По мере роста объемов корпоративной информации и усложнения рыночной среды классические системы поддержки принятия решений трансформировались в интеллектуальные СППР (Intelligent DSS, IDSS). Если традиционная СППР выступает пассивным калькулятором, в котором аналитик должен сам выбрать формулу и вручную задать сценарий, то интеллектуальная система работает как активный цифровой советник: она способна рассуждать по логическим правилам, самостоятельно находить закономерности в данных и общаться с руководителем на обычном человеческом языке. Эта эволюция прошла через три поколения технологий искусственного интеллекта:

  1. Экспертные системы (ЭС) стали первым поколением интеллектуальных технологий в управлении и позволили оцифровать опыт лучших профильных специалистов (финансовых аудиторов, кредитных инспекторов, технологов, юристов). Логика принятия решений в них формализуется вручную в виде набора четких продукционных правил вида «ЕСЛИ [условие], ТО [действие или вывод]» (например: «ЕСЛИ просрочка клиента превышает 30 дней И сумма долга выше лимита, ТО заблокировать отгрузку и передать договор в юридический отдел»). Классическая экспертная система внутри СППР опирается на три обязательных модуля:
  1. Машинное обучение (Machine Learning, ML) сформировало второе поколение интеллектуальных СППР, преодолев главное ограничение экспертных систем - неспособность человека вручную прописать тысячи правил для сложных и постоянно меняющихся процессов. Вместо жестко заданных инструкций ML-алгоритмы обучаются на огромных исторических таблицах компании и самостоятельно находят в них скрытые нелинейные зависимости и статистические паттерны. В современных СППР модели машинного обучения решают задачи, где требуется мгновенная оценка вероятностей по сотням признаков: проводят кредитный скоринг заемщиков за доли секунды, выявляют мошеннические транзакции в реальном времени (антифрод), предсказывают уход клиентов к конкурентам и прогнозируют поломки промышленного оборудования по показаниям датчиков еще до фактической аварии (предиктивное обслуживание).
  2. Генеративный искусственный интеллект и Большие языковые модели (LLM) открыли третье поколение развития СППР, позволив системам работать с тем, что раньше было недоступно для математических моделей, - с неструктурированными данными (на которые приходится до 80% всей информации в бизнесе) и естественной речью. Внедрение LLM дало управленческим системам три ключевые возможности:

При всех преимуществах большие языковые модели имеют серьезную уязвимость, опасную для бизнеса, - склонность к «галлюцинациям» (выдумыванию фактов). Поскольку базовая LLM обучена на текстах из открытого интернета, она не знает внутренних регламентов и закрытой отчетности конкретной компании, но при отсутствии точных данных может уверенным и правдоподобным языком сгенерировать несуществующие цифры выручки, вымышленные пункты договора или устаревшие статьи закона.

Чтобы полностью исключить галлюцинации и сделать генеративный ИИ надежным инструментом для принятия управленческих решений, в корпоративных СППР применяется архитектура RAG (Retrieval-Augmented Generation / Генерация, дополненная поиском). При таком подходе языковой модели запрещают отвечать «по памяти», а процесс ответа разбивают на два строгих шага: сначала поисковый модуль находит релевантные, проверенные фрагменты документов во внутренней корпоративной базе знаний компании (в актуальных приказах, финансовых отчетах, договорах и выгрузках из ERP/CRM), и только затем передает эти точные выдержки в языковую модель с жесткой инструкцией сформировать ответ для руководителя исключительно на основе найденных фактов с указанием прямых ссылок на первоисточники.