ИИ получил доступ к корпоративным системам. Кто управляет изменениями бизнеса?

Управляемая эволюция CRM, ERP и государственных информационных систем: архитектура НУМ, испытания, допуск к выпуску и экономика результата

Дата публикации: 19 ноября 2026 года
Авторы: Алексей Несмеянов и Калина Яркина — авторы Новой управленческой модели (НУМ).
Формат: авторское прикладное исследование и методологическое предложение.

Аннотация

Генеративный искусственный интеллект сокращает время подготовки технических требований, программного кода, тестов и интеграционных решений. В корпоративной среде это меняет не только инструменты разработчика, но и порядок принятия управленческих решений. Организация получает возможность чаще обновлять цифровые процессы, расширять функции действующих систем и проверять новые гипотезы. Вместе с тем возрастает значение архитектурной совместимости, качества данных, регламентов допуска и экономической оценки.

Предмет исследования — управляемый жизненный цикл изменений корпоративных информационных систем с участием ИИ. Мы сопоставляем существующие инженерные и управленческие практики с задачами Новой управленческой модели, предлагаем архитектуру контролируемого выпуска и показываем её применение на сквозном примере. Исследование ориентировано на собственников, генеральных директоров, руководителей цифровой трансформации, IT и информационной безопасности, а также руководителей государственных и муниципальных организаций.

Основной вывод: конкурентное преимущество формируется там, где скорость подготовки изменений сочетается с доказуемым качеством, ясными полномочиями и измеримым результатом.

1. Технологический сдвиг: от автоматизации операций к ускорению изменений

Традиционная корпоративная автоматизация строилась вокруг сравнительно устойчивого программного продукта. Бизнес формулировал требования, IT-подразделение или подрядчик реализовывали доработку, затем проводились испытания и ввод в эксплуатацию. Развитие системы происходило проектами и релизами, часто с заметными промежутками между ними.

Генеративные модели способны выполнять часть интеллектуальной работы внутри этого цикла: анализировать документы, помогать уточнять требования, предлагать структуру данных, создавать программный код, формировать тестовые сценарии, выявлять расхождения и документировать результат. Возможность подготовить несколько технических вариантов за короткий срок меняет экономику эксперимента. Но одновременно увеличивает поток решений, требующих согласования.

Два технологических события ноября 2026 года иллюстрируют этот переход. 9 ноября ClickHouse сообщила о доступности Managed Postgres и приобретении Xata. Компания обозначила развитие изолированных ветвей баз данных и сред для разработки и тестирования с участием ИИ; полную интеграцию ряда возможностей она отнесла к следующим месяцам. Это важное различие между доступным продуктом и дорожной картой поставщика. [1].

10 ноября IBM и Microsoft анонсировали Imagine Enterprise как направление корпоративной платформенной работы с ИИ-агентами. Для управленческого анализа важна тенденция к объединению агентов, корпоративных данных, средств эксплуатации и контроля. Заявления производителей следует рассматривать как сведения о продуктах и стратегии, а не как независимое доказательство надёжности в конкретной организации. [2].

Возникает новый объект управления: поток цифровых изменений. Его характеристики — частота предложений, доля проверенных решений, нагрузка на интеграции, время согласования, стоимость сопровождения и фактический эффект.

Эта проблематика продолжает исследование «От корпоративного ПО к цифровой организации», где рассмотрена общая архитектура цифровой организации. Здесь мы сосредоточимся на конкретном механизме принятия и выпуска изменений.

2. Исследовательский вопрос и границы анализа

Исследовательский вопрос формулируется следующим образом: каким образом организация может систематически преобразовывать созданные с участием ИИ технические решения в согласованные, безопасные и экономически оправданные изменения действующих систем?

Для ответа необходимо рассмотреть пять измерений: бизнес-ценность, архитектурное воздействие, полномочия, доказательства качества и результаты эксплуатации. Технология генерации кода охватывает лишь часть этой системы.

Предлагаемая модель предназначена для изменений программного обеспечения, конфигураций, интеграций, аналитических правил и автоматизированных бизнес-процессов. Для высокорисковых объектов — критической инфраструктуры, медицинских систем, государственных информационных систем с особыми режимами — требуются дополнительные отраслевые процедуры и отдельная правовая оценка.

Методологическое ограничение: материал представляет концептуальную модель и прикладные рекомендации. Приведённые ниже финансовые значения являются расчётным примером. Они не являются статистикой рынка, результатом испытаний AINUM или доказательством эффективности конкретного внедрения.

3. Что уже существует: ITIL, DevSecOps, CI/CD и AI governance

Создание управляемого жизненного цикла изменений имеет развитую инженерную основу. Поэтому экспертное предложение должно ясно показывать, какие задачи уже решаются известными подходами и какое дополнительное измерение появляется при использовании генеративного ИИ.

Подход Основной предмет управления Практическая ценность Вопрос, который дополнительно ставит НУМ
ITIL / change enablement Оценка и разрешение изменений IT-услуг Приоритизация, риск, календарь, ответственность Как связать каждое изменение с бизнес-целью и цифровыми полномочиями
CI/CD Сборка, тестирование и доставка программных изменений Повторяемость, скорость, техническая прослеживаемость Какие управленческие условия должны разрешать выпуск
DevSecOps Встраивание безопасности в жизненный цикл разработки Раннее обнаружение уязвимостей, автоматизация контроля Как проверять права ИИ и последствия его решений для бизнес-процессов
AI governance / NIST AI RMF Управление рисками и надёжностью ИИ Роли, оценка рисков, мониторинг Как связать управление ИИ с конкретным изменением ERP, CRM или ГИС
НУМ: контур управляемых изменений Сквозная связь цели, цифрового исполнения, допуска и результата Единая управленческая трассировка Как сделать изменение частью корпоративной памяти и измеримого управления

НУМ в этом исследовании дополняет инженерные практики управленческим контуром. Её авторское предложение — связать бизнес-основание, мандат цифрового исполнителя, карту воздействия, доказательства испытаний, человеческое разрешение и последующую оценку эффекта в одну проверяемую цепочку. Такая интеграция требует практической валидации; само описание модели ещё не подтверждает превосходство над альтернативами.

В NIST AI RMF (2023) выделены функции GOVERN, MAP, MEASURE и MANAGE; профиль для генеративного ИИ опубликован в июле 2024 года. Это добровольные ориентиры риск-менеджмента, применимость которых организация определяет с учётом собственной нормативной среды. [3].

4. Архитектура НУМ: семь управленческих переходов

Предлагаемый контур управляемых изменений НУМ включает семь последовательно связанных этапов:

Потребность → Требования → Проект решения → Испытания → Управленческий допуск → Контролируемый выпуск → Оценка эффекта.

Каждый переход фиксирует три сущности: ответственного, доказательство и критерий завершения. Без них процесс может оставаться формальным согласованием.

Этап Основной результат Владелец решения Проверяемый критерий
1. Потребность Business Brief Владелец процесса Цель и исходная метрика согласованы
2. Требования Executable Specification Бизнес-заказчик и архитектор Требования имеют тестируемые условия
3. Проект Solution Blueprint Архитектор / IT Известны затрагиваемые системы и данные
4. Испытания Test Evidence QA, IT, ИБ Критические проверки завершены
5. Допуск Human Release Gate Уполномоченное лицо Решение подписано, остаточный риск принят
6. Выпуск Release Manifest Ответственный за эксплуатацию Развёртывание наблюдаемо, восстановление проверено
7. Эффект Outcome Review Владелец процесса Результат сопоставлен с исходной базой

Англоязычные обозначения используются как рабочие имена артефактов предлагаемой модели. Их применение не означает появления нового отраслевого стандарта.

Принципиально важно разделять право подготовить изменение, право проверить изменение и право разрешить его выпуск. Эти полномочия могут находиться в разных подразделениях; их совмещение требует дополнительных компенсирующих мер контроля.

5. Классификация изменений по уровню воздействия

Одинаковая процедура согласования для каждого изменения создаёт лишние задержки. Поэтому целесообразна классификация по масштабу последствий.

Класс Пример Рекомендуемый режим
A — информационный Новая аналитическая панель только для чтения Проверка данных, доступа и корректности показателей
B — локальный функциональный Новое поле или отчёт в CRM Функциональные тесты и согласование владельца
C — межсистемный Изменение обмена CRM–ERP–1С Карта зависимостей, интеграционные тесты, план восстановления
D — критический Изменение финансовых проводок, доступа, производственных команд Расширенная независимая экспертиза, отдельный допуск и специальные процедуры

Класс определяется по наиболее серьёзному возможному последствию, включая изменения данных, влияние на третьих лиц, остановку процессов и требования законодательства. Категория должна уточняться по результатам карты воздействия.

6. Сквозной кейс: модуль контроля закупочных отклонений

Рассмотрим модельный пример промышленного предприятия. Директор по закупкам замечает, что рост цен по повторяющимся позициям обнаруживается с задержкой. Предприятие использует ERP, электронный документооборот и отдельную аналитическую систему. Руководитель хочет получать объяснимые сигналы об отклонениях до согласования закупки.

6.1. Управленческая постановка

Цель: сократить время обнаружения существенных ценовых отклонений при сохранении качества закупочных решений. Исходная метрика: медианное время от получения коммерческого предложения до выявления отклонения. Владелец результата: директор по закупкам. Ограничение: модуль предоставляет рекомендации; изменение статуса закупки выполняется по утверждённому регламенту.

Для анализа необходимо определить сопоставимость номенклатуры, объёмов, сроков поставки, валюты, логистики, характеристик и договорных условий. Без этих критериев даже технически корректный алгоритм способен формировать экономически бессмысленные сравнения.

6.2. Требования и критерии приёмки

ИИ помогает сформировать проект требований, после чего специалисты уточняют предметную логику. Пример проверяемого требования: «Система должна показывать основание сравнения и исходные записи для каждого сигнала». Другое требование: «При отсутствии достаточного количества сопоставимых закупок результат помечается как требующий ручной оценки».

Тестовые наборы должны включать одинаковую номенклатуру с разными условиями поставки, изменение валюты, ошибочные справочники, возвраты, дубли документов и отсутствие части данных. Приёмка проверяет не только корректность вычисления, но и понятность объяснения для закупщика.

6.3. Карта воздействия

Объект Возможное влияние Контроль
ERP Номенклатура, заказы, цены Чтение через ограниченный интерфейс; сверка справочников
Документооборот Договоры и спецификации Разрешённый доступ, учёт версий документов
Аналитическая система Показатели отклонений Тест качества данных и воспроизводимости
Рабочее место закупщика Сигналы и пояснения Пользовательская приёмка, журнал обратной связи
Управленческая отчётность Сводная динамика Согласованные определения показателей

Изменение в одном модуле способно влиять на смежные процессы. Карта воздействия превращает эти связи в предмет проверки до релиза.

6.4. Испытания и выпуск

Для пилота создаётся изолированная среда с синтетическими либо правомерно подготовленными данными. ИИ помогает разработать функцию и тесты. Специалисты проверяют бизнес-логику, интеграции, безопасность, производительность и качество пояснений. После устранения критических замечаний владелец процесса принимает функциональный результат, IT подтверждает готовность эксплуатации, ИБ оценивает применимые риски, а уполномоченное лицо разрешает ограниченный выпуск.

На первом этапе функция работает в режиме рекомендаций для небольшой группы закупщиков. Система сохраняет причины сигналов, решения сотрудников и случаи ошибочных срабатываний. После периода наблюдения руководитель получает сравнительный отчёт по времени обнаружения отклонений, качеству сигналов и затратам.

6.5. Управленческое решение

Возможны четыре результата: масштабировать, доработать, продолжить ограниченное наблюдение или завершить пилот. Это полноценные варианты управления капиталом и риском. Решение фиксируется вместе с доказательствами.

Статус кейса: учебная модель для демонстрации метода. Числа и результаты реального предприятия здесь не заявляются.

7. Испытательный контур и архитектура данных

Испытательная среда обеспечивает воспроизводимость разработки и проверок. Для неё необходимы изоляция учётных записей, ограничение сетевых соединений, управление секретами, контроль версий, журнал действий и процедура уничтожения временных данных.

Предпочтительный порядок работы с данными: синтетические наборы; обезличенные данные при подтверждённой достаточности обезличивания; ограниченные реальные данные только при наличии правового основания и необходимых мер защиты. Копия производственной базы сама по себе не меняет правовой режим содержащейся информации.

Интеграции с локальными и облачными моделями проектируются через управляемый шлюз. Для каждой модели определяются допустимые категории данных, место обработки, порядок хранения запросов, условия доступа и возможность замены поставщика. Для ряда государственных и регулируемых контуров подходящим вариантом может быть локальное исполнение с запретом внешней передачи данных.

Архитектура должна поддерживать восстановление после неудачного выпуска. Откат программной версии, восстановление базы и компенсация уже совершённых бизнес-операций — разные механизмы. Если новая функция создала внешний документ или инициировала платёж, простого возврата к прежнему коду недостаточно.

8. Проверка качества: доказательства вместо впечатлений

Надёжность изменения определяется набором проверок, соответствующих классу воздействия. Для межсистемного изменения целесообразно фиксировать как минимум:

  1. Функциональные испытания и пограничные сценарии.
  2. Контрактные и интеграционные проверки обмена данными.
  3. Проверку прав доступа, секретов и журналирования.
  4. Анализ зависимостей, уязвимостей и конфигураций.
  5. Нагрузочные испытания по реалистичному профилю.
  6. Проверку качества данных и воспроизводимости результатов.
  7. Пользовательскую приёмку владельцем процесса.
  8. Испытание остановки, отката и восстановления.

Для ИИ-компонентов добавляются проверки устойчивости к некорректным инструкциям, изменению входных данных и превышению полномочий. OWASP описывает риск Excessive Agency через избыточную функциональность, разрешения и автономию, рекомендуя минимизацию полномочий и человеческое подтверждение значимых действий. [5].

Принцип приёмки: каждое существенное требование должно иметь проверяемое доказательство, а каждое критическое замечание — зафиксированное решение о его устранении либо о допустимости остаточного риска.

9. Human Release Gate: управленческий допуск к эксплуатации

Human Release Gate — предлагаемая в НУМ точка принятия решения о выпуске изменения в рабочую среду. Её назначение — собрать в одном решении бизнес-обоснование, технические доказательства, оценку риска и готовность эксплуатации.

Пакет для допуска содержит: идентификатор изменения; версию; перечень затрагиваемых систем; бизнес-цель; ответственных; карту воздействия; результаты испытаний; открытые замечания; ограничения использования; план развёртывания; план восстановления; критерии остановки; порядок наблюдения; дату повторной оценки.

Уполномоченный руководитель может согласовать выпуск, согласовать ограниченный пилот, вернуть решение на доработку или отклонить его. В критических случаях требуются дополнительные независимые согласования. Автоматизированная система может технически выполнить разрешённый выпуск, но само разрешение формируется в установленном человеческом контуре.

Смежные вопросы цифрового мандата и независимого контроля подробнее раскрыты в исследованиях «ИИ-агент — засланный казачок?» и «Know Your Agent: цифровой мандат». Здесь эти принципы применяются непосредственно к процедуре выпуска изменений.

10. Release Evidence Package: доказательная база решения

Предлагаемая структура Release Evidence Package включает шесть взаимосвязанных частей:

Артефакт Что доказывает
Business Case Изменение связано с конкретной задачей и показателями
Impact Map Известны зависимости и возможные последствия
Test Report Требования прошли необходимые проверки
Security & Data Review Права, данные и риски оценены
Approval Record Есть полномочное решение о выпуске
Operations Plan Определены мониторинг, остановка и восстановление

Каждый артефакт должен ссылаться на конкретную версию программного обеспечения и конфигурации. Это позволяет восстановить историю: почему изменение было принято, на основании каких доказательств и какой результат дало.

Собранные записи становятся частью корпоративной памяти. В отличие от простого журнала коммитов они сохраняют связь технических действий с управленческими основаниями.

11. Экономика: стоимость подтверждённого изменения

При сравнении вариантов организации полезно оценивать совокупную стоимость изменения за единый горизонт:

TCC = проектирование + разработка + испытания + интеграции + эксплуатация + ожидаемые потери от рисков.

Параллельно рассчитывается эффект: экономия времени, снижение потерь, качество решений, рост пропускной способности процесса или иной показатель, подтверждённый сопоставимыми данными.

Иллюстративный расчёт, тыс. рублей:

Статья Традиционный процесс С участием ИИ
Проектирование 120 65
Разработка 300 140
Тестирование и безопасность 100 140
Интеграция и внедрение 150 150
Эксплуатация за год 90 115
Итого без риск-поправки 760 610

В этом условном примере прямое снижение затрат составляет 150 тыс. рублей, или приблизительно 19,7%. При этом расходы на проверку увеличены: экономия на генерации кода не отменяет стоимости контроля. Для окончательного решения нужно добавить вероятность и последствия ошибок, затраты на лицензии и вычисления, сопровождение моделей, обучение и стоимость выхода из решения.

Показатель управленческой эффективности можно определить как стоимость одного изменения, достигшего заранее утверждённого полезного результата. Он связывает расходы с качеством приёмки и последующим эффектом. Для более широкого анализа экономики ИИ полезны материалы об оценке ROI пилота и «ИИ-эффект».

12. Применение в бизнесе и государственном секторе

Промышленность. Приоритетными кандидатами для пилота могут стать контроль закупочных отклонений, анализ простоев, подготовка технических отчётов и проверка согласованности производственных данных. Класс воздействия определяется тем, влияет ли функция на рекомендации, учёт или управляющие команды оборудования.

Торговля и услуги. CRM может развиваться через функции обнаружения потерянных сделок, контроля качества клиентских данных и формирования рекомендаций менеджерам. Ключевые критерии — достоверность данных, отсутствие ошибочных коммуникаций, соблюдение прав доступа и подтверждённое изменение конверсии либо скорости обслуживания.

Муниципальное управление. Возможные направления — контроль исполнения поручений, анализ сроков документов, подготовка управленческих сводок. Для каждой задачи отдельно определяются категории информации, допустимая инфраструктура, полномочия и правовые ограничения. Решения, затрагивающие права граждан, требуют особенно строгого человеческого контроля и установленного административного порядка.

Для предприятий Воронежской области и Черноземья существенны задачи интеграции действующих учётных систем, производственных данных и управленческой отчётности. Географическая применимость этих сценариев не означает наличия подтверждённых региональных внедрений; такие кейсы следует публиковать отдельно с согласия организаций и проверенными результатами.

13. Где здесь AINUM Office, CRM и ERP

Практическая ценность подхода состоит в возможности развивать действующий цифровой контур организации, включая решения AINUM и интеграции с существующими системами. Управленческая архитектура должна предусматривать подключение разрешённых локальных и облачных LLM через контролируемый слой интеграций, разделение прав, регистрацию действий, испытания и утверждение изменений.

Для конкретной версии AINUM необходимо отдельно подтверждать состав реализованных функций, поддерживаемые коннекторы, режимы обработки данных, результаты тестов и эксплуатационные ограничения. Архитектурная возможность и промышленно подтверждённая реализация — разные уровни доказательности.

Важен практический сценарий: руководитель формулирует потребность, система помогает подготовить проект требований и изменения, специалисты проводят проверку, уполномоченное лицо разрешает выпуск, а управленческий контур измеряет результат. Так методология НУМ связывает генеративные технологии с действующей инфраструктурой предприятия.

14. Диагностика готовности: 15 критериев

Оцените каждый пункт по шкале 0 — отсутствует, 1 — частично реализовано, 2 — подтверждено документами или испытанием.

Управление: назначен владелец каждого изменения; утверждён порядок полномочий ИИ; определены лица, принимающие решение о выпуске.

Архитектура: ведётся реестр систем и интеграций; существует изолированная испытательная среда; проверен порядок восстановления.

Данные и безопасность: установлены категории данных; права цифровых исполнителей минимизированы; действия и решения журналируются.

Экономика: рассчитывается совокупная стоимость; заранее установлены показатели результата; после внедрения проводится оценка эффекта.

Люди и компетенции: сотрудники умеют формулировать проверяемые требования; назначены ответственные за приёмку; действует порядок реагирования на ошибки.

Максимум — 30 баллов. 0–10 указывает на необходимость базовой подготовки, 11–20 — на частичную готовность и приоритет устранения пробелов, 21–30 — на возможность рассмотреть ограниченный пилот после отдельной оценки рисков. Суммарный балл не заменяет обязательные требования безопасности: критический пробел способен остановить проект независимо от результата анкеты.

Практический вопрос для руководителя: какой из пятнадцати критериев сегодня создаёт наибольшее ограничение для безопасного развития ваших информационных систем? Если требуется независимый разбор архитектуры, интеграций и полномочий, напишите авторам в MAX.

15. Дорожная карта 90 дней

Период Управленческое действие Результат
Дни 1–15 Выбрать процесс, владельца, исходную метрику и ограничения Business Brief и базовая линия
Дни 16–30 Составить карту систем, данных, прав и требований Solution Blueprint и критерии приёмки
Дни 31–45 Подготовить ограниченную функцию и тестовые данные Тестовая версия и первичные протоколы
Дни 46–60 Проверить интеграции, безопасность, качество и восстановление Test Evidence и реестр замечаний
Дни 61–75 Принять решение о допуске и провести ограниченный выпуск Approval Record, Release Manifest, журнал наблюдения
Дни 76–90 Сопоставить результат с исходной метрикой и затратами Outcome Review и решение о масштабировании

Этот график является ориентиром для ограниченного пилота. Для сложных ERP, критической инфраструктуры и регулируемых государственных систем сроки определяются масштабом изменений, экспертизой и обязательными процедурами.

16. Правовые и организационные условия

Российская организация должна определить применимость законодательства о персональных данных, защите информации, коммерческой тайне, критической информационной инфраструктуре и отраслевых правил. Особое внимание уделяется месту обработки данных, внешним передачам, правам доступа, журналированию, хранению и удалению информации.

Техническая возможность подключить облачную модель не определяет правомерность такого подключения. Решение принимается по результатам классификации данных, анализа договора с поставщиком, оценки угроз и внутренних регламентов. Для некоторых контуров требуется локальная инфраструктура и исключение внешних передач.

Международные рекомендации NIST и OWASP могут использоваться как методические ориентиры, но не подменяют российское законодательство и требования уполномоченных органов. Конкретный проект нуждается в юридической и технической оценке.

17. Выводы исследования

Генеративный ИИ расширяет возможности организации по развитию корпоративных систем. При этом устойчивое преимущество определяется качеством управленческой архитектуры, в которой техническая разработка связана с бизнес-целями, доказательствами, полномочиями и фактическими результатами.

Предлагаемый контур управляемых изменений НУМ объединяет семь этапов: потребность, требования, проект, испытания, допуск, выпуск и оценку эффекта. Он опирается на существующие инженерные практики и добавляет сквозную управленческую трассировку — от причины изменения до результата для организации.

Три практических следствия особенно важны для руководителя. Первое: управление потоком изменений становится отдельной компетенцией предприятия. Второе: качество доказательств и ясность полномочий определяют допустимую скорость внедрения. Третье: корпоративная память должна сохранять причины, условия и результаты каждого существенного цифрового изменения.

Главный вывод: организация получает максимальную пользу от ИИ тогда, когда способна быстро создавать решения, уверенно оценивать последствия и последовательно превращать проверенные изменения в измеримый результат.

Вопросы руководителей

Может ли ИИ самостоятельно изменить ERP? Технически отдельные инструменты способны выполнять операции с кодом и конфигурацией. Допустимый объём действий устанавливает организация; выпуск существенных изменений проходит через утверждённые процедуры и полномочных людей.

Нужна ли отдельная платформа? Подход может реализовываться с использованием существующих средств ITSM, репозиториев, CI/CD, тестирования и журналирования. Выбор платформы определяется архитектурой и масштабом предприятия.

Какой пилот выбрать первым? Предпочтителен процесс с измеримой ценностью, понятными данными, ограниченным воздействием и назначенным владельцем результата.

Как оценить экономию? Сравнить полную стоимость вариантов за одинаковый период, учесть ожидаемые риски и измерить результат относительно исходной базы.

Подходит ли модель государственному сектору? Как управленческая схема — да, после адаптации к применимым правовым требованиям, режимам данных, полномочиям и регламентам конкретной организации.

Связанные исследования и практические инструменты

Источники и методология

  1. ClickHouse. Managed Postgres goes GA and Xata acquisition brings agentic capabilities to the service. 9 ноября 2026 года. Открыть первоисточник
  2. Microsoft. IBM and Microsoft announce a new AI agent platform designed for industry-specific transformation. 10 ноября 2026 года. Открыть первоисточник
  3. NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0). 26 января 2023 года. Открыть первоисточник
  4. NIST. AI RMF: Generative AI Profile. 26 июля 2024 года. Открыть первоисточник
  5. OWASP GenAI Security Project. LLM06:2025 Excessive Agency. Открыть первоисточник

Метод: сопоставление первичных технологических анонсов, общедоступных материалов по управлению рисками и авторской модели НУМ; концептуальный анализ жизненного цикла изменений; иллюстративный сценарий; расчётная экономика. В материале отсутствует собственная эмпирическая выборка предприятий, поэтому предложенные метрики и инструменты требуют проверки в конкретных пилотах.


Алексей Несмеянов и Калина Яркина — авторы Новой управленческой модели (НУМ).

Обсудить применение подхода: если ваша организация планирует развитие CRM, ERP, интеграции с 1С, внедрение локальных или облачных моделей либо создание новых функций с помощью генеративного ИИ, напишите нам в MAX. Мы можем обсудить управленческую задачу, ограничения и возможный формат оценки.

© 2026. Алексей Несмеянов, Калина Яркина. Авторы НУМ.