7-893-902. (In Russian).
4. Davenport, T., & Mittal, N. (2022). How Generative AI Is Changing Creative Work. MIT Sloan Management Review. Retrieved from: https://hbr.org/2022/11/how-generative-ai-is-changing-creative-work (date of access: 17.07.2025).
5. Abramov, V.I., & Andreev, V.D. (2024). The first year of implementing digital transformation programs in the regions of Russia: problems and results. Issues of public and municipal administration, 2, 110-128. doi: 10.17323/1999-5431-2024-0-2-110-128. (In Russian).
6. National project "Data Economy and Digital Transformation of the State". Retrieved from: https://digital.gov.ru/target/naczionalnyj-proekt-ekonomika-dannyh-i-czifrovaya-transformacziya-gosudarstva (date of access: 17.07.2025). (In Russian).
7. Abramov, V.I., & Arefyev, D.V. (2025). Ecosystem development of enterprises: opportunities, risks and features of assessing their digital maturity. New in Economic Cybernetics, 1, 70-84. doi: 10.5281/zenodo.15165454. (In Russian).
8. Abramov, V.I., Gordeev, V.V., & Stolyarov, A.D. (2023). Creation of regional business ecosystems based on digital customer profiles and omnichannel communications. Economy, Entrepreneurship and Law, 13(5), 1521-1540. doi: 10.18334/epp.13.5.117670. (In Russian).
9. Abramov, V.I., & Stolyarov, A.D. (2024). Digital business ecosystems as a promising form of regional economic development. Economy, Entrepreneurship and Law, 14(10), 5523-5542. doi: 10.18334/epp.14.10.121823. (In Russian).
10. Abramov, V.I., Lomakin, V.A., & Stolyarov, A.D. (2024). Digital ecosystem of the region as a promising model of territorial economic development. Information Society, 6, 16-27. doi: 10.52605/16059921_2024_06_16. (In Russian).
11. Gartner. (2025). Design your data architecture for modern business needs. Retrieved from: https://www.gartner.com/en/dataanalytics/topics/dataarchitecture.html? utm_plan= Content+Marketing&utm (date of access: 17.07.2025).
12. Abramov, V.I., Gavrilyuk, A.V., & Putilov, A.V. (2025). Digital security and technological sovereignty: new challenges for international business. International Business, 2(12), 28-42. doi: 10.24833/2949-639X-2025-2-12-28-42. (In Russian).
13. Goodfellow, I., Bengio, Y., & Courville, A. (2021). Deep Learning. MIT Press.
14. Abramov, V.I., Abramov, A.V., & Stolyarov, A.D. (2024). Innovative trends and challenges of using generative artificial intelligence in management. Municipal Academy, 4, 200 210. doi: 10.52176/2304831X_2024_04_200. (In Russian).
15. Varian, H.R. (2018). Artificial Intelligence, Economics, and Industrial Organization. (NBER Working Paper No. w24839). Retrieved from: https://ssrn.com/abstract=3218069 (date of access: 17.07.2025).
16. Wixom, B., Beath, C., & Duane, J.-N. (2024). High performance data monetization. Retrieved from: https://cisr.mit.edu/publication/2024_1101_ HighPerformanceDataMonetization_WixomBeathDuane (date of access: 17.07.2025).
17. McAfee, A., & Brynjolfsson, E. (2017). The Second Machine Age. Work, progress and prosperity in the era of new technologies. AST.
18. Abramov, A.V., Stolyarov, A.D., & Abramov, V.I. (2025). Innovative approaches to interaction with clients based on generative artificial intelligence. Beneficium, 2(55), 77-85. doi: 10.34680/BENEFICIUM.2025.2 (55). 77-85. (In Russian).
19. Bloomberg. (2023). Generative AI to become a $ 1.3 trillion market by 2032. Retrieved from: https://www.bloomberg.com/company/press/generative-ai-to-become-a-1-3-trillion-market-by-2032-research-finds/ (date of access: 17.07.2025).
20. McKinsey. (2023). LLM to ROI: How to scale gen AI in retail. Retrieved from: https://www.mckinsey.com/industries/retail/our-insights/llm-to-roi-how-to-scale-gen-ai-in-retail (date of access: 17.07.2025).
21. Filippucci, F., Gal, P., Jona-Lasinio, C., Leandro, A., & Nicoletti, G. (2024). The impact of artificial intelligence on productivity, distribution and growth key mechanisms, initial evidence and policy challenges. OECD Аrtificial intelligence papers, 15.
22. OECD. (2024). AI, data governance and privacy: synergies and areas of international co-operation. Retrieved from: https://one.oecd.org/document/DSTI/CDEP/ AIGO/DGP(2023)1/FINAL/en/pdf (date of access: 17.07.2025).
23. Abdrakhmanova, G.I., Vasilkovsky, S.A., & Vishnevsky, K.O. (2023). Digital economy: 2023: a brief statistical digest. National Research University Higher School of Economics. (In Russian).
24. Ellencweig, B., Cruz, G., & Kamalnath, V. (2025). Intelligence at scale: Data monetization in the age of gen AI. Retrieved from: https://www.mckinsey.com/capabilities/business-building/our-insights/intelligence-at-scale-data-monetization-in-the-age-of-gen-ai (access date: 17.07.2025).
25. Muscolino, H., Machado, A., Rydning, J., & Vesset, D. (2023). Untapped value: What every executive needs to know about unstructured data. Retrieved from: https://www.storagenewsletter.com/2023/09/07/what-every-executive-needs-to-know-about-unstructured-data/ (access date: 17.07.2025).
26. Chandrasekaran, A. (2024). Three bold and actionable predictions for the future of gen AI. Retrieved from: https://www.gartner.com/en/articles/3-bold-and-actionable-predictions-for-the-future-of-genai (accessed: 17.07.2025).
27. Sheikholeslami, M., Mazrouei, N., Gheisari, Y., Fasihi, A., Irajpour, M., & Motahharynia, A. (2025). DrugGen enhances drug discovery with large language models and reinforcement learning. Scientific Reports, 15(13445).
28. Brynjolfsson, E., Li, D., & Raymond, L. (2023). Generative AI at Work. (NBER Working Paper No. 31161). Retrieved from: https://www.nber.org/papers/w31161 (date of access: 17.07.2025).
29. Candelon, F., Gupta, A., Krayer, L., & Zhukov, L. (2023). The CEO’s Guide to the Generative AI Revolution. Retrieved from: https://www.bcg.com/publications/2023/ceo-guide-to-ai-revolution (date of access: 17.07.2025).
30. Introducing BloombergGPT, Bloomberg’s 50-billion parameter large language model, purpose-built from scratch for finance. (2023). Retrieved from: https://www.bloomberg.com/company/press/bloomberggpt-50-billion-parameter-llm-tuned-finance/ (date of access: 17.07.2025).
31. Sun, P., Kretzschmar, H., Dotiwalla, X., et al. (2020). Scalability in perception for autonomous driving: Waymo open dataset. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2446–2454.
32. Stolyarov, A.D., Gordeev, V.V., Abramov, A.V., & Abramov, V.I. (2025). Development of generative artificial intelligence and its impact on personalization of offers to consumers. Information society, 2, 2-13. doi: 10.52605/16059921_2025_02_02. (In Russian).
33. Accenture. (2024). Reinvention in the age of generative AI. Retrieved from: https://www.accenture.com/content/dam/accenture/final/accenture-com/document-2/Accenture-reinvention-in-the-age-of-generative-AI-executive-summary.pdf (accessed: 17.07.2025).
34. Olavsrud, T. (2023). Unilever leverages GPT API to deliver business value. Retrieved from: https://www.cio.com/article/464190/unilever-leverages-chatgpt-to-deliver-business-value.html (date of access: 17.07.2025).
35. Coase, R.H. (1937). The Nature of the Firm. Economica, 4(16), 386-405.
36. Deloitte. (2023). Generative AI and the Future of Work. Retrieved from: https://www.brianheger.com/generative-ai-and-the-future-of-work-deloitte-ai-institute/ (date of access: 17.07.2025).
37. Gordeev, V.V., Stolyarov, A.D., & Abramov, V.I. (2024). Personalization of Offers and Sales Management in the Data Economy. Economy, Entrepreneurship and Law, 14(12), 8205-8224. doi: 10.18334/epp.14.12.122199. (In Russian).
38. Gerasimov, B.N. (ed.). (2024). Development of economic systems: theory, methodology, practice: monograph. Samara National Research University named after Academician S.P. Korolev. (In Russian).
39. Abramov, V.I., & Andreev, V.D. (2023). Comparative analysis of digital twins of regions. Information society, 4, 106-117. doi: 10.52605/16059921_2023_04_106. (In Russian).
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Новое в экономической кибернетике» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
