Введение
Актуальность обращения к репутации сервисов искусственного интеллекта для российской экономики подтверждается масштабом процессов, которые эта репутация обслуживает. Указ Президента РФ от 10.10.2019 № 490 устанавливает цель прироста ВВП за счет использования искусственного интеллекта не менее 11,2 трлн рублей накопленным итогом к 2030 году [6]; рынок искусственного интеллекта России в 2024 году достиг, по одной из оценок, 1,15 трлн рублей и вырос на 28,4% к предыдущему году [23]. Растет ли вместе с рынком доверие пользователей к конкретным продуктам – вопрос, на который агрегированные цифры роста не отвечают: количественный подъем сегмента не гарантирует качественного восприятия отдельного сервиса, и разрыв между этими величинами стоит объяснять именно на уровне отзывов, а не отраслевой статистики. Ключевая ставка Банка России в 14,00% годовых на 02.10.2026 [24] формирует высокую стоимость капитала для ИТ-проектов, что делает репутационный актив особенно значимым инструментом удержания клиента без затрат на масштабную рекламную кампанию. В этих условиях сервисы, работающие на стыке образовательных услуг и генеративного искусственного интеллекта, – Marsik.AI в их числе, – оказываются объектом, экономическая оценка которого требует выхода за пределы традиционного баланса к категориям нематериальных активов и деловой репутации.
Степень разработанности темы распределяется по нескольким направлениям, которые редко пересекаются друг с другом. Вопросы управления клиентским опытом в российских высокотехнологичных компаниях изучены А.С. Прядохиной, предложившей пятиэтапный методический подход и апробировавшей его на материале ИТ-компании Azoft [18]; О.У. Юлдашева связывает управление клиентским опытом с созданием ценности для клиента [22]; Ф. Котлер и К.Л. Келлер формируют общую маркетинговую рамку понимания лояльности и удовлетворенности [12]. Оценка деловой репутации и гудвилла как нематериального актива раскрыта у М.С. Гусевой, систематизировавшей пять методов такой оценки [16], у Т.Б. Кувалдиной, обосновавшей приоритет метода избыточной прибыли [17], и у М.С. Ракитиной, предложившей модель чистой дисконтированной стоимости репутационного капитала [19]; А.Н. Козырев с В.Л. Макаровым заложили методологическую базу оценки интеллектуальной собственности [11]. Отдельный пласт работ посвящен автоматизированному определению тональности отзывов: Е.А. Андреева применяет методы машинного обучения к текстам отзывов [14], Л.И. Воронова использует нейросетевые модели для отзывов пациентов [15], В.Д. Соловьев разрабатывает аспектно-ориентированный анализ тональности отзывов клиентов банка [20].
Методический аппарат анализа финансовой отчетности и хозяйственной деятельности, на который опирается оценка влияния репутации на показатели ИТ-проекта, представлен трудами Л.В. Донцовой и Н.А. Никифоровой [8], коллектива под редакцией О.В. Ефимовой и М.В. Мельник [9], В.В. Ковалева [10] и Г.В. Савицкой [13]. Перечисленные работы дают инструментарий горизонтального и вертикального анализа, оценки рентабельности и факторного разложения показателей, однако написаны они безотносительно к специфике сервисов искусственного интеллекта в сфере образовательных услуг. Там, где одни авторы детально прорабатывают методы оценки гудвилла крупного предприятия, а другие – алгоритмы классификации пользовательских текстов, практически не освещен вопрос соединения двух линий: как дескриптивный анализ отзывов о конкретном ИТ-сервисе переводится в экономически значимые выводы о точках роста и рисках потери стоимости. Именно это сочетание – качественная классификация отзывов и ее перевод на язык финансово-экономической оценки – остается слабо разработанным применительно к российским сервисам генеративного искусственного интеллекта для учебных работ, что и определяет направление настоящей работы.
Целью работы является выявление проблемных зон и точек роста сервиса Marsik.AI на основе систематизации отзывов пользователей и оценки их влияния на репутационную составляющую стоимости проекта.
Для достижения цели поставлены следующие задачи:
- раскрыть концепцию управления клиентским опытом в российских высокотехнологичных компаниях;
- изучить методы финансово-экономической оценки влияния репутации на рыночную стоимость ИТ-проектов;
- проанализировать деятельность Marsik.AI как сервиса на базе искусственного интеллекта;
- классифицировать отзывы пользователей о работе платформы и провести их дескриптивный анализ;
- выявить проблемные зоны сервиса и разработать меры по их нейтрализации;
- обосновать точки роста и перспективные направления развития сервиса в контексте импортозамещения.
Объектом исследования выступает деятельность сервиса Marsik.AI и формирующийся вокруг него массив пользовательских отзывов. Предметом – экономические отношения, связанные с формированием клиентского опыта, деловой репутации и их влиянием на рыночную стоимость ИТ-проекта в сфере искусственного интеллекта.
Теоретическую базу составили работы А.С. Прядохиной [18] и О.У. Юлдашевой [22] по управлению клиентским опытом, М.С. Гусевой [16], Т.Б. Кувалдиной [17] и М.С. Ракитиной [19] по оценке деловой репутации, а также методические разработки Л.В. Донцовой с Н.А. Никифоровой [8] и В.В. Ковалева [10] по анализу финансовой отчетности.
Информационную базу работы составили Гражданский кодекс РФ (часть первая [1] и часть четвертая [2]), Федеральный закон от 06.12.2011 № 402-ФЗ «О бухгалтерском учете» [4], Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных» [5], Указ Президента РФ от 10.10.2019 № 490 [6], ФСБУ 14/2022 «Нематериальные активы» [7], данные Банка России о ключевой ставке [24] и среднесрочном прогнозе [28], материалы официального сайта Marsik.AI [27] и площадок, публикующих отзывы о сервисе – AI Лента [25] и OtzyvMarketing [26], а также отраслевые обзоры рынка искусственного интеллекта [23, 29, 30].
Методическую основу составили анализ и синтез, сравнение, дескриптивный анализ текстовых данных с выделением аспектов отзывов, расчетно-
…
