ДВИЖУЩИЕ СИЛЫ И БАРЬЕРЫ ВНЕДРЕНИЯ ПРАКТИК ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА РАЗВИВАЮЩИХСЯ РЫНКАХ

Данное исследование рассматривает основные драйверы и барьеры, влияющие на внедрение искусственного интеллекта (ИИ) в управление проектами, с особым акцентом на условия развивающихся рынков. Исследование основано на систематическом обзоре литературы, проведенном в соответствии с руководством PRISMA 2020. Итоговая выборка включала 41 рецензируемую статью, полученную из базы данных Scopus за период 2016–2025 гг. Выявленные факторы внедрения были закодированы и сгруппированы с использованием модели Technology–Organisation–Environment (TOE). В результате была определена 21 категория движущихся сил и 20 категорий барьеров. Результаты исследования показывают, что внедрение ИИ в управление проектами не ограничивается наличием передовых инструментов. Организации часто проявляют интерес к ИИ из-за его потенциала для повышения эффективности проектов, однако практическое внедрение сдерживается слабой инфраструктурой обработки данных, недостаточной технической зрелостью, нехваткой квалифицированных специалистов и неясными нормативными условиями. Этот разрыв особенно заметен на развивающихся рынках, где такие факторы окружающей среды, как цифровая инфраструктура, регулирование, стандарты и институциональная поддержка, часто определяют, возможно ли вообще внедрение на уровне компаний. В исследовании утверждается, что стратегии внедрения ИИ должны быть адаптированы к местным условиям. Для развивающихся рынков это означает, что организационные усилия должны начинаться не только с обучения на уровне фирмы или внедрения программного обеспечения, но и с разработки базовых цифровых, институциональных условий, которые делают возможным устойчивое внедрение ИИ.

1. Taboada, J., et al. Artificial intelligence in project management: A systematic literature review. Applied Sciences, 13 (8), 5014 (2023). https://doi.org/10.3390/app13085014

2. Ghanbaripour, A.N., et al. The Rise of Artificial Intelligence in Project Management: A Systematic Literature Review of Current Opportunities, Enablers, and Barriers. Buildings, 15 (7), 1130 (2024). https://doi.org/10.3390/buildings15071130

3. Cubric, M. Drivers, barriers and social considerations for artificial intelligence adoption: A tertiary review. Technology in Society, 62, 101257 (2022). https://doi.org/10.1016/j.techsoc.2020.101257

4. Prasad, K., and Saradhi, M.V. Comprehensive project management framework using machine learning. International Journal of Recent Technology and Engineering, 8, 1373–1377 (2019). https://doi.org/10.35940/ijrte.B1256.0782S319

5. Nugroho, S., and Uehara, T. Systematic review of agent-based and system dynamics models for socialecological system case studies. Systems, 11 (11), 530 (2023). https://doi.org/10.3390/systems11110530

6. De Marco, A., and Narbaev, T. Factors of Schedule and Cost Performance of Tunnel Construction Megaprojects. The Open Civil Engineering Journal, 12, 15–38 (2021).

7. Prifti, V. Optimizing project management using artificial intelligence. European Journal of Formal Sciences and Engineering, 5, 30–38 (2022). https://doi.org/10.26417/667hri67

8. Kalidullin, B., Samoilov, A., and De Marco, A. AI applications in project management: trends, challenges and future perspectives. Herald of the Kazakh-British Technical University, 22 (3), 390–403 (2025). https://doi.org/10.55452/1998-6688-2025-22-3-390-403

9. Serikbay, D., Kozhakhmetova, A., Jumasseitova, A., and Mukashev, Y. When Machines Manage: How AI Is Reshaping Project Management Practices. International Journal of Asian Business and Information Management, 16 (1), 1–18 (2025). https://doi.org/10.4018/IJABIM.384773

10. Guida, M., Caniato, F., Moretto, A., and Ronchi, S. The role of artificial intelligence in the procurement process: State of the art and research agenda. Journal of Purchasing and Supply Management, 29, 100823 (2023). https://doi.org/10.1016/j.pursup.2023.100823

11. Page, M.J., et al. The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71 (2021). https://doi.org/10.1136/bmj.n71

12. Seuring, S., and Müller, M. From a literature review to a conceptual framework for sustainable supply chain management. Journal of Cleaner Production, 16 (15), 1699–1710 (2008). https://doi.org/10.1016/j.jclepro.2008.04.020

13. Project Management Institute. A Guide to the Project Management Body of Knowledge (PMBOK® Guide), 7th ed. (Newtown Square, PA: Project Management Institute, 2021).

14. Tornatzky, L.G., and Fleischer, M. The Processes of Technological Innovation (Lexington, MA: Lexington Books, 1990).

15. Uddin, M., et al. Machine learning applications in project analytics: a data-driven framework and case study. Scientific Reports, 12, 16482 (2022). https://doi.org/10.1038/s41598-022-19728-x

16. Osei-Kyei, R., Narbaev, T., Falana, J., and Ottaviani, F.M. Artificial intelligence in achieving carbonneutral buildings: a critical analysis of the emerging techniques, their applications and challenges. Architectural Engineering and Design Management, 1–25 (2025). https://doi.org/10.1080/17452007.2025.2596708