Библиографическое описание:Идентификация и прикладная интерпретация новых признаков классификации комплаенс-рисков в среде искусственного интеллекта : научное издание / И. В. Петрученя. - Текст : непосредственный // π-Economy. - 2026. - Т. 19, № 1. - С. 62-79. - ISSN 2782-6015, DOI 10.18721/JE.19103.
Аннотация:В условиях цифровой трансформации комплаенс-среды не только появляются и развиваются новые актуальные инструменты для комплаенса, но и формируется новая категория «техногенных» рисков, для управления которыми традиционные, статичные методы систематизации и группировки малопригодны. Целью данного исследования являются выявление новых видов комплаенс-рисков в условиях применения искусственного интеллекта (ИИ) и разработка усовершенствованной классификации, а также верификация прикладной значимости результатов исследования посредством оценки их влияния на минимизацию потенциальных потерь организаций. В основу работы положен теоретико-методологический подход, включающий комплекс теоретико-аналитических методов, таких как сравнительно-правовой анализ, контент-анализ нормативных документов и научных публикаций, формально-логическое моделирование, позволившее структурировать проведенные исследования. Сравнительный анализ существующих научных разработок по данной проблеме в отечественной и зарубежной литературе выявил ограниченную их применимость к рискам, порождаемым применением ИИ и больших данных. Научная новизна исследования заключается в разработке теоретико-методологического подхода к совершенствованию классификации комплаенс-рисков, основанного на выявлении и систематизации новых специфических видов угроз, порождаемых фундаментальными свойствами систем ИИ (автономностью, изменчивостью, масштабируемостью), включая латентную дискриминацию и программные искажения фактических данных; а также на онтологическом обосновании признаков классификации специфических видов комплаенс-рисков, что позволило расширить предметное поле цифрового комплаенса и обеспечить повышение коэффициента охвата идентифицируемых рисков с 42% (в базовых моделях) до 90% (в авторской модели). Для подтверждения прикладной состоятельности теоретико-методологических положений предложенной классификации автором сформирован инструментально-расчетный блок исследования, направленный на верификацию прогнозной эффективности предлагаемых мер. Данный аспект новизны заключается в разработке методики количественной оценки эффективности предлагаемых решений, включающей обоснование коэффициента сравнительной эффективности, позволяющего математически верифицировать превосходство авторского подхода над традиционными статичными моделями; выведение модифицированной формулы, обеспечивающей конвертацию качественных признаков рисков в измеримые количественные показатели экономической выгоды организации. Предложенная в данной статье классификация комплаенс-рисков может служить теоретическим фундаментом для создания предиктивных моделей комплаенс-мониторинга, проактивной адаптации нормативно-правового поля, разработки предиктивных, превентивных систем контроля, цифровых профилей комплаенс-рисков и автоматизации оценки ответственности субъектов.
In the context of the digital transformation of the compliance environment, not only are new relevant compliance tools emerging and developing, but a new category of «technogenic» risks is also being formed, for which traditional, static methods of systematization and grouping are of little use. The goal of this study is to identify new types of compliance risks from the use of artificial intelligence (AI) and to develop an improved classification, as well as to verify the practical significance of the research results by assessing their impact on minimizing potential losses for organizations. The work is based on a theoretical and methodological approach, incorporating a range of theoretical and analytical methods, such as systems and comparative legal analysis, content analysis of regulatory documents and scientific publications and formal logic modeling, which allowed for the structuring of the research. A comparative analysis of existing scientific studies on this topic in domestic and foreign literature revealed their limited applicability to the risks posed by AI and Big Data. The scientific novelty of the research lies in the development of a theoretical and methodological approach to improving the classification of compliance risks, based on the identification and systematization of new specific types of threats generated by the fundamental properties of AI systems (autonomy, variability, scalability), including latent discrimination and algorithmic distortion of factual data; as well as on the ontological substantiation of the classification criteria for specific types of compliance risks, which has expanded the scope of digital compliance and increased the risk coverage ratio from 42% (in basic models) to 90% (in the author's model). To confirm the practical validity of the theoretical and methodological principles of the proposed classification, the author developed an instrumental and computational block aimed at verifying the predictive effectiveness of the proposed measures. This novelty aspect lies in the development of a methodology for quantitatively assessing the effectiveness of the proposed solutions, including the substantiation of a comparative effectiveness coefficient, allowing for mathematical verification of the superiority of the author's approach over traditional static models; and the derivation of a proprietary formula for determining prevented potential damage, ensuring the conversion of qualitative risk indicators into measurable quantitative indicators of the organization's economic benefit. The classification of compliance risks proposed in this article can serve as a theoretical foundation for the creation of predictive compliance monitoring models, proactive adaptation of the regulatory framework, development of predictive, preventive control systems, digital compliance risk profiles and the automation of entity liability assessment.
Ключевые слова:risk classification, compliance risks, digital compliance, set of criteria, risks, artificial intelligence, big Data, regulatory environment, companies, классификация рисков, комплаенс-риски, цифровой комплаенс, набор критериев, риски, искусственный интеллект, Большие Данные, регуляторная среда, компании
