ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Риски применения генеративного искусственного интеллекта в BI-технологиях

Авторы

  • Виктор Петрович Часовских https://orcid.org/0000-0002-9454-9824 Уральский государственный экономический университет, 620108, Екатеринбург, ул. 8 Марта, д. 62
  • Елена Викторовна Кох https://orcid.org/0000-0001-7040-3380 Уральский государственный экономический университет, 620108, Екатеринбург, ул. 8 Марта, д. 62
DOI: 10.25726/i9737-2710-5061-i EDN: PGLVTQ

Как цитировать

ГОСТ Часовских В. П., Кох Е. В. Риски применения генеративного искусственного интеллекта в BI-технологиях // СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ. 2026. Т. 70. № 9. С. 183-194. DOI: 10.25726/i9737-2710-5061-i
APA Часовских, В. П. & Кох, Е. В. (2026). Риски применения генеративного искусственного интеллекта в BI-технологиях. СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ, 70(9), 183-194. https://doi.org/10.25726/i9737-2710-5061-i

Аннотация

В статье рассматриваются риски применения генеративного искусственного интеллекта в современных BI-технологиях. Показано, что интеграция генеративного ИИ в системы Business Intelligence открывает новые возможности для автоматизации аналитической отчётности, формирования запросов на естественном языке, генерации программного кода, прогнозирования и поддержки управленческих решений. Вместе с тем использование таких технологий сопровождается существенными угрозами, связанными с недостоверностью аналитических выводов, качеством данных, информационной безопасностью, конфиденциальностью, непрозрачностью алгоритмов, юридическими и этическими ограничениями, организационной зависимостью от поставщиков, а также рисками кибератак и манипулирования аналитикой. Особое внимание уделено проблеме формирования убедительных, но фактически неверных выводов, которые могут привести к ошибочным управленческим решениям. На основе анализа научной литературы, подходов к управлению ИИ-рисками и практик внедрения BI-систем предложена классификация рисков генеративного ИИ в BI и определены направления их минимизации. К таким направлениям относятся управление качеством данных, разграничение доступа, аудит запросов и ответов, использование проверяемых результатов, локализация данных, тестирование моделей, внедрение принципа human-in-the-loop, разработка регламентов и обучение пользователей. Сделан вывод о необходимости рассматривать генеративный ИИ в BI не как самостоятельный источник истины, а как вспомогательный инструмент, требующий контроля, прозрачности и ответственного использования.

Ключевые слова

Business Intelligence BI-технологии генеративный искусственный интеллект риски ИИ качество данных информационная безопасность аналитика данных управленческие решения explainable AI Data Governance

Финансирование

Авторы не заявили о внешнем финансировании исследования.

Библиографические ссылки

Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. Санкт-Петербург: БХВ-Петербург, 2008. 336 с.

Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Text Mining, Visual Mining, OLAP. 2 изд. 2-е изд., перераб. и доп. Санкт-Петербург: БХВ-Петербург, 2008. 384 с.

Вапник В.Н. Восстановление зависимостей по эмпирическим данным. Москва: Наука, 1979. 447 с. https://scinetwork.ru/disk/file/15846/

Ведерников М. ИИ в аналитике: как AI-агенты превращают BI в генеративный // Эпсилон Метрикс. 2025. https://blogs.epsilonmetrics.ru/generativnye-ai-agenty-i-llm-v-bi/

Дхамани Н., Энглер М. Генеративный искусственный интеллект: как ИИ меняет нашу жизнь и работу. Пер. с англ. Е.В. Жевлаковой. Москва: Изд-во «Бомбора», 2025. 384 с.

Дэвенпорт Т. Внедрение искусственного интеллекта в бизнес-практику: преимущества и сложности. Москва: Альпина Паблишер, 2023. 337 с.

Майер-Шенбергер В., Кукьер К. Большие данные. Революция, которая изменит то, как мы живём, работаем и мыслим. Пер. с англ. И. Гайдюк. Москва: Манн, Иванов и Фербер, 2014. 240 с. 978-5-91657-936-9

Нагель Э. Теорема Геделя. Сокр. пер. с англ. Ю.А. Гастева. Соавт. Ньюмен Д.Р. Москва: Знание, 1970. 63 с.

Радионов М., Зворыгин В. Разговариваем с BI на естественном языке // Хабр. 2024. https://habr.com/ru/companies/sberbank/articles/793378/

Рындина С.В. Интеллектуальные информационные системы и технологии: системы Business Intelligence Microsoft Power BI: учебно-методическое пособие. Пенза: Изд-во ПГУ, 2021. 64 с. https://elib.pnzgu.ru/files/eb/QWL8LIB6yjPS.pdf

Сейновски Т. ChatGPT и будущее искусственного интеллекта: глубокая языковая революция. Санкт-Петербург: Питер, 2026. 288 с. Серия «New Science».

Сокаренко Н. Бизнес-аналитика с помощью ИИ: как ИИ-инструменты помогают работать с данными // Академия Selectel. 2026. https://selectel.ru/blog/business-analytics-with-ai/

Тарашнина С. Генеративный ИИ выводит бизнес-аналитику на новый уровень – какие перспективы и вызовы это открывает для компаний? // Компьютерный мир. Открытые системы. 2025. https://www.osp.ru/articles/2025/0722/13059774

Тенденции на BI-рынке в 2026 году // www.1cbit.ru. 2026. https://www.1cbit.ru/blog/tendentsii-na-bi-rynke/

Фостер Д. Генеративное глубокое обучение. Творческий потенциал нейронных сетей. Санкт-Петербург: Питер, 2020. 352 с.

Часовских В.П., Усольцев В.А., Кох Е.В. Естественный и искусственный интеллект как инструмент преобразования данных: монография. Киров: Изд-во МЦИТО, 2025. 252 с.

Часовских В.П. Генеративный искусственный интеллект как среда создания интеллектуальных помощников так называемых ИИ-агентов: учебное пособие. Рец. Поршнев С.В. Киров: Изд-во Межрегиональный центр инновационных технологий в образовании, 2026. 252 с.

Bender E.M., Gebru T., McMillan-Major A., Shmitchell S. On the dangers of stochastic parrots: can language models be too big? // Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency. 2021. pp. 610-623.

Bommasani R. On the opportunities and risks of foundation models // Stanford Center for Research on Foundation Models. 2021. https://arxiv.org/abs/2108.07258/

Ji Z. Survey of hallucination in natural language generation // ACM Computing Surveys. 2022. Vol. 55. № 6. Article 137.

NIST. Artificial intelligence risk management framework (AI RMF 1.0) // National Institute of Standards and Technology. 2021. https://www.nist.gov/itl/ai-risk-management-framework/

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. 414 p. https://www.oreilly.com/library/view/data-science-for/9781449374273/?utm_source=chatgpt.com

Ray P.P. ChatGPT: a comprehensive review on background, applications, key challenges, bias, ethics, limitations and future scope // Internet of Things and Cyber-Physical Systems. 2023.

Выпуск

Том 70 № 9 (2026): Строительные и дорожные машины

Раздел

ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Метрики

45 просмотров
0 скачиваний

Права и условия использования

Правообладатель: СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ

Условия использования полного текста: Все права защищены

Метаданные статьи доступны на условиях CC0 1.0

JATS XML
Полнотекстовая версия
Хотите опубликоваться?
Подать статью

Похожие статьи

<< < 3 4 5 6 7 8 9 10 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.

Наиболее читаемые статьи этого автора (авторов)