Тимофей Юрьевич Шабанов – кандидат экономических наук
454084, Челябинская область, г. Челябинск, ул. Работниц, 58
Timofei Yu. Shabanov – Cand. Sci. (Economic)
58, Rabotnits Street, Chelyabinsk, 454084
Алексей Александрович Копченов – доктор экономических наук
454084, Челябинская область, г. Челябинск, ул. Работниц, 58
Alexey A. Kopchenov – Dr. Sci. (Economic)
58, Rabotnits Street, Chelyabinsk, 454084
Исследование посвящено минимизации рисков применения искусственного интеллекта (ИИ) в овощеводстве, что соответствует глобальным трендам Responsible AI и AgriTech Sustainability, необходимости снижения финансовых, технических и экологических угроз, связанных с внедрением ИИ в сельское хозяйство.
Методы. Использована методика количественной оценки рисков включающая: идентификацию рисков (технические, экономические, агротехнические, социальные, юридические), оценку вероятности (P) и потенциального ущерба (L) для предприятий разного масштаба (крупные, средние, малые), расчет и ранжирование рисков по критерию R=L×P, предложены методы минимизации (профилактика, страхование, резервирование средств).
Результаты. Выявлено, что крупные предприятия могут нести наибольшие потери (до 4 млн USD), особенно из-за экономических и агротехнических рисков; средние предприятия наиболее уязвимы к высоким начальным затратам и зависимости от поставщиков (примерный ущерб ~2,1 млн USD); малые предприятия подвержены рискам монополизации и банкротства, несмотря на меньший абсолютный ущерб (~952 тыс. USD). Анализ мирового опыта методов минимизации рисков выявил различие в подходах: США ориентируются на рыночные механизмы (страхование, калибровка моделей), Европейский Союз настроен на жесткое регулирование (GDPR, AI Act), в Китае преобладает госплатформы и централизация, а Россия ориентирована на пилотные проекты в рамках госпрограмм и импортозамещение. В российской практике использования методов минимизации рисков выделяют такие проблемы как: правовую неопределенность из-за отсутствия четких критериев «вины» ИИ, сложности в доказательстве страховых случаев; технологические ограничения из-за отсутствия единых методик оценки рисков, дефицита данных для актуарных расчетов; рыночные барьеры (высокие тарифы, чрезмерная осторожность страховщиков).
Заключение. Предложены рекомендации по минимизации рисков ИИ. Для крупных предприятий: внедрение резервных систем, страхование киберрисков, мониторинг экологических последствий; для средних предприятий: фокус на ROI-анализ, партнерство с надежными поставщиками, обучение персонала; для малых предприятий: использование локализованных ИИ-решений, участие в госпрограммах поддержки, кооперация для снижения зависимости; на государственном уровне: развитие нормативной базы для ИИ в сельском хозяйстве, стимулирование страхования рисков, поддержка R&D в области AgriTech.
Relevance. The study focuses on minimizing the risks associated with artificial intelligence (AI) application in vegetable farming, aligning with global trends such as Responsible AI and AgriTech Sustainability.
Methods. A quantitative risk assessment methodology was proposed, including: risk identification (technical, economic, agrotechnical, social, legal); probability (P) and potential damage (L) assessment for enterprises of different scales (large, medium, small); risk calculation and ranking using the criterion R=L×P; proposing mitigation strategies (prevention, insurance, reserve funding).
Results. The study yielded the following conclusions. Large enterprises face the highest potential losses (up to $4 million USD), primarily due to economic and agrotechnical risks. Mediumsized enterprises are most vulnerable to high initial costs and supplier dependency (estimated damage ~$2.1 million USD). Small enterprises are exposed to monopolization and bankruptcy risks, despite lower absolute losses (~$952,000 USD). An analysis of global risk mitigation approaches revealed differences in strategies. The U.S. relies on market mechanisms (insurance, model calibration). The European Union emphasizes strict regulation (GDPR, AI Act). China adopts state platforms and centralized control. Russia focuses on pilot projects under government programs and import substitution. In the Russian context, risk mitigation faces challenges such as: Legal uncertainty due to unclear AI liability criteria and difficulties in proving insurance cases. Technological limitations due to the lack of unified risk assessment methods and insufficient data for actuarial calculations. Market barriers, including high premiums and insurers' excessive caution.
Conclusion. The study summarizes key findings and provides the following recommendations for AI risk mitigation. For large enterprises: Implement backup systems, insure against cyber risks, and monitor environmental impacts. For medium enterprises: Focus on ROI analysis, partner with reliable suppliers, and train personnel. For small enterprises: Use localized AI solutions, participate in government support programs, and collaborate to reduce dependency. At the government level: Develop regulatory frameworks for AI in agriculture, incentivize risk insurance, and support AgriTech R&D.
The authors declare that there are no conflicts of interest present.