СИСТЕМНИЙ ПІДХІД ДО ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В БІЗНЕС-ФУНКЦІЯХ ПІДПРИЄМСТВА ТА ОЦІНКА ЙОГО ВПЛИВУ НА ЕКОНОМІЧНУ ЕФЕКТИВНІСТЬ

  • Марина Кравченко Національний технічний університет України «Київський політехнічний інститут» https://orcid.org/0000-0001-5405-0159
  • Євгеній Поляков Національний технічний університет України «Київський політехнічний інститут» https://orcid.org/0009-0005-1901-9806
Ключові слова: штучний інтелект, функціональні напрями підприємства, цифрова інтеграція, ефективність, види технологій

Анотація

Метою статті є систематизація використання технологій штучного інтелекту в основних бізнес-функціях підприємства та оцінка їх впливу на економічну ефективність. У роботі здійснено класифікацію сучасних технологій штучного інтелекту за рівнем функціональної складності та розроблено структуровану матрицю відповідності між типами технологій, сферами їх застосування у десяти ключових функціональних напрямах підприємства, очікуваними ефектами та складністю впровадження Авторський внесок полягає у формуванні системного підходу до аналізу використання штучного інтелекту в економічних процесах підприємства, що дозволяє поєднати класифікацію технологій із функціональною структурою організації та результатами її діяльності. Наукова новизна дослідження полягає у поєднанні типології сучасних технологій штучного інтелекту з оцінкою їх практичного значення для різних функціональних напрямів підприємства у межах єдиної аналітичної моделі, що враховує очікувані економічні ефекти, а також рівень складності впровадження. У результаті дослідження встановлено, що вплив штучного інтелекту на економічну ефективність має диференційований характер залежно від функціонального напряму. В адміністративних процесах та напрямів, що стосуються взаємодії із клієнтом або надання сервісу, основні ефекти пов’язані зі зниженням витрат і підвищенням продуктивності, тоді як у маркетингу, дослідженнях та виробництві, використання штучного інтелекту сприяє підвищенню точності прогнозування, оптимізації процесів, скороченню часу розробки продукції та покращенню якості управлінських рішень. Складність впровадження технологій штучного інтелекту також відрізняється залежно від функціонального напряму. Найменша складність характерна для адміністративних процесів та маркетингу, де можливе використання готових рішень без істотної перебудови внутрішніх інформаційних систем. Натомість у виробництві, логістиці, фінансах та кібербезпеці впровадження потребує глибшої інтеграції з існуючою інфраструктурою. Практичне значення результатів полягає у можливості застосування запропонованої систематизації для прийняття обґрунтованих рішень щодо впровадження технологій штучного інтелекту з урахуванням завдань та функціональних потреб окремих департаментів підприємства.

Посилання

Saha R., Shofiullah S., Faysal S., Happy A. (2024). Systematic literature review on artificial intelligence applications in supply chain demand forecasting. Academic Journal on Business Administration, Innovation & Sustainability. Vol. 4(04). P. 109–127.

Balkan, D., & Akyuz, G. A. (2025). Artificial intelligence (AI), machine learning (ML) and decision-support (DS) in procurement and purchasing: A taxonomic review and research opportunities. Artificial Intelligence Review, Vol. 58, no. 341. DOI: https://doi.org/10.1007/s10462-025-11336-1

Wilson, G., Johnson, O., & Brown, W. The adoption of robotic process automation in marketing operations. Preprints.org. DOI: https://doi.org/10.20944/preprints202408.0327.v1

IBM. Types of artificial intelligence. Available at: https://www.ibm.com/think/topics/artificial-intelligence-types

European Commission. A definition of artificial intelligence: Main capabilities and scientific disciplines (High-Level Expert Group on Artificial Intelligence). Available at: https://ec.europa.eu/futurium/en/system/files/ged/ai_hleg_definition_of_ai_18_december_1.pdf

Google Cloud. Deep learning vs. machine learning: What’s the difference? Available at: https://cloud.google.com/discover/deep-learning-vs-machine-learning

NVIDIA. (2024). What is the difference between deep learning training and inference? Available at: https://blogs.nvidia.com/blog/difference-deep-learning-training-inference-ai/

IBM. Data-ready AI for business. Available at: https://www.ibm.com/think/insights/data-ready-ai-for-business

McKinsey & Company. Succeeding in the AI supply chain revolution. Available at: https://www.mckinsey.com/industries/metals-and-mining/our-insights/succeeding-in-the-ai-supply-chain-revolution

World Economic Forum. How leaders can drive business transformation. Available at: https://www.weforum.org/stories/2025/01/how-leaders-can-drive-business-transformation/

EY. How artificial intelligence can augment a people-centered workforce. Available at: https://www.ey.com/en_ly/insights/workforce/how-artificial-intelligence-can-augment-a-people-centered-workforce

SAP. What is enterprise AI? Available at: https://www.sap.com/ukraine/resources/what-is-enterprise-ai (accessed February 11, 2026)

Hewlett Packard Enterprise. What is enterprise AI? Available at: https://www.hpe.com/emea_europe/en/what-is/enterprise-ai.html

IMD Business School. AI in HR: How artificial intelligence is reshaping human resources. Available at: https://www.imd.org/blog/digital-transformation/ai-in-hr/

Microsoft. How real-world businesses are transforming with AI. Available at: https://blogs.microsoft.com/blog/2025/04/22/https-blogs-microsoft-com-blog-2024-11-12-how-real-world-businesses-are-transforming-with-ai/

CIO. 12 most popular AI use cases in the enterprise today. Available at: https://www.cio.com/article/652775/12-most-popular-ai-use-cases-in-the-enterprise-today.html

Stanford University. Artificial Intelligence Index Report 2025. Available at: https://hai-production.s3.amazonaws.com/files/hai_ai_index_report_2025.pdf

Переглядів статті: 22
Завантажень PDF: 34
Опубліковано
2026-03-24
Як цитувати
Кравченко, М., & Поляков, Є. (2026). СИСТЕМНИЙ ПІДХІД ДО ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В БІЗНЕС-ФУНКЦІЯХ ПІДПРИЄМСТВА ТА ОЦІНКА ЙОГО ВПЛИВУ НА ЕКОНОМІЧНУ ЕФЕКТИВНІСТЬ. Сталий розвиток економіки, (1 (58), 712-720. https://doi.org/10.32782/2308-1988/2026-58-95