Journal of Applied Research Journal of Applied Research Журнал прикладных исследований 2712-7516 2949-1878 120488 10.26118/8739.2026.61.17.004 ЭКОНОМИКА. ЭКОНОМИЧЕСКИЕ НАУКИ. ECONOMICS. ECONOMIC SCIENCES. ЭКОНОМИКА. ЭКОНОМИЧЕСКИЕ НАУКИ. Hybrid Models of Managerial Decision-Making Based on Artificial Intelligence and Expert Assessment: Challenges and Implementation Prospects Гибридные модели принятия управленческих решений на основе искусственного интеллекта и экспертной оценки: проблемы и перспективы внедрения Бондаренко Виктор Николаевич Bondarenko Viktor Nikolaevich

аспирант экономических наук;

graduate student of economic sciences;

 Автономная некоммерческая научно-исследовательская организация «Международный институт информатизации и государственного управления им. П.А. Столыпина» Москва Россия Autonomous Non-Profit Research Organization "P.A. Stolypin International Institute of Informatization and Public Administration" Moscow Russian Federation 30-35 12 04 2026 https://jomeam.ru/en/nauka/article/120488/view

Статья посвящена исследованию гибридных моделей принятия управленческих решений, основанных на интеграции технологий искусственного интеллекта и экспертной оценки человека. Рассматриваются предпосылки формирования гибридных управленческих систем, их функциональные преимущества и ограничения, связанные с качеством данных, интерпретируемостью алгоритмов и организационными барьерами внедрения. Особое внимание уделяется проблеме распределения ответственности между человеком и интеллектуальной системой, а также формированию устойчивых моделей взаимодействия «человек — алгоритм». Делается вывод о том, что гибридные модели представляют наиболее перспективный формат цифровой трансформации управленческих процессов.

The article examines hybrid managerial decision-making models that integrate artificial intelligence (AI) tools with human expert judgment in environments characterized by high uncertainty and complex, multi-factor decision contexts. The study outlines the key advantages of AI-enabled analytics (large-scale data processing, forecasting, scenario modeling) and the major limitations that prevent fully automated decision-making in management, including data quality issues, model opacity, bias risks, accountability distribution, and organizational resistance. The paper proposes a staged implementation framework for hybrid decision-support systems, emphasizing the design of human–AI interaction, explainability mechanisms, governance and responsibility allocation, and continuous monitoring with feedback loops. It concludes that hybrid architectures represent a practical and sustainable pathway for organizations seeking to improve decision quality and resilience under uncertainty while maintaining strategic responsibility and contextual interpretation by decision-makers.

 искусственный интеллект; управленческие решения; гибридные модели; экспертная оценка; цифровая трансформация управления; алгоритмическое управление artificial intelligence managerial decision-making hybrid models expert judgment uncertainty decision support systems explainable AI governance

Авдеев В.В., Тихомиров В.В. Системы поддержки принятия решений. М.: Финансы и статистика, 2005. 768 с. Avdeev V.V., Tihomirov V.V. Sistemy podderzhki prinyatiya resheniy. M.: Finansy i statistika, 2005. 768 s. Виттих В.А. Управление сложными социально-экономическими системами. Самара: Самарский научный центр РАН, 2013.64 с. Vittih V.A. Upravlenie slozhnymi social'no-ekonomicheskimi sistemami. Samara: Samarskiy nauchnyy centr RAN, 2013.64 s. Глушков В.М. Основы безбумажной информатики. М.: Наука, 1982. 554 с. Glushkov V.M. Osnovy bezbumazhnoy informatiki. M.: Nauka, 1982. 554 s. Горобцов А.С., Рыжов Е.Н., Орлова Ю.А., Донская А.Р. Новые подходы к аппроксимации решений в машинном обучении // Искусственный интеллект и принятие решений. 2024. № 2. С. 106–115. Gorobcov A.S., Ryzhov E.N., Orlova Yu.A., Donskaya A.R. Novye podhody k approksimacii resheniy v mashinnom obuchenii // Iskusstvennyy intellekt i prinyatie resheniy. 2024. № 2. S. 106–115. Кобринский Б.А. Доверие к технологиям искусственного интеллекта // Искусственный интеллект и принятие решений. 2024. № 3. С. 3–17. URL: https://www.mathnet.ru/rus/iipr594 (дата обращения: 24.02.2026). Kobrinskiy B.A. Doverie k tehnologiyam iskusstvennogo intellekta // Iskusstvennyy intellekt i prinyatie resheniy. 2024. № 3. S. 3–17. URL: https://www.mathnet.ru/rus/iipr594 (data obrascheniya: 24.02.2026). Ларичев О.И. Теория и методы принятия решений. М.: Логос, 2000. 296 с. Larichev O.I. Teoriya i metody prinyatiya resheniy. M.: Logos, 2000. 296 s. Нуриев Р.М. Искусственный интеллект в системе государственного управления России и стран Европейского союза: сравнительно-правовой анализ // Вестник Российского университета дружбы народов. Серия: Государственное и муниципальное управление. 2025. Т. 12. № 4. С. 465–476. URL: https://journals.rudn.ru/public-administration/article/view/47912 (дата обращения: 24.02.2026). Nuriev R.M. Iskusstvennyy intellekt v sisteme gosudarstvennogo upravleniya Rossii i stran Evropeyskogo soyuza: sravnitel'no-pravovoy analiz // Vestnik Rossiyskogo universiteta druzhby narodov. Seriya: Gosudarstvennoe i municipal'noe upravlenie. 2025. T. 12. № 4. S. 465–476. URL: https://journals.rudn.ru/public-administration/article/view/47912 (data obrascheniya: 24.02.2026). Brynjolfsson E., McAfee A. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. New York: W.W. Norton & Company, 2014. // URL: https://wwnorton.com/books/9780393350647 (дата обращения: 24.02.2026). Brynjolfsson E., McAfee A. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. New York: W.W. Norton & Company, 2014. // URL: https://wwnorton.com/books/9780393350647 (data obrascheniya: 24.02.2026). Davenport T., Harris J. Competing on Analytics: The New Science of Winning. Boston: Harvard Business School Press, 2007. // URL: https://store.hbr.org/product/competing-on-analytics-the-new-science-of-winning/10070 (дата обращения: 24.02.2026). Davenport T., Harris J. Competing on Analytics: The New Science of Winning. Boston: Harvard Business School Press, 2007. // URL: https://store.hbr.org/product/competing-on-analytics-the-new-science-of-winning/10070 (data obrascheniya: 24.02.2026). Frank D.A., et al. Navigating uncertainty: exploring consumer acceptance of AI under high-stakes decisions // Technology in Society. 2024. // URL: https://www.sciencedirect.com/science/article/pii/S0160791X24000219 (дата обращения: 24.02.2026). Frank D.A., et al. Navigating uncertainty: exploring consumer acceptance of AI under high-stakes decisions // Technology in Society. 2024. // URL: https://www.sciencedirect.com/science/article/pii/S0160791X24000219 (data obrascheniya: 24.02.2026). Guo Z., et al. A Survey on Uncertainty Reasoning and Quantification for Decision Making: Belief Theory Meets Deep Learning. 2022. // URL: https://arxiv.org/abs/2206.05675 (дата обращения: 24.02.2026). Guo Z., et al. A Survey on Uncertainty Reasoning and Quantification for Decision Making: Belief Theory Meets Deep Learning. 2022. // URL: https://arxiv.org/abs/2206.05675 (data obrascheniya: 24.02.2026). Kahneman D. Thinking, Fast and Slow. New York: Farrar, Straus and Giroux, 2011. Kahneman D. Thinking, Fast and Slow. New York: Farrar, Straus and Giroux, 2011. Lindenmeyer A., et al. Towards Trustworthy AI in Healthcare: epistemic uncertainty estimation for clinical decision support // Journal of Personalized Medicine. 2025. // URL: https://www.mdpi.com/2075-4426/15/2/58 (дата обращения: 24.02.2026). Lindenmeyer A., et al. Towards Trustworthy AI in Healthcare: epistemic uncertainty estimation for clinical decision support // Journal of Personalized Medicine. 2025. // URL: https://www.mdpi.com/2075-4426/15/2/58 (data obrascheniya: 24.02.2026). Molnar C. Interpretable Machine Learning. 2nd ed. 2022. // URL: https://christophm.github.io/interpretable-ml-book/ (дата обращения: 24.02.2026). Molnar C. Interpretable Machine Learning. 2nd ed. 2022. // URL: https://christophm.github.io/interpretable-ml-book/ (data obrascheniya: 24.02.2026). Nordström M. AI under great uncertainty: implications and decision strategies for public policy // AI & Society. 2022. // URL: https://link.springer.com/article/10.1007/s00146-021-01263-4 (дата обращения: 24.02.2026). Nordström M. AI under great uncertainty: implications and decision strategies for public policy // AI & Society. 2022. // URL: https://link.springer.com/article/10.1007/s00146-021-01263-4 (data obrascheniya: 24.02.2026). Provost F., Fawcett T. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. Sebastopol: O’Reilly Media, 2013. // URL: https://www.oreilly.com/library/view/data-science-for/9781449374273/ (дата обращения: 24.02.2026). Provost F., Fawcett T. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. Sebastopol: O’Reilly Media, 2013. // URL: https://www.oreilly.com/library/view/data-science-for/9781449374273/ (data obrascheniya: 24.02.2026). Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Boston: Pearson, 2021. // URL: https://www.pearson.com/en-us/subject-catalog/p/artificial-intelligence-a-modern-approach/P200000003500/9780134610993 (дата обращения: 24.02.2026). Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Boston: Pearson, 2021. // URL: https://www.pearson.com/en-us/subject-catalog/p/artificial-intelligence-a-modern-approach/P200000003500/9780134610993 (data obrascheniya: 24.02.2026). Wang T., et al. From Aleatoric to Epistemic: Exploring Uncertainty Quantification Techniques in Artificial Intelligence. 2025. // URL: https://arxiv.org/abs/2501.03282 (дата обращения: 24.02.2026). Wang T., et al. From Aleatoric to Epistemic: Exploring Uncertainty Quantification Techniques in Artificial Intelligence. 2025. // URL: https://arxiv.org/abs/2501.03282 (data obrascheniya: 24.02.2026). Wu J., Shang S. Managing uncertainty in AI-enabled decision making and achieving sustainability // Sustainability. 2020. // URL: https://www.mdpi.com/2071-1050/12/21/8758 (дата обращения: 24.02.2026). Wu J., Shang S. Managing uncertainty in AI-enabled decision making and achieving sustainability // Sustainability. 2020. // URL: https://www.mdpi.com/2071-1050/12/21/8758 (data obrascheniya: 24.02.2026).