В марте 2026 года Институт статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ опубликовал сравнительные данные о распространении ИИ в компаниях разного масштаба – от малого бизнеса до крупных корпораций. Для студента ИТ-специальности это не просто новость, а готовый фундамент для выпускной квалификационной работы. Во-первых, статистика из открытого источника – идеальное обоснование актуальности во введении. Во-вторых, цифры проникания ИИ в бизнес позволяют построить собственные модели, рассчитать экономические эффекты и защитить практическую часть перед комиссией. В статье разберём, как превратить новостную заметку в полноценное исследование и какие технические детали усилят вашу ВКР.
Возьмите конкретный сегмент из исследования ИСИЭЗ: малый, средний или крупный бизнес. Сузьте до прикладной задачи – например, «прогнозирование спроса на ИИ-сервисы в ритейле» или «разработка модуля автоматической категоризации обращений для МСБ». Тогда у вас появляется чёткий объект и предмет.
Открытые датасеты, данные Росстата, опросы, синтетическая генерация, а также аналитические отчёты – всё это допустимо. Исследование ИСИЭЗ тоже является качественным источником для вторичного анализа. Главное – корректно оформить ссылки и описать методологию.
Опирайтесь на стандарты: C4 или UML для схемы, ГОСТ 34 – для постановки задачи автоматизации. Для ML-системы укажите пайплайн: сбор данных → предобработка → обучение → оценка → деплой. Если нужно показать интеграцию, добавьте диаграмму развёртывания (Kubernetes, Docker).
Если вы разрабатываете модель – accuracy, precision, recall, F1, ROC-AUC. Если автоматизируете бизнес-процесс – TCO (совокупная стоимость владения), ROI, снижение времени обработки заявки, сокращение ошибок. В работе полезно привести и технические, и экономические метрики.
Код выносится в приложение, в тексте даются только фрагменты. Схема алгоритма – по ГОСТ 19.701-90, UML-диаграммы – в пояснительной записке. Подписи к рисункам: «Рисунок 1 – Диаграмма вариантов использования». Ссылки на ГОСТ помогут с нормоконтролем.
Актуальность: из статьи ИСИЭЗ видно, что малые компании отстают от крупных в несколько раз, но драйверы роста именно в этом сегменте. Цель: выявить барьеры и построить модель классификации компаний по уровню зрелости ИИ. Задачи: обзор методов оценки зрелости; сбор открытой статистики; разработка классификатора на Python; тестирование на данных 100+ компаний. Структура: Глава 1 – теоретический анализ (статья ИСИЭЗ как база), Глава 2 – проектирование модели, Глава 3 – эксперимент и расчёт экономической эффективности.
Актуальность: компании разного размера нуждаются в быстрой диагностике, а по данным ВШЭ, 68% средних предприятий уже используют хотя бы одно ИИ-решение, но не системно. Цель: создать MVP сервиса, который по анкете выводит рекомендации. Задачи: анализ предметной области, проектирование архитектуры (C4), реализация backend + frontend, тестирование по ISO/IEC 25010. В практической части можно использовать данные из экспресс-информации для валидации.
Актуальность: исследование показывает рост затрат на ИИ в корпорациях, но существующие модели не учитывают отраслевую специфику. Цель: построить модель прогнозирования бюджета на ИИ. Задачи: обзор факторов инвестиций, подготовка датасета из открытых источников, сравнение моделей (Linear Regression, Gradient Boosting), метрика RMSE. Дополнительно: визуализация результатов через графики в matplotlib.
Недостаточно написать «проведено исследование, показавшее рост ИИ». Комиссия ценит структурированность. Из статьи ИСИЭЗ возьмите цифры по трём категориям компаний и постройте сравнительную таблицу. Например:
| Категория бизнеса | Доля использующих ИИ | Основной барьер |
|---|---|---|
| Малый | ~12% | Недостаток компетенций |
| Средний | ~68% | Стоимость решений |
| Крупный | ~86% | Интеграция с legacy-системами |
В главе 1 эту таблицу можно вставить как рисунок или таблицу с пояснением: «По данным ИСИЭЗ НИУ ВШЭ...». Добавьте анализ: почему малый бизнес отстаёт на 74 процентных пункта? Свяжите с дефицитом кадров, отсутствием инфраструктуры, дороговизной разработки. Так вы покажете не просто рерайтинг, а аналитические способности.
import matplotlib.pyplot as plt
# Визуализация данных ИСИЭЗ для дипломной презентации
cats = ['Малый', 'Средний', 'Крупный']
vals = [12, 68, 86]
plt.bar(cats, vals, color=['#FFA000', '#1976D2', '#388E3C'])
plt.title('Внедрение ИИ в организациях разной величины')
plt.ylabel('Доля компаний, %')
plt.xticks(cats)
plt.show()Этот код подойдёт для приложения или врезки в главу 1. Не забудьте про подпись по ГОСТ.
Во второй главе продемонстрируйте, как вы проектируете систему. Здесь пригодятся C4-диаграммы (контекст, контейнеры, компоненты, код). Если вы разрабатываете ML-сервис, опишите компоненты: модуль сбора данных, пайплайн очистки, модель, API-слой. Для ВКР достаточно диаграммы контейнеров. Также укажите стандарты: ISO/IEC 25010 для оценки качества продукта, PMBOK 7 для управления проектом.
Пример фрагмента архитектуры в тексте (в реальной работе – диаграмма, но для реферата можно описать):
Контейнеры:
- Frontend (SPA) -> API Gateway -> ML Service
- ML Service: Data Loader -> Feature Store -> Model (Random Forest) -> Result Store
- Backend: Business Logic + PostgreSQL
- Мониторинг: Prometheus + GrafanaОбратите внимание: в статье ИСИЭЗ упоминаются «размеры организаций» – в вашей архитектуре это может быть параметр конфигурации, влияющий на выбор модели. Например, для малого бизнеса используете менее ресурсоёмкую модель, а для крупного – distributed computing на Spark.
Третья глава – место, где проверяете результативность. Если ваша ВКР связана с внедрением ИИ для бизнес-процесса, обязательно рассчитайте экономический эффект. Возьмите формулу:
ROI = (ΔВыгода - ΔЗатраты) / ΔЗатраты * 100%
ΔВыгода = Экономия времени + Снижение брака + Повышение выручки
Допустим, до внедрения ИИ оператор обрабатывал 100 заявок в день. После внедрения модели – 150 заявок. При средней зарплате оператора 1000 руб/день и стоимости обслуживания модели 200 руб/день, годовое ROI составит:
(150*1000 - 100*1000 - 200*365) / (100*1000 + 200*365) * 100% ≈ 45%. Приведите расчёты в главе 3.
Для самой модели обязательно покажите метрики. Пример кода на Python:
from sklearn.metrics import accuracy_score, f1_score
y_true = [1, 0, 1, 1, 0, 1]
y_pred = [1, 0, 0, 1, 0, 1]
print(f"Accuracy: {accuracy_score(y_true, y_pred):.2f}")
print(f"F1-score: {f1_score(y_true, y_pred):.2f}")
Работодатели и преподаватели всё чаще требуют следовать ГОСТ 34 — при проектировании автоматизированных систем, ГОСТ 19 — для документации ПО. Ссылайтесь на них в введении или главе 2. Если вы внедряете ИИ как часть ИТ-услуги, полезно описать соответствие ISO/IEC 25010: функциональность, производительность, надёжность. Эти стандарты уместно перечислить в списке использованных источников.
Ошибка 1. Слепое копирование статистики без анализа. «В статье говорится, что 68% компаний внедрили ИИ» – мало. Нужно объяснить выборку, причины различий и связь с вашей темой. Используйте данные как отправную точку для собственных гипотез.
Ошибка 2. Игнорирование ограничений моделей. Если вы обучили модель на открытых данных, в тексте нужно указать возможное смещение выборки. Иначе защита может провалиться на вопросе «Почему ваша точность не 100%?».
Ошибка 3. Нет экономического обоснования. Для ВКР по ИИ важно показать не только техническую часть, но и выгоду. Если вы не считаете ROI, снижается практическая ценность работы.
Если вы чувствуете, что не успеваете качественно выполнить работу, или не хватает инженерной экспертизы на архитектуру или модели, можно заказать диплом под ключ. Наши специалисты помогают с ВКР на заказ уже более 10 лет: подбор темы, написание кода, оформление пояснительной записки, сопровождение до защиты. Узнать подробнее.
Источник: Распространение ИИ в организациях разной величины (экспресс-информация ИСИЭЗ НИУ ВШЭ) (опубликовано 2026-03-18)