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.
искусственный интеллект; управленческие решения; гибридные модели; экспертная оценка; цифровая трансформация управления; алгоритмическое управление
1. Авдеев В.В., Тихомиров В.В. Системы поддержки принятия решений. М.: Финансы и статистика, 2005. 768 с.
2. Виттих В.А. Управление сложными социально-экономическими системами. Самара: Самарский научный центр РАН, 2013.64 с.
3. Глушков В.М. Основы безбумажной информатики. М.: Наука, 1982. 554 с.
4. 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.
5. 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).
6. Ларичев О.И. Теория и методы принятия решений. М.: Логос, 2000. 296 с.
7. 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).
8. 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).
9. 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).
10. 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).
11. 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).
12. Kahneman D. Thinking, Fast and Slow. New York: Farrar, Straus and Giroux, 2011.
13. 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).
14. Molnar C. Interpretable Machine Learning. 2nd ed. 2022. // URL: https://christophm.github.io/interpretable-ml-book/ (дата обращения: 24.02.2026).
15. 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).
16. 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).
17. 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).
18. 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).
19. 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).
