Глобальный индекс цифровизации и интеллектуализации 2025: Интеллектуальный скачок

Глобальный индекс цифровизации и интеллектуализации 2025 Интеллектуальный скачок: GDII и будущее цифровых экономик

Содержание

• Предисловие * Краткий обзор * Обзор GDII * Результаты GDII: Оценка трансформации экономик по всему миру * Анализ экономик: основные выводы, вызовы и возможности * Анализ отраслей: тренды и примеры из практики * Макроэкономический анализ: путь к устойчивой цифровой экономике * Рекомендации * Приложение

• Предисловие

• Дэвид Ванг

Мировая экономика в настоящее время переживает беспрецедентную трансформацию. Технологическая революция, движимая ИИ, создает новый импульс для развития цифровой экономики. Ожидается, что к 2030 году ИИ принесет мировой экономике 22,3 трлн долларов США, что составляет около 3,7% мирового ВВП. Более 70 стран уже приняли собственные стратегии в области ИИ, и интеллектуальная трансформация теперь является не просто опцией, а обязательным условием для сохранения конкурентоспособности.

Сегодня перед различными странами стоит вопрос: как воспользоваться возможностями, которые открывает ИИ? Компания Huawei задала этот вопрос экспертам в области экономики, социальных наук и ИКТ. Совместно мы разработали план обновления проверенного Глобального индекса цифровизации (GDI), который представляет собой новую систему оценки цифровой и интеллектуальной трансформации страны. Новый Глобальный индекс цифровизации и интеллектуализации (GDII) предоставляет количественные данные, необходимые политикам во всем мире для навигации в растущей цифровой экономике.

В основе GDII лежит теория трех факторов производства французского экономиста Жана-Батиста Сэя. Согласно этой модели, стоимость товаров определяется трудом, капиталом и землей, задействованными в их производстве. GDII сопоставляет эти физические факторы с новыми цифровыми аналогами: данными, ИКТ-специалистами, а также цифровыми и интеллектуальными технологиями. Вместе эти цифровые факторы стимулируют производство в цифровой экономике.

• Данные подобны нашей новой земле. Их циркуляция и использование определяют национальную конкурентоспособность.
• Цифровые и интеллектуальные технологии, такие как сети, вычислительные мощности, системы хранения данных, ИИ и энергетические системы, являются нашими новыми инструментами производства. Они превращают данные в знания и обеспечивают модернизацию промышленности.
• Наконец, квалифицированные ИКТ-кадры стимулируют инновации и рост.

Фундаментом всего этого является отраслевая политика, которая наполняет рынок энергией и создает пространство для роста цифровой экономики.

Комплексная система измерения, используемая в данном отчете, оценивает инфраструктуру ИКТ, промышленное применение, таланты и экосистемы на основе этих факторов. Отчет охватывает 90 экономик, на долю которых приходится 94% мирового ВВП и 83% населения мира. Что наиболее важно, он проливает свет на общие и уникальные подходы, которые различные страны используют для достижения цифровой и интеллектуальной трансформации. Анализируя эти сходства и различия, мы можем лучше понять, как уникальные ресурсы и обстоятельства каждой экономики повлияют на их путь к цифровизации и интеллектуализации.

Некоторые страны создают более совершенную инфраструктуру для расширения доступа к новым технологиям, в то время как другие сосредотачиваются на скачкообразном развитии в ключевых секторах. Я надеюсь, что GDII поможет большему количеству стран понять свой собственный цифровой путь, а также определить свои уникальные сильные и слабые стороны в вопросах интеллектуальной трансформации. Благодаря более целенаправленной и эффективной отраслевой политике мы все сможем оседлать нынешнюю волну прорывного технологического прогресса, чтобы достичь интеллектуального мира.

Наша отрасль едина в своем видении построения лучшего интеллектуального будущего. Мы в Huawei надеемся на продолжение работы со всеми участниками отрасли над развитием системы измерения GDII. Я знаю, что вместе мы сможем построить здоровую, устойчивую и процветающую цифровую экономику для всех.

Исполнительный директор совета директоров Huawei

Кроуфорд дель Прете

Мы вступаем в преобразующую эру искусственного интеллекта. ИИ перестал быть далеким видением и стремительно меняет то, как люди живут, работают и взаимодействуют, пересматривая облик отраслей, экономик и обществ по всему миру. Его влияние может превзойти эффект от предыдущих технологических революций, стимулируя производительность, переопределяя конкурентоспособность и открывая совершенно новые источники экономической и социальной ценности.

По оценкам IDC, к 2030 году совокупный экономический эффект от ИИ в мировом масштабе может составить 22,3 трлн долларов, что эквивалентно 3,7% мирового ВВП. Чтобы помочь политикам, бизнес-лидерам и обществу сориентироваться в этом сейсмическом сдвиге, IDC с гордостью продолжает многолетнее сотрудничество с Huawei в разработке Глобального индекса цифровизации и интеллектуализации (GDII) 2025.

GDII базируется на наших предыдущих индексах — Глобальном индексе связности, запущенном более десяти лет назад, и Глобальном индексе цифровизации, отражая эволюцию от сетевой связности к цифровизации, а теперь и к цифровому интеллекту. GDII знаменует собой новый рубеж: становление интеллектуальной экономики, работающей на базе ИИ.

Охватывая более 90 экономик, представляющих 94% мирового ВВП и 83% населения мира, GDII предлагает комплексную структуру для оценки того, как страны готовятся конкурировать и процветать в эпоху ИИ. Это эпоха, в которой цифровой интеллект способствует не только экономическому росту, но также социальному прогрессу и экологической устойчивости.

Отслеживая полный жизненный цикл данных — от создания до применения — GDII предоставляет политикам, инвесторам и бизнесу практические идеи для выявления узких мест, приоритизации инвестиций и сравнительного анализа прогресса. Он переопределяет цифровую зрелость не через владение инфраструктурой, а через создание интеллектуальной ценности.

GDII оценивает готовность и эффективность по семи ключевым направлениям:

• Создание данных: Генерация данных пользователями широкополосного доступа, мобильных сетей, устройств IoT и интеллектуальных терминалов.
• Передача данных: Качество передачи и связность через оптоволоконные линии, сети 4G/5G, магистральную инфраструктуру и внедрение IPv6.
• Обработка и хранение данных: Инфраструктура и возможности для вычислений и хранения данных, включая инвестиции в облачные технологии, потребление токенов ИИ и возможности обеспечения непрерывности бизнеса.
• Применение данных: Использование данных в таких секторах, как цифровизация предприятий, внедрение ИИ, электронная коммерция и цифровые государственные услуги.
• Цифровая энергетика: Устойчивая энергетическая инфраструктура, поддерживающая цифровые системы, включая инвестиции в ВИЭ и экономическую эффективность «зеленой» генерации.
• Политика: Регуляторные, правовые, инвестиционные и экологические рамки на национальном уровне, которые лежат в основе роста цифровой экономики.
• Таланты и экосистема: Человеческий и инновационный потенциал, охватывающий специалистов ИКТ, выпускников STEM-направлений, стартапы, контрибьюторов открытого ПО и активность в онлайн-сообществах.

Посыл для политиков предельно ясен: данные и интеллект становятся определяющими факторами национальной конкурентоспособности. Экономики, которые смело инвестируют в инфраструктуру, таланты и внедрение цифровых технологий, откроют новые возможности для роста и обеспечат себе место в глобальной интеллектуальной экономике. Те, кто колеблется, рискуют отстать — не только экономически, но и в реализации широких социальных преимуществ цифрового интеллекта.

Я надеюсь, что выводы этого отчета GDII вдохновят лидеров по всему миру ускорить свои усилия, внедрить адресные стратегии и вести свои страны к будущему, которое будет не только более цифровым и интеллектуальным, но также более инклюзивным и устойчивым.

Президент International Data Corporation (IDC)

Питер Ярич

GDII измеряет уровень развития ИКТ-отрасли страны и ее связь с экономическим ростом. Реализация преимуществ интеллектуальной цифровизации потребует высокопроизводительной и повсеместно доступной связности, обеспечивающей надежность, низкую задержку и интеграцию со спутниками для поддержки критически важных приложений.

Спустя более пяти лет после запуска 5G, технологии 5G-standalone и 5G-Advanced в настоящее время являются драйверами новой эры интеллектуальной связности. Связность лежит в основе цифрового прогресса, поскольку она обеспечивает технологические требования по задержкам, скорости и сетевым возможностям для интеграции облачного ИИ, массового IoT и пограничных вычислений (edge computing). Это приближает вычислительную мощность к пользователю — непосредственно в устройство или на край сети — для обеспечения локального интеллекта.

Мы выделяем два аспекта, в которых связность имеет решающее значение для интеллектуальной цифровизации. Первый — это корпоративный сегмент, где 85% предприятий оценивают 5G как «весьма» или «чрезвычайно» важную технологию для своей цифровой трансформации. Связность позволит разрабатывать новые продукты, повышать эффективность и стимулировать производительность во всех отраслях. Примерами таких инноваций являются электронная коммерция и лайвстриминг.

Второй аспект, в котором связность поддерживает цифровую экономику, — это искусственный интеллект, являющийся главным приоритетом для правительств, предприятий и потребителей. ИИ меняет способы взаимодействия в обществе, и связность играет здесь критическую роль. Операторы начали внедрять решения ИИ, уделяя приоритетное внимание обслуживанию клиентов и сетям; аналогичным образом формируются значительные потоки доходов от агентного ИИ.

Сохраняется реальный риск того, что цифровой разрыв увеличится, если технологическое развитие будет сосредоточено в нескольких странах, что усилит разрыв между лидерами и последователями...

...внедрять решения ИИ, уделяя приоритетное внимание обслуживанию клиентов и сетям; аналогичным образом формируются значительные потоки доходов от агентного ИИ.

Сохраняется реальный риск того, что цифровой разрыв увеличится, если технологическое развитие будет сосредоточено в нескольких странах, что усилит разрыв между лидерами и последователями. Однако цифровизация также может стать путем для развивающихся стран, позволяющим догнать страны с развитой экономикой при наличии необходимых инвестиций, а экономические условия, обеспечиваемые цифровой средой, способны трансформировать их экономику. Например, обеспечение связности для групп населения с низким доходом и районов, исключенных из цифрового пространства, улучшит результаты образования благодаря использованию приложений для перевода и виртуальных репетиторов на базе ИИ. В секторе здравоохранения медицинские приложения и телемедицина принесут пользу труднодоступным регионам. Таким образом, приоритетом правительств должно стать внедрение политики, способствующей инвестициям, инновациям, конкуренции и доступу к доступному спектру частот, чтобы преимущества цифровизации были распределены по всему миру между различными социальными и экономическими группами.

Энергетика является краеугольным камнем экономического и социального развития. Подход человечества к энергии постоянно эволюционировал, переходя от приобретения к созиданию, от сильной зависимости от ископаемого топлива к использованию разнообразных и чистых альтернативных источников. Каждая энергетическая революция играла ключевую роль в изменении производственных отношений. Сегодня глобальный переход от ископаемого топлива к чистой энергии ускоряется. Этот процесс не только представляет собой ключевую инициативу по борьбе с изменением климата, но и меняет ландшафт международной конкуренции. Будь то промышленное производство или повседневная деятельность, такая как освещение и транспорт, эффективное использование энергии и соответствующие технологические инновации определяют качество и устойчивость экономического роста.

Руководствуясь целями достижения пика выбросов углерода и углеродной нейтральности, создание безопасных, зеленых и интеллектуальных энергетических систем сегодня находится в центре внимания стран, стремящихся к качественному развитию энергетики. Искусственный интеллект как стратегическая технология, формирующая будущее, глубоко интегрируется в энергетический переход и становится ключевым драйвером построения новой энергетической системы. Например, в электроэнергетике технологии ИИ, такие как большие модели, интегрируются в энергосистемы. Благодаря аналитике больших данных и алгоритмам машинного обучения ИИ может значительно повысить точность прогнозов выработки электроэнергии на основе ВИЭ, оптимизировать гибкое планирование ресурсов на стороне спроса, а также обеспечить интеллектуальное раннее предупреждение и диагностику отказов сети. Такие преимущества всесторонне повысят как безопасность, так и эффективность работы сетей.

Однако цифровая и интеллектуальная трансформация не могут быть достигнуты в одночасье, и прогресс в различных экономиках сильно различается: некоторые страны уже начали развертывание готовых к будущему новых энергосистем, в то время как другие все еще используют традиционные электросети. Отчет «Глобальный индекс цифровизации и интеллектуального развития» (GDII), выпущенный компанией Huawei, предназначен для систематической оценки прогресса цифровой и интеллектуальной трансформации в мировом электроэнергетическом секторе и помощи большему числу экономик в переходе к интеллектуальному развитию. В данном отчете выбраны 25 репрезентативных экономик и создана система индексов для измерения интеллектуальности отрасли, охватывающая шесть измерений: сенсорика, связность, платформы, приложения, услуги и устойчивое развитие. Эта структура наглядно показывает состояние и стадию развития электроэнергетического сектора в каждой из исследованных экономик. В отчете также предлагается путь эволюции от традиционных сетей к интеллектуальным сетям и далее к новым энергосистемам, предоставляя справочную базу и основу для реализации трансформации мирового электроэнергетического сектора.

Университет Цинхуа и Huawei давно поддерживают прочное партнерство, в рамках которого мы провели ряд инновационных исследовательских проектов по передовым технологиям, таким как синергия энергетики и вычислений. Поэтому мы рады видеть, что Huawei внедряет новые передовые концепции и практики в электроэнергетический сектор. Мы надеемся на дальнейшее углубление нашего сотрудничества для продвижения интеллектуальной трансформации энергосистем и формирования качественного, умного и устойчивого энергетического будущего.

Краткое резюме

Глобальный индекс цифровизации и интеллектуального развития (GDII) представляет собой надежную структуру, предназначенную для оценки и мониторинга цифровой эволюции экономик при их переходе в эпоху ИИ. Опираясь на ранние модели, такие как Глобальный индекс связности (GCI) и Глобальный индекс цифровизации (GDI), GDII оценивает эффективность по семи ключевым столпам, которые представляют собой цикл данных, необходимый для успеха ИИ:

• Создание данных * Передача данных * Обработка и хранение данных * Применение данных * Цифровая энергетика * Политика * Таланты и экосистема

Этот индекс предлагает практические рекомендации для политиков, инвесторов и бизнеса, позволяя принимать стратегические решения, способствующие устойчивой цифровой трансформации.

Экономические уровни

• Экономики с высоким уровнем дохода: Демонстрируют отличные показатели в создании данных, их применении и экосистемах талантов. Однако они сталкиваются с проблемами при масштабировании мощностей по хранению и обработке данных. Повышение устойчивости и развитие передовой вычислительной инфраструктуры остаются приоритетами.
• Экономики с доходом выше среднего: Демонстрируют значительные различия в цифровой зрелости. В то время как некоторые лидируют в применении данных, многие отстают в их создании из-за фрагментированной политики и неравномерных инвестиций в инфраструктуру.
• Экономики с доходом ниже среднего и низким доходом: Сталкиваются с системными барьерами, такими как слабая инфраструктура, проблемы доступности и нехватка талантов. Такие ограничения приводят к равномерно низкому уровню цифрового развития и ограниченной дифференциации.

Ключевые перспективы

1. Полноприводное сочетание стратегической политики с активными инвестициями и внедрением: Стратегическая политика должна подкрепляться активными инициативами по инвестированию и внедрению для обеспечения экономической реализации.
2. Двойная спираль создания и применения данных стимулирует рост стоимости: Создание данных и их применение действуют как взаимосвязанная двойная спираль, поддерживая рост на базе ИИ.
3. Инфраструктура передачи данных раскрывает возможности вычислений: Решение структурных проблем для обеспечения бесперебойного потока данных позволит раскрыть потенциал инфраструктуры вычислительных данных.
4. Рост передачи данных: Ожидается, что в период с 2025 по 2030 год мобильная экономика будет расти со среднегодовым темпом (CAGR) 9.0%, что увеличит мировую добавленную стоимость на 11 триллионов долларов в 2030 году, или 8.4% мирового ВВП.
5. Устранение разрывов в мощностях хранения: Сила цифровой экономики будет определяться не только тем, сколько данных она генерирует, но и тем, насколько эффективно она может хранить, сохранять и активировать эти данные.
6. За пределами вычислительных мощностей: Развитие ИИ требует большего, чем просто наращивание вычислительной мощности. Скорее, это системная работа по приведению вычислений, хранения, данных и алгоритмов в соответствие с последовательной стратегией.
7. Устойчивый цифровой рост через ВИЭ: Обеспечение интеллектуальных систем электроэнергией из ВИЭ является ключом к устойчивому росту цифровой экономики.
8. От доступа к возможностям в эпоху ИИ: Смещение акцента с цифрового доступа на создание возможностей для реализации более высокой стоимости от стартапов и интеллектуальной собственности в эпоху ИИ.

Глобальное экономическое влияние и отраслевая трансформация

Согласно прогнозам, к 2025 году объем цифровой экономики достигнет 26.7 триллиона долларов, что составит 25% мирового ВВП. Инвестиции в цифровую трансформацию, включая ИИ, приносят высокую отдачу — 9.55 доллара цифрового продукта на каждый потраченный доллар.

• Банковское дело: Адаптация к цифровому интеллекту через операционную гибкость и принятие решений на основе ИИ на многочисленных этапах, от онлайн-финансов до автономных финансов.
• Электроэнергетика: Переход к чистым, умным и устойчивым энергетическим системам, которые соответствуют требованиям устойчивого развития и интеллектуальной электрификации.
• Железнодорожный транспорт: Повышение безопасности, эффективности и качества обслуживания пассажиров с помощью ИИ и облачных платформ для перехода к автономным операциям.
• Транспортная логистика: Развитие в цифровизированные, оптимизированные с помощью ИИ экосистемы, ориентированные на прозрачность, прогнозную аналитику и усилия в области зеленой логистики.

Стратегические рекомендации

Шаги для ускорения интеллектуального экономического роста:

• Укрепление вычислительной инфраструктуры через широкополосную связь, 5G и зеленые центры обработки данных.
• Расширение возможностей отраслей с помощью интеллектуальных приложений.
• Культивирование талантов через образование и междисциплинарные платформы.
• Совершенствование нормативно-правовой базы для улучшения управления и привлечения инвестиций.

Индивидуальные стратегии для различных экономических уровней необходимы для преодоления цифрового разрыва, стимулирования трансформации и обеспечения устойчивого роста в интеллектуальной экономике.

Обзор GDII

Что такое GDII?

Глобальный индекс цифровизации и интеллектуализации (GDII) — это комплексная модель, предназначенная для измерения и отслеживания прогресса стран в развитии их цифровых экономик. GDII представляет собой следующий этап эволюции Глобального индекса цифровизации (GDI) и Глобального индекса сетевого взаимодействия (GCI), которые были запущены Huawei и IDC в 2024 и 2014 годах соответственно. Данное непрерывное исследование является результатом интенсивной работы, новых открытий и стремления к практической применимости. Оно опирается на фундаментальные выводы GCI и GDI, интегрируя в модель последние достижения в области цифровых технологий и экономического анализа. Прежде чем перечислить все обновления, внесенные при создании GDII, мы обсудим основные изменения, произошедшие в мире за последний год, и ценные аналитические выводы, полученные IDC и Huawei.

Новые тренды ИИ и национальные стратегии

1) ИИ стимулирует революцию в мировой экономике

За последние несколько лет ИИ быстро стал центральным драйвером глобального экономического роста. По прогнозам IDC, ИИ и производные технологии принесут мировой экономике совокупную стоимость в размере 22,3 трлн долларов в период с 2025 по 2030 год, что составит 3,7% мирового ВВП в 2030 году. Генеративный ИИ (GenAI), запущенный только в 2022 году, является ярким примером того, как быстро отрасль может перейти от «апробации концепции» к повсеместному внедрению. 2025 год стал поворотным моментом для ИИ, поскольку ведущие организации начали переходить от пилотных проектов к полномасштабному производству и бизнес-моделям на базе ИИ. Модель внедрения ИИ от IDC (AI Adoption Model) представляет график эволюции ИИ — от развивающейся технологии до расширяющего возможности двигателя — для лучшего понимания стратегических сдвигов и изменений потенциала, происходящих сегодня:

• Этап 1: Экспериментирование (2023–2024) — Лихорадка GenAI. Организации проводили разрозненные испытания ИИ, часто изолируя усилия в области стратегии, данных и инструментов. Инициативам не хватало единого видения; они носили исследовательский характер, а краткосрочные сценарии использования превалировали над системной трансформацией.
• Этап 2: Внедрение (2025–2026) — Разворот к ИИ. Организации переходят к стратегическому согласованию, консолидируя платформы ИИ, структуры управления и пайплайны данных. Этот этап характеризуется переходом от ситуативного тестирования к масштабируемой интеграции, когда предприятия проектируют скоординированные системы для внедрения ИИ в основные операции.
• Этап 3: Ускорение (2027+) — Бизнес на базе ИИ. ИИ станет неотъемлемой частью корпоративной ДНК многих компаний. Единое управление, готовые к работе с ИИ данные и специализированная инфраструктура обеспечат сквозную интеграцию — от рабочих процессов, дополненных ИИ, до стратегии, формируемой на основе инсайтов ИИ. Это превратит ИИ из инструмента в ключевой фактор конкурентоспособности.

Таблица 1: Модель внедрения ИИ (AI Adoption Model)

2) ИИ трансформирует жизнь и бизнес

Широкая интеграция ИИ в потребительские и корпоративные технологии знаменует собой глубокий сдвиг в цифровой экономике.

Личный уровень: ИИ, особенно генеративный, быстро проникает в личную и домашнюю сферы, становясь неотъемлемой частью повседневной жизни. По мере снижения технологических барьеров и повышения доступности смарт-устройств всё больше потребителей будут принимать и внедрять инструменты генеративного ИИ. Ожидается, что к 2026 году 5 млрд потребителей во всем мире будут использовать генеративный ИИ, а к 2028 году две трети создателей потребительского контента будут использовать генеративный ИИ в своих рабочих процессах по производству видео. ИИ постепенно интегрируется в домашние развлечения, образование, социальное взаимодействие, творческую работу и многое другое, что позволит каждому человеку стать «ИИ-дополненным человеком».

Корпоративный уровень: Более половины (55%) CEO рассматривают ИИ как возможность для «перестройки бизнес-моделей» и подчеркивают, что ИИ должен не только повышать эффективность, но и создавать новую ценность для бизнеса. ИИ уже начинает трансформировать каждый уровень деятельности предприятия: от подбора персонала и оптимизации цепочек поставок на базе ИИ до генеративного проектирования в R&D и гиперперсонализированного маркетинга. ИИ также начинает перемещаться из периферийных сценариев использования (таких как чат-боты службы поддержки или создание контента GenAI) в основные корпоративные системы, включая планирование ресурсов предприятия (ERP), управление жизненным циклом продукта (PLM) и системы управления производством (MES). Отрасли сферы услуг, такие как консалтинг, право и исследования, становятся пионерами модели «Услуги как продукт» (Services-as-a-Product), предлагая экспертные услуги с поддержкой ИИ в больших масштабах. В других отраслях ИИ используется для трансформации рабочих процессов. Например, IDC прогнозирует, что к 2027 году 65% новых разработок (R&D) лекарственных препаратов в медико-биологических науках будут использовать генеративный ИИ для молекулярного моделирования и прогнозирования эффективности.

3) В мире появляются дорожные карты развития ИИ

На государственном уровне правительства по всему миру уже осознают стратегическую важность ИИ и разрабатывают комплексные национальные дорожные карты. В этих стратегиях приоритет отдается инвестициям, развитию экосистем, созданию инфраструктуры и нормативно-правовой базе для ускорения перехода к цифровой экономике.

Сфера цифрового регулирования также быстро развивается: оперативно появляются новые правила в области этики ИИ, использования данных, защиты конфиденциальности и прозрачности алгоритмов. Например, Принципы ОЭСР в области искусственного интеллекта, первоначально опубликованные в 2019 году, в последний раз обновлялись в мае 2024 года, чтобы учесть недавние и стремительные изменения в технологиях ИИ. Эти принципы подчеркивают такие основные ценности, как инновации, доверие, права человека, демократические ценности, прозрачность, безопасность и подотчетность. На сегодняшний день эти принципы приняты более чем 70 странами, регионами и организациями, что делает их одной из ведущих справочных структур для глобального управления ИИ. Более того, многие правительства начинают менять свою позицию относительно уровня вовлеченности в управление ИИ, осознавая возможность стать «дизайнерами» будущего ИИ, а не просто «судьями».

• Германия: Национальная стратегия в области ИИ была принята в 2018 году, при этом бюджет Германии в этом секторе был увеличен с 3 млрд евро до 5 млрд евро в 2020 году для поддержки 12 исследовательских центров ИИ и инициативы GAIA-X. Стратегия направлена на создание доверенных европейских систем ИИ и инфраструктуры данных, а также на укрепление экспортного потенциала страны в сфере Industry 4.0 и ИИ.
• Китай: План развития искусственного интеллекта нового поколения был опубликован в 2017 году с целью превратить Китай в глобальную ИИ-державу к 2030 году. С 2024 года экономика инвестировала более 100 млрд юаней в рамках таких инициатив, как «Восточные данные, западные вычисления» и других программ создания интеллектуальных вычислительных центров. Местные органы власти также создали отраслевые фонды ИИ на десятки миллиардов для поддержки цифровой и интеллектуальной интеграции в производстве, энергетике и на транспорте.
• ОАЭ: В 2017 году в ОАЭ был назначен первый в мире министр по делам ИИ и запущена Стратегия развития ИИ до 2031 года для содействия применению ИИ в государственном управлении, образовании и на транспорте. Страна инвестировала более 10 млрд дирхамов (около 2,7 млрд долларов) в строительство университетов ИИ и центров обработки данных, позиционируя ИИ как центральный двигатель своей «пост-нефтяной экономики».

Новая модель оценки прогресса в эпоху ИИ

Фундаментальные изменения, которые мы наблюдаем в цифровой экономике, подкреплены не менее важным трендом: превращением данных в основной фактор производства в эпоху ИИ. Данные заняли центральное место в цифровой экономике, проходя через интеллектуальные системы и стимулируя инновации.

Новые факторы производства в цифровой экономике

Традиционная экономическая теория, сформулированная французским экономистом Жаном-Батистом Сэем, основана на трех основных факторах производства: земля, труд и капитал. Однако в настоящее время бурное развитие искусственного интеллекта глубоко меняет глобальный экономический ландшафт, выводя человеческую цивилизацию в новую эру цифровой и интеллектуальной интеграции за пределами физического мира. GDII сопоставляет физические факторы с их цифровыми аналогами: данными, ИКТ-талантами, а также цифровыми и интеллектуальными технологиями. Вместе они определяют производство в цифровой экономике.

• Данные — это новый основной фактор производства в цифровой экономике: данные считаются «нефтью» и «двигателем» цифровой экономики. Сможет ли экономика или компания получить преимущество в будущей конкуренции, во многом зависит от их способности собирать, анализировать, использовать и управлять данными.
• Технологии как новый капитал: в цифровом и интеллектуальном мире процесс от генерации данных до их применения требует синергии сетевых технологий, вычислений и хранения данных. Это взаимодействие помогает людям и организациям превращать данные в знания, стимулируя появление новых бизнес-моделей и интеллектуальных сущностей, а также способствуя трансформации и модернизации промышленных структур.
• ИКТ-таланты выступают в качестве нового фактора Труда. ИКТ-таланты являются ключевым двигателем развития цифровой экономики. Они эволюционировали от узкопрофильного технического персонала до разнообразной группы профессионалов, охватывающей стратегические, девелоперские, управленческие и операционные роли, становясь одним из...

...одним из наиболее критически важных стратегических ресурсов страны для сбора, анализа, использования и управления данными.

• Технологии как новый капитал: в цифровом и интеллектуальном мире процесс от генерации данных до их применения требует синергии сетевых технологий, вычислений и хранения данных. Это взаимодействие помогает людям и организациям превращать данные в знания, стимулируя появление новых бизнес-моделей и интеллектуальных сущностей, а также способствуя трансформации и модернизации промышленных структур.
• ИКТ-таланты выступают в качестве нового фактора Труда. ИКТ-таланты являются ключевым двигателем развития цифровой экономики. Они эволюционировали от узкопрофильного технического персонала до разнообразной группы профессионалов, охватывающей стратегические, девелоперские, управленческие и операционные роли, становясь одним из важнейших стратегических ресурсов государства.

Ссылки: * 2. Стратегия искусственного интеллекта федерального правительства, Федеральное министерство исследований, технологий и космоса. * 3. Уведомление Государственного совета о плане развития искусственного интеллекта нового поколения, Государственный совет КНР. * 4. Проект «Данные Востока — вычисления Запада» превысил 43,5 млрд юаней, XINHUANET. * 5. Стратегия ИИ 2031, Кабинет министров ОАЭ.

Среди этих новых элементов данные выделяются как наиболее каталитический фактор в цифровой экономике, управляемой ИИ. В отличие от традиционных факторов, данные служат одновременно и сырьем, и топливом для систем ИИ. Они используются для обучения моделей, обеспечения предиктивной аналитики и адаптивного принятия решений. В развивающихся бизнес-моделях, таких как алгоритмические рекомендательные системы и автономное производство, данные неизменно определяются как краеугольный камень создания ценности, что делает их ключевым драйвером Четвертой промышленной революции.

Переопределение потоков данных в цифровой экономике

В цифровой экономике ценность создается не только путем сбора или передачи данных, но и путем превращения их в идеи и действия с помощью интеллектуальных систем. Этот процесс формирует замкнутый цикл движения данных, состоящий из нескольких взаимосвязанных этапов:

1. Создание данных

• Источники: Сенсоры, устройства, взаимодействия пользователей, цифровые платформы и транзакционные системы.
• Значимость: Создание данных — это первый и фундаментальный шаг в интеллектуальном цикле. В настоящее время цифровая инфраструктура включает различные формы оконечных устройств и повсеместную связность. Однако по мере роста объема, скорости и разнообразия необработанных данных для непрерывного и масштабного создания данных потребуется более устойчивая цифровая инфраструктура, особенно на периферии (edge).

2. Передача данных

• Драйверы: Высокоскоростные оптоволоконные сети, узлы периферийных вычислений и магистральные системы.
• Значимость: В интеллектуальных системах данные должны быстро перемещаться от оконечных устройств к облаку, периферии и базовым системам для обработки, обучения и логического вывода (inference). Способность поддерживать высокопропускные и отказоустойчивые каналы передачи с низкой задержкой критически важна для рабочих нагрузок ИИ, которые зависят от синхронизации между устройствами, центрами обработки данных и облачными платформами в реальном времени.

3. Обработка и хранение данных

• Инструменты: Облачные платформы, системы хранения, а также инструменты очистки, разметки и контекстуализации данных на базе ИИ.
• Значимость: После передачи данные должны быть преобразованы в структурированные высококачественные форматы. Этот этап включает валидацию, обогащение, разметку, нормализацию и тегирование метаданных. Квалифицированные инженеры данных, дата-сайентисты и специалисты по этике ИИ проектируют пайплайны, управляют качеством данных и применяют контекстуализацию. Обучение моделей на этом этапе также обеспечивает создание интеллекта, позволяя системам выявлять закономерности и извлекать инсайты из исторических данных.

Рисунок 2: Модель факторов производства

Формула: Три фактора производства = F (Труд, Земля, Капитал)

4. Применение данных

• Формы проявления: Рекомендации ИИ для принятия решений, автоматизация бизнеса, адаптивные меры политики, персонализация для клиентов, пакетный анализ данных и получение прогнозов в реальном времени.
• Значимость: На этом этапе интеллектуальные инсайты превращаются в реальные результаты. В свою очередь, эти действия генерируют новые поведенческие и транзакционные данные, замыкая цикл. Эта обратная связь необходима для поддержания самосовершенствующихся интеллектуальных систем. Готовность экономики к цифровизации и, что более важно, ее способность к интеллектуальной трансформации определяются умением фиксировать данные, передавать их в системы обработки и эффективно превращать в конкретные результаты. Этот поток данных представляет собой критическую компетенцию для национальной конкурентоспособности в грядущем десятилетии ИИ.

Эра ИИ требует более точной структуры для оценки прогресса

За последнее десятилетие глобальная цифровая экономика претерпела значительную трансформацию, которую можно разделить на 3 этапа. Каждый этап соответствует определенным технологиям и фреймворкам:

1. Эра информационных технологий (2014–2019 гг.) Связность стала базовой инфраструктурой, создав «информационную супермагистраль». Широкое внедрение цифровых технологий привело к масштабированию приложений. Индекс глобального сетевого взаимодействия (GCI) служил важным барометром в эту эпоху, оценивая 79 экономик по 40 показателям — от доступности широкополосной связи до раннего внедрения облачных сервисов и интернета вещей.

2. Эра цифровизации (2020–2024 гг.) Цифровизация начала охватывать все отрасли по мере формирования цифровой экономики. Данные стали критически важным активом. Глобальный индекс цифровизации (GDI) оценивал этот прогресс в 77 экономиках по 42 показателям. Результаты GDI продемонстрировали значительную положительную корреляцию между уровнем цифровизации и ВВП на душу населения.

3. Вступление в эру ИИ (с 2025 г. и далее) По мере роста вычислительных мощностей и прорывов в моделях глубокого мышления и мультимодального синтеза, количественные улучшения переходят в качественные изменения, движимые ИИ. Распространение возможностей логического вывода ИИ трансформирует производственные процессы и повышает энергоэффективность. Ценность теперь создается не просто сбором данных, а их трансформацией в действия через ИИ. Необходим новый фреймворк, который точнее оценивает трансформацию национальных экономик на основе потоков данных эры ИИ. Индекс GDII, разработанный на базе предыдущего GDI компаниями IDC и Huawei, создан именно для этой цели.

Обновленная методология GDII

Глобальный индекс цифровизации и интеллекта (GDII) охватывает 90 экономик, на долю которых приходится 94% мирового ВВП и 83% населения планеты. Исследовательская группа тесно сотрудничала с учеными и партнерами, используя данные и отчеты ООН, GSMA, ОЭСР для разработки уникальной методологии, сочетающей технические и экономические элементы. Компания IDC собрала данные GDII, провела оценку и ранжирование экономик, отвечая за достоверность и статистическую интерпретацию данных.

Модернизация методологии

Индекс GDI, запущенный Huawei и IDC в 2024 году, оценивал готовность экономик через модель CDEP: Повсеместная связность (C), Цифровой фундамент (D), Зеленая энергия (E), Политика и экосистема (P). Эта модель со стороны предложения, основанная на классической экономике, утверждала, что создание цифрового потенциала стимулирует спрос.

Однако по мере развития цифровых экономик возникла необходимость в более детализированном измерении, ориентированном на результат. GDII оценивает не только готовность, но и весь жизненный цикл создания цифровой ценности. Структура GDII выстроена вокруг семи функциональных столпов, каждый из которых представляет собой критическое звено:

• Создание данных: генерация данных через пользователей широкополосного доступа, мобильные сети, устройства IoT и интеллектуальные терминалы.

• Передача данных: качество передачи и связности через оптоволокно, 4G/5G, магистральные сети и внедрение IPv6.

• Обработка и хранение данных: инфраструктура и возможности для вычислений и хранения, такие как инвестиции в облако, потребление токенов ИИ и возможности обеспечения непрерывности бизнеса.

• Применение данных: использование данных в различных секторах, включая цифровизацию предприятий, внедрение ИИ, электронную коммерцию и цифровые государственные услуги.

• Цифровая энергетика: базовая энергетическая инфраструктура, обеспечивающая устойчивость цифровых систем. Этот уровень включает инвестиции в ВИЭ...

• Политика: нормативно-правовое регулирование, законодательство, инвестиционная политика и стратегии устойчивого развития на национальном уровне, обеспечивающие структурную поддержку роста цифровой экономики.

• Таланты и экосистема: человеческий капитал и инновационная экосистема страны, включающая специалистов в области ИКТ, выпускников STEM-направлений, стартапы, участников open-source сообществ и онлайн-сообществ.

Данная эволюция структуры отражает переход от цифровой готовности на макроуровне к цифровому интеллекту на микроуровне. Это подчеркивает не только способность создавать инфраструктуру, но и умение эксплуатировать, масштабировать и извлекать выгоду из цифровой экосистемы. Модель предлагает более полное представление о том, как экономики превращают «цифровой вход» в «интеллектуальный выход», согласуясь с циклом «производство — спрос», впервые описанным Жан-Батистом Сэем, но переосмысленным для эпохи данных и ИИ.

Рисунок 3: Структура показателей GDII

Новые показатели

Для управления развитием GDII мы ввели ряд новых показателей и уточнили существующие в рамках семи столпов. Эти обновления позволяют GDII лучше отражать то, как страны превращают цифровую инфраструктуру в экосистемы создания интеллектуальной ценности. Кроме того, они помогают измерить способность экономик выйти за пределы простого доступа к сети и пропускной способности в новую эру трансформации информации, где ИИ усиливает ценность данных на протяжении всего их жизненного цикла.

Разработка этих новых показателей основывалась на принципах «4+1»:

• 1. Репрезентативность: новые показатели должны всесторонне и объективно отражать прогресс цифровизации и развития интеллекта. Они должны быть перспективными и учитывать потенциал трансформации ИИ.
• 2. Квантифицируемость: новые показатели должны быть измеримы с помощью стандартных исследований и отчетов IDC; допускается их дополнение только на основе экстраполяции статистических моделей или данных из надежных сторонних институтов и ассоциаций.
• 3. Преемственность: новые показатели не должны дестабилизировать существующую систему индикаторов или ее основные элементы, чтобы обеспечить сопоставимость результатов оценки между индексами GCI, GDI и GDII. Это означает, что новые показатели должны иметь:
• Обратную совместимость со структурой GDI (сохранение сопоставимости во времени).
• Сбалансированный вес: новые показатели составляют лишь 10–15% от общего веса, чтобы избежать чрезмерного акцента на факторах искусственного интеллекта.
• 4. Оптимизация: все обновления предыдущих показателей должны отражать явные изменения в ИКТ-индустрии или в рыночных и технологических трендах. Например, показатель «Доля выпускников STEM-направлений» был обновлен: если в GDI он учитывал выпускников естественных наук, технологий, инженерии и математики в целом, то в GDII фокус смещен на выпускников в области ИИ, машинного обучения (ML), анализа данных (Data Science) и смежных областей.
• +1. Бизнес-релевантность: учитывая направляющую роль этой системы показателей в ИКТ-индустрии, мы также принимали во внимание актуальность нового индикатора для текущих технологий и продуктов на рынке при его включении в структуру.

Показатели, связанные с ИИ и обусловленные его развитием

• Потребление токенов ИИ: новый показатель в столпе «Обработка и хранение данных». Указывает на интенсивность и зрелость использования ИИ в стране путем отслеживания объема взаимодействий с ИИ-моделями в масштабе. Отражает как деятельность по выводу (inference) моделей, так и процессы непрерывного обучения.
• Уровень проникновения ИИ-приложений: новый показатель в столпе «Применение данных». Измеряет, насколько широко ИИ-модели внедрены в производственные среды, особенно в секторах, зависящих от непрерывного обучения (например, финансы, производство, государственные услуги).
• Пропускная способность межсетевых соединений национальной магистральной сети: новый показатель в столпе «Передача данных». Отражает техническую готовность экономики поддерживать крупномасштабные потоки данных, что необходимо для эффективного обучения и работы систем ИИ.
• Загрузки приложений: новый показатель в столпе «Применение данных». Отражает способность экономики переводить ценность данных в практические сервисные приложения, удовлетворять разнообразные потребности пользователей через цифровые продукты и стимулировать широкое проникновение сервисов на базе данных в социальную и экономическую жизнь.
• Участие в open-source сообществах: новый показатель в столпе «Таланты и экосистема». Стимулирует совместное совершенствование моделей, коллективное обучение и ускоренную эволюцию систем в различных сценариях использования.
• Доля выпускников STEM-направлений: пересмотренный показатель в столпе «Таланты и экосистема», включающий выпускников в области ИИ, ML, Data Science и смежных сфер. Этот индикатор сигнализирует о способности страны развивать человеческий капитал, способный проектировать и управлять интеллектуальными системами, отвечающими за генерацию, интерпретацию и этичную обработку данных.

Показатели потенциала и устойчивости помимо инвестиций

• Масштаб вычислительных мощностей на душу населения: новый показатель в столпе «Обработка и хранение данных», включающий как универсальные, так и интеллектуальные вычисления. Отражает способность экономики эффективно обрабатывать массивы данных, поддерживать работу различных интеллектуальных приложений и закладывать технический фундамент для инноваций в области ИИ и цифровой трансформации.
• Мощности «зеленых» дата-центров: новый показатель в столпе «Обработка и хранение данных». Отражает способность экономики поддерживать устойчивую высокопроизводительную инфраструктуру (на периферии и в ядре), которая обеспечивает работу всегда доступных, готовых к ИИ сред обработки данных.
• Масштаб хранения данных: новый показатель в столпе «Обработка и хранение данных». Отражает способность экономики надежно хранить огромные объемы информационных ресурсов, сохранять цифровые активы для долгосрочного повторного использования и глубокого анализа, а также обеспечивать непрерывность деятельности, основанной на данных.
• Мощности современных систем хранения данных: пересмотренный показатель в столпе «Обработка и хранение данных». Отражает способность экономики поддерживать передовую производительность в управлении данными, измеряемую в терабайтах. Основное внимание уделяется доле современных решений, таких как системы All-Flash и высокопроизводительные хранилища для ИИ, в общем объеме мощностей по хранению данных.

Эти новые и обновленные показатели напрямую согласуются со структурами, ориентированными на данные, и полностью отражают возможности экономики в области цифровизации и интеллекта на всех этапах жизненного цикла потоков данных в эру ИИ.

Почему GDII имеет значение

GDII фиксирует операционную реальность цифровой экономики, отслеживая полный жизненный цикл данных — от создания до применения. Этот комплексный подход позволяет политикам, инвесторам и бизнесу диагностировать «узкие места», приоритизировать инвестиции и оценивать прогресс. GDII переопределяет цифровую зрелость не как владение инфраструктурой, а как способность к интеллектуальному созданию ценности.

1) Оценка замкнутого жизненного цикла данных

Столпы GDII («Создание», «Передача», «Обработка и хранение», «Применение») позволяют количественно измерить не только готовность, но и эффективность движения данных через национальные цифровые системы для экономического использования. Примеры показателей включают:

• Создание: количество абонентов ШПД на душу населения, развертывание IoT, генерация мобильного трафика.
• Передача: охват 5G, внедрение IPv6, пропускная способность магистральных сетей.
• Обработка и хранение: облачная инфраструктура, вычисления для ИИ / потребление токенов, мощности дата-центров.
• Применение: уровень цифровизации предприятий, проникновение электронной коммерции, цифровые государственные услуги.

2) Связь инфраструктуры с результатами

В отличие от других моделей, которые рассматривают цифровую инфраструктуру или таланты в области ИИ как изолированные элементы, GDII связывает жизненный цикл данных с ценностью, создаваемой на их основе...

...показатели включают:

• Создание: количество абонентов ШПД на душу населения, развертывание IoT, генерация мобильного трафика.
• Передача: охват 5G, внедрение IPv6, пропускная способность магистральных сетей.
• Обработка и хранение: облачная инфраструктура, вычисления для ИИ / потребление токенов, мощности дата-центров.
• Применение: уровень цифровизации предприятий, проникновение электронной коммерции, цифровые государственные услуги.

В отличие от других моделей, которые рассматривают цифровую инфраструктуру или таланты в области ИИ как изолированные элементы, GDII связывает жизненный цикл данных с цепочкой создания стоимости на основе данных. Этот подход с «двойной петлей» охватывает путь от связности до облачных вычислений и корпоративных приложений, демонстрируя, как цифровая инфраструктура трансформируется в измеримый цифровой интеллект. Связывая эти элементы, GDII обеспечивает более целостное представление о том, как цифровая инфраструктура поддерживает и улучшает экономические результаты.

3) Достижение измеримых экономических результатов

GDII также уникальным образом количественно оценивает результаты цифровой экономики, связывая гибкость данных с реальными показателями производства. Столп «Применение данных», например, включает такие метрики корпоративного уровня, как:

• Уровень проникновения ИИ: измеряет степень внедрения моделей ИИ в производственные среды.
• Отраслевые побочные эффекты от внедрения цифровых технологий: оценивает более широкое экономическое влияние цифровых технологий в различных отраслях.
• Проникновение цифровых услуг: оценивает степень интеграции цифровых услуг в различные отрасли.

Выявляя, как цифровые ресурсы превращаются в результаты цифровой экономики, GDII превращает доступ в действие, а потенциал — в производительность. Такой подход гарантирует, что экономические выгоды от трансформации будут измеримыми и пригодными для реализации на практике.

4) Информационная база для действенной политики и стратегии

Ориентируясь на потоки данных и результаты, GDII предоставляет лицам, принимающим решения, действенную диагностику, которую можно использовать для:

• Выявления пробелов: определения того, находятся ли «узкие места» в создании, передаче, вычислении или использовании данных.
• Оценки пайплайна талантов: анализа того, насколько эффективно национальный пайплайн талантов трансформируется в прикладные цифровые результаты.
• Оценки эффективности политики: определения того, действительно ли проводимая политика способствует получению экономической выгоды, а не просто цифровой готовности.

GDII предлагает четкую и структурированную основу для директивных органов и бизнеса, позволяя принимать обоснованные решения, приоритизировать инвестиции и стимулировать устойчивую цифровую трансформацию.

Результаты GDII: измерение трансформации экономик по всему миру

Индекс GDII был применен для измерения цифровой готовности более чем 90 экономик и оценки того, как эти страны готовятся конкурировать и процветать в эпоху ИИ. Согласно классификации Всемирного банка, основанной на уровне валового национального дохода (ВНД) на душу населения, эти экономики были разделены на три кластера: страны с высоким уровнем дохода, страны с уровнем дохода выше среднего и страны с уровнем дохода от низкого до ниже среднего.

Рисунок 4: Охват экономик в GDII

Примечание: Для текущего 2026 финансового года экономики с уровнем дохода от низкого до ниже среднего определяются как страны с ВНД на душу населения (рассчитанным по методу Атласа Всемирного банка) в размере 1 135 долларов США или менее в 2024 году; экономики с доходом ниже среднего — это страны с ВНД на душу населения от 1 136 до 4 495 долларов США; экономики с доходом выше среднего — от 4 496 до 13 935 долларов США; экономики с высоким уровнем дохода — более 13 935 долларов США.

Экономики с высоким уровнем дохода: цифровое лидерство и новые вызовы

Все 42 экономики в этом кластере демонстрируют зрелые, хорошо интегрированные цифровые экосистемы, поддерживаемые надежной нормативно-правовой базой (средний балл по показателю «Политика»: 73,5), которая стимулирует инновации и устойчивые инвестиции. Эти экономики также лидируют в следующих областях:

• Создание данных (63,1): обеспечивается повсеместным доступом к широкополосной связи, развертыванием IoT и интеллектуальных систем.
• Применение данных (65,8): подтверждается уровнем цифровизации предприятий и внедрением искусственного интеллекта, а также наличием передовых услуг электронного правительства.
• Таланты и экосистема (65,2): демонстрируется сильным кадровым потенциалом в сфере ИКТ и динамичностью стартап-культуры.

Эти экономики также достигли высоких баллов в категориях «Инфраструктура передачи данных» (54,3) (т. е. сети 5G и оптоволоконные сети) и «Цифровая энергетика» (52,9) (т. е. ВИЭ для цифровой инфраструктуры). Тем не менее, «Обработка и хранение данных» (37,3) остается ключевой областью для улучшения, особенно в части энергоэффективности и мощностей хранения. Хотя эти экономики имеют хорошие возможности для лидерства в цифровых инновациях следующего поколения, в настоящее время они сталкиваются с новыми вызовами в области устойчивого развития и должны инвестировать в передовую вычислительную инфраструктуру, если надеются сохранить свое конкурентное преимущество.

Рисунок 5: Топ-10 экономик GDII в категории стран с высоким уровнем дохода

Экономики с уровнем дохода выше среднего: ускорение цифровой трансформации

24 экономики в кластере стран с доходом выше среднего, как правило, находятся в особенно динамичной фазе цифрового развития, стремясь сбалансировать быстрый рост с развитием фундаментальных основ. Их средний балл по показателю «Политика» составляет 46,3, что отражает растущую приверженность правительств цифровизации. Прогресс в «Применении данных» (47,6) обусловлен ростом внедрения технологий в корпоративном и государственном секторах, а баллы в категории «Таланты и экосистема» (средний балл 41,5) растут благодаря увеличению числа STEM-специалистов и активности стартапов. Все это является признаками многообещающей динамики. Тем не менее, сохраняется ряд пробелов:

• Средние баллы в категориях «Создание данных» (ср. 39,9) и «Передача данных» (ср. 35,4) подчеркивают необходимость улучшения инфраструктуры связности за счет более широкого развертывания 5G, оптоволоконных сетей и систем IoT.
• Отставание в показателях «Обработка и хранение данных» (ср. 21,5) подчеркивает острую необходимость инвестиций в облачные вычисления и ИИ-инфраструктуру.
• Низкие баллы по «Цифровой энергетике» (ср. 36,3) также коррелируют с медленным достижением целей в области цифровой устойчивости, что указывает на необходимость более четкого согласования целей для энергетических систем.

Целевые инвестиции в эти направления позволят экономикам с доходом выше среднего ускорить свою цифровую трансформацию и сократить разрыв с более высокодоходными странами.

Рисунок 6: Топ-10 экономик GDII в категории стран с уровнем дохода выше среднего

Экономики с уровнем дохода ниже среднего и низким уровнем дохода: раскрытие цифрового потенциала, несмотря на дефицит инфраструктуры

24 экономики в кластере стран с доходом от низкого до ниже среднего сталкиваются со значительными трудностями в области цифровой инфраструктуры и компетенций, однако они, возможно, обладают самым большим неиспользованным потенциалом среди всех кластеров. Средний балл по показателю «Политика» (39,8) отражает формирующуюся регуляторную поддержку цифровизации, в то время как баллы в категориях «Создание данных» (28,4) и «Передача данных» (24,4) указывают на ограниченный доступ к широкополосной связи, сетям 4G/5G и интеллектуальным устройствам. Наиболее примечательно то, что средний балл за «Обработку и хранение данных» (13,1) является самым низким среди всех кластеров и столпов, что подчеркивает критический дефицит вычислительных мощностей и инфраструктуры хранения. Несмотря на эти ограничения, видны признаки прогресса:

• Их средний балл по «Цифровой энергетике» (36,4) сопоставим с показателем кластера стран с доходом выше среднего, что указывает на наличие значительных возможностей для интеграции ВИЭ в цифровое развитие.
• Баллы по «Применению данных» (ср. 33,9) также свидетельствуют об успехах на ранних стадиях внедрения цифровых услуг в различных секторах.

Для продвижения вперед этим экономикам необходимо будет приоритизировать:

• Инициативы по обеспечению всеобщей связности.
• Реформы политики для привлечения цифровых инвестиций.
• STEM-образование и развитие пайплайна талантов.

Сосредоточив внимание на инклюзивной инфраструктуре и продолжая использовать устойчивые энергетические модели, эти экономики могут создать прочную основу для справедливого цифрового роста и начать преодолевать глобальный цифровой разрыв.

Рисунок 7: Топ-10 экономик GDII в категории стран с уровнем дохода ниже среднего и низким уровнем дохода

...указывает на наличие значительных возможностей для интеграции ВИЭ в цифровое развитие. Показатели «Применения данных» (в среднем 33,9) также свидетельствуют об успехах на ранних стадиях внедрения цифровых услуг в различных секторах.

Для продвижения вперед этим экономикам необходимо будет приоритизировать:

• Инициативы по обеспечению всеобщей связности.
• Реформы политики для привлечения цифровых инвестиций.
• STEM-образование и развитие пайплайна талантов.

Сосредоточив внимание на инклюзивной инфраструктуре и продолжая использовать устойчивые энергетические модели, эти экономики могут создать прочную основу для справедливого цифрового роста и начать преодолевать глобальный цифровой разрыв.

Путь каждой группы стран отражает их уникальные сильные стороны и вызовы, подчеркивая необходимость разработки индивидуальных стратегий для обеспечения справедливого цифрового развития.

Рисунок 8: Средний балл по измерениям в зависимости от категории дохода

Анализ типичных экономик

Экономики с высоким уровнем дохода

Сингапур

Сингапур является мировым лидером в области цифровой трансформации, демонстрируя отличные результаты по всем столпам GDII. С баллом за политику 88 и баллом за таланты и экосистему 105,6 экономика подтверждает сильную государственную поддержку и наличие надежного кадрового резерва. Балл Сингапура за применение данных (92) и балл за передачу данных (76,4) подчеркивают продвинутый уровень внедрения ИИ и наличие надежной инфраструктуры связности. Возможности экономики по обработке и хранению данных с баллом 63,4 являются одними из лучших в мире, что подкрепляется значительными инвестициями в «зеленые» центры обработки данных. Опираясь на свою Национальную стратегию в области ИИ 2019 года, Сингапур в 2023 году запустил NAIS 2.0, стремясь стать глобальным хабом ИИ, что подкрепляется инициативой «ИИ на благо общества». Правительство разрабатывает дорожные карты экологичных центров обработки данных для достижения амбициозных целей по чистому нулевому уровню выбросов, ожидая инвестиции в размере 7,5–9 млрд долл. США в новые ЦОД в течение следующего десятилетия. Его «План цифровой связности» 2023 года дополнительно укрепляет инфраструктуру широкополосного доступа и подводных кабелей. Благодаря комплексному подходу к цифровой энергетике и инновациям Сингапур намерен сохранить свое лидерство в эпоху ИИ.

Саудовская Аравия

Саудовская Аравия стремительно продвигается в цифровой трансформации, руководствуясь стратегией «Vision 2030». Балл за политику 68 и балл за таланты и экосистему 57,6 отражают твердую приверженность созданию благоприятной среды для ИИ и цифровых инноваций. С баллом за применение данных 66 и баллом за передачу данных 64,9 Саудовская Аравия делает очевидные успехи в области внедрения ИИ и инфраструктуры связности. В качестве ключевого элемента «Vision 2030» Саудовская Аравия в 2024 году запустила инициативу HUMAIN AI, подкрепленную инвестициями в размере 146 млрд долл. США. Планы в рамках этой инициативы включают строительство ЦОД мощностью 1,9 ГВт (что в 1,5 раза превышает максимальную мощность AWS) и создание к 2026 году арабской модели Allam со 100 миллиардами параметров. Благодаря наличию более 6 000 государственных услуг в онлайн-формате (97% от всех госуслуг) и внедрению 5G в 84 мухафазах, Саудовская Аравия вкладывает значительные средства в ИИ и инфраструктуру данных, стремясь преодолеть цифровой разрыв и расширить возможности создания интеллектуальной ценности. Ее усилия по согласованию эффективности политики с развитием талантов закладывают прочный фундамент для масштабируемой интеграции ИИ к 2025–2026 годам.

Экономики с доходом выше среднего

Китай

Китай является мировой державой в области цифрового интеллекта, преуспевая в применении данных (90) и их создании (84). Балл экономики за политику (58) и балл за таланты и экосистему (50,4) отражают сбалансированный подход к стимулированию инноваций и развитию кадрового потенциала. С баллом за передачу данных 71,5 и баллом за обработку и хранение данных 44,6 Китай демонстрирует передовые возможности связности и инфраструктуры. Рабочий план «Цифровой Китай» на 2024 год определяет приоритетами расширение цифровой инфраструктуры и реформу рынка данных. Основное внимание уделяется разблокированию циркуляции данных, углублению интеграции цифровой экономики и совершенствованию цифровых государственных услуг. Политика страны делает упор на кибербезопасность, «зеленые» технологии и международное цифровое сотрудничество в целях ускорения экономического роста и модернизации социального управления. Китай уделяет особое внимание экологичным центрам обработки данных и устойчивому цифровому росту в соответствии со своей национальной дорожной картой ИИ. В настоящее время экономика переходит от стадии экспериментов к внедрению, а масштабируемая интеграция ИИ в различных отраслях ожидается к 2025–2026 годам. Лидерство в потреблении ИИ-токенов и уровне проникновения приложений позиционирует Китай как ключевой драйвер глобальной цифровой трансформации.

Малайзия

Малайзия неуклонно продвигается по пути цифровой трансформации, имея балл за политику 68 и балл за таланты и экосистему 55,2. Балл экономики за передачу данных (66,5) и балл за применение данных (58) подчеркивают растущие возможности связности и внедрения ИИ. Однако балл за обработку и хранение данных (33,4) и балл за цифровую энергетику (33) указывают на области, требующие улучшения. В рамках своего Плана развития цифровой экономики Малайзия в 2023 году запустила «инициативу одного окна» для координации 14 агентств по поддержке стартапов, стремясь к созданию 5 000 стартапов к 2025 году. Кроме того, проект Национальной цифровой идентичности (IDN) внедряет биометрическую верификацию для оптимизации государственных услуг. Тем временем усилия по повышению цифровой зрелости малого и среднего бизнеса включают субсидируемые консультационные услуги по кибербезопасности. Малайзия фокусируется на устранении пробелов в цифровой готовности через развитие талантов и построение экосистемы. Правительство также активно расширяет возможности передачи и обработки данных, стремясь построить устойчивую цифровую экономику. В настоящее время Малайзия готова к переходу на этап внедрения ИИ и использованию своей динамичной цифровой экосистемы для ускоренного экономического роста.

Экономики с доходом ниже среднего и низким доходом

Вьетнам

Вьетнам добивается устойчивого прогресса в цифровой трансформации, имея балл за политику 34 и балл за таланты и экосистему 40,8. Балл экономики за передачу данных (48,5) и балл за цифровую энергетику (66) подчеркивают ее ориентацию на связность и устойчивое развитие. Однако балл за обработку и хранение данных (17,1) указывает на значительные пробелы в инфраструктуре. Национальная программа цифровой трансформации Вьетнама (2020–2025) нацелена на вхождение в топ-50 мирового рейтинга электронного правительства к 2030 году. Основные усилия по достижению этой цели включают расширение цифровой инфраструктуры, развитие данных и усиление кибербезопасности. Несмотря на многочисленные проблемы, такие как ограниченная цифровая осведомленность, экономика продвинулась в ряде областей, включая развитие цифровых государственных услуг, и стремится увеличить долю цифровой экономики в ВВП с помощью общенациональных программ обучения. В настоящее время страна находится в фазе экспериментирования с внедрением ИИ, используя свою динамичную цифровую экосистему для роста. Усилия Вьетнама по расширению связности и устранению инфраструктурных пробелов выводят нацию на путь развития устойчивой цифровой экономики.

Марокко

Марокко остается на ранних стадиях цифровой трансформации, имея балл за политику 46 и балл за таланты и экосистему 43,2. Балл экономики за передачу данных (30) и балл за применение данных (40) отражают первоначальный прогресс в области связности и внедрения ИИ. Тем не менее, балл за обработку и хранение данных (12) подчеркивает серьезные проблемы в развитии инфраструктуры. В рамках стратегии «Цифровое Марокко 2030» в 2025 году была расширена национальная платформа электронного бизнеса, что способствовало регистрации более 12 000 предприятий в режиме онлайн. При наличии более 600 оцифрованных государственных услуг (23% от общего числа) текущие планы включают создание специализированного агентства по ИИ и регистрацию 100 000 стажеров в цифровой сфере ежегодно к 2026 году. Новые платформы для подачи заявлений на гражданство и единые административные порталы направлены на дальнейшую оптимизацию управления с целью достижения показателя в 3 000 стартапов к 2030 году. Экономика сейчас находится в фазе экспериментирования с внедрением ИИ, стремясь восполнить пробелы в цифровой готовности и расширить возможности создания интеллектуальной ценности.

Инсайды по экономикам: ключевые выводы, вызовы и возможности

Принцип «полного привода»: превращение политики и инвестиций в прогресс

Почти каждая современная экономика сформулировала мастер-план в области ИКТ или цифровую политику, направленную на развитие цифровой экономики, и более 70 стран объявили о национальных стратегиях по инвестированию и внедрению искусственного интеллекта. Эти политики отражают растущий консенсус среди правительств: заинтересованным сторонам — будь то жители, бизнес или институты — необходимо дополнительное стратегическое направление для получения экономических, социальных и экологических дивидендов. Хотя за последние несколько лет политика развивалась устойчивыми темпами, влияние этой работы начало выходить на плато. Стало ясно, что необходимо приложить равные усилия для воплощения этих рамок в реальные инвестиции и внедрение. Сочетание этих двух факторов создает подход «полного привода», где:

• «Передние колеса» — это актуальная и перспективная политика, задающая четкое направление и прочный фундамент для цифровой экономики.
• «Задние колеса» — это инициативы по инвестированию и внедрению, которые обеспечивают лучшее ускорение и претворяют эту политику в жизнь.

Данные GDII наглядно демонстрируют различия между подходом только с «передним приводом» и «полным приводом». Развивающиеся экономики, многие из которых уже задекларировали политику в области ИКТ или цифровизации, все еще отстают в реализации этой политики и государственных инициативах по стимулированию инвестиций. Ведущие экономики, напротив, согласовывают политические амбиции с фактическими расходами, что приводит к сбалансированному и эффективному цифровому развитию. Эти расходы включают государственные затраты, расходы предприятий и частных лиц. Экономики должны обеспечить тандемное движение политики и инвестиций для ускорения цифровой трансформации.

Анализ политических инициатив в развивающихся экономиках также выявляет еще одну общую тенденцию: зачастую сильный акцент делается на предоставлении ранних цифровых услуг в ущерб развитию базовой инфраструктуры. При создании политики и концентрации на цифровом внедрении часто упускаются из виду такие критические факторы, как связность, вычислительная инфраструктура и инфраструктура хранения данных, а также трансформация цифровой энергетики. Ошибки политики включают:

• Ориентация на услуги: приоритет отдается быстрым победам через платформы электронного правительства, мобильные приложения и цифровизацию малого и среднего бизнеса — даже когда инфраструктура остается недостаточно развитой.

• Краткосрочная ориентация: стремление к немедленным результатам вместо долгосрочных инвестиций в инфраструктуру.

• Энергетический дисбалан...

• Энергетический дисбаланс: сохраняющаяся зависимость от традиционных источников энергии при ограниченной интеграции инициатив в области устойчивого развития в цифровые стратегии.

• Фрагментированный прогресс: нелинейное развитие с отдельными очагами прогресса вместо системного, интегрированного роста.

• Незрелые экосистемы талантов: внедрение цифровых технологий на ранних стадиях, обусловленное практическими потребностями и новыми талантами, несмотря на ограниченную зрелость экосистемы.

Аналогичный разрыв очевиден в политике распределения радиочастотного спектра. Стратегия использования спектра в развивающихся экономиках плохо согласована с развертыванием высокоскоростного мобильного широкополосного доступа (ШПД), особенно сетей 5G. Это несоответствие препятствует их способности перейти от цифрового потребления и электронной коммерции к полномасштабной цифровизации отраслей.

Рисунок 9: Политика цифровой трансформации в сравнении с расходами на ИКТ и показателями цифровизации отраслей

Хотя почти во всех экономиках сформирована достаточно полная политика распределения спектра, усилия по ускорению покрытия 5G распределены крайне неравномерно. Многие страны достигли высоких уровней покрытия мобильным ШПД, но не смогли эффективно стимулировать телекоммуникационных провайдеров к расширению высокоскоростных сетей 5G. Этот разрыв критичен. Инфраструктура 5G часто рассматривается лишь как технологическое обновление, однако ее истинная ценность заключается в роли катализатора цифровой трансформации, поскольку она обеспечивает:

• Создание и передачу данных в системы вычислений и хранения, превращая «сырые» данные в практически значимые идеи; * Внедрение приложений ИИ и цифровых платформ, которые создают экономическую ценность, улучшают государственные услуги и качество жизни населения; * Сценарии использования с высокой пропускной способностью, такие как транзакции в реальном времени и видеовзаимодействие; * Приложения с низкой задержкой в автоматизации, системах ИИ и промышленном IoT (интернете вещей).

Многие развивающиеся экономики рискуют отстать, так как при наличии рамочных политик инвестиции в инфраструктуру и спектр остаются слабыми. Они напоминают переднеприводный автомобиль: способны направлять рост, но им не хватает тяги и инерции, которые обеспечивает мощная инфраструктура. Напротив, экономики, применяющие «полноприводный» подход — согласующие политику с устойчивыми инвестициями и повсеместным внедрением — лучше подготовлены к ускорению на пути к устойчивой и инклюзивной цифровой экономике.

Рисунок 10: Политика в области спектра в сравнении с показателями покрытия мобильным ШПД и 5G

• Базовая политика, низкое покрытие 5G: Группа стран с начальным уровнем регулирования.
• Улучшение политики для расширения мобильного ШПД при отставании 5G: Фокус на доступности базовой связи.
• Политика, стимулирующая мобильный ШПД 5G: Лидеры, синхронизирующие распределение частот с развитием инфраструктуры нового поколения.

Двойная спираль: баланс создания и применения данных

Исследования указывают на типичную линейную зависимость между показателями данных и экономическим прогрессом. Однако детальный анализ баллов GDII в категориях зрелости цифровой экономики, создания данных и применения данных показывает, что связь между созданием и применением данных образует структуру «двойной спирали». Благодаря применению данных огромные их объемы могут быть преобразованы в реальную продуктивность и бизнес-инновации. Это обеспечивает трансформацию и модернизацию экономики и общества. Приоритизация и создание разнообразных качественных данных также имеют решающее значение. Только установив петлю двустороннего усиления между созданием и применением данных, мы можем сформировать благотворный цикл взаимной поддержки. Это ключ к раскрытию полного потенциала цифровой экономики и стимулированию социально-экономического развития.

Экономический прогресс сокращает разрыв между созданием и применением: По мере перехода экономик от низкого к более высокому уровню дохода разрыв между созданием и применением данных постепенно сокращается. В развитых экономиках применение в значительной степени догнало создание, что позволяет генерировать более высокую добавленную стоимость. Определяющим фактором создания стоимости в таких экономиках является не сам масштаб генерируемых данных, а эффективность их использования.

1. Экономики с высоким уровнем дохода

Экономики с высоким уровнем дохода демонстрируют конвергенцию создания и применения данных, опираясь на развитые ресурсы, инфраструктуру, навыки и систему управления. В этих экономиках:

• Баллы создания и применения данных в их зрелых цифровых экосистемах различаются лишь незначительно; * Инвестиции выходят за рамки технологий генерации (IoT, датчики, платформы) и направляются в ИИ, аналитику и бизнес-модели, основанные на данных, чтобы применение данных соответствовало быстрорастущим объемам их генерации.

Эта конвергенция способствует цифровой зрелости и балансу, при котором данные не только создаются, но и используются в полной мере.

Рисунок 11: Сокращение разрыва между созданием и применением данных по мере экономического прогресса

2. Экономики с доходом выше среднего

Экономики с доходом выше среднего находятся в переходной фазе и демонстрируют самые значительные диспропорции в цифровой зрелости.

• Некоторые быстрорастущие цифровые хабы достигли высоких результатов как в создании, так и в применении данных.
• Другие остаются цифровизированными лишь частично, имея высокий балл в одной категории и низкий в другой.
• Различия в политике, инфраструктуре, инвестиционных приоритетах и институциональной готовности усиливают эту поляризацию. В результате лидеры внутри кластера быстро прогрессируют, в то время как отстающие страны все больше теряют позиции, что формирует ландшафт цифрового разрыва.

3. Экономики с доходом ниже среднего и низким уровнем дохода

С другой стороны, экономики с доходом ниже среднего и низким доходом коллективно сталкиваются с системными барьерами, которые ограничивают цифровой прогресс по всем направлениям.

• Все экономики в этом кластере отстают в развитии инфраструктуры, зрелости экосистемы, обеспеченности талантами или доступности технологий.
• Как следствие, различия между экономиками сжаты в узком диапазоне производительности.
• «Потолок» цифровой эффективности остается низким, что дает скромную вариативность по сравнению с группами с более высоким доходом. Развитие этих экономик равномерно ограничено, а их зрелость сдерживается одинаково низкими баллами по обеим метрикам.

Экономики с высоким уровнем дохода: создание и применение данных работают в тандеме

Рисунок 12: Параллельный рост создания и применения данных

Для стран с высоким доходом (Сингапур, США, Финляндия, Швеция и др.) характерна высокая корреляция между передачей, обработкой и применением данных.

Формула зависимости:

Применение данных = 18,6 + 0,25 * (Передача данных) + 0,90 * (Обработка и хранение данных) R² = 0,74

Равновесие в «двойной спирали» данных

В экономиках с высоким уровнем дохода взаимосвязь «двойной спирали» между созданием и применением данных выражена наименее резко. Здесь разрыв между созданием и применением минимален (см. Рисунок 12), что отражает стадию цифровой зрелости, на которой технологические возможности, система управления и инновационные экосистемы достаточно развиты. Экономический прогресс в этой группе обеспечивается не только созданием данных, но и их эффективным использованием.

Эта конвергенция подкрепляется мощной цифровой инфраструктурой, квалифицированными кадрами и передовой нормативно-правовой базой, поддерживающей интероперабельность, конфиденциальность данных и глобальную цифровую торговлю. В этих экономиках высоко стандартизированы и доступны платформы ИИ, облачные сервисы, системы корпоративной аналитики и решения в сфере кибербезопасности, что создает эффект выравнивания на рынках с высоким уровнем дохода. В результате даже небольшие страны этой группы способны внедрять лучшие практики и идти в ногу с более крупными партнерами. Различия между экономиками носят инкрементальный, а не структурный характер, что свидетельствует о выходе на плато цифровой зрелости.

Экономические стимулы дополнительно укрепляют этот баланс. На продвинутых стадиях развития рост все чаще обеспечивается за счет повышения производительности, инноваций и сферы услуг, а не промышленного производства. Это создает системное давление в пользу повышения эффективности применения данных, что гарантирует их развитие синхронно с процессами создания. В отличие от групп с более низким доходом, где лидеры появляются внезапно и часто оставляют конкурентов далеко позади, дифференциация в странах с высоким доходом сглажена. Все участники рынка уже развиты в цифровом отношении, и их конкурентные преимущества заключаются в тонкой настройке передовых возможностей, а не в устранении инфраструктурных пробелов.

Инфраструктурный фундамент как драйвер прогресса

На рисунке 12 также показаны два промежуточных уровня цепочки создания стоимости данных: «Передача данных» и «Обработка и хранение данных», которые служат мостами между созданием и применением. Регрессионный анализ подчеркивает их важность, показывая, что в экономиках с высоким уровнем дохода еще одним ключевым драйвером эффективности применения являются мощности по обработке и хранению. Это элементы опорной инфраструктуры, которые позволяют масштабировать продвинутую аналитику, автоматизацию и внедрение ИИ. Напротив, передача данных вносит лишь незначительный вклад в дальнейший рост применения, поскольку стандарты телекоммуникаций и облачных вычислений уже глубоко унифицированы, что делает скорость и качество передачи относительно стабильными во всех этих экономиках.

Будущие вызовы в масштабировании потенциала применения

Это выявляет ключевое ограничение для стран с высоким уровнем дохода: хотя применение данных продолжает расти в тандеме с их созданием, будущее масштабирование будет в значительной степени зависеть от расширения мощностей по обработке и хранению. Без устойчивых инвестиций в этот фундамент возможность реализации следующей волны инноваций на основе данных будет существенно ограничена.

Экономики с уровнем дохода выше среднего: растущий цифровой разрыв

Рисунок 13: Возникновение цифрового разрыва в экономиках с доходом выше среднего

Наиболее поляризованный этап «двойной спирали»

В отличие от баланса, наблюдаемого в странах с высоким уровнем дохода, экономики с уровнем дохода выше среднего демонстрируют самые широкие внутренние диспропорции в цифровой зрелости (см. Рисунок 13). Баллы индикаторов в этой группе варьируются от почти 90 (уровень стран с высоким доходом) до чуть более 30, создавая разброс почти в 60 баллов. Если в группе с высоким доходом различия сглажены, то здесь разрыв отражает жесткое разделение на цифровых лидеров и последователей. Цифровая зрелость некоторых стран в этом кластере почти сравнялась с показателями экономик с высоким уровнем дохода, в то время как другие показывают результаты, близкие к базовому уровню стран с низким доходом.

Другой определяющей чертой этой группы является значительный разрыв между созданием и применением данных. В среднем баллы за применение превышают баллы за создание примерно на 20 пунктов, что контрастирует с разницей в 5 баллов в странах с высоким доходом. Этот дисбаланс говорит о том, что многие экономики данной группы успешно внедряют и применяют глобальные технологии и внешние платформы, но не обладают соразмерными возможностями для генерации и управления собственными внутренними массивами данных. Лидеры в этом кластере часто позиционируются как региональные цифровые хабы с сильными компетенциями в области применения, но лишь умеренными возможностями в создании данных. Остальные страны кластера достигают скромных результатов в применении из-за слабых экосистем и ограниченной инфраструктуры.

Этот феномен обусловлен неравномерным развитием. Быстрая индустриализация часто приводит к формированию инвестиционной среды, которая отдает приоритет уровню применения (например, аналитическим инструментам, решениям ИИ и облачным технологиям) в ущерб фундаментальным элементам, таким как локальные платформы и стандарты управления, которые способствуют созданию данных. Это ставит многие экономики в зависимость от импортных платформ и внешних наборов данных.

Политическая и институциональная фрагментация еще больше усугубляет разрыв. В то время как страны с высоким доходом придерживаются единых цифровых стандартов, экономики с доходом выше среднего сильно различаются по вектору политики, регуляторному потенциалу и качеству исполнения. Лидеры этой группы смогли сформировать сильную политику и экосистемы частного сектора, в то время как последователи сталкиваются с трудностями в этих областях. Это создает выраженную динамику «догоняющего развития», где фронтраннеры стремятся к показателям стран с высоким доходом, в то время как другие застревают на уровнях ниже среднего.

Регрессионный анализ подтверждает этот разрыв. Наблюдается очень сильная связь (R² = 0,77) между эффективностью и инфраструктурой. Лидерами в обоих кластерах являются те, кто объединил широкие возможности передачи данных с надежным фундаментом инфраструктуры хранения и обработки, что позволяет применению опережать создание. Последователи, напротив, ограничены слабой инфраструктурой и не могут масштабировать применение, даже если показатели создания данных улучшаются.

В итоге лидеры, как правило, придерживаются моделей «применение прежде всего» (application-first), уделяя приоритетное внимание продвинутой аналитике, инструментам ИИ и глобальным платформам. Это позволяет им извлекать выгоду из существующих данных, даже если объемы локальной генерации невелики. Экономики с доходом выше среднего представляют собой наиболее поляризованный этап «двойной спирали». Они характеризуются не единообразным прогрессом, а дивергенцией, где одни страны вырываются вперед как цифровые лидеры, а другие остаются в состоянии частичного внедрения цифровых технологий.

Экономики с уровнем дохода ниже среднего и низким уровнем дохода: единые ограничения и структурная стагнация

Рисунок 14: Равномерное отставание, отражающее системные ограничения в экономиках с доходом ниже среднего и низким уровнем дохода

В отличие от конвергенции в странах с высоким доходом или поляризации в странах с доходом выше среднего, экономики с уровнем дохода ниже среднего и низким доходом сталкиваются с повсеместным недоразвитием и системными ограничениями. Они варьируются от слабой инфраструктуры и низкой финансовой доступности до нехватки квалифицированных кадров и фрагментированного управления. Все экономики этой группы затронуты схожим образом, что приводит к низким показателям с минимальной дифференциацией внутри кластера.

Ограничения заметны на каждом этапе цифровой цепочки создания стоимости. Недостаточное проникновение широкополосного доступа, низкий уровень внедрения облачных технологий и минимальное присутствие IoT препятствуют...

Экономики с доходом ниже среднего и низким доходом: единообразные ограничения и структурная стагнация

В отличие от конвергенции в странах с высоким доходом или поляризации в странах с доходом выше среднего, экономики с уровнем дохода ниже среднего и низким доходом сталкиваются с повсеместным недоразвитием и системными ограничениями. Они варьируются от слабой инфраструктуры и низкой финансовой доступности до нехватки квалифицированных кадров и фрагментированного управления. Все экономики этой группы затронуты схожим образом, что приводит к низким показателям с минимальной дифференциацией внутри кластера.

Ограничения заметны на каждом этапе цифровой цепочки создания стоимости. Недостаточное проникновение широкополосного доступа, низкий уровень внедрения облачных технологий и минимальное присутствие IoT препятствуют созданию данных. Скудный кадровый резерв и слабые институты ограничивают применение данных. Ни одна экономика в этом кластере не вырвалась в лидеры. Умеренный, но устойчивый разрыв между показателями применения и создания данных отражает определенное внедрение глобальных инструментов. Однако отсутствие у этих экономик внутренней инфраструктуры для генерации, управления и хранения данных в промышленных масштабах не позволяет им превратить это преимущество в значимые прорывы. По сути, эти страны функционируют в цифровой экосистеме ранней стадии, заимствуя внешние инструменты вместо наращивания внутренних мощностей.

Отсутствие явных лидеров говорит о том, что этим экономикам не нужно фокусироваться на сокращении разрыва между созданием и применением данных. Вместо этого им необходимо повысить базовый уровень по обоим направлениям для продвижения вперед. В отличие от экономик с доходом выше среднего, где дивергенция возникает из-за выборочных инвестиций, этот кластер сдерживается структурной стагнацией, которая не позволяет ни одной стране существенно опередить своих коллег. Регрессионный анализ (R² = 0,58) подтверждает, что и передача данных, и их обработка и хранение развиты одинаково слабо, выступая в качестве двойных «узких мест», а не дифференцированных факторов роста. Связь между улучшением инфраструктуры и результатами применения данных здесь слабее, чем в более высокодоходных группах. Это подчеркивает, что даже при улучшении инфраструктуры передачи и хранения другие системные барьеры, такие как навыки, управление и готовность экосистемы, будут продолжать ограничивать прогресс.

Экономики с доходом ниже среднего и низким доходом демонстрируют наиболее ограниченную форму «Двойной спирали». В то время как другим группам нужно сосредоточиться на уменьшении поляризации или тонкой настройке передовых возможностей, этой группе необходимо преодолеть системные барьеры, которые подавляют производительность по всем направлениям. Они должны одновременно инвестировать в связность, облачную инфраструктуру, управление и человеческий капитал, чтобы набрать инерцию и достичь дифференциации.

Развитие инфраструктуры передачи данных перед наращиванием вычислительных мощностей

Многие национальные стратегии в области ИИ склонны выделять вычислительные мощности, такие как вычислительные кластеры ИИ, графические процессоры (GPU) и ускорители, в качестве основы цифровой конкурентоспособности. Хотя вычисления, несомненно, важны, дальнейший анализ показывает, что инфраструктура передачи данных оказывает еще большее влияние на общие результаты применения данных. Фактически результаты регрессии показывают, что передача данных (коэффициент +0,6) вносит больший вклад в расширение применения данных, чем вычислительная мощность (+0,5).

Этот вывод подчеркивает простую истину: если хочешь стать богатым, сначала строй дороги. Подобно тому как современные экономики не могут функционировать без автомагистралей и логистических сетей, экосистемы ИИ не могут процветать без надежных цифровых магистралей, обеспечивающих высокоскоростные соединения с низкой задержкой между вычислительными узлами, центрами обработки данных, предприятиями и пользователями. Без таких «дорог» вычислительная мощность рискует оказаться изолированной: мощной самой по себе, но неспособной перемещать данные со скоростью, необходимой для поддержки распределенного обучения ИИ, облачных сервисов или интеграции «от периферии к ядру». Это становится критической проблемой, поскольку рабочие нагрузки ИИ все чаще требуют:

• крупномасштабного перемещения данных между хранилищами и вычислительными кластерами; * оперативности реагирования в режиме реального времени в экосистемах периферии, облака и ЦОД; * трансграничного и межотраслевого взаимодействия для крупномасштабного обучения и инференса (вывода).

Таким образом, очевидным приоритетом для политиков является инвестирование в инфраструктуру передачи данных перед масштабированием вычислительных мощностей. Это подразумевает:

1. Расширение высокоскоростных волоконно-оптических сетей и подводных кабелей.
2. Создание хабов ЦОД с богатыми возможностями межсетевого взаимодействия (interconnect).
3. Развертывание сетей с низкой задержкой от периферии к ядру (edge-to-core).
4. Поддержку стандартов и операционной совместимости для обеспечения бесперебойного трансграничного обмена данными.

Подобно тому как дороги открывают возможности для торговли, инфраструктура передачи данных высвобождает потенциал вычислительных мощностей. Страны, находящиеся в авангарде инвестиций в межсетевое взаимодействие, смогут в полной мере эксплуатировать свои вычислительные мощности, в то время как те, кто фокусируется только на «чистых» вычислениях, рискуют создать цифровые «острова» с недоиспользованными ресурсами.

Роль передачи данных и вычислительной мощности в применении данных

В анализе участвовали экономики всех уровней дохода: от Сингапура и США до Вьетнама, Индии, Пакистана и Нигерии.

Экономики с высоким доходом: вычислительные мощности как фактор дифференциации

В экономиках с высоким доходом как вычислительная мощность, так и передача данных оказывают значительное влияние на результаты применения данных, однако именно вычисления становятся основным драйвером. Это связано с тем, что такие экономики уже обладают развитыми экосистемами межсетевого взаимодействия, построенными на надежных волоконно-оптических магистралях, многочисленных точках обмена интернет-трафиком, кабельных станциях и передовых облачных хабах. В этих странах «дороги» для перемещения данных уже проложены, а значит, вычислительная мощность может стать ключевым фактором дифференциации.

Тем не менее для сохранения лидирующих позиций эти экономики не могут полагаться только на существующие связи. Следующий рубеж заключается в ускорении внедрения сетей 5G и 5G-Advanced, которые обеспечат высокоскоростную связь с низкой задержкой на уровне периферийных сред. Эти сети критически важны для поддержки распределенного обучения ИИ, аналитики в реальном времени, иммерсивных приложений и трансграничной мобильности данных в больших масштабах.

Без продолжения инвестиций в передовую инфраструктуру мобильной связи страны с высоким доходом рискуют создать «узкие места» на периферии, что подорвет их способность полностью использовать ускорение вычислений. Следовательно, приоритетом является не только балансировка сверхвысоких мощностей с существующим интерконнектом, но и развитие беспроводных сетей следующего поколения в дополнение к волоконно-оптическим и облачным магистралям. Благодаря этому экономики с высоким доходом смогут гарантировать, что мобильность данных, интеграция периферии и облака, а также глобальное сотрудничество в области ИИ будут идти в ногу с ростом вычислений, укрепляя их позиции на переднем крае цифровых инноваций.

Вычислительная мощность как драйвер применения данных в странах с высоким доходом

Подобно тому как дороги открывают возможности для торговли, инфраструктура передачи данных высвобождает потенциал вычислительных мощностей. Страны, которые в первую очередь инвестируют в связность и межсетевое взаимодействие, смогут полностью реализовать свои вычислительные ресурсы, тогда как ориентация исключительно на сырую мощность вычислений грозит созданием изолированных цифровых «островов».

В странах с уровнем дохода выше среднего наблюдается обратная картина. Передача данных становится основным драйвером применения данных, в то время как вычислительная мощность демонстрирует отрицательную корреляцию. Это указывает на структурный дисбаланс: создаются вычислительные кластеры, но значительная часть их мощностей простаивает из-за нехватки «цифровых магистралей». Таким образом, приоритетом для этих экономик являются инвестиции во внутренние опорные сети, региональные межсетевые соединения и пропускную способность подводных кабелей. Только после создания «цифровых дорог» инвестиции в вычисления принесут ожидаемую отдачу.

Экономики с уровнем дохода выше среднего: дороги важнее двигателей

В странах с уровнем дохода ниже среднего и низким уровнем дохода инфраструктура как вычислений, так и передачи данных развита недостаточно. Однако данные показывают, что связность оказывает более сильное предельное влияние на внедрение приложений для работы с данными. На данном этапе цифровой зрелости задача состоит не в создании высокопроизводительных кластеров, а в формировании базовой инфраструктуры: доступного широкополосного доступа, трансграничной связности и узлов обмена интернет-трафиком начального уровня. Без этих элементов внедрение ИИ останется фрагментированным и ограниченным изолированными пилотными проектами, независимо от объема установленных вычислительных мощностей.

Развитие связности как мультипликатор вычислений

Во всех группах стран по уровню дохода ключом к окупаемости инвестиций в вычисления является развитие инфраструктуры передачи данных. Оптоволоконные сети, подводная связность, региональный пиринг и интеграция периферии с ядром (edge-to-core) составляют основу глобального движения данных, но именно 5G и 5G-Advanced становятся критическими драйверами на периферии. Технология 5G уже способна обеспечить высокоскоростную беспроводную связь с низкой задержкой, необходимую для распространения передовых цифровых услуг за пределы центральных узлов, поддерживая мобильные приложения, промышленную автоматизацию и аналитику в реальном времени. 5G-Advanced идет дальше, обеспечивая еще большую пропускную способность восходящего канала, детерминированную задержку и массовую масштабируемость интернета вещей (IoT), что необходимо для распределенного обучения ИИ, иммерсивных приложений и интеграции периферийных систем с облаком.

Вместе эти достижения гарантируют, что вычислительная мощность будет полностью интегрирована в сеть, а не изолирована, превращая сырые ресурсы в продуктивные результаты. Страны, которые не уделяют приоритетного внимания как проводной, так и беспроводной передаче данных, рискуют стать цифровыми «островами» — мощными в изоляции, но недоиспользованными. Те же, кто интегрирует надежные опорные сети с 5G и 5G-Advanced, станут лидерами в обеспечении беспрепятственной мобильности данных, аналитики в реальном времени и глобальной цифровой конкурентоспособности.

Экономики с доходом ниже среднего и низким доходом: закладка фундамента

Рост передачи данных: связность как драйвер цифровизации

Высокопроизводительная мобильная связность является фундаментом интеллектуальной цифровизации. При охвате мирового населения сетями 4G на уровне почти 95%, глобальное внимание переместилось на 5G и её эволюцию. К концу 2024 года сети 5G поддерживали 2 миллиарда соединений и охватывали половину населения планеты, при этом лидерами по развертыванию стали Северная Америка, Китай, развитые страны Азиатско-Тихоокеанского региона и страны Совета сотрудничества арабских государств Залива. В отличие от предыдущих поколений, 5G разработана для промышленного использования, предлагая сверхнизкую задержку, массовое подключение машин и сетевой интеллект. В то же время её преемник, 5G-Advanced, интегрирует ИИ, спутниковую связь и передовую автоматизацию, открывая новые возможности как в потребительском, так и в корпоративном сегментах.

Автономная архитектура 5G Standalone (SA) станет центральным элементом грядущей трансформации, так как она упрощает слайсинг сети, автоматизацию, развертывание IoT и сверхнадежную связь. Для потребителей она поддерживает ресурсоемкие приложения, такие как AR/VR и гейминг; для предприятий она служит основой для операций на базе ИИ, аналитики в реальном времени и межотраслевой цифровизации.

Синергия 5G и ИИ

5G и ИИ взаимно усиливают друг друга: расширенная связность позволяет ИИ масштабироваться, в то время как ИИ делает телекоммуникационные сети более интеллектуальными и эффективными.

Роль ИИ в телекоммуникациях столь же критична, как и в других отраслях. В глобальном масштабе 37 операторов начали внедрять решения на базе ИИ, причем обслуживание клиентов стало приоритетным направлением — на него приходится половина всех внедрений ИИ в телекоме, отслеживаемых GSMA Intelligence. Сети являются второй важной областью, составляя около 20% внедрений. Здесь автоматизация на базе ИИ максимизирует эффективность за счет оптимизации производительности сети, снижения операционных расходов (OPEX) и рационализации капитальных затрат (CAPEX). Например, оптимизация сетей радиодоступа (RAN) может обеспечить значительную экономию энергии при сохранении того же уровня пропускной способности и качества обслуживания.

На начальных этапах большинство инициатив ИИ в телекоме были ориентированы на экономию затрат. Однако сейчас начинают появляться новые модели монетизации, такие как GPU-as-a-service (GPUaaS) и агентские платформы ИИ. По мере углубления внедрения и перерастания испытаний в коммерческие предложения, ожидается, что операторы откроют совершенно новые категории услуг. В 2024 году операторы, представляющие 68% всех мировых соединений 5G, уже интегрировали ИИ в свои бизнес-модели, что подчеркивает растущую согласованность между ИИ и передовыми технологиями связи.

Модели ИИ в основном базируются в облаке и требуют больших вычислительных ресурсов, а для эффективной работы им необходима быстрая связь с низкой задержкой. Именно здесь 5G Standalone (SA) и 5G-Advanced (5G-A) выступают в качестве критических факторов, обеспечивая «цифровые магистрали», необходимые для доставки рабочих нагрузок ИИ в масштабе реального времени. Эти сети особенно важны для распространения услуг на базе ИИ в регионах с низким доходом или географически удаленных районах, которые иначе рискуют оказаться исключенными из цифровой экономики. Примеры включают приложения для машинного перевода, расширяющие доступ к образованию, услуги телемедицины для сельского здравоохранения и мобильные приложения для диагностики вредителей на базе ИИ для фермеров.

В перспективе 5G-Advanced усилит ценность внедрения ИИ, поддерживая приложения, требующие повышенной мобильности, высокой надежности и иммерсивного пользовательского опыта, такие как расширенная реальность (XR), интеграция спутниковой связи и услуги многоадресной рассылки. Развертывание 5G-Advanced началось в Китае в начале 2024 года и с тех пор расширилось на Финляндию, Индию, Кувейт, Макао и США. Согласно опросу GSMA по трансформации сетей 2025 года, 79% операторов планируют развернуть 5G-Advanced в течение двух лет, а 93% — в течение четырех лет. В качестве основных сценариев использования операторы называют улучшение производительности сети, повышение эффективности и совершенствование управления сетью.

В совокупности эти достижения подчеркивают мощный эффект мультипликатора: ИИ делает телекоммуникационные сети более адаптивными и эффективными, а инфраструктура 5G следующего поколения гарантирует инклюзивную и масштабную доставку ИИ-сервисов. Эта синергия между передачей данных и интеллектом станет центральным элементом следующей волны цифровизации.

Сокращение цифрового разрыва с помощью ИИ

Технологическая база: 5G SA / 5G-Advanced

• Низкая задержка, высокая скорость, слайсинг сети.
• Периферийные вычисления + Облачный ИИ + Массовый IoT.
• Локальный интеллект.

Услуги на базе ИИ

• Здравоохранение, образование, промышленность, финансы, сельское хозяйство.

Экономический прогресс

• Доступ для малого и среднего бизнеса.
• Участие сельских регионов.
• Инклюзивная цифровая экономика.

Инфраструктура 5G следующего поколения гарантирует инклюзивную и масштабную доставку ИИ-сервисов. Синергия между передачей данных и интеллектом станет центральным элементом следующей волны цифровизации.

Экономический эффект и тематические исследования

Мобильные технологии уже являются основным драйвером глобального роста: в 2024 году их вклад составил 6,5 трлн долларов (5,8% мирового ВВП), а к 2030 году этот показатель, по прогнозам, достигнет 11 трлн долларов. Эти успехи отражают не только распространение мобильных услуг среди потребителей, но и глубокое влияние цифровизации на предприятия и целые отрасли.

Общий экономический вклад мобильных технологий можно разделить на три типа воздействия. Во-первых, это прямое воздействие, исходящее от самой мобильной экосистемы, которая включает операторов, поставщиков инфраструктуры и оборудования, а также обширную сферу контента и услуг. Во-вторых, это косвенное воздействие, возникающее, когда эти отрасли закупают ресурсы и услуги по цепочкам поставок, стимулируя продажи и создание добавленной стоимости в смежных секторах. Наконец, это влияние на производительность, которое является результатом трансформационной роли связности: улучшение доступа к информации, повышение эффективности, стимулирование инноваций и создание новых бизнес-возможностей. Последний эффект охватывает не поддающиеся количественной оценке элементы роста, выходящие за рамки телекоммуникационного сектора, такие как технологический прогресс, совершенствование управления и экологические эффекты.

Преимущества цифровой трансформации будут наиболее выражены в корпоративном сегменте, где 5G послужит фундаментом для новых потоков доходов, инновационных процессов и значительного роста производительности. Обеспечивая реагирование в режиме реального времени и автоматизацию, 5G меняет роль связности, превращая ее из фонового вспомогательного фактора в прямой драйвер конкурентоспособности. Рассмотрим в качестве примера электронную коммерцию и прямые трансляции (лайвстриминг). С внедрением 5G Standalone онлайн-ритейл эволюционирует от простых транзакций к полностью иммерсивному интерактивному опыту. Это достигается за счет таких предложений, как стриминг в формате Ultra-HD, взаимодействие с низкой задержкой и примерка товаров в AR/VR, что превращает цифровую коммерцию в мощный двигатель роста. Это позволяет одновременно охватывать миллионы пользователей и открывать новые рынки для малых и сельских предпринимателей. Аналогичным образом, в промышленном производстве внедрение компанией Siemens удаленных виртуальных инспекций заводов демонстрирует, как возможности 5G могут снижать затраты, ускорять реализацию проектов и расширять географию предоставления передовых услуг.

Тематическое исследование: Бум мобильной электронной коммерции и прямых трансляций на базе 5G в Китае

Китай является мировым лидером как в коммерции через прямые трансляции, так и в развертывании сетей 5G SA. Ниже описано их синергетическое взаимодействие:

• Масштабные трансляции в Ultra-HD: Во время крупнейших торговых фестивалей, таких как «День холостяка» (11.11), 4K-стримы одновременно смотрят миллионы пользователей. 5G SA обеспечивает стабильное видео высокого качества без задержек, что критически важно для демонстрации продуктов.
• Взаимодействие в реальном времени: Продавцы мгновенно отвечают на вопросы пользователей. Задержка менее 10 мс поддерживает плавность диалога, предотвращая падение доверия или отказ от покупки.
• AR/VR примерка товаров: Платформы начинают предлагать AR-примерку (например, косметики или одежды) прямо внутри трансляций, что стало возможным благодаря скорости 5G и периферийным вычислениям.
• Инклюзивность МСБ: Сельские предприниматели и мелкие торговцы теперь могут охватить общенациональную аудиторию через мобильные трансляции, минуя традиционные барьеры розничной торговли.

Экономические выгоды от мобильных технологий будут распределяться неравномерно. К 2030 году прогнозируется, что проникновение 5G достигнет 55% в странах с низким и средним уровнем дохода (LMICs) и 120% в странах с высоким уровнем дохода, что закрепит за 5G статус доминирующей глобальной мобильной технологии. Этот разрыв повлияет на распределение прибыли между регионами.

В 2024 году на долю Северной Америки приходилась четверть мирового вклада мобильных технологий в ВВП; ожидается, что к 2030 году эта доля вырастет до одной трети. Европа и Китай также продемонстрировали значительный вклад — 22% и 19% соответственно. Между тем, страны Субсахарской Африки и Евразии имели самые низкие доли из-за более медленного внедрения 5G. Структура выгод также варьируется в зависимости от сектора. В Субсахарской Африке на сельское хозяйство, как ожидается, придется четверть всех преимуществ от мобильных технологий, по сравнению с 1% в Северной Америке и 2% в Европе. В Китае будет доминировать промышленное производство (40%), а в Латинской Америке почти треть стоимости мобильной экономики обеспечат услуги. Эти огромные различия отражают не только уровень связности, но и базовую структуру экономики каждого региона.

В совокупности эти региональные и отраслевые различия демонстрируют как трансформационный потенциал, так и риски неравномерного внедрения технологий. Развитые экономики с сильными экосистемами взаимодействия смогут получить наибольшую долю выгод, в то время как многие развивающиеся регионы рискуют остаться в положении потребителей, а не производителей цифровых инноваций. Сокращение этого разрыва потребует целевых инвестиций в инфраструктуру передачи данных, политики обеспечения доступности спектра и поддержки всей экосистемы для того, чтобы дивиденды от производительности мобильных технологий были реализованы во всем мире.

Экономический вклад мобильных технологий по регионам, 2024–2030 гг. (в трлн долларов США)

Риски и приоритеты государственной политики

В то время как страны с развитой экономикой быстро масштабируют 5G и ИИ, многие развивающиеся регионы рискуют отстать, что приведет к расширению цифрового разрыва. Без инвестиций в «цифровые магистрали» такие рынки могут остаться потребителями технологий, а не активными участниками глобальной цифровизации. Чтобы избежать этого, политики должны создавать среду, которая стимулирует инвестиции, обеспечивает доступ к спектру по доступным ценам и поддерживает инновации и конкуренцию.

Увеличивающийся разрыв между объемом генерируемых в мире данных и установленными мощностями по их хранению отражает нечто большее, чем просто нехватку инфраструктуры. Это подчеркивает структурные проблемы, связанные с тем, как данные оцениваются, управляются и сохраняются. По прогнозам IDC, объем генерируемых данных в мире (как созданных, так и реплицированных) вырастет со 173 ЗБ в 2024 году до 527 ЗБ к 2029 году, в то время как емкость хранилищ будет расти менее чем вдвое быстрее — с 10 ЗБ до 19 ЗБ. К концу десятилетия более 96% создаваемых данных будут отбрасываться или теряться, что подчеркивает острую необходимость в новых инвестициях и стратегиях хранения данных. Однако этот дисбаланс — не только вопрос недостаточной емкости. Природа, ценность и жизненный цикл данных сами по себе определяют, что именно подлежит сохранению:

• Значительная часть данных является эфемерной (например, потоковое видео, активность в играх, потоки данных IoT) и удаляется после потребления в реальном времени.
• От 60% до 80% корпоративных данных являются «темными данными»: они создаются, но никогда не анализируются и не используются, часто теряясь без создания какой-либо бизнес-ценности.
• Экономическое давление и требования комлпаенса ограничивают сроки хранения данных, заставляя компании удалять их по истечении установленных периодов.
• Сам жизненный цикл данных — от создания и обработки до выборочного хранения и архивации/удаления — естественным образом фильтрует то, что остается в системе.

Эти динамические процессы объясняют, почему сегодня лишь малая часть данных попадает в долгосрочные хранилища. Тем не менее, растущая зависимость от ИИ, прогнозной аналитики и инициатив цифровой трансформации переопределяет ценность данных. Информация, которая ранее считалась одноразовой или «темной», теперь может стать стратегическим активом по мере совершенствования моделей ИИ и изменения регуляторных требований. Без расширения инвестиций в масштабируемые и экономически эффективные решения для хранения предприятия рискуют потерять незаменимые массивы данных, что ограничит развитие ИИ и создаст слепые зоны в соблюдении нормативных требований. Если структурный разрыв в мощностях хранения не будет устранен, это не только ограничит инновации, но и ослабит конкурентные позиции на рынках, все больше ориентированных на данные. Компании, которые заблаговременно разработают надежные стратегии хранения, соблюдая баланс между экономикой, комплаенсом и инновациями, смогут извлекать долгосрочную выгоду из гораздо большей доли своих данных.

Критическая роль хранения данных: Объем генерируемых данных в сравнении с установленной емкостью хранилищ

Анализ на уровне экономик показывает, что взаимосвязь между генерацией данных и мощностями хранения не ограничивается национальными границами, а формируется ландшафтом глобальной цифровой инфраструктуры. В 90 исследованных странах прослеживается четкая закономерность: в большинстве случаев объемы генерации данных значительно превышают установленные внутренние мощности хранения, что подтверждает устойчивость глобального дефицита хранилищ.

Анализ на уровне экономик показывает, что взаимосвязь между генерацией данных и мощностями хранения не ограничивается национальными границами, а формируется ландшафтом глобальной цифровой инфраструктуры. В 90 исследованных странах прослеживается четкая закономерность: в большинстве случаев объемы генерации данных значительно превышают установленные внутренние мощности хранения, что подтверждает устойчивость глобального дефицита хранилищ.

Однако небольшое число экономик выделяется из общего правила — их установленные мощности хранения превышают локальные объемы генерации данных. Эти исключения не опровергают закономерность, а скорее отражают роль определенных стран как региональных и глобальных хабов центров обработки данных (ЦОД). Их инфраструктура спроектирована не только для удовлетворения внутренних корпоративных потребностей, но и для размещения рабочих нагрузок клиентов из соседних регионов и транснациональных корпораций.

Примеры таких экономик:

• Сингапур, Ирландия и Япония функционируют как глобальные хабы уровня Tier-1, привлекая гиперскейл-инвестиции для обслуживания целых регионов.
• Швеция, Канада и Австралия выступают в качестве региональных опорных точек, используя такие преимущества, как изобилие ВИЭ (зеленой энергии), стратегическое географическое положение или развитая сетевая связность.
• Малайзия, Индонезия, Чили и Индия являются развивающимися экономиками-хабами, где гиперскейлеры и локальные инвесторы создали мощности хранения с опережением внутреннего потребления. В случае Индии масштаб данных недооценивает реальный спрос, в то время как инвестиции предвосхищают экспоненциальный рост.

На практике это означает, что не все данные, генерируемые в одной экономике, хранятся локально. Вместо этого страны с более развитыми экосистемами ЦОД фактически экспортируют свои мощности хранения, поддерживая более широкий региональный или глобальный спрос. Напротив, многие страны с большими объемами данных, но ограниченной локальной инфраструктурой, являются чистыми импортерами услуг хранения, полагаясь на трансграничные мощности для поддержания собственных цифровых рабочих нагрузок.

Это неравномерное распределение имеет далеко идущие последствия:

• Выборочное хранение неизбежно: предприятия должны определять, какие данные сохранять, а какие удалять, балансируя между стоимостью, соблюдением нормативных требований и стратегической ценностью.
• Рост краевых вычислений: все больше данных будет фильтроваться и анализироваться до того, как они попадут в централизованные хранилища, что, однако, создает риск потери необработанных наборов данных, которые могли бы стать основой для будущего ИИ и аналитики.
• Усиление давления в области устойчивого развития: расширение инфраструктуры хранения остается капиталоемким (высокий CAPEX) и энергозатратным процессом, требующим постоянного прогресса в энергоэффективности (сжатие, дедупликация, тиринг).
• Необратимость упущенных возможностей: однажды удаленные данные не могут быть восстановлены для повторного анализа, что несет в себе риск ухудшения результатов ИИ, замедления инноваций и снижения конкурентоспособности.

Решение проблемы глобального дефицита мощностей хранения — это не просто вопрос наращивания емкости; оно требует целевых инвестиций в инфраструктуру следующего поколения, включая гиперскейл-ЦОД, краевые мощности и облачные хранилища. В то же время курирование данных на основе ИИ и продвинутое управление жизненным циклом данных должны стать стандартной практикой для максимизации ценности хранимой информации при минимизации издержек. В конечном итоге география хранения данных все больше отделяется от географии их генерации. Предприятия, правительства и поставщики услуг должны адаптироваться к этой реальности, разрабатывая стратегии, охватывающие как внутреннюю, так и международную инфраструктуру. Это позволит гарантировать, что критически важные данные останутся доступными, защищенными и пригодными для использования в мире, где ресурсы хранения являются дефицитными и стратегически распределенными.

Хранение данных раскрывает потенциал их использования

Связь между инфраструктурой хранения и эффективностью работы приложений данных существенно различается в зависимости от уровня дохода экономик, что подчеркивает роль как базовых мощностей хранения, так и продвинутых систем хранения данных в обеспечении цифровых результатов.

Анализ корреляции и регрессии влияния мощностей хранения на использование данных

Уравнение регрессии: Балл применения данных = 24,2 + 3,1 (Балл мощности хранения) + 2,7 (Балл мощности продвинутого хранения) R² = 0,59

Экономики с уровнем дохода выше среднего

Уравнение регрессии: Балл применения данных = 33,2 + 1,2 (Балл мощности хранения) + 2,8 (Балл мощности продвинутого хранения) R² = 0,37

Экономики с уровнем дохода ниже среднего и низким уровнем дохода

Уравнение регрессии: Балл применения данных = 33,1 + 0,2 (Балл мощности хранения) + 0,2 (Балл мощности продвинутого хранения) R² = 0,003

Экономики с высоким уровнем дохода: повышение емкости, качества и эффективности

В экономиках с высоким уровнем дохода как общие мощности хранения (корреляция 0,75), так и продвинутые системы хранения (корреляция 0,61) демонстрируют тесную связь с эффективностью применения данных. Это подтверждается регрессионным анализом (R² = 0,59), который определяет оба фактора как значимые предикторы. Результаты показывают, что предприятия в странах с высоким уровнем дохода извлекают выгоду из зрелой и надежной базы хранения, позволяющей эффективно собирать, сохранять и повторно использовать данные. Продвинутые архитектуры хранения, такие как многоуровневые, распределенные и облачные решения, надстраиваются над уже солидной базой мощностей, обеспечивая дополнительную эффективность и устойчивость.

Мнение IDC: «Достаточные мощности хранения, дополненные продвинутыми возможностями, гарантируют эффективное масштабирование приложений данных, позволяя полноценно использовать наборы данных с минимальными потерями».

Экономики с уровнем дохода выше среднего: продвинутое хранение как дифференциатор

В экономиках с уровнем дохода выше среднего общая мощность хранения демонстрирует умеренную корреляцию с использованием приложений (0,50), однако продвинутые мощности хранения оказывают более сильное влияние (0,59). Результаты регрессии (R² = 0,37) подтверждают идею о том, что продвинутые системы хранения являются более критически важным драйвером результатов, чем просто «сырые» объемы памяти. Это указывает на то, что по мере роста интенсивности данных простого наращивания емкости становится недостаточно.

Ключевым фактором здесь является внедрение продвинутых систем хранения All-flash, которые обеспечивают высокую производительность, низкую задержку и надежность, необходимые для ресурсоемких рабочих нагрузок, таких как ИИ, аналитика в реальном времени и цифровые сервисы. Инфраструктура All-flash помогает преодолевать узкие места в производительности, обеспечивая стабильную пропускную способность и скорость отклика при масштабировании. Для экономик с быстрорастущим спросом All-flash системы представляют собой фундаментальную инвестицию, которая раскроет полный потенциал приложений и минимизирует риски дефицита данных или снижения производительности.

Мнение IDC: «Инвестиции в продвинутые системы хранения, включая All-flash архитектуры, необходимы для обеспечения целостности данных и реализации ценности приложений. Без них пробелы в надежности и полноте данных подрывают аналитику, ИИ и автоматизацию».

Экономики с доходом ниже среднего и низким доходом: хранение как сдерживающий фактор

В этих экономиках как общие мощности хранения (корреляция 0,05), так и продвинутые системы (0,04) демонстрируют незначительную связь с результатами применения данных. Регрессионный анализ (R² = 0,003) подтверждает, что ни одна из форм хранения не является значимым предиктором эффективности приложений. Это указывает на то, что инфраструктура хранения остается фундаментальным барьером.

Более того, имеющихся мощностей недостаточно, а продвинутые решения либо отсутствуют, либо слабо развиты. Результатом является фрагментированная, ненадежная среда данных, которая подрывает доверие к цифровым решениям и ограничивает развертывание приложений на основе данных.

Мнение IDC: «Там, где фундамент хранения неадекватен, даже продвинутые приложения не могут получить распространение. Фрагментация и нехватка данных серьезно ограничивают цифровую трансформацию».

Способность собирать и сохранять вновь генерируемые данные существенно различается в зависимости от группы дохода, отражая различия в зрелости инфраструктуры хранения и уровне сложности развертывания продвинутых систем.

Результаты корреляционного и регрессионного анализа, собранные по странам с высоким, выше среднего, ниже среднего и низким уровнем дохода, подчеркивают, как адекватность инфраструктуры хранения определяет, удастся ли превратить создаваемые данные в полезные, сохраняемые наборы данных.

Экономики с высоким уровнем дохода: продвинутые СХД как множитель роста

В экономиках с высоким уровнем дохода наблюдается сильная связь между созданием данных и их хранением: корреляция с общей емкостью хранения составляет 0,73, в то время как продвинутые СХД показывают еще более сильную корреляцию — 0,78. Регрессионный анализ подтверждает, что продвинутые СХД являются наиболее значимым драйвером результатов (коэффициент 5,7), за ними следует общая емкость хранения (1,7) при высокой объясняющей способности модели (R² = 0,70). Эти результаты указывают на то, что экономики с высоким уровнем дохода не только создают большие объемы данных, но и надежно собирают и сохраняют их. Зрелость продвинутых систем хранения обеспечивает минимальную потерю данных, создавая цикл усиления: больше создания данных → надежное хранение → расширение возможностей для повторного использования и монетизации данных. Эта динамика лежит в основе способности данных экономик масштабировать передовые сценарии использования, такие как ИИ, аналитика и автоматизация.

Экономики с уровнем дохода выше среднего: мощность без технологичности

В экономиках с уровнем дохода выше среднего емкость хранения также сильно коррелирует с созданием данных (0,73), но влияние продвинутых СХД значительно слабее (0,49). Результаты регрессии показывают, что основным драйвером является общая емкость хранения (коэффициент 3,3), в то время как продвинутые решения имеют лишь незначительный эффект (0,3). Это говорит о том, что, хотя «сырая» мощность поддерживает рост создания данных, отсутствие широкой зрелости продвинутых СХД (таких как all-flash системы, многоуровневые архитектуры и масштабируемые облачные платформы) приводит к тому, что большая часть данных в конечном итоге фрагментируется, теряется или используется недостаточно эффективно. Такие страны сталкиваются с проблемой перехода от экстенсивного расширения объемов к технологической сложности, где необходимы инвестиции в продвинутые СХД для превращения создаваемых данных в надежные и пригодные для использования массивы.

Масштабирование создания данных в зависимости от зрелости систем хранения

Рисунок 26: Корреляционный и регрессионный анализ влияния емкости хранения и продвинутых СХД на создание данных

Экономики с уровнем дохода ниже среднего и низким уровнем дохода: узкие места в хранении ограничивают создание данных

В экономиках с уровнем дохода ниже среднего и низким уровнем дохода связь между созданием данных и емкостью хранения значительно слабее. Емкость хранения лишь умеренно коррелирует с созданием данных (0,44), а влияние продвинутых СХД еще ниже (0,36). Регрессионный анализ подтверждает это: емкость хранения оказывает некоторое влияние (коэффициент 2,2), но продвинутые СХД добавляют очень мало (1,5), при этом общая объясняющая способность модели низка (R² = 0,23). Эти результаты отражают неадекватность и ненадежность фундаментов хранения в таких экономиках. Даже при росте объемов создания данных, недостаточная инфраструктура приводит к тому, что огромные массивы информации никогда не сохраняются эффективно, что вызывает утечку данных, их фрагментацию и потерю стоимости. Без усиления инвестиций как в базовые, так и в продвинутые СХД, такие экономики рискуют еще больше отстать в плане извлечения выгоды из экономики данных.

Необходимость адекватных и продвинутых решений для хранения данных

Развитие цифровой экономики опирается на два взаимозависимых столпа: адекватную емкость хранения для поддержки создания данных и продвинутые мощности хранения, в частности all-flash системы, для раскрытия истинного потенциала приложений данных.

Адекватная емкость хранения является базовым требованием для любой экономики, стремящейся собирать и сохранять вновь генерируемые данные. Без достаточного объема мощностей большая часть создаваемых данных теряется или фрагментируется, что ограничивает их потенциал для будущих инноваций. Это особенно критично в экономиках с уровнем дохода ниже среднего и низким уровнем дохода, где неадекватная инфраструктура создает постоянные узкие места, сдерживающие цифровое развитие.

Однако именно продвинутые СХД являются ключом к превращению «сырого» процесса создания данных в практически значимые идеи и приложения. Кроме того, архитектуры на базе all-flash систем с их высокой производительностью, низкой задержкой и надежностью занимают центральное место в продвинутых рабочих нагрузках, таких как ИИ, аналитика и автоматизация. В экономиках с высоким уровнем дохода повсеместное развертывание передовых all-flash систем гарантирует, что наборы данных не просто сохраняются, но и остаются готовыми к использованию в приложениях, поддерживая таким образом масштабируемые инновации. С другой стороны, экономики с доходом выше среднего переходят от простого расширения мощностей к инвестициям в all-flash и другие продвинутые решения, обеспечивая тем самым надежность, целостность и эффективность результатов работы приложений.

Глобальный урок заключается в том, что одной лишь емкости уже недостаточно. Адекватное хранение стимулирует создание данных, но только продвинутые архитектуры хранения, основанные на all-flash системах, могут гарантировать, что эти данные будут последовательно пригодными для использования, высокопроизводительными и ценными. По мере усиления требований к комплаенсу, устойчивому развитию и конкурентного давления, интеграция продвинутых all-flash СХД превратится в стратегическую необходимость для экономик, стремящихся подняться выше в цепочке создания цифровой стоимости. В конечном счете, сила цифровой экономики будет определяться не только тем, сколько данных она генерирует, но и тем, насколько эффективно она может хранить, сохранять и активировать эти данные. Таким образом, создание адекватных систем хранения для генерации данных и развертывание продвинутых all-flash систем для приложений данных является не просто техническим вопросом, а стратегическим императивом для цифровой конкурентоспособности, устойчивости и долгосрочного роста.

Хотя масштаб хранения обеспечивает возможность сохранения данных, его прямое влияние на результаты применения данных ограничено (коэффициент +0,14). Добавление только «сырой» емкости не гарантирует более ценного использования данных, так как большая их часть рискует остаться неиспользованной или фрагментированной.

Напротив, масштаб продвинутых СХД демонстрирует самое сильное влияние на приложения данных (коэффициент +0,49). Продвинутые возможности, такие как высокопроизводительные all-flash системы, распределенное облачное хранение, интеллектуальное многоуровневое хранение и масштабируемые архитектуры, необходимы для эффективной работы ИИ, аналитики и рабочих нагрузок в реальном времени. Такие технологии выходят за рамки простого объема, обеспечивая скорость, надежность и устойчивость, необходимые для того, чтобы данные всегда были готовы к использованию в приложениях.

Вычислительная мощность почти совпадает по силе влияния с масштабом продвинутых СХД и играет столь же критическую роль (коэффициент +0,48). Даже при наличии продвинутых СХД нехватка мощностей для обработки — от кластеров высокопроизводительных вычислений (HPC) до ускорителей ИИ — не позволит экономикам в полной мере извлекать инсайты, обучать модели или масштабировать цифровые приложения. Таким образом, вычислительная мощность является неотъемлемой частью процесса трансформации сохраненных и грамотно управляемых данных в практически значимый интеллект.

Эти выводы дополнительно доказывают, что переход от базовых цифровых услуг к продвинутым приложениям на базе ИИ в гораздо большей степени зависит от продвинутых СХД и вычислительных мощностей, чем от простой емкости хранения. Экономики, сосредоточенные только на расширении хранилищ, рискуют столкнуться с недоиспользованием своих информационных активов, в то время как те, кто активно инвестирует в экосистемы, готовые к ИИ (основанные на продвинутых СХД в сочетании с мощными вычислительными ресурсами), будут лучше всего подготовлены для извлечения максимальной выгоды из своих данных и лидерства в цифровых инновациях.

Развитие ИИ требует синергии вычислений и хранения

Рисунок 27: Роль хранения и вычислений как драйверов для приложений данных

Рейтинг стран по показателям (масштабировано x6):

Вычислительные мощности, Продвинутые СХД, Общая емкость хранения

1. США 2. Сингапур 3. Китай 4. Австралия 5. Швейцария 6. Швеция 7. Великобритания 8. Новая Зеландия 9. Финляндия 10. Нидерланды 11. Дания 12. Южная Корея 13. Норвегия 14. Бельгия 15. Германия 16. Канада 17. Испания 18. Франция 19. Япония 20. Австрия 21. Саудовская Аравия 22. Бразилия 23. Ирландия 24. ОАЭ 25. Люксембург 26. Эстония 27. Чили 28. Литва 29. Катар 30. Италия 31. Бахрейн 32. Малайзия 33. Мексика 34. Словения 35. Чехия 36. Португалия 37. Хорватия 38. Болгария 39. Уругвай 40. Колумбия 41. Казахстан 42. Венгрия 43. Польша 44. Кувейт 45. Таиланд 46. Турция 47. Сербия 48. Аргентина 49. Индонезия 50. Индия 51. Греция 52. ЮАР

2. Перу 54. Филиппины 55. Боливия 56. Словакия 57. Оман 58. Эквадор 59. Румыния 60. Коста-Рика 61. Доминиканская Республика 62. Вьетнам 63. Марокко 64. Иордания 65. Грузия 66. Армения 67. Монголия 68. Ботсвана 69. Азербайджан 70. Тунис 71. Египет 72. Бангладеш 73. Алжир 74. Намибия 75. Ливан 76. Узбекистан 77. Кения 78. Никарагуа 79. Гондурас 80. Гана 81. Нигерия 82. Пакистан 83. Уганда 84. Танзания 85. Ирак 86. Камбоджа 87. Кыргызстан 88. Таджикистан 89. Камерун 90. ДР Конго

Роль СХД и вычислений в развитии приложений для работы с данными

Приложение данных = 26,0 + 0,14 * (Масштаб хранения) + 0,49 * (Масштаб продвинутых СХД) + 0,48 * (Масштаб вычислительной мощности)

Коэффициент детерминации: R² = 0,76

Экономики с высоким уровнем дохода находятся в авангарде внедрения приложений для работы с данными, опираясь на развитые цифровые экосистемы и мощную инфраструктуру. На этих рынках емкость базовых систем хранения не является сдерживающим фактором; вместо этого основной вызов заключается в поддержании прогресса за счет баланса между ускорением вычислений и инвестициями в продвинутые СХД.

Регрессионный анализ показывает, что, хотя вычислительная мощность оказывает наибольшее влияние на использование данных в приложениях (коэффициент +0,50), продвинутые СХД по-прежнему играют критически важную роль (+0,21), обеспечивая работу высокопроизводительных вычислительных систем на полную мощность. При этом масштаб базового хранения (+0,19) служит лишь фундаментом.

По мере того как эти страны продолжают расширять кластеры GPU, системы HPC и ИИ-акселераторы, они не должны пренебрегать параллельной потребностью в архитектурах All-flash СХД. Именно они обеспечивают сверхнизкую задержку, пропускную способность и надежность, необходимые для соответствия темпам ускорения вычислений. Без этих возможностей даже самые мощные вычислительные среды рискуют столкнуться с неэффективностью, вызванной «узкими местами» в передаче данных, фрагментацией или задержками. Следовательно, путь к более высокой цифровой зрелости зависит от синхронизации ускоренных вычислений с экосистемами All-flash СХД. Такая интеграция позволит экономикам с высоким уровнем дохода совершить решительный переход от простого накопления данных к модели, по-настоящему управляемой ИИ (AI-driven), тем самым сохраняя лидерство в инновациях, передовых цифровых услугах и глобальной экономике данных.

Экономики с высоким уровнем дохода — фокус на ускорении вычислений и продвинутых СХД

Приложение данных = 34,9 + 0,19 * (Масштаб хранения) + 0,21 * (Масштаб продвинутых СХД) + 0,50 * (Масштаб вычислительной мощности)

Коэффициент детерминации: R² = 0,65

Рейтинг экономик с высоким уровнем дохода по показателям (масштабировано x6):

Масштаб хранения, Масштаб продвинутых СХД, Вычислительная мощность, Приложение данных

1. Сингапур 2. США 3. Финляндия 4. Швеция 5. Нидерланды 6. Швейцария 7. Дания 8. Ирландия 9. Норвегия 10. Австралия 11. Великобритания 12. Южная Корея 13. ОАЭ 14. Германия 15. Канада 16. Франция 17. Бельгия 18. Япония 19. Новая Зеландия 20. Люксембург 21. Австрия 22. Испания 23. Саудовская Аравия 24. Португалия 25. Литва 26. Эстония 27. Катар 28. Италия 29. Венгрия 30. Чили 31. Греция 32. Словения 33. Чехия 34. Бахрейн 35. Польша 36. Хорватия 37. Болгария 38. Румыния 39. Кувейт 40. Уругвай 41. Словакия 42. Оман

Экономики с уровнем дохода выше среднего демонстрируют средние, но неравномерные показатели в области применения данных. Некоторые из них, такие как Китай и Малайзия, демонстрируют значительные инвестиции в инфраструктуру, в то время как другие существенно отстают. Результаты регрессионного анализа показывают, что продвинутые СХД (коэффициент +0,49) являются наиболее важным драйвером роста применения данных, за ними следует вычислительная мощность (+0,33). Масштаб необработанных СХД (+0,04) практически не коррелирует с итоговым показателем, что подчеркивает важный тезис: простое наращивание емкости не ведет напрямую к повышению зрелости использования данных. Вывод из этих результатов очевиден: данным экономикам необходимо перевести свою инфраструктуру из количественной плоскости в качественную. Простого создания дополнительных хранилищ недостаточно; вместо этого необходимо внедрять архитектуры продвинутых СХД и масштабировать вычислительную инфраструктуру для поддержки аналитики, ИИ и высокоценных цифровых рабочих нагрузок. Это изменение необходимо для того, чтобы такие экономики могли приблизиться к лидерам с высоким уровнем дохода на кривой цифровой зрелости.

Экономики с уровнем дохода выше среднего — продвинутые СХД как ключевой фактор цифровой зрелости

Рисунок 29: Для экономик с уровнем дохода выше среднего продвинутые СХД являются ключевым фактором цифровой зрелости

Рейтинг экономик по показателям (масштабировано x6):

Применение данных, Масштаб СХД, Масштаб продвинутых СХД, Вычислительная мощность

1. Китай 2. Малайзия 3. Таиланд 4. Бразилия 5. Мексика 6. Колумбия 7. Турция 8. Сербия 9. Аргентина 10. Южная Африка 11. Коста-Рика 12. Перу 13. Грузия 14. Казахстан 15. Индонезия 16. Армения 17. Монголия 18. Доминиканская Республика 19. Эквадор 20. Ботсвана 21. Азербайджан 22. Алжир 23. Намибия 24. Ирак

Уравнение показателя:

Применение данных = 31,7 + 0,04 * (Масштаб СХД) + 0,49 * (Масштаб продвинутых СХД) + 0,33 * (Вычислительная мощность)

Коэффициент детерминации: R² = 0,39

Экономики с уровнем дохода ниже среднего и с низким уровнем дохода в настоящее время сталкиваются с самыми серьезными проблемами. Их баллы в категории «Применение данных» являются самыми низкими, а регрессионная модель показывает слабую объяснительную способность (R² = 0,14). Здесь единственным значимым драйвером роста применения данных является вычислительная мощность (коэффициент +1,52), в то время как влияние продвинутых СХД (+0,01) ничтожно мало, а масштаб необработанных СХД (-0,45) имеет отрицательную корреляцию. Это говорит о том, что существующие мощности часто недоиспользуются или не соответствуют реальному спросу. Этим странам следует не отдавать приоритет избыточному строительству инфраструктуры, а сосредоточиться на сокращении разрыва в вычислительных мощностях через доступные варианты, такие как облачные сервисы и партнерства с региональными гиперскейлерами. Расширение СХД должно соответствовать спросу, используя гибкие, масштабируемые облачные или граничные (edge) решения, а не просто наращивание физической емкости. Эти страны начнут продвижение по пути цифровой зрелости, обеспечив широкий доступ к вычислениям и базовым цифровым услугам, что, в свою очередь, создаст фундамент для продвинутых приложений.

Экономики с уровнем дохода ниже среднего и с низким уровнем дохода — приоритет базового доступа к вычислениям и СХД, ориентированных на спрос

Рисунок 30: Экономикам с уровнем дохода ниже среднего и низким доходом необходимо приоритизировать базовый доступ к вычислениям и СХД, соответствующим спросу

Применение данных, Масштаб СХД, Масштаб продвинутых СХД, Вычислительная мощность

1. Вьетнам 2. Индия 3. Марокко 4. Филиппины 5. Иордания 6. Узбекистан 7. Тунис 8. Кения 9. Египет 10. Боливия 11. Кыргызская Республика 12. Ливан 13. Никарагуа 14. Гондурас 15. Пакистан 16. Гана 17. Бангладеш 18. Уганда 19. Нигерия 20. Камбоджа 21. Танзания 22. Таджикистан 23. Камерун 24. ДР Конго

Применение данных = 26,1 - 0,45 * (Масштаб СХД) + 0,01 * (Масштаб продвинутых СХД) + 1,52 * (Вычислительная мощность)

Коэффициент детерминации: R² = 0,14

Преодоление «узкого места» ИИ: интеграция вычислений и хранения данных

Подводя итог: развитие зрелости ИИ — это не просто гонка за наращиванием вычислительной мощности; это проектирование целостной системы. Вычисления обеспечивают первичную способность к обработке данных, но без архитектур продвинутых СХД в сочетании с интеллектуальными пайплайнами данных и надежной разработкой алгоритмов эта мощь не может быть трансформирована в реальные прикладные решения. Лидеры в области ИИ отличаются не только объемом мощностей, но и тем, насколько эффективно они интегрируют вычисления, хранение и данные в единую экосистему. В связи с этим крайне важно отметить уникальные преимущества каждого из следующих компонентов:

• Вычислительная мощность позволяет проводить обучение крупномасштабных моделей и выполнять логический вывод (инференс) в реальном времени.
• Продвинутые СХД (например, системы All-flash) обеспечивают сверхнизкую задержку и пропускную способность, необходимые для полной загрузки графических процессоров (GPU) и ускорителей ИИ, гарантируя соответствие потоков данных скорости вычислений.
• Масштабируемые архитектуры хранения позволяют эффективно управлять огромными и разнообразными наборами данных в распределенных средах, обеспечивая многоузловое обучение ИИ и интеграцию между периферией и облаком (edge-to-cloud).
• Интеллектуальные функции СХД, такие как тиринг (уровневое хранение), дедупликация и автоматизированное размещение данных, сокращают неэффективность и гарантируют, что высокоценные данные всегда доступны вычислительным системам в нужный момент.
• Пайплайны данных обеспечивают управление, качество и непрерывный поток информации для получения надежных результатов работы ИИ.
• Алгоритмы преобразуют вычисления и грамотно управляемые данные в интеллект.

Для государств и предприятий вывод очевиден: избыточное развитие одного компонента без системной интеграции приведет к возникновению «узких мест» и недоиспользованию ресурсов. Архитектуры All-flash и интеллектуальные СХД являются важным дополнением к передовым вычислениям, обеспечивая бесперебойную пропускную способность, эффективное масштабирование и стабильную надежность. Кроме того, истинная цифровая зрелость требует строгой инженерной дисциплины для согласования вычислений, хранения, данных и алгоритмов в рамках единой стратегии. Страны, достигшие этого баланса, станут лидерами в области инноваций на базе ИИ и цифровой конкурентоспособности.

Мы уже видим подтверждение этой истины на примере многих стран с высокими показателями GDII, которые обладают большими вычислительными мощностями, но демонстрируют вялую динамику инвестиций в возобновляемую энергетику. Углеродный след таких экономик неуклонно растет параллельно с продолжающимся строительством центров обработки данных.

Рисунок 31: Инвестиции в возобновляемую энергетику в сравнении с вычислительными мощностями

(Взаимосвязь между показателями для ведущих экономик: США, Финляндия, Швеция, Нидерланды, Швейцария, Дания, Китай, Ирландия, Норвегия, Австралия, Великобритания, Южная Корея, Германия, Канада, Франция, Бельгия, Япония, Новая Зеландия, Люксембург, Австрия, Испания, Португалия, Литва, Эстония, Италия, Венгрия, Чили, Греция, Словения, Чехия, Таиланд, Польша, Хорватия, Бразилия, Болгария, Румыния, Уругвай, Вьетнам, Турция, Индия, Южная Африка, Марокко, Иордания, Ливан, Никарагуа, Гондурас)

Синергия электроэнергетики и вычислений: использование «цифровой энергии» для взаимного прогресса

По мере того как экономики по всему миру ускоряют цифровизацию, они одновременно решают задачу обеспечения устойчивого развития. Центры обработки данных, которые питают цифровые системы и ИИ, потребляют значительное количество энергии. По прогнозам IDC, в ближайшие 5 лет инвестиции в вычислительные мощности под влиянием ИИ будут расти более чем на 40% ежегодно. Если электроэнергия для этих ЦОД не будет поступать из возобновляемых источников (ВИЭ), национальные углеродные следы в ближайшем будущем вырастут в геометрической прогрессии. Обеспечение того, чтобы инвестиции в ВИЭ соответствовали росту вычислительных мощностей, является единственным способом сделать цифровизацию экологически устойчивой.

Приведенный выше график показывает, что экономики с более высокой вычислительной мощностью на душу населения и соответствующими инвестициями в ВИЭ имеют меньший углеродный след (выбросы CO2) на единицу ВВП. Политика в области возобновляемой энергетики часто планируется отдельно от политики в области цифровой экономики, однако разработка скоординированной стратегии станет ключом к управлению выбросами и их сокращению в будущем.

В настоящее время в этой области изучается ряд различных политических подходов, одним из наиболее перспективных среди которых является стратегическое партнерство между соседними экономиками для расширения торговли электроэнергией из ВИЭ. Эта стратегия позволяет странам продавать излишки энергии, полученной из возобновляемых источников, партнерам, которые либо бедны энергетическими ресурсами, либо богаты вычислительными ресурсами. Развивающиеся экономики могут извлечь особую выгоду в таких ситуациях, так как многие из них еще только догоняют лидеров по объему вычислительных мощностей, но уже добились значительного прогресса в инвестициях в ВИЭ. Китай уже начал экспериментировать с внутренней версией этой модели в рамках своей политики «Восток — Запад».

Рисунок 32: Выбросы CO2 на единицу ВВП в зависимости от вычислительных мощностей и инвестиций в ВИЭ

(Анализируемые экономики: Алжир, Аргентина, Австралия, Австрия, Азербайджан, Бангладеш, Бельгия, Бразилия, Болгария, Канада, Чили, Китай, Колумбия, Хорватия, Чехия, Дания, Эквадор, Египет, Эстония, Финляндия, Франция, Германия, Греция, Венгрия, Индия, Индонезия, Ирак, Ирландия, Италия, Япония, Казахстан, Кувейт, Литва, Люксембург, Малайзия, Мексика, Марокко, Нидерланды, Новая Зеландия, Норвегия, Оман, Пакистан, Перу, Филиппины, Польша, Португалия, Катар, Румыния, Саудовская Аравия, Сингапур, Словацкая Республика, Словения, Южная Африка, Южная Корея, Испания, Швеция, Швейцария, Таиланд, Турция, ОАЭ, Великобритания, США, Узбекистан, Вьетнам)

В рамках этой политики возобновляемая энергия, вырабатываемая в богатых ресурсами западных провинциях, передается в восточные регионы с высокой концентрацией вычислительных мощностей. Это иллюстрирует, как скоординированный баланс между энергетикой и вычислениями может одновременно сократить выбросы и ускорить цифровой рост. Преимущество для соседних экономик с более развитым фундаментом ИКТ очевидно: покупка этих излишков энергии позволяет им более эффективно достигать целей устойчивой цифровизации и побед в области ИИ. Однако такой обмен открывает уникальные возможности и для развивающихся экономик, так как они могут...

...извлечь выгоду из своего текущего импульса в области возобновляемой энергетики и добиться роста ВВП, даже если их цифровая инфраструктура все еще отстает. Это позволяет эффективно управлять нарастающим конфликтом между интеллектуальным развитием и целями устойчивого развития. Ниже приведены примеры того, как различные страны инвестируют в вычислительные мощности по сравнению с электроэнергией из ВИЭ.

Таблица 1: Примеры экономик, имеющих выгодные позиции для участия в торговле электроэнергией из ВИЭ

Кейс: Марокко

Марокко вложило значительные средства в свою инфраструктуру возобновляемых источников энергии, особенно в солнечную и ветровую энергетику. Флагманский проект страны — солнечный комплекс «Нур Уарзазат» (Noor Ouarzazate Solar Complex) — является одной из крупнейших в мире станций концентрированной солнечной энергии. Энергетическая стратегия Марокко является частью национального плана «Цифровое Марокко 2030» (Digital Morocco 2030), целью которого является модернизация экономики, устойчивое развитие и региональное лидерство. Страна поставила амбициозную цель: к 2030 году производить 52% всей электроэнергии из возобновляемых источников.

Эта цель превратила Марокко в ключевого игрока глобального энергетического перехода. Географическая близость к Европе позволила стране объединить свою энергосистему с испанской, что дает возможность экспортировать излишки электроэнергии на европейские рынки, особенно в периоды высокой генерации ВИЭ. Подводные кабели, соединяющие Марокко и Испанию, обеспечивают бесперебойную трансграничную передачу энергии. Кроме того, Марокко направило существенные инвестиции (CAPEX) в решения по хранению энергии и интеллектуальные сети (smart grids), чтобы компенсировать прерывистый характер генерации ВИЭ. Эти технологические достижения гарантируют, что поставки электроэнергии из Марокко в Европу будут стабильными и надежными. Экспорт излишков энергии уже принес пользу экономике Марокко, создав новые потоки доходов и дополнительные рабочие места в секторе ВИЭ. Это также способствовало сокращению выбросов углерода как внутри страны, так и в соседних государствах.

Кадровый цикл: превращение талантов и экосистемы в самоисполняющееся пророчество

Спрос на цифровые навыки и таланты резко вырос за последние несколько лет. В частности, развитие ИИ сформировало множество новых рынков труда; компании и правительства по всему миру конкурируют за дефицитные человеческие ресурсы, надеясь получить конкурентное преимущество в наступающую эру ИИ. Однако большинство стратегий развития навыков и талантов все еще не полностью соответствуют возможностям и вызовам, создаваемым ИИ. Определение наилучших способов создания масштабируемой и устойчивой рабочей силы, готовой к работе с ИИ, станет ключом к раскрытию более высокой экономической и социальной ценности.

Одним из показателей, используемых для измерения квалификации и силы кадрового потенциала ИКТ, являются темпы выдачи патентов в этой сфере. Более многочисленная и квалифицированная рабочая сила в области ИКТ способна проводить больше исследований, разработок и изобретений, что приводит к увеличению числа патентных заявок и грантов. В свою очередь, патенты способствуют росту и конкурентным преимуществам ИКТ-фирм, влияя на их долю рынка, производительность и размер, что снова создает спрос на кадры в сфере ИКТ.

Как показано на Рисунке 33, на долю топ-20 экономик по показателям GDII приходится 65% рабочей силы в сфере ИКТ и 95% патентов в области ИКТ. Размер рабочей силы в сфере ИКТ определяется занятостью в наукоемких видах деятельности в области ИКТ. Экономики с более высокой долей таких сотрудников в общей численности рабочей силы обычно имеют более высокие показатели патентования, особенно в таких регионах, как Азия, где крупные корпорации (с тысячами сотрудников) являются одними из крупнейших заявителей новых патентов. Патенты в ИКТ представляют собой результат успешной инновационной деятельности, которая затем ведет к повышению заработной платы квалифицированных работников сектора.

Рисунок 33: Кадры в ИКТ и патенты в ИКТ в топ-20 экономик

• Доля в общемировой рабочей силе ИКТ: 65,0%
• Доля в общемировом количестве патентов ИКТ: 95%

Это создает взаимоусиливающую связь между кадрами, патентами и стартапами в сфере ИКТ. Таланты стимулируют технологические инновации, внедряют и коммерциализируют запатентованные технологии и способствуют созданию новой интеллектуальной собственности. В то же время патенты порождают спрос на специализированные ИКТ-навыки, укрепляя потребность в квалифицированной рабочей силе. ИКТ-стартапы связывают эти две силы: предприниматели из числа специалистов запускают новые предприятия, которые создают рабочие места, направляют развитие компетенций и генерируют патенты для защиты своих инноваций и обеспечения финансирования.

Рисунок 34: Кадры, патенты и стартапы в ИКТ: самоисполняющийся цикл роста экономики и занятости

• Патенты в ИКТ и Стартапы: * Наличие патентов облегчает стартапам защиту интеллектуальной собственности (ИС), привлечение венчурного финансирования и ускорение роста.
• Стартапы сами являются источником патентов для защиты своих разработок.
• Стартапы и Кадры в ИКТ: * Стартапы являются значимым источником занятости для специалистов в сфере ИКТ.
• Стартапы позволяют кадрам развивать новые навыки и работать с передовыми технологиями.
• Профессионалы в области ИКТ часто сами становятся предпринимателями.
• Кадры в ИКТ и Патенты: * Существование патентов ведет к созданию специализированных программ обучения, повышая квалификацию кадров.
• Запатентованные технологии создают спрос на специализированные навыки, стимулируя организации инвестировать в R&D и расширять штат.
• Квалифицированные кадры необходимы для технологических инноваций, разработки новых идей, процессов и продуктов.
• Специалисты играют критическую роль во внедрении и коммерциализации запатентованных технологий.
• Роль стартапов в экспертизе: * ИКТ-стартапы зависят от технической экспертизы кадров (разработка ПО, аналитика данных, кибербезопасность, облачные вычисления).
• Рабочая сила является основным источником инновационных идей для новых венчурных проектов.

Этот цикл требует сильной политической поддержки. Целевая политика развития талантов и повышения квалификации (upskilling) имеет решающее значение, в то время как поддержка стартапов и защита ИС обеспечивают создание рабочих мест и формирование экономической ценности.

Уникальную роль в развитии такой экосистемы могут играть сообщества разработчиков открытого ПО (open-source). Исследования показывают, что экономики с активными open-source сообществами и высоким уровнем выпускников STEM-специальностей имеют значительно больше стартапов.

В технологическом секторе прослеживается устойчивая положительная связь между стартапами, взаимодействующими с сообществами свободного программного обеспечения (OSS), и предпринимательским ростом. Эти сообщества помогают стартапам получать доступ к внешним знаниям, ускорять инновации и более эффективно разрабатывать минимально жизнеспособные продукты (MVP). Для стартапов, создающих прорывные технологии, участие в open-source сообществах также напрямую связано с более высокими оценками капитализации и объемами привлеченного финансирования.

В результате в экономиках с более активным участием в open-source проектах наблюдается создание большего количества новых технологических предприятий, особенно когда это дополняется качественным человеческим капиталом в сфере STEM и ИКТ. Открытый исходный код предоставляет экономически эффективные инструменты, поддержку сообщества и узнаваемость на рынке, что помогает стартапам процветать.

Аналитика по отраслям: тренды и кейсы

Хотя пути к цифровой трансформации...

Хотя пути к цифровой и интеллектуальной трансформации различаются в зависимости от отрасли, они имеют общие характеристики. Во-первых, выявляя общие вызовы и препятствия, с которыми сталкиваются отрасли, мы можем определить ключевые драйверы цифровой и интеллектуальной трансформации для каждой из них. Объединив эти выводы с исследованиями аналитиков, мы можем провести измерения в соответствии со следующими четырьмя этапами:

1. Цифровой интеллект отрасли — определение уровней зрелости и маркеров прогресса в отраслевых экосистемах.
2. Цифровые компетенции (5+1) — определение пяти основных областей компетенций и фактора устойчивого развития.
3. Индикаторы цифрового интеллекта — выбор измеримых показателей для отслеживания прогресса.
4. Оценка цифрового интеллекта отраслей в 25 экономиках — применение выбранных метрик для получения сравнительных данных.

Эта структура позволяет оценивать цифровой интеллект как в банковской сфере, электроэнергетике, железнодорожном транспорте и транспортной логистике, так и в других отраслях в более широком смысле. Это дает правительствам, инвесторам и отраслевым стейкхолдерам понимание того, на каком этапе трансформации находятся экономики и где прогресс требуется наиболее срочно.

Спрос в электроэнергетической отрасли

Исторически электроэнергетика отвечала за электрификацию, то есть обеспечение домохозяйств и предприятий электроэнергией как общественной услугой. Это осуществляется либо через прямое государственное вмешательство через государственные генерирующие и сетевые компании, либо через частные компании, получившие право на предоставление электроэнергии через государственные франшизы или соответствующее законодательство. С годами роль электроэнергетики эволюционировала и расширилась, став более тесно связанной с национальными планами экономического роста, долгосрочными стратегиями и социально-экономическими целями (например, целями в области устойчивого развития).

Вслед за этой эволюцией роли отрасли от поставщика электроэнергии до критического фактора социально-экономического роста, от высокоэффективной энергетической компании теперь ожидаются решительные действия в следующих областях:

1. Чистые и низкоуглеродные энергетические системы: Ускорение замены традиционных источников энергии на ВИЭ, такие как ветровая генерация и фотовольтаика, а также содействие строительству новых энергосистем, в которых доминирует чистая энергия. Поддержка целей по достижению пика выбросов углерода и углеродной нейтральности через торговлю «зеленой» электроэнергией и мониторинг выбросов углерода, а также реализация «зеленой» трансформации как со стороны предложения, так и со стороны потребления электроэнергии.

2. Безопасные и управляемые энергосистемы: Создание механизма обеспечения безопасности, охватывающего все энергосистемы, и расширение возможностей по реагированию на основные риски, такие как стихийные бедствия и кибератаки. Усиление локализации основного оборудования и защиты безопасности данных для обеспечения стабильной работы энергосистем и независимой управляемости ключевых звеньев.

3. Гибкие и эффективные сети: Создание механизма координации «генерация — сеть — нагрузка — хранение» и повышение маневренности энергосистемы для адаптации к волатильности новой энергетики и диверсифицированных нагрузок. Достижение точного и эффективного распределения ресурсов с помощью интеллектуального диспетчерского управления и гибких технологий передачи и распределения электроэнергии, а также расширение возможностей реагирования и регулирования энергосистем.

4. Интеллектуальная и удобная электрификация: Интеграция таких технологий, как ИИ и большие данные, для продвижения интеллектуальной эксплуатации и технического обслуживания оборудования и достижения оптимизированной работы систем. Предоставление пользователям тарифов, дифференцированных по времени суток, анализа энергоэффективности и персонализированных предложений по энергопотреблению для улучшения качества обслуживания и реализации перехода от «потребления электроэнергии» к «умному использованию энергии».

5. Открытое и интерактивное сотрудничество в электроэнергетике: Построение энергетической экосистемы с участием многих заинтересованных сторон и обменом ресурсами, а также разрушение информационных барьеров между звеньями генерации, сетей, нагрузки и хранения. Повышение вовлеченности пользователей, общей гибкости и синергии системных операций через такие механизмы, как виртуальные электростанции и управление спросом.

Тренды цифровой трансформации

Цифровизация и искусственный интеллект (ИИ) сегодня играют решающую роль в удовлетворении всех вышеупомянутых запросов электроэнергетики. Однако темпы внедрения цифровых технологий и ИИ в разных компаниях отрасли различаются. Наше глобальное исследование показывает, что электроэнергетика обычно проходит через один из трех этапов развития цифрового интеллекта:

• Традиционная сеть (Traditional Grid, TG): На этом этапе внедрение цифровизации и ИИ происходит лишь в отдельных сегментах отрасли (разрозненная цифровая трансформация). Например, одна или две энергетические компании начали цифровую трансформацию или внедрение ИИ, но другие игроки еще не приступили к этому, или одна сетевая компания внедрила цифровые решения, в то время как электростанции в основном остаются на устаревших ИТ-системах. Некоторые характеристики традиционной сети включают централизованное управление данными, обмен информацией в реальном времени, онлайн-мониторинг эксплуатации и обслуживания, а также устойчивую инфраструктуру.

• Интеллектуальная сеть (Intelligence Grid, IG): Это этап, на котором внедрение цифровизации и ИИ становится обычным явлением (хотя и не всегда системным или равномерным) почти во всех звеньях электроэнергетики — от генерации и передачи до распределения и потребления. Различные части отрасли еще не полностью интегрированы, но отрасль уже характеризуется способностью выполнять предиктивное интеллектуальное обслуживание, энергоэффективное диспетчерское управление и автоматическую оптимизацию оборудования, а также предоставлять персонализированные услуги пользователям.

• Энергосистемы будущего (Future Power Systems, FPS): Это идеальный этап, на котором инфраструктура электроэнергетики ориентирована на будущее, опережает кривую спроса на электроэнергию и соответствует национальным экономическим амбициям. Этап FPS представляет собой состояние бесшовной интеграции восходящих и нисходящих потоков энергетического сектора, где генерация, передача, распределение и сетевые резервы могут автоматически адаптироваться к колебаниям нагрузки на основе спроса и предложения в реальном времени; максимизировать и приоритизировать распределение мощностей ВИЭ; и иметь «единый источник истины» относительно состояния энергетических мощностей и работоспособности сети в масштабах всей экономики. На этапе FPS отрасль может поддерживать услуги электрификации в критически важных секторах экономики при любом неблагоприятном сценарии, и эта способность стабильна во всей энергосистеме.

Определения различных характеристик каждого этапа подробно представлены в Таблице 36.

Таблица 36: Три этапа цифровизации и внедрения ИИ в электроэнергетике во всем мире

• Обмен информацией в реальном времени: Реализация межведомственного обмена информацией в реальном времени (диспетчеризация, обслуживание, операции) для поддержки взаимодействия.

• Онлайн-мониторинг эксплуатации и обслуживания: Визуализация рабочего состояния оборудования онлайн, расширение возможностей удаленной диагностики и раннего предупреждения.

• Устойчивая инфраструктура: Обеспечение эластичности архитектуры энергосети для повышения способности противостоять стихийным бедствиям и чрезвычайным ситуациям. | • Предиктивное интеллектуальное обслуживание: Прогнозирование рисков оборудования на основе ИИ для реализации проактивного обслуживания и превентивной защиты.

• Эффективное диспетчерское управление: Оптимизация распределения мощности с помощью алгоритмов для достижения скоординированной диспетчеризации генерации, сетей и нагрузки.

• Автоматическая оптимизация оборудования: Оснащение терминальных устройств датчиками и механизмами контроля с интеллектуальными суждениями и адаптивными способностями.

• Персонализированные услуги для пользователей: Внедрение дифференцированных моделей обслуживания, таких как тарифы по времени суток и рекомендации по энергоэффективности. | • Интеграция и трансформация «Генерация-Сеть-Нагрузка-Хранение»: Достижение глубокой интеграции и гибкой взаимной регулировки систем генерации, передачи, потребления и хранения энергии.

• Комплексная координация различных видов энергии: Единое планирование и скоординированная работа нескольких энергетических систем, включая электричество, тепло, холод и газ.

• Программно-определяемая энергосистема: Использование ПО для логического управления, диспетчеризации ресурсов и развертывания стратегий энергосети.

• Видимость, познаваемость, управляемость: Достижение всестороннего восприятия состояния системы, интерпретируемости данных и точного контроля операций. |

Кроме того, изучение трех этапов цифрового интеллекта в различных экономиках показывает: хотя для энергетических компаний важно проходить цифровую трансформацию и внедрять ИИ, это должно быть...

...реализовано коллективно и скоординированно, чтобы все звенья энергосистемы достигли высокого уровня цифровизации и внедрения ИИ.

Индикаторы GDII для оценки отрасли

Чтобы помочь экономикам определить их этап трансформации в сфере цифрового интеллекта, была разработана специализированная система оценки возможностей цифрового интеллекта для электроэнергетической отрасли (см. Рисунок 37). На основе этой структуры выделяются пять ключевых измерений: сервис, восприятие, приложения, сетевое взаимодействие и платформа.

В Таблице 2 перечислены и определены индикаторы для каждого из этих пяти измерений.

Структура цифрового интеллекта в электроэнергетике

Возможности цифрового интеллекта (5+1)

• Сервисные возможности (Ценность для пользователя): Клиентоцентричный подход: улучшение пользовательского опыта и создание добавленной стоимости.
• Платформенные возможности (Облако, Цифра, Интеллект): Единая платформа поддерживает интеллектуальные приложения и бизнес-взаимодействие.
• Возможности сетевого взаимодействия (Связь и Сети): Повсеместное сетевое покрытие обеспечивает эффективную, безопасную и надежную передачу данных.
• Прикладные возможности (Производство и Бизнес): Ориентация на сценарии: достижение интеллектуального управления всеми процессами и внедрение инноваций.
• Возможности восприятия (Терминал, Периферия): Сбор данных в реальном времени, восприятие состояния и периферийная обработка данных.
• Устойчивое развитие: 1. Цифровые таланты. 2. Цифровые инвестиции.

Индикаторы цифрового интеллекта (целевые и текущие значения):

Таблица 2: Индикаторы прогресса цифрового интеллекта в электроэнергетике

Анализ данных и практические примеры

Используя структуру цифрового интеллекта для электроэнергетики, мы оценили 25 экономик и пришли к пяти ключевым выводам.

Экономики, чьи энергетические компании ежегодно тратят не менее 1% капитала на технологии цифрового интеллекта, такие как ИИ, облачные технологии, периферийные вычисления и сетевые решения, обладают устойчивыми и стабильными энергосистемами, которые соответствуют темпам экономического роста и опережают спрос на электроэнергию.

Эффективность цифровой трансформации электроэнергетики в 25 экономиках

На основе общего балла индикаторов выделяются три стадии развития:

1. Традиционные сети (Traditional Grid) 2. Интеллектуальные сети (Intelligence Grid) 3. Перспективные энергосистемы (Future Power Systems, FPS)

В группу стран с «Перспективными энергосистемами» (FPS) вошли США, Китай, Сингапур, Великобритания, Швейцария и Германия. Интеллектуальные сети представлены такими странами, как ОАЭ, Испания, Саудовская Аравия, Малайзия, Италия и Франция. К стадии традиционных сетей относятся Казахстан, Таиланд, Турция, Бразилия, ЮАР и другие.

Влияние сфокусированных инвестиций в технологии цифрового интеллекта наиболее очевидно в странах, находящихся на стадии ПЭС (FPS). В настоящее время только 4 экономики (в рамках рассматриваемой выборки) находятся на этой стадии, для которой характерны следующие особенности:

• Видимость энергосети составляет не менее 80% за счет использования умных устройств, таких как интеллектуальные периферийные терминалы и датчики IoT.
• Уровень облачной трансформации в энергетических компаниях достигает 10%.
• Не менее 50% компонентов энергосистемы способны обмениваться данными в режиме реального времени.
• Аналитика больших данных (платформы и хранилища данных) является приоритетным направлением инвестиций.
• Не менее 7% энергетических компаний используют приложения ИИ для сценарного анализа.

Энергетические компании на стадии «Перспективных энергосистем» (FPS) инвестируют в цифровую трансформацию не менее 1% своей годовой выручки. Рассмотрим пример Китая, где Государственная электросетевая корпорация Китая (SGCC) выделила примерно 1,6% доступного капитала на технологии цифрового интеллекта для модернизации сетей в период 2016–2020 гг. В Сингапуре расходы государственных коммунальных служб на ИТ составляют в среднем 2% от годовой выручки.

Для сравнения: в экономиках со стадией «Интеллектуальных сетей» капитальные затраты на цифровые технологии в коммунальном секторе колеблются в пределах 0,5–0,8% от выручки. В странах с «Традиционными сетями» расходы на ИТ в среднем составляют лишь 0,1%.

Мы установили, что 9 экономик находятся на стадии 2 («Интеллектуальные сети»), которая характеризуется более низкими инвестициями в инфраструктуру связи, облака и ИИ. Это, в свою очередь, ограничивает возможности энергосистемы использовать аналитику Big Data для удовлетворения спроса, обеспечения гибкого энергоснабжения в неблагоприятных сценариях и адаптации к повестке экономического роста. Большинство экономик все еще находятся на стадии 3 («Традиционные сети»), для которой характерны низкий уровень внедрения цифрового интеллекта, ограниченное использование ИИ, облаков и периферийных технологий, а также отсутствие устойчивой инфраструктуры связи с низкой задержкой для поддержки работы энергосетей.

Ключевой вывод 1: Цифровые инвестиции, особенно в ИИ, могут удвоить уровень удовлетворенности клиентов услугами электроснабжения.

Цифровые инвестиции напрямую влияют на удовлетворенность потребителей. Это отчетливо проявляется в экономиках стадии ПЭС (FPS), где инвестиции в технологии самого высокого уровня, а индекс удовлетворенности клиентов услугами энергетики превышает 80 баллов из 100. В компаниях стадии ПЭС уровень проникновения ИИ в операционную деятельность составляет в среднем 15%. Это более чем в два раза превышает средний показатель в 7% для «Интеллектуальных сетей» и 3% для компаний с «Традиционными сетями». Причина такой положительной корреляции между инвестициями в цифровой интеллект и удовлетворенностью клиентов кроется в способности...

Причина этой положительной корреляции между инвестициями в технологии цифрового интеллекта и удовлетворенностью клиентов заключается в способности этих технологий преобразовывать данные в аналитические выводы, а затем — в конкретные действия. Например, экономики на стадии ПЭС используют периферийные интеллектуальные терминалы и современные технологии связи, такие как LTE и оптоволокно, для сбора данных о состоянии сети и выработке электроэнергии в реальном времени. Затем они применяют облачные вычисления, аналитику больших данных и ИИ для анализа профилей энергопотребления. Кроме того, они используют современные коммуникационные технологии fgOTN и IPv6 для внесения изменений в работу энергосети на основе результатов анализа данных.

Однако тип инвестиций в технологии цифрового интеллекта имеет решающее значение для электроэнергетических компаний. Рассматривая страны на стадии «Традиционных сетей», можно заметить, что такая экономика, как Казахстан, способна поддерживать высокий показатель удовлетворенности клиентов, сопоставимый с уровнями стран стадии ПЭС. Это объясняется тем, что энергетическая отрасль страны использует приложения ИИ для сценарного анализа. В частности, электроэнергетические предприятия Казахстана применяют ИИ в рамках системы Python for Power System Analysis (PyPSA) для планирования отказа от ископаемого топлива (например, угля) и перехода к полной интеграции ВИЭ. Фреймворк PyPSA использует данные глобальных энергосистем и возможности моделирования PyPSA-Earth. Благодаря использованию ИИ в планировании энергетического перехода Казахстан постепенно выводит из эксплуатации угольные электростанции без перебоев в энергоснабжении домохозяйств и предприятий, что обеспечивает высокую удовлетворенность клиентов услугами электроснабжения.

Рисунок 39: Удовлетворенность клиентов и цифровые инвестиции

Ключевой вывод 2: Переход на fgOTN и IPv6 позволяет как минимум вдвое увеличить возможности по подключению новых энергетических мощностей к сети и обеспечить более высокий уровень ее безопасности и устойчивости.

Экономики стадии ПЭС с высокими возможностями доступа к энергии также имеют высокие показатели охвата fgOTN и IPv6 (в среднем индекс составляет 8,75), что свидетельствует об активном внедрении этих передовых коммуникационных технологий в электроэнергетике. Для сравнения: в коммунальных службах на стадиях «Интеллектуальных сетей» и «Традиционных сетей» этот индекс составляет в среднем 7,56 и 4,83 соответственно. Использование устаревшей инфраструктуры связи в странах с традиционными сетями, как правило, препятствует внедрению больших мощностей ВИЭ в энергосистему. Это связано с естественной нестабильностью генерации на основе ВИЭ. Когда подача энергии от ВИЭ падает, а операторы энергосистем не имеют возможности видеть ситуацию с энергоснабжением в реальном времени и не могут оперативно связаться с сетью для ввода резервных мощностей и восполнения дефицита, происходят веерные отключения. Такой риск для стабильности сети сдерживает инвестиции в ВИЭ и лишает операторов стимулов для интеграции мощностей ВИЭ в систему.

Технологии цифрового интеллекта, такие как fgOTN и IPv6, позволяют подстанциям и центрам управления мгновенно реагировать на колебания выработки ВИЭ, обеспечивая интеллектуальное управление на периферии сети. Таким образом, наличие обеих технологий обычно повышает уверенность операторов (и регуляторов) в устойчивости сети. Это, в свою очередь, способствует вводу новых энергетических мощностей. Электросетевым компаниям необходима видимость состояния сети в реальном времени и состояния электростанций для обеспечения 100% электрификации и надежного электроснабжения. Кроме того, визуальный контроль сети с помощью видеонаблюдения и IoT обеспечивает безопасность физической инфраструктуры. Устаревшая инфраструктура связи, такая как SDH, слишком медленна для поддержки IoT или видеонаблюдения — цифровых инструментов, необходимых для мониторинга состояния сети и быстрой передачи данных. Напротив, IPv6 обеспечивает сквозную связность устройств в интеллектуальной сети (например, умных счетчиков), позволяя различным энергосистемам взаимодействовать друг с другом и устанавливать отказоустойчивые протоколы для непрерывного энергоснабжения. Опора на IPv4 не позволила бы энергетическим компаниям в полной мере использовать преимущества установленных интеллектуальных устройств и эффективно управлять сетью. Кроме того, персонал, отслеживающий безопасность и состояние сети, не может оперативно реагировать на физические угрозы (например, саботаж), если центр управления не имеет связи с подстанциями и сотрудниками на других участках сети.

Рисунок 40: Связь fgOTN и IPv6 с возможностями подключения новых энергетических мощностей

Ключевой вывод 3: Высокое покрытие сетей LTE/оптоволокном в электроэнергетике ускоряет внедрение ИИ в два раза, повышая оперативность реагирования сети и снижая частоту потерь и сбоев в энергосистеме.

Экономики стадии ПЭС имеют в среднем 65% покрытия LTE/оптоволокном по сравнению с 50% в странах на стадии «Интеллектуальных сетей» и 40% — на стадии «Традиционных сетей». Скоростное соединение не только делает возможным внедрение ИИ, но и усиливает выгоды, которые энергетические компании получают от инвестиций в него. Оно позволяет обмениваться данными в режиме реального времени по всей энергосети, что дает возможность эффективно реализовывать комплексные планы предиктивного обслуживания, балансировки нагрузки, интеграции ВИЭ и управления резервами.

Одним из примеров является Германия, где широкое покрытие LTE/оптоволокном обеспечивает доступ к высокоскоростной связи в любой точке энергосистемы. Это поддерживает планы по передаче данных и позволяет развивать умные сети и аналитику в энергетическом секторе. Благодаря тому, что большая часть системы имеет доступ к быстрому интернету с низкой задержкой, ИИ может получать данные в реальном времени, быстро обрабатывать их, реагировать на риски сбоев и незапланированных остановок станций, а также оперативно вмешиваться при возникновении дисбаланса нагрузки. Сочетание связности и приложений ИИ приводит к высокой оперативности реагирования сети и сокращению случаев потери мощности, отключений и блэкаутов. Например, при получении данных о скачке спроса во внепиковый период оператор может удаленно активировать пиковые станции или резервы, чтобы предотвратить системный сбой. В странах стадии ПЭС при охвате системы сетями LTE/оптоволокном на уровне не менее 70% наблюдаются высокие показатели внедрения ИИ и высокая удовлетворенность клиентов за счет отсутствия серьезных инцидентов.

Рисунок 41: Уровень покрытия LTE/оптоволокном и внедрение ИИ в электроэнергетике

Ключевой вывод 4: Каждый 1% увеличения охвата периферийными интеллектуальными терминалами приводит к эквивалентному улучшению мониторинга сети в реальном времени. В сочетании с широким использованием ИИ это дает двукратное повышение общей устойчивости сети, рост доли ВИЭ в энергобалансе и увеличение удовлетворенности клиентов на 20%.

Страны, уже находящиеся на стадии ПЭС, такие как Германия, Китай, Сингапур и США, имеют две общие черты: они инвестировали в периферийные интеллектуальные терминалы и приложения ИИ, а также обладают видимостью более 80% физической инфраструктуры и активности сети в реальном времени. В среднем в экономиках стадии ПЭС охват периферийными интеллектуальными терминалами превышает 85%, что на 20 процентных пунктов выше, чем у компаний на стадии «Интеллектуальных сетей», и более чем в два раза выше показателей стадии «Традиционных сетей».

Столь высокий уровень видимости означает, что электроэнергетические компании в этих странах могут управлять множеством источников генерации и переменной мощностью, снижая при этом зависимость от крупных базовых электростанций, требований к резервам и дорогостоящих резервных мощностей, которые обычно работают на ископаемом топливе. Внедрение периферийных интеллектуальных терминалов и приложений ИИ также позволяет энергетическим компаниям увеличивать долю интеграции солнечной энергии в...

...странах и обеспечивают видимость в реальном времени более 80% физической инфраструктуры, активности и состояния сети. В среднем в экономиках стадии ПЭС охват периферийными интеллектуальными терминалами превышает 85%, что на 20 процентных пунктов выше, чем у компаний на стадии «Интеллектуальных сетей», и более чем в два раза выше показателей стадии «Традиционных сетей».

Столь высокий уровень видимости означает, что электроэнергетические компании в этих странах могут управлять множеством источников генерации и переменной мощностью, снижая при этом зависимость от крупных базовых электростанций, требований к резервам и дорогостоящих резервных мощностей, которые обычно работают на ископаемом топливе. Внедрение периферийных интеллектуальных терминалов и приложений ИИ также позволяет энергетическим компаниям увеличивать долю интеграции солнечной энергии в странах с умеренным уровнем солнечной инсоляции.

Хотя Швейцария еще не достигла стадии ПЭС, примером такого подхода является ее программа SWEET EDGE. В рамках этой программы используются технологии периферийного интеллекта для прогнозирования ресурсов ВИЭ на базе ИИ, расширения интеграции солнечной энергии в национальные сети и увеличения доли возобновляемой энергии в микросетях и автономных системах. Во многих регионах Швейцарии наблюдается умеренная солнечная инсоляция, составляющая в среднем от 1100 до 1300 кВтч в год. Однако, применяя ИИ к процессам генерации солнечной энергии, энергетические компании могут в автоматическом режиме настраивать фотоэлектрические панели для максимального улавливания солнечного света, одновременно обеспечивая работу периферийных интеллектуальных терминалов для предоставления данных в реальном времени о факторах, влияющих на выработку энергии. Это упрощает расширение использования солнечной энергии в магистральных сетях и управление микросетями, объединяющими несколько источников ВИЭ, таких как ветер, солнце и гидроэнергетика. С момента запуска этой программы в Швейцарии наблюдается бурный рост солнечной энергетики, и ожидается, что к 2035 году объем солнечной генерации достигнет 25 ТВтч.

Рисунок 42: Проникновение приложений ИИ в электроэнергетике

• Формула: y = 1,1845x - 17,703 * Показатели: Периферийные интеллектуальные терминалы, статус устройств и состояние окружающей среды.
• Шкала: 20, 30, 40, 50, 60, 70, 80, 90, 100, 110 / 40,00, 50,00, 60,00, 70,00, 80,00, 90,00, 100,00.

Рост доли возобновляемой энергии в сетях способствует повышению удовлетворенности клиентов, поскольку потребители обычно предпочитают «зеленые» сети, а такие источники энергии могут обеспечить круглосуточную доступность электричества даже в самых отдаленных районах страны.

Пример из практики

В Китае можно рассмотреть пример компании Grid Company S, где стратегические инвестиции в технологии цифрового интеллекта, такие как ИИ, позволили энергетической компании внести вклад в экономическое и социальное развитие. Являясь государственным поставщиком электроэнергии, Grid Company S отвечает за выполнение национальной повестки по цифровизации системы распределения электроэнергии, обеспечивая при этом непрерывное снабжение конечных потребителей и способность всей сети выдерживать новые нагрузки для поддержки экономического роста.

Grid Company S успешно выполнила эту задачу, используя платформы управления IoT, гибкие платформы разработки IoT-приложений и периферийные вычислительные блоки (ECU). Это позволило компании совместно разработать платформу мониторинга сети в реальном времени и IoT-приложения для электроэнергетики, которые она теперь предлагает как решение для цифровой трансформации распределительных сетевых компаний. Ряд предприятий, таких как Power Supply Center Y, получили следующие преимущества от внедрения платформы мониторинга сети Grid Company S:

• Ускорение принятия решений: Директора электростанций и менеджеры трансформаторных участков получают информацию своевременно.
• Улучшенное обнаружение неисправностей: Платформа проактивно распознает неисправности в распределительных и трансформаторных устройствах, что повышает эффективность интеллектуального управления оборудованием и безопасность работы распределительных сетей.
• Удовлетворенность клиентов: Вышеуказанные пункты ведут к росту лояльности пользователей. Г-н Чжан, заместитель директора Power Supply Center Y, отметил: «Когда я только начинал работать в этой отрасли, мне приходилось ходить по домам, чтобы снимать показания счетчиков. Обслуживание основывалось в основном на жалобах пользователей... Но сегодня данные счетчиков, информация о пользователях и аномалии в подаче электроэнергии более чем в 1000 домохозяйств, за которые я отвечаю, доступны в мобильном телефоне. В течение трех минут после отключения электричества я могу связаться с пострадавшими пользователями и оперативно устранить неисправность».

На сегодняшний день к этой платформе мониторинга подключено 136 495 районов распределительных трансформаторов, что охватывает 1220 станций электроснабжения и 7183 линии напряжением 10 кВ в 11 городах провинции.

Кроме того, Grid Company S было поручено поддержать национальную цель по переходу к «чистой» экономике путем расширения использования ВИЭ в сети. Однако возникла проблема: большое количество домохозяйств и предприятий подключили собственные солнечные фотоэлектрические системы, что могло угрожать стабильности сети и качеству работы распределительной системы. Чтобы решить эту проблему и при этом поощрять использование ВИЭ, Grid Company S внедрила технологию облачной оркестрации, которая управляет доступом и пересылкой данных от низковольтных распределенных солнечных модулей. Технология облачной оркестрации позволяет блокам ECU взаимодействовать с конечными устройствами, такими как инверторы, и управлять ими в любом трансформаторном районе, обеспечивая техническую поддержку солнечных микросетей, подключенных к национальным или крупномасштабным распределительным сетям. Алгоритмы ИИ, способные эффективно обрабатывать сложные данные, также используются для прогнозирования генерации солнечной энергии.

Рекомендации

Основная задача для стран на стадии ПЭС — сохранение преимуществ цифрового интеллекта при смене национальных повесток и ускорении экономического роста. Чтобы удержать лидерство, им необходимо последовательно внедрять новые технологии и обеспечивать видимость в реальном времени не менее 80% всей сетевой системы (передача, распределение, микросети). Упор должен быть сделан на внедрение подключенных и интегрированных энергосистем (отказ от изолированных узлов), использование аналитики больших данных во всех процессах и массовое внедрение ИИ.

Странам на стадии «Интеллектуальных сетей» рекомендуется разработать единые планы развития отрасли и согласовать темпы цифровизации и внедрения ИИ с этими планами. Экономики на этой стадии должны сосредоточиться на сотрудничестве: каждый элемент энергетики — от генерации и передачи до распределения и потребления — должен использовать технологии цифрового интеллекта для обеспечения интеграции всей системы. Инвестиции следует направлять на интеграцию сетей (коммуникационные технологии), сетевую генерацию и расширение использования ИИ за пределы простого обнаружения неисправностей — для расширенного планирования и сценарного анализа.

Странам, находящимся на стадии «Традиционных сетей», следует сосредоточиться на преодолении разрозненности (силосов), которая часто характерна для их подходов к цифровизации и ИИ. Им потребуются значительные инвестиции, однако они могут ускорить прогресс, проанализировав, по какому из пяти направлений структуры цифрового интеллекта электроэнергетики они отстают больше всего.

Потребности банковской отрасли

Банковская отрасль находится на критическом этапе развития, где цифровые инвестиции становятся необходимыми для реализации потенциала роста, стимулируемого ИИ. Однако эффективное инвестирование требует многогранного подхода, ориентированного на ключевые приоритеты: устойчивость, гибкость, экосистемное взаимодействие и интеллектуальное принятие решений.

Управление устойчивостью

Исторически устойчивость в банковском секторе означала прежде всего финансовую устойчивость — особенно после мирового финансового кризиса. Центральные банки фокусировались на стресс-тестах для оценки способности банков выдерживать финансовые шоки. Это определение, эффективное в прошлые годы, более не отвечает потребностям современного банкинга. Сегодня устойчивость охватывает более широкий спектр рисков, включая операционные и ИТ-риски.

Стресс-тесты теперь выходят за рамки достаточности капитала и капитала первого уровня (Tier 1), включая оценку среднего времени восстановления (MTTR) в случае простоя системы. Спектр финансовых рисков расширился и теперь включает сложные цифровые деривативы и валюты. Интеграция через API и использование программного обеспечения с открытым исходным кодом увеличили поверхность кибератак, сделав банки более уязвимыми. Для решения этих проблем появились новые стандарты, такие как Закон о цифровой операционной устойчивости (DORA), но сами банки должны продолжать работу над управлением этими рисками, так как серьезные сбои могут представлять экзистенциальную угрозу.

Гибкое реагирование

В прошлом трансформация банков была долгосрочным процессом, результаты которого проявлялись только по его завершении. Однако современная конкурентная среда, формируемая финтехом и рыночной динамикой, требует более гибкого (agile) подхода. Банкам необходимо инвестировать в лоукод-архитектуру (low-code), но даже этого «легкодоступного решения» уже недостаточно. Необходимость в непрерывных инновациях и способность работать над более сложными проектами станут вызовами, которые всему сектору придется решать в ближайшие годы.

Экосистемное взаимодействие

Искусственный интеллект является основным драйвером трансформации банковского дела, но он требует качественных данных. Многим банкам не хватает данных, необходимых для обучения...

Самим банкам также необходимо продолжать работу по управлению этими рисками, поскольку серьезные просчеты могут представлять экзистенциальную угрозу.

В прошлом трансформация банков была долгосрочным процессом, результаты которого проявлялись только по его завершении. Однако современная конкурентная среда, формируемая финтехом и рыночной динамикой, требует более гибкого (agile) подхода. Банкам необходимо инвестировать в лоукод-архитектуру (low-code), но даже этого «легкодоступного решения» уже недостаточно. Необходимость в непрерывных инновациях и способность работать над более сложными проектами станут вызовами, которые всему сектору придется решать в ближайшие годы.

Искусственный интеллект является основным драйвером трансформации банковского дела, но он требует качественных данных. Многим банкам не хватает данных, необходимых для обучения собственных ИИ-моделей под конкретные сценарии использования. Экосистемный подход, при котором банки объединяют данные, может помочь преодолеть этот вызов. Объединенные данные можно использовать для разработки алгоритмов, что приведет к созданию структуры, ориентированной на данные, в которой ИИ станет основным инструментом принятия решений. Этот совместный подход может также распространяться на межотраслевую интеграцию, где банки взаимодействуют с государственными структурами, промышленностью, индустриальными парками и коммерцией для создания общей, взаимовыгодной сервисной сети через API и открытые платформы.

Интеллектуальное принятие решений

ИИ, большие модели и графы знаний лежат в основе интеллектуального принятия решений в банковской сфере. Эти технологии обеспечивают анализ, прогнозирование и выработку рекомендаций на основе данных, поддерживая автоматизацию и интеллектуальную трансформацию ключевых процессов, таких как одобрение кредитов, риск-контроль и маркетинг. Используя ИИ, банки могут принимать более обоснованные и эффективные решения, повышая общую производительность и конкурентоспособность.

Подводя итог, банковская отрасль четко фокусируется на реализации четырех ключевых требований:

• Управление устойчивостью: повышение коэффициентов адекватности капитала, коэффициентов покрытия ликвидности и способности выявлять и утилизировать неработающие кредиты; укрепление механизмов стресс-тестирования и моделирования мультисценариев; повышение способности банков противостоять рискам событий типа «черный лебедь» и обеспечивать быстрое восстановление.
• Гибкое реагирование: создание гибких организационных структур и систем мидл-офиса; использование лоукод-платформ и возможностей управления данными для обеспечения быстрой итерации продуктов, корректировки стратегии в реальном времени и создания замкнутого цикла связи между ранним предупреждением о рисках и реагированием на них.
• Экосистемное взаимодействие: создание платформ межотраслевой интеграции, ориентированных на клиента; интеграция экосистемных ресурсов, таких как государственные услуги, промышленность, парки и коммерция, для создания общей взаимовыгодной сервисной сети через API и открытые платформы.
• Интеллектуальное принятие решений: продвижение интеллектуального анализа, прогнозирования и рекомендаций на основе данных с использованием ИИ, больших моделей и графов знаний; поддержка автоматизации и интеллектуальной трансформации ключевых процессов (кредитное одобрение, риск-контроль, маркетинг).

Как отмечалось ранее, банковская отрасль в настоящее время претерпевает значительную трансформацию, обусловленную новыми трендами, которые делают упор на структуры, управляемые данными, технологические инновации и интеграцию ИИ. Текущие тренды включают:

• Изменения в решениях о закупках технологий для балансировки потребности в инновациях и непрерывной поддержке; * Инвестиции в конкретные группы продуктов, такие как финансирование поставщиков, цифровые валюты центральных банков (CBDC) и торговое финансирование; * Растущий спрос на инновации в новых банковских продуктах, которые могут служить катализатором развития; * Усиление конкурентного давления со стороны цифровых банков (необанков), бросающих вызов менее гибким розничным банкам.

Эти изменения требуют более глубокого внедрения искусственного интеллекта, и для измерения уровня развертывания ИИ в банках необходим новый количественный индекс. Такой индекс мог бы служить руководством по планированию, помогая банкам ориентироваться в цифровом развитии. Для банков цифровое развитие проходит три различных этапа.

Онлайн-финансы

Онлайн-финансы — это первая стадия цикла цифровизации. Более 90% банков уже достигли этого состояния, так как оно включает внедрение интернет- и мобильного банкинга, базовую обработку онлайн-транзакций и осознанную стратегию самообслуживания. Первый этап онлайн-финансирования в первую очередь ориентирован на оптимизацию затрат. Примером может служить внедрение банкоматов банком Barclays в 1967 году как ранняя попытка перехода к цифровым каналам. В начале 2000-х годов большинство мировых банков запустили онлайн-банкинг для снижения издержек. Вторая фаза онлайн-финансирования сместила акцент на улучшение клиентского опыта: банки стали внедрять более удобные интерфейсы и сервисы.

Цифровые финансы

Второй этап цифрового развития банков — это интеграция начальных сценариев использования ИИ в цифровые каналы. Сюда входит развертывание чат-ботов для колл-центров и персональных рекомендаций на основе структуры расходов. Эти приложения ИИ используют предиктивную аналитику для улучшения клиентского опыта за счет снижения операционных трений. Например, вместо простой обработки запросов по транзакциям, чат-боты колл-центров теперь предлагают пользователям двусторонние диалоги для более комплексной поддержки. Хотя оптимизация затрат остается ключевым драйвером развития на этом этапе, больший акцент делается на повышении удовлетворенности клиентов. На этом этапе банки также начинают использовать ИИ в аналитике рисков, но большинство сценариев использования остаются относительно базовыми.

Автономные финансы

Как наиболее продвинутая стадия цифровой трансформации в банковской отрасли, автономные финансы все еще находятся в зачаточном состоянии. Со временем ИИ проникнет глубже в банковские процессы, поскольку такие технологии, как агентский и сетевой (connected) финансовый сервис, помогут банкам достичь оптимальной эффективности. На этом этапе банки смогут автоматизировать сложные процессы и принимать решения на основе данных в режиме реального времени, что приведет к созданию более автономной и эффективной финансовой экосистемы.

В таблице ниже описаны некоторые сценарии использования этих трех этапов:

Этапы цифровой трансформации в банковском секторе

Модель оценки цифрового интеллекта отрасли

Оценка цифровой зрелости банковской системы страны требует индикаторов, учитывающих эти три фазы развития. Эти показатели также должны отражать как цифровые возможности, так и количественные метрики.

• Сервисные возможности (ценность для пользователя): клиентоцентричный подход, улучшение пользовательского опыта и создание ценности.
• Платформенные возможности (облако, данные, интеллект): единая платформа поддерживает интеллектуальные приложения и бизнес-взаимодействие.
• Возможности сетевого взаимодействия (связность и сети): повсеместная связность обеспечивает эффективную, безопасную и надежную передачу данных.
• Прикладные возможности (производство и бизнес): ориентация на сценарии: достижение полноцикловых интеллектуальных операций и инноваций.
• Сенсорные возможности (терминалы, периферия): сбор данных в реальном времени, восприятие состояния и периферийные вычисления (edge processing).
• Устойчивое развитие: 1. Цифровые таланты.

2. Цифровые инвестиции.

Индикаторы цифрового интеллекта

Для измерения цифрового прогресса в банковской отрасли индекс GDII оценивает пять основных областей. Шестой фактор — «ожидаемый результат» — включен в исследование как зависимая переменная. Основные показатели оценки:

1. Уровень проникновения финансовых приложений.
2. Уровень проникновения сценариев применения ИИ.
3. Охват отделений MBB/FBB (мобильный/фиксированный широкополосный доступ).
4. Количество копий резервного копирования данных.
5. Количество API открытых платформ.
6. Уровень облакаризации бизнеса.
7. Охват интеллектуальным риск-контролем.
8. Доля безналичных транзакций.
9. Доля цифровых инвестиций.
10. Цифровые таланты.

Индекс GDII оценивает пять основных возможностей для измерения цифрового прогресса в банковской отрасли. Шестой фактор — «ожидаемый результат» — включен в исследование как зависимая переменная.

Возможности обслуживания

Возможности обслуживания ориентированы на пользователя и измеряют технологические компетенции, которые улучшают клиентский опыт, такие как уровень проникновения финансовых приложений. Чтобы преуспеть в этой области, банку необходимо проанализировать путь клиента и внедрить новые технологии для повышения качества обслуживания. К ним могут относиться автоматизированный KYC (знай своего клиента), видео-KYC или аналогичные технологии. Расширяя эти возможности, банки могут увеличить генерацию доходов и повысить лояльность клиентов.

Возможности восприятия

Возможности восприятия являются фундаментальными компетенциями, обеспечивающими цифровизацию. Они помогают создать основу для работы с данными и аналитикой, которую банки используют для гиперперсонализации и оптимизации. Восприятие также включает сбор данных от сторонних организаций через API и интерфейсы открытых экосистем.

Платформенные возможности

В то время как возможности восприятия позволяют собирать данные, платформенные возможности необходимы для того, чтобы банки могли эффективно интерпретировать эти данные внутри собственных систем. Платформы — это, по сути, инфраструктура, обеспечивающая интерпретацию данных. Это может быть облачная инфраструктура или решения, связанные с созданием API, которые позволяют обрабатывать данные сторонних организаций.

Возможности подключения

После того как возможности восприятия обеспечили сбор данных, а платформы предоставили основу для их интерпретации, анализ данных был бы невозможен при отсутствии сетевого взаимодействия. Подключение имеет критическое значение, так как оно объединяет различные отделения банка для обмена данными.

Прикладные возможности

Создание каналов для сбора данных бесполезно, если собранные данные не обрабатываются для получения инсайтов. Прикладные возможности — это, по сути, полноценные интеллектуальные возможности обработки, которые выводят аналитику на первый план в сфере услуг.

Устойчивое развитие («+1»)

Эти пять возможностей требуют цифровых талантов и цифровых инвестиций. Именно поэтому данные компетенции, объединенные под общим названием «устойчивое развитие», отслеживаются отдельно как вспомогательные факторы. Все эти возможности измеряются с помощью количественных показателей. Для количественной оценки влияния модели «5+1» на 25 рынках использовались следующие десять индикаторов:

Таблица 3: Определение банковских индикаторов

Анализ данных и тематические исследования

Анализ данных

Анализ 25 экономик, представляющих три этапа цифровой трансформации в банковском секторе, с использованием вышеуказанных 10 индикаторов позволил получить новые выводы для руководства трансформацией банковской отрасли. Эти данные помогают лучше понять, почему некоторые экономики смогли стать ранними последователями автономных финансов, в то время как другие остаются на стадиях онлайн-финансов и цифровых финансов.

Рисунок 45: Эффективность цифровой трансформации банковского сектора в 25 экономиках

Общий балл банковских индикаторов

Классификация по стадиям:

• Автономные финансы (Autonomous Finance): США, Китай, Сингапур, Великобритания, Швейцария.
• Цифровые финансы (Digital Finance): Германия, ОАЭ, Южная Африка, Казахстан, Испания, Саудовская Аравия, Таиланд, Турция.
• Онлайн-финансы (Online Finance): Бразилия, Оман, Мексика, Венгрия, Греция, Кения, Малайзия, Индонезия, Филиппины, Египет, Италия, Франция.

Характеристики этих кластеров экономик на основе 10 индикаторов и возможностей «5 + 1» заключаются в следующем:

Кластер «Автономные финансы» (5 экономик, балл >= 60):

• Эти экономики уже стали ранними лидерами в области цифровизации и ИИ.
• Высокие инвестиции в цифровые технологии, такие как облака, ИИ, цифровые таланты и резервное копирование.
• Сильные структуры управления рисками.
• Возможность повысить уровень проникновения ИИ и финансовых приложений при увеличении инвестиций.

Кластер «Цифровые финансы» (8 экономик, 44 <= балл < 60):

• Ускорение цифровых инвестиций, но требуется однородный подход к инвестированию в облака, таланты, проникновение ИИ и открытые платформы.
• Необходимы целевые инвестиции для ускорения достижения стадии автономных финансов.

Кластер «Онлайн-финансы» (12 экономик, балл < 44):

• Низкие инвестиции в облачную трансформацию, ИИ и цифровые таланты.
• Ранние стадии зрелости цифровых технологий и ИИ. Значительная зависимость от ручных процессов.
• Расходы на цифровизацию составляют менее 3% от выручки в части ИКТ-расходов на финансовые услуги.

Основные выводы

Основной вывод 1: Автономные финансы требуют значительных инвестиций в приложения ИИ и ресурсы резервного копирования данных

Чтобы войти в стадию трансформации «автономные финансы», экономикам необходимо вкладывать значительные средства в ИИ-приложения в банковском секторе. В этой области инвестиции в ИИ напрямую влияют на кривую цифровизации: более высокие показатели использования ИИ указывают на более развитые рынки. Развитые экономики инвестируют в ИИ более 20% (коэффициент проникновения сценариев применения ИИ), что примерно на 3–5 процентных пунктов выше, чем в менее развитых экономиках. В частности:

• Экономики стадии «автономных финансов» тратят в среднем на 18% больше (доля инвестиций в цифровизацию), чем экономики на других стадиях. В части сценариев применения ИИ у экономик с автономными финансами уровень проникновения сценариев ИИ на 27% выше. По мере того как банки инвестируют в приложения ИИ, их устойчивость и риски контроля данных возрастают, что требует большего объема и качества ресурсов резервного копирования.
• Банки в экономиках с автономными финансами часто хранят более 5 копий своих данных по сравнению со средним показателем в 4 копии в экономиках с цифровыми финансами и средним показателем в 3 копии в экономиках с онлайн-финансами. Такое увеличение количества резервных копий необходимо, поскольку развертывание ИИ является чрезвычайно ресурсоемким с точки зрения данных. Банковские алгоритмы также постоянно настраиваются, а это означает, что контроль версий и целостность данных требуют более частого резервного копирования.

Рисунок 46: Количество резервных копий данных в сравнении с коэффициентом проникновения сценариев применения ИИ

Основной вывод 2: Внедрение облачных технологий значительно повышает охват интеллектуальным контролем рисков

Рисунок 47: Коэффициент охвата интеллектуальным контролем рисков в сравнении с уровнем облачной трансформации бизнеса

Экономики с автономными финансами имеют уровень облачной трансформации 86% при охвате рисками 74%. Экономики с цифровыми финансами имеют уровень облачной трансформации 84% и охват рисками 61%, в то время как экономики с онлайн-финансами имеют уровень облачной трансформации 69% и охват рисками 41%.

Фраза «смещение безопасности влево» (shifting security left) часто используется в банковской индустрии для описания проактивного усиления контроля безопасности. Все чаще этот сдвиг также означает наличие дополнительного уровня надзора, и именно здесь облачные среды получают все большее признание. Хотя пример с рабочими нагрузками безопасности иллюстрирует этот момент, корреляция между облачной трансформацией и охватом рисками выходит за рамки безопасности.

Например, приложения с интенсивным использованием данных и возможностями ИИ также выигрывают от расширения внедрения облачных технологий. Таким приложениям часто требуется экосистема, обеспечивающая эффективный обмен данными. Приложения для борьбы с финансовыми преступлениями, например, значительно выигрывают от обмена данными и ИИ, что ведет к улучшению результатов. Операции в центрах обработки данных и ИТ-операции — это еще одна важнейшая дисциплина в банковском деле, которая выигрывает от внедрения облаков. Недавние исследования показали, что большой процент простоев систем связан не с киберугрозами, а с операционными проблемами. Внедрение облачных технологий предоставляет банкам возможности автоматизации ЦОД и ИТ-операций, снижая риск таких простоев.

Существует прямая корреляция между цифровыми инвестициями и продвижением экономики по цифровому циклу банковского дела. В среднем все 25 репрезентативных экономик тратят 3,9% своей выручки на ИКТ в сфере финансовых услуг. Этот показатель увеличивается на 1%, если рассматривать только экономики с автономными финансами. При рассмотрении только экономик с цифровыми финансами этот показатель по-прежнему выше общего среднего и составляет 4,58%, но при рассмотрении только экономик с онлайн-финансами показатель ниже среднего и составляет 2,96%. Экономики с автономными финансами тратят больше своей выручки на разумные инвестиции в облака, ИИ, резервное копирование, хранение данных и большие данные. При условии надлежащего планирования и исполнения, более высокие инвестиции в ИКТ...

поддерживают более высокую цифровую зрелость в банковской отрасли.

Ключевой вывод 3: Экономики с автономными финансами лидируют по объему цифровых инвестиций

Рисунок 48: Цифровые инвестиции как драйвер эффективности банковской деятельности

Кейс-стади

Банк H активно инвестирует в цифровую трансформацию с 2016 года, поставив перед собой четкую цель: утроить объем транзакций и обслуживать 10 миллионов клиентов. Для достижения этой амбициозной задачи банк приоритизировал инвестиции в клиентский опыт, операционную эффективность и генерацию выручки. Технологии стали фундаментом этих усилий и ускорили процесс трансформации.

Цифровая инфраструктура и экологические сети значительно сократили время принятия решений в Банке H и способствовали более быстрому сотрудничеству с другими игроками отрасли. Интересным аспектом трансформации Банка H стала приверженность сохранению «человеческого подхода». Несмотря на фокус на цифровых инновациях, Банк H делает упор на фиджитал-опыт — сочетание физического и цифрового взаимодействия для повышения вовлеченности клиентов. Банк также уделяет большое внимание развитию человеческого таланта, особенно в области цифрового обучения и ИИ.

На текущем рынке инвестиции в ИИ и цифровые технологии становятся все более критичными. Данное исследование банковского сектора не только подтвердило этот тренд, но и выявило несколько других важных аспектов:

• Инвестируйте в базовую инфраструктуру: Инвестиции в ИИ будут неполными без вложений в базовую инфраструктуру, которая поддерживает обработку данных и выводит внедрение ИИ на новый уровень. Это включает переход в облако, решения для резервного копирования и хранения данных, инвестиции в финансовые приложения и разработку открытых API.
• Развивайте «мягкие» навыки и таланты: Инвестиций только в технологии, без необходимых вложений в навыки и таланты, недостаточно для проведения значимой трансформации. Банки должны инвестировать в развитие «мягких» навыков и формирование квалифицированного штата сотрудников, способных эффективно использовать передовые технологии.
• Внедряйте облачные вычисления: Облачные вычисления становятся важным компонентом многих технологических стеков, особенно для управления операционными рисками. Банкам следует интегрировать облачные решения для расширения своих возможностей в области управления рисками и повышения операционной эффективности.
• Эволюционируйте в сторону автономных финансов: Положительным моментом является то, что рынки и банки могут реально перейти на стадию автономных финансов и извлечь выгоду из своих инвестиций в технологии. Стратегически развивая свои цифровые возможности, банки могут достичь более высокого уровня автоматизации и интеллектуальности, что приведет к значительным улучшениям в операционной деятельности и клиентском опыте.

Потребности железнодорожной отрасли

Цифровая трансформация железных дорог в конечном счете диктуется потребностями бизнеса. Эти требования отражают не только операционные приоритеты, но и более широкие экономические и социальные ожидания, гарантируя, что цифровизация принесет измеримые результаты.

• Обеспечение безопасности — главным приоритетом является создание системы безопасности с комплексным контролем и возможностями раннего предупреждения. Такая система должна охватывать оборудование, операции, пассажиров и аварийное реагирование. Общая цель заключается в гарантировании внутренней безопасности и непрерывной, стабильной работы железнодорожного транспорта. Развивая эту идею, цифровое обеспечение безопасности все больше полагается на интеллектуальный мониторинг, обнаружение аномалий с помощью ИИ и прогнозную аналитику для снижения рисков до того, как они нарушат работу служб.
• Операционная эффективность — интеллектуальная диспетчеризация, оптимизация ресурсов и координация систем критически важны для повышения эффективности, включая максимизацию пропускной способности поездов, снижение операционных расходов и сокращение времени диспетчеризации. Это направление расширяется по мере того, как цифровые платформы и продвинутая аналитика позволяют операторам синхронизировать железную дорогу с портами, грузоперевозками и другими логистическими узлами, реализуя бесшовную координацию цепочки поставок и ускоряя грузооборот.
• Удобство для пассажиров — создание интеллектуального опыта путешествий занимает центральное место в цифровизации железных дорог, охватывая такие функции, как онлайн-продажа билетов, бесшовные пересадки и персонализированное планирование поездок. Помимо удобства, такие системы обеспечивают большую доступность для различных групп населения. Цифровизация упрощает мультимодальные перевозки, давая пассажирам больше гибкости и уверенности при выборе железной дороги в качестве предпочтительного варианта.
• Низкоуглеродное и зеленое развитие — в этой области критическими приоритетами являются снижение энергопотребления и продвижение к углеродной нейтральности. Железные дороги все чаще интегрируют энергоэффективные технологии, применяют мониторинг на базе ИИ и развертывают системы ВИЭ для снижения выбросов. Внедряя принципы устойчивого развития в цифровой интеллект, операторы не только сократят расходы, но и внесут вклад в достижение национальных климатических целей и глобальный переход к низкоуглеродной экономике.

Подводя итог, эти основные потребности задают направление цифровой трансформации, гарантируя, что инвестиции в технологии конвертируются в более безопасную эксплуатацию, более эффективную логистику, лучший пассажирский опыт и экологичные результаты.

Глобальные тренды в отраслевом цифровом интеллекте

Цифровизация железных дорог — это технологический ответ на насущные деловые и экономические драйверы. К основным глобальным трендам и их фундаментальным бизнес-императивам относятся:

• Конвергенция сетевых технологий и облака * Тренд: Покрытие широкополосным оптоволокном и сетями LTE/5G вдоль железнодорожных коридоров сочетается с облачными платформами, которые заменяют фрагментированные ИТ-системы.
• Бизнес-драйвер: Операторам необходима видимость сетей в реальном времени для устранения «узких мест», интеграции с логистическими хабами и улучшения использования активов. Кроме того, облачная координация снижает долгосрочные ИТ-расходы за счет консолидации множества устаревших систем в масштабируемые платформы.
• Масштабируемый операционный ИИ * Тренд: ИИ внедряется в операционную деятельность — от систем консультирования машинистов (DAS/C-DAS) до прогнозного технического обслуживания, автоматизированной диспетчеризации и оптимизации энергопотребления.
• Бизнес-драйвер: Железные дороги сталкиваются с необходимостью сокращения как времени простоев, так и операционных расходов. Прогнозная аналитика может сократить объем незапланированного технического обслуживания на величину до 30%, в то время как стратегии на базе ИИ обеспечивают измеримую экономию энергии, напрямую повышая прибыльность и дополнительно максимизируя пассажировместимость.
• Пассажироцентричные цифровые сервисы * Тренд: Бесшовная покупка цифровых билетов, мобильные платежи и мультимодальное планирование поездок теперь являются базовыми ожиданиями на развитых рынках.
• Бизнес-драйвер: Чтобы увеличить пассажиропоток и выручку, операторы должны обеспечивать бесперебойный, сквозной клиентский опыт. Помимо привлечения большего числа пользователей, цифровые платформы генерируют ценные данные о поведении, которые можно использовать для прогнозирования спроса и оптимизации услуг.
• Интеграция железных дорог в национальные цепочки поставок * Тренд: Цифровизированная железная дорога позиционируется как основа грузоперевозок и тесно интегрируется с портами, аэропортами и автотранспортом посредством передачи данных и автоматизации.
• Бизнес-драйвер: Правительства и бизнес требуют снижения логистических издержек и усиления торговой конкурентоспособности. Надежная, цифровизированная железная дорога сократит время перевалки грузов и снизит долю логистических затрат в ВВП, что приведет к росту конкурентоспособности на экспортных рынках.
• Императив устойчивого развития и низкоуглеродного следа * Тренд: Железные дороги внедряют оптимизацию энергопотребления с помощью ИИ, интегрируют ВИЭ и вводят мониторинг углеродного следа для выполнения экологических обязательств.
• Бизнес-драйверы: Инвесторы и регуляторы ожидают измеримого прогресса в области сокращения выбросов углерода и энергоэффективности. Цифровой интеллект позволяет операторам достигать этих целей, одновременно сокращая затраты на топливо и электроэнергию, тем самым совмещая экономическую отдачу с целями устойчивого развития.

Путь к цифровому интеллекту на железных дорогах проходит поэтапно: от раннего внедрения базовых цифровых инструментов до полностью интегрированных экосистем под управлением ИИ. Каждый этап, описанный ниже, отражает не только развертывание технологий, но и то, как данные, операции и человеческие возможности развиваются вместе.

Начальный этап цифровизации железных дорог

Железные дороги на этом этапе закладывают основы цифровизации, осуществляя предварительное строительство систем. Развертываются базовые приложения для продажи билетов, диспетчеризации и мониторинга, при этом происходит постепенная и частичная автоматизация оборудования, охватывающая сигналы, турникеты и проверку билетов. Однако на данном этапе данные остаются разрозненными и изолированными, а отдельные системы работают независимо и лишены единой интеграции. Кроме того...

...Кроме того, эксплуатация и техническое обслуживание (ЭиТО) по-прежнему сильно зависят от ручного труда, требуя периодических проверок силами опытных сотрудников. Следовательно, основные бизнес-задачи на этом этапе сосредоточены на освоении цифровых систем, улучшении мониторинга безопасности и снижении зависимости от бумажных носителей или ручных процессов.

Цифровая интеграция железных дорог

На этом этапе цифровая зрелость достигает уровня централизованной интеграции данных, когда железные дороги начинают объединять многочисленные источники информации в единые платформы. Такая консолидация обеспечивает конвергенцию данных из различных источников и закладывает основу для скоординированной операционной деятельности. Это также подталкивает отрасль к расширению делового сотрудничества и более глубокой интеграции цифровых платформ в основные процессы, такие как инспекция операций, диспетчеризация и пассажирские перевозки. На этой стадии также появляется аналитика данных с элементами интеллектуального принятия решений на базе инструментов бизнес-аналитики (BI) и больших данных для поддержки управления операциями. В то же время внедряется интеллектуальный мониторинг безопасности с использованием таких технологий, как ИИ, для обнаружения неисправностей оборудования и раннего предупреждения. Здесь ключевым бизнес-результатом является устранение функциональной разобщенности («силосов») для достижения большей эффективности, улучшения процесса принятия решений и повышения надежности пассажирских перевозок.

Интеллектуальные железные дороги будущего

Это наиболее продвинутая стадия, характеризующаяся глубоким внедрением ИИ во все операционные процессы: прогнозирование, оптимизацию и контроль. Это обеспечивает интеллектуальные автономные операции, включая автоматическое управление поездами (ATO), диспетчеризацию на базе ИИ и расширенную оптимизацию трафика. Кроме того, на этом этапе создаются цифровые двойники для сопоставления систем в реальном времени, что формирует виртуальный уровень, который зеркально отражает и оптимизирует физические железные дороги в режиме реального времени. Отличительной чертой этой стадии является расширение сотрудничества человека и машины, когда операторы работают вместе с системами ИИ в таких областях, как диспетчеризация и предиктивное техническое обслуживание. Этот этап превращает железные дороги в полностью интеллектуальные, устойчивые и адаптивные системы, которые стимулируют национальную экономику за счет снижения логистических затрат, улучшения качества обслуживания пассажиров и достижения целей по декарбонизации.

Переход от начального этапа к цифровой интеграции и затем к интеллектуальным железным дорогам будущего демонстрирует четкую кривую зрелости. Каждая стадия опирается на предыдущую: начиная с базовой связности и автоматизации, переходя к интегрированным платформам и раннему ИИ, и завершаясь прогностическими, автономными и мультимодальными интеллектуальными экосистемами. Для экономики продвижение по этим этапам — это не просто технологическое обновление, а путь к повышению экономической конкурентоспособности, операционной эффективности и устойчивого развития.

Рисунок 49: Три стадии цифровизации и внедрения ИИ в мировой железнодорожной отрасли

• Постепенная автоматизация оборудования: достижение частичной автоматизации сигналов, турникетов, проверки билетов и т. д.

• Разрозненные и изолированные данные: информационные системы работают независимо, отсутствует единая интеграция.

• Зависимость ЭиТО от ручного труда: эксплуатация и техническое обслуживание оборудования в основном опираются на ручной осмотр и опыт. | • Централизованная интеграция данных: создание единой платформы данных для реализации конвергенции из нескольких источников.

• Развитие бизнес-взаимодействия: глубокая интеграция бизнес-процессов, таких как инспекция операций, диспетчеризация и пассажирские перевозки.

• Предварительное интеллектуальное принятие решений: внедрение BI и анализа больших данных для помощи в управлении операциями.

• Интеллектуальный мониторинг безопасности: первые достижения в области распознавания видео через ИИ, раннее предупреждение о сбоях оборудования и т. д. | • Глубокое встраивание ИИ: внедрение ИИ во все процессы для реализации прогнозирования, оптимизации и контроля.

• Интеллектуальная автономная эксплуатация: поддержка автоматического управления поездами (ATO), интеллектуальной диспетчеризации и т. д.

• Цифровые двойники, картирование в реальном времени: создание цифровых двойников для систем городского рельсового транспорта.

• Сотрудничество человека и машины: реализация совместной работы человека и машины в таких областях, как диспетчеризация и техническое обслуживание. |

В основе методологии лежит модель цифровых интеллектуальных возможностей «5+1» (см. Рисунок 50). Эта модель определяет пять основных элементов для демонстрации цифровых возможностей, а также один элемент для реализации устойчивого развития:

Возможности приложений

Способность развертывать и масштабировать цифровые приложения в железнодорожных операциях, такие как платформы по продаже билетов, системы мониторинга активов или приложения для предиктивного технического обслуживания.

Возможности платформы

Степень, в которой унифицированные, функционально совместимые платформы поддерживают интеграцию данных, аналитику и межсистемную координацию. Это гарантирует, что железнодорожные операции переходят от разрозненных систем к целостному, связанному цифровому фундаменту.

Возможности связности

Развертывание надежной цифровой инфраструктуры, в частности магистральных оптоволоконных сетей, покрытия LTE и 5G вдоль железнодорожных коридоров. Связность является обязательным условием для мобильных операций, координации в реальном времени и передовых систем связи, таких как FRMCS.

Возможности данных

Эффективность механизмов сбора, хранения, обработки и управления данными. Сюда относится способность устранять разрозненность, обеспечивать качество данных и предоставлять безопасные наборы данных общего пользования как для операционных, так и для стратегических целей.

Сервисные возможности (Ценность для пользователя)

Способность трансформировать цифровые инвестиции в реальные выгоды для пользователей, как операционные (эффективность, безопасность, отказоустойчивость), так и ориентированные на пассажиров (бесшовные поездки, мобильные платежи, мультимодальная интеграция).

Гарантирует, что цифровой интеллект способствует достижению долгосрочных целей устойчивого развития, включая декарбонизацию, энергоэффективность и «зеленую» мобильность.

Вместе эти шесть измерений образуют комплексную структуру для измерения цифрового интеллекта железнодорожной системы, охватывающую инфраструктуру, приложения, данные и результаты.

Рисунок 50: Структура цифрового интеллекта железнодорожной отрасли

Цифровые интеллектуальные возможности (5+1)

• Сервисные возможности (Ценность для пользователя): Ориентированный на пользователя подход: улучшение опыта и создание ценности.
• Возможности платформы (Облако, Цифра, Интеллект): Единая платформа поддерживает интеллектуальные приложения и бизнес-взаимодействие.
• Возможности связности (Связность и сеть): Повсеместная связность обеспечивает эффективную, безопасную и надежную передачу данных.
• Возможности приложений (Производство и бизнес): Ориентация на сценарии: достижение интеллектуальных операций полного цикла и инноваций.
• Возможности сенсорики (Терминал, Периферия): Сбор данных в реальном времени, восприятие состояния и периферийная обработка.
• Устойчивое развитие: 1. Цифровые таланты.

2. Цифровые инвестиции.

Показатели цифрового интеллекта

(Ниже представлены драйверы и метрики, используемые в радарной диаграмме для оценки целевых и текущих значений):

• Охват дистанционным мониторингом оборудования * Охват большими данными * Охват интеллектуальными периферийными терминалами * Уровень облачности бизнеса * Пропускная способность проводной сети * Уровень покрытия LTE/5G * Уровень проникновения ИИ-приложений * Охват мобильными платежами * Доля цифровых инвестиций * Цифровые таланты

Индикаторы цифрового интеллекта железных дорог

Третий элемент методологии включает Индикаторы цифрового интеллекта железных дорог (см. таблицу «Индикаторы прогресса цифрового интеллекта»). Это конкретные, измеримые метрики цифрового интеллекта, которые согласуются с возможностями «5+1». Примеры включают:

• Индикаторы возможностей связности: покрытие железнодорожных коридоров сетями LTE/5G, доступность проводного широкополосного доступа и уровень охвата большими данными.
• Индикаторы возможностей приложений: развертывание систем предиктивного обслуживания, уровень проникновения операционного ИИ и охват пассажиров мобильными платежами.
• Индикаторы возможностей данных: использование облачных платформ, интеграция мультимодальных данных и наличие систем координации в реальном времени.
• Индикаторы сервисных возможностей: рост пассажиропотока, коррелирующий с цифровыми услугами, снижение энергопотребления за счет систем поддержки машиниста (DAS) на базе ИИ и повышение эффективности логистических затрат.
• Индикаторы устойчивого развития: сокращение выбросов CO₂, рост энергоэффективности и соответствие национальным целям «зеленой» мобильности.

Вышеуказанные индикаторы переводят абстрактные цифровые возможности в измеримые результаты, позволяя проводить бенчмаркинг между экономиками и на всех этапах зрелости.

Таблица 4: Индикаторы прогресса цифрового интеллекта на железной дороге

Системы информирования машинистов и повышение эффективности логистических затрат.

• Индикаторы устойчивого развития: сокращение выбросов CO₂, рост энергоэффективности и соответствие национальным целям «зеленой» мобильности.

Вышеуказанные индикаторы переводят абстрактные цифровые возможности в измеримые результаты, позволяя проводить бенчмаркинг между экономиками на всех этапах зрелости.

На завершающем этапе эти индикаторы используются для оценки зрелости цифрового интеллекта железных дорог в 25 странах. Сектор железнодорожного транспорта каждой экономики оценивается по формуле «5+1 возможностей» на основе фактических показателей, что позволяет сформировать общий Индекс цифрового интеллекта железных дорог. Как показано на схемах, оценка включает как классификацию по этапам, так и рейтинги производительности:

• Классификация по этапам: Экономики делятся на группы: «Цифровая железная дорога на этапе становления», «Цифровая интегрированная железная дорога» и «Интеллектуальная железная дорога, готовая к будущему». Эти этапы отражают рост цифровой зрелости — от раннего внедрения средств связи и базовых приложений до полной автоматизации, операций на базе ИИ и интеграции в мультимодальные экосистемы.
• Рейтинги производительности: Относительный балл каждой экономики выделяет лидеров, таких как Сингапур, Германия, Китай и США, которые инвестируют более высокую долю своих инфраструктурных бюджетов в цифровые инициативы (например, в среднем 1,65% для стран с «железными дорогами, готовыми к будущему», по сравнению с 0,80% для стран на этапе становления).

Этот сравнительный анализ подчеркивает два ключевых вывода. Во-первых, цифровые инвестиции являются мощным дифференциатором эффективности и конкурентоспособности железнодорожных систем. Во-вторых, сохраняется значительный разрыв: 18 из 25 оцениваемых экономик находятся ниже среднемирового уровня, что представляет собой серьезную возможность для роста.

Методология отраслевого цифрового интеллекта обеспечивает системную основу для оценки цифровой зрелости в железнодорожном секторе. Опираясь на анализ «5+1 возможностей», стандартизируя его через индикаторы цифрового интеллекта железных дорог и применяя их к 25 экономикам, данный подход обеспечивает как диагностическую, так и стратегическую ценность. Он не только фиксирует текущее положение стран, но и намечает пути для их развития — будь то через создание фундаментальной связности, интеграцию данных или продвинутую автоматизацию. В конечном счете, эта концепция демонстрирует, что цифровые железные дороги — это не просто внедрение технологий, а достижение измеримых экономических, социальных и экологических результатов. Стратегически инвестируя во все «5+1 возможностей», страны могут ускорить свой переход от стадии становления к интеллектуальным железным дорогам будущего, повышая конкурентоспособность, эффективность и устойчивость.

Ключевые выводы и тематическое исследование

Экономики, в которых железнодорожные операторы инвестируют не менее 1% своего годового CAPEX в интеллектуальную инфраструктуру (включая ИИ, автоматизацию, аналитику, IoT и высокоскоростную связь), демонстрируют заметные экономические успехи. Такие страны перевозят больше грузов и пассажиров, стимулируя туризм и увеличивая долю ВВП, генерируемую логистикой. Таким образом, интеллектуальные железнодорожные системы выступают не просто как транспортные активы, а как мультипликаторы национальной конкурентоспособности.

Кривая зрелости 25 исследуемых экономик выявляет четкий разрыв. На верхнем уровне находятся страны с интеллектуальной железной дорогой, готовой к будущему (FRIR), такие как Китай, Сингапур и Германия, обладающие автоматизированными, устойчивыми сетями, работающими на основе данных. Эти железнодорожные системы сочетают охват сетями LTE/5G и проводным ШПД на уровне ≥80% с современными системами сигнализации, облачным управлением движением и масштабным прогнозным техническим обслуживанием. Это приводит к бесшовной интеграции систем сигнализации, подвижного состава и операционной деятельности в единую цифровую платформу.

Экономический эффект от таких сетей весьма существенен. Более высокая пропускная способность грузовых коридоров означает повышение эффективности цепочек поставок, способствуя производству по принципу «точно в срок» и снижению затрат на складские запасы. Кроме того, надежные пассажирские перевозки расширяют зоны маятниковой миграции, стимулируя региональное развитие и туризм. Совокупным эффектом становится рост доли ВВП, приходящейся на логистику и мобильность. Важно отметить, что выгоды носят нелинейный характер. Как только сети достигают уровня зрелости FRIR, синергия между грузовыми, пассажирскими перевозками, туризмом и логистикой начинает приносить экспоненциальный, а не постепенный доход.

Напротив, большинство экономик все еще находятся на второй стадии — цифровой интегрированной железной дороги. Эти страны продвинулись в вопросах связности и системной интеграции, но все еще отстают в полной автоматизации и передовых возможностях прогнозирования. Их сети достигают более высокой эффективности, чем на первой стадии, но им не хватает координации, необходимой для оптимальной производительности во всех железнодорожных коридорах. Экономический вклад железных дорог здесь улучшен, но ограничен.

В основании кривой находятся экономики на первой стадии — цифровой железной дороги на этапе становления, которые в значительной степени полагаются на ручные процессы и разрозненные (силосные) системы. Хотя здесь могут присутствовать элементы интеллектуальной сигнализации и мониторинга активов, ограниченная автоматизация и фрагментированные потоки данных препятствуют существенному росту пропускной способности. В результате вклад таких сетей в рост ВВП через логистику остается скромным, а их способность конкурировать на мировых рынках грузовых и пассажирских перевозок ограничена.

Долгосрочные инвестиции в интеллектуальную железнодорожную инфраструктуру являются катализатором национального роста. Страны, выделяющие не менее 1% годового железнодорожного CAPEX на цифровые, автоматизированные и насыщенные данными системы, достигают измеримых успехов в эффективности грузоперевозок, мобильности пассажиров и туризме, укрепляя логистику как драйвер ВВП.

Рисунок 51: Эффективность цифровой трансформации железных дорог в 25 странах

(Общий балл по индикаторам железных дорог: от 20 до 80)

• Интеллектуальная железная дорога, готовая к будущему (балл 61–80): Сингапур, Китай, Германия, США, Великобритания.
• Цифровая интегрированная железная дорога (балл 40–60): Швейцария, ОАЭ, ЮАР, Казахстан, Испания, Саудовская Аравия, Таиланд, Турция, Бразилия, Мексика, Италия, Франция, Малайзия.
• Цифровая железная дорога на этапе становления (балл <40): Египет, Венгрия, Греция, Кения, Индонезия, Филиппины.

(Общий балл по индикаторам железных дорог: от 20 до 80)

• Интеллектуальная железная дорога, готовая к будущему (балл 61–80): Сингапур, Китай, Германия, США, Великобритания.
• Цифровая интегрированная железная дорога (балл 40–60): Швейцария, ОАЭ, ЮАР, Казахстан, Испания, Саудовская Аравия, Таиланд, Турция, Бразилия, Мексика, Италия, Франция, Малайзия.
• Цифровая железная дорога на этапе становления (балл <40): Египет, Венгрия, Греция, Кения, Индонезия, Филиппины.

Ключевые показатели эффективности (KPI) и целевые значения по этапам

Для оценки уровня цифровизации и интеллектуального развития используются следующие группы индикаторов. Средние значения и целевые показатели этапов распределяются по шкале от 0 до 9.

Индикаторы железнодорожной инфраструктуры и систем:

Индикаторы цифровых сервисов и операционной деятельности:

Ключевой вывод 1: проводные и беспроводные широкополосные коридоры выступают катализаторами прямых иностранных инвестиций

Стратегические инвестиции в цифровую основу железнодорожной инфраструктуры, особенно в высокопроизводительные проводные и беспроводные широкополосные сети, оказывают измеримое влияние на национальную конкурентоспособность. Экономики, развивающие такие системы двойной связности, имеют лучшие возможности для привлечения частного капитала, ускорения промышленного роста и укрепления своей роли в глобальных цепочках создания стоимости. Данные по странам-лидерам в области железнодорожной широкополосной связи показывают, что пропускная способность на уровне коридоров превышает 400G по сравнению со средним показателем 100G на рынках среднего уровня и 80G в странах на ранних стадиях развития, что свидетельствует о значительном неиспользованном потенциале. Эти цифры четко подчеркивают, как связность коридоров стала дифференцирующим фактором в национальных инвестиционных стратегиях. Высокоскоростная широкополосная связь устраняет «узкие места», обеспечивает продвинутую логистику и делает промышленные зоны вдоль железнодорожных коридоров цифровой средой, готовой к высокотехнологичным инвестициям.

Концепция «двойственности инфраструктуры» лаконично суммирует эти результаты. Этот термин относится к двойной роли цифровой железнодорожной инфраструктуры: одни и те же оптоволоконные опорные сети и припутевые сети 5G, предназначенные для поддержки современных железнодорожных операций, также служат национальными цифровыми коридорами. Такое двойное использование резко снижает барьеры входа для производителей, логистических провайдеров и наукоемких отраслей. Компании, создающие «умные» фабрики, автоматизированные склады или хабы Индустрии 4.0, могут использовать эту связность без необходимости крупных частных инвестиций в базовую инфраструктуру. На практике это означает поддержку предиктивного обслуживания, отслеживание активов в реальном времени и автоматизацию операций, что создает условия для более эффективной работы железных дорог и укрепления окружающих промышленных экосистем.

Пропускная способность проводной сети и покрытие LTE/5G в разрезе стран:

• Германия, Китай, ОАЭ, Великобритания, США, Италия, Саудовская Аравия, Франция, Испания, Сингапур, Швейцария: 80% – 100% * Кения, Египет, Казахстан, Греция, Филиппины, Индонезия, Малайзия, Мексика: 40% – 70% * ЮАР, Таиланд, Венгрия, Турция, Бразилия: 20% – 50%

Макроэкономический эффект невозможно недооценить. При сочетании высокоскоростной связности с новыми железнодорожными проектами вероятность привлечения прямых иностранных инвестиций (ПИИ) возрастает на 5–10%, а стоимость проектов может увеличиться на 10–25% всего за 3–5 лет. Более того, отраслевой анализ показывает, что 10–20% этого роста напрямую связано с детерминированными оптоволоконными опорными сетями, которые также обеспечивают транспортную сеть (backhaul) для частных сетей 5G.

При анализе различных типов экономик страны на стадии FRIR имеют в среднем 85–95% покрытия LTE/5G, страны на стадии цифровой интеграции — от 55% до 75%, а страны с развивающимися цифровыми железными дорогами отстают с показателем всего 35–50%. Разрыв между лидерами и аутсайдерами превышает 40 процентных пунктов, что представляет собой явный водораздел в возможностях обеспечения высоконадежных мобильных железнодорожных операций. Экономический эффект от этого «дивиденда Rail-5G» значителен — расчетный прирост ежегодного ВВП составляет 0,5%. Этот рост обеспечивается за счет сверхэффективных цепочек поставок, производства Индустрии 4.0 вдоль подключенных коридоров и новых цифровых сервисных экономик в логистике, мобильности и аналитике данных. В странах с высоким уровнем покрытия интеграция FRMCS с мониторингом путей на базе ИИ сократила время реагирования на инциденты на величину до 30%, одновременно оптимизируя графики техобслуживания и сокращая время простоя как подвижного состава, так и инфраструктуры. Таким образом, широкополосные железные дороги функционируют как национальные платформы для промышленного развития. Превращая полосы отвода в цифровые коридоры, правительства создают условия для устойчивого притока инвестиций, укрепления промышленных экосистем и долгосрочной экономической устойчивости.

Ключевой вывод 2: железные дороги с поддержкой облачных технологий быстрее реагируют на колебания спроса

Темпы «облачной трансформации» бизнеса в железнодорожном секторе экономики — это не просто технологический эталон, а экономический сигнал. Страны с более высокими показателями внедрения облачных технологий последовательно демонстрируют большую гибкость при реагировании на колебания спроса в грузовых и пассажирских перевозках, а также в мультимодальном транспорте. Объединяя данные и приложения из разрозненных устаревших систем в интегрированные облачные платформы, такие сети могут внедрять новые услуги на 60% быстрее, чем те, что зависят от изолированных ИТ-сред.

Экономические выгоды измеримы. Исследования транспортно-ориентированных экономик показывают, что каждые 10 пунктов роста уровня облачности железных дорог коррелируют с расчетным увеличением производительности сектора на 0,2–0,3%. В масштабах всей грузовой логистики, пассажирских перевозок и региональных торговых потоков это может добавить около 0,4–0,6% к ежегодному ВВП. Причина такого роста проста: облачные платформы сокращают время развертывания услуг, снижают операционные расходы и обеспечивают эластичность, необходимую для управления переменным спросом без избыточных инвестиций в основные средства.

Результирующая гибкость также отражает сдвиг в финансовых и операционных моделях. Устаревшие ИТ-системы опирались на CAPEX для создания монолитных систем, требующих многолетних циклов закупок и тяжелых авансовых обязательств. Однако железные дороги с поддержкой облачных технологий переходят на модель операционных расходов, которая поддерживает услуги по подписке и постепенное масштабирование. Это снижает входные затраты на инновации, позволяя операторам тестировать предиктивное обслуживание, диспетчеризацию с помощью ИИ или динамические системы информирования пассажиров в малых масштабах перед широким внедрением. Эта способность к экспериментам и быстрому масштабированию трансформируется в более быстрые инновационные циклы и измеримый рост эффективности.

Влияние этого процесса становится очевидным при резких скачках спроса. Внезапный всплеск экспорта сырьевых товаров или сезонные пики пассажиропотока могут быть поглощены облачной системой за счет динамического масштабирования вычислительных и аналитических ресурсов. Напротив, железные дороги, полагающиеся на устаревшее оборудование, сталкиваются с жесткими ограничениями пропускной способности, что приводит к заторам, потере выручки и снижению конкурентоспособности.

Сравнение этапов развития облачных технологий на железной дороге

Облачная гибкость — это не просто ИТ-решение; это фактор, определяющий четкие различия в способности реализовывать макроэкономические стратегии. Железные дороги, внедряющие облачные технологии, укрепляют свою способность управлять колебаниями спроса, повышают устойчивость логистики и обеспечивают устойчивый рост производительности.

Сравнение этапов демонстрирует явные различия:

• Интеллектуальные железные дороги будущего пользуются преимуществами повсеместного внедрения облачных технологий, достигая измеримого роста эффективности и бесшовной интеграции через промышленный IoT, автоматизированную сигнализацию и управление движением на уровне коридоров.
• Цифровые интегрированные железные дороги сталкиваются с фрагментарным внедрением, что ограничивает их способность последовательно масштабировать передовые сервисы.
• Развивающиеся цифровые железные дороги остаются ограниченными устаревшими системами и, следовательно, не могут оперативно внедрять новые возможности, из-за чего вклад железнодорожного транспорта в ВВП остается относительно стабильным.

Ключевой вывод 3: интеллектуальное развитие железных дорог обусловлено операциями на базе ИИ и цифровыми сервисами для пассажиров

По-настоящему интеллектуальная железнодорожная система определяется параллельным прогрессом в двух областях: операционной эффективности на базе ИИ и качестве обслуживания пассажиров, обеспечиваемом цифровыми сервисами. Эти столпы железнодорожной отрасли усиливают друг друга, создавая измеримый экономический дивиденд. Страны, продвигающиеся в обоих направлениях, способны одновременно строить железные дороги, которые являются более надежными и эффективными, а также более конкурентоспособными при привлечении пассажиров и инвестиций.

Взаимосвязь между уровнем внедрения ИИ-приложений и охватом мобильными платежами не случайна. Хотя корреляция между ними в нашем наборе данных составляет 0,65, экономические результаты еще более убедительны. Ведущие экономики, внедряющие ИИ в масштабе всей сети, сообщают об экономии энергии до 18%, а также о существенном сокращении операционных расходов и затрат на техобслуживание.

Большая часть этого достигается благодаря системам консультирования машинистов (DAS) и подключенным системам C-DAS, которые выступают в роли интеллектуальных «вторих пилотов». Эти системы анализируют данные в реальном времени о местоположении поездов, уклонах пути, ограничениях скорости и расписании, а затем рассчитывают наиболее эффективные стратегии вождения. Предоставляя операторам рекомендации о том, когда ускоряться, следовать с постоянной скоростью, двигаться по инерции или тормозить, они исключают ненужное потребление энергии, уменьшают износ тормозов, продлевают срок службы компонентов и повышают пунктуальность поездов. Со стороны пассажиров такие цифровые услуги, как мобильные платежи и планирование поездок...

Экономические результаты внедрения цифровых решений выглядят еще более убедительными: в то время как коэффициент корреляции между этими двумя показателями в нашей выборке составляет 0.65, ведущие страны, масштабно внедряющие ИИ, сообщают об экономии энергии до 18%, а также о существенном сокращении операционных расходов и затрат на техобслуживание.

Большая часть этого достигается благодаря системам консультирования машинистов (DAS) и подключенным системам C-DAS, которые выступают в роли интеллектуальных «вторых пилотов». Эти системы анализируют данные в реальном времени о местоположении поездов, уклонах пути, ограничениях скорости и расписании, а затем рассчитывают наиболее эффективные стратегии вождения. Предоставляя операторам рекомендации о том, когда ускоряться, следовать с постоянной скоростью, двигаться по инерции или тормозить, они исключают ненужное потребление энергии, уменьшают износ тормозов, продлевают срок службы компонентов и повышают пунктуальность поездов. Со стороны пассажиров такие цифровые услуги, как мобильные платежи и приложения для планирования поездок, обеспечивают измеримую отдачу за счет роста пассажиропотока и выручки. На железных дорогах с широким охватом мобильными платежами зафиксирован рост пассажиропотока до 15%. Примеры двух стран подчеркивают масштаб этого влияния:

• Китай (охват мобильными платежами: ~90%): интегрировал свои обширные системы метро и автобусов в Alipay и WeChat Pay, сделав бесшовные мобильные QR-коды доминирующим способом оплаты для миллионов пассажиров. Этот бесконтактный опыт стал критически важным фактором для достижения рекордных показателей городского пассажиропотока в стране.
• Нидерланды (OVpay): в 2023 году запустили общенациональную открытую платежную систему. По данным Visa, количество транзакций по принципу «приложи и оплати» выросло с 7.3 млн в апреле 2023 года до 22 млн к декабрю 2023 года, что свидетельствует о быстром общественном признании и формировании устойчивого спроса на интегрированные системы национального масштаба.

Таблица 5: Две опоры интеллектуальных железных дорог

Экономики, которые одновременно развиваются в обоих направлениях, получают синергетический эффект: эффективность затрат и продление жизненного цикла активов в операционной деятельности, а также рост пассажиропотока и доходов в пассажирском сегменте. Такое параллельное развитие также создает «эффект маховика». Операционный ИИ обеспечивает надежность, пунктуальность и снижение затрат, укрепляя доверие пассажиров. По мере того как пассажиры начинают чаще пользоваться цифровыми сервисами, получаемые поведенческие данные совершенствуют модели ИИ, обеспечивая более точное планирование, предиктивное техобслуживание и персонализированные услуги. Это непрерывный цикл совершенствования: снижение затрат стимулирует рост внедрения, рост внедрения генерирует больше данных, а более богатые данные способствуют еще большей операционной эффективности.

Напротив, экономики, развивающие только одну область, сталкиваются с убывающей отдачей. Сбалансированные инвестиции как в операционный ИИ, так и в сервисы для пассажиров приносят наилучшие результаты: снижение затрат, продление срока службы активов, рост доходов и измеримый вклад в ВВП за счет поддержки туризма, логистики и мобильности трудовых ресурсов. Таким образом, готовая к будущему интеллектуальная железнодорожная отрасль строится на интеграции операционного превосходства и доверия пассажиров, что закладывает основу для устойчивого национального роста.

Ключевой вывод 4: инвестиции в цифровую инфраструктуру способствуют снижению логистических издержек

Анализ национальной эффективности логистики показывает, что более высокий уровень цифровых инвестиций в железные дороги неизменно коррелирует с более низкими логистическими издержками. Увеличение доли цифровых инвестиций в национальном бюджете на инфраструктуру (например, в железнодорожный транспорт) на 1% может снизить общие логистические издержки на величину до 0.5%, делая экспорт более конкурентоспособным, а товары на внутреннем рынке — более доступными. Эта взаимосвязь подчеркивает жизненно важную роль инвестиций в цифровизацию железных дорог для повышения конкурентоспособности торговли и эффективности цепочек поставок.

Поэтапный анализ выявляет явные разрывы в том, как государства приоритизируют цифровизацию в своих железнодорожных бюджетах. В 25 выбранных экономиках средняя доля цифровых инвестиций в железнодорожный транспорт составляет 1.08%. В экономиках группы FRIR (с высокой степенью готовности к цифровизации) этот показатель в среднем составляет 1.65%, тогда как в странах с цифровой интеграцией железных дорог он находится на уровне 0.83%, а в странах с развивающейся цифровизацией — 0.80%. Показатели 18 экономик ниже среднемирового уровня, что свидетельствует о недостаточном объеме инвестиций на большинстве рынков по сравнению с лидерами. Этот разрыв наглядно иллюстрируется на графике (соотношение цифровых инвестиций и эффективности железных дорог), где экономики FRIR — Сингапур, Германия, Китай и США — сгруппированы в зоне высоких уровней цифровых ассигнований и высоких показателей работы транспорта, в то время как недоинвестирующие экономики остаются ограниченными в обеих областях.

Более высокие ассигнования ускоряют внедрение ИИ, Интернета вещей (IoT) и координации на базе 5G, что еще больше усиливает интеграцию между железными дорогами, портами и автомобильными перевозками; сокращают дорогостоящие простои благодаря предиктивному техобслуживанию и поддерживают мультимодальную координацию в реальном времени через общие цифровые платформы. Стоит отметить, что экономическая отдача выходит далеко за пределы только железнодорожного сектора. Цифровые системы могут сократить количество внеплановых простоев, тем самым повышая коэффициент использования активов и снижая затраты на ремонт. При масштабировании такой рост эффективности сокращает время перевалки в портах, устраняет «узкие места» и делает железнодорожные грузоперевозки более надежной альтернативой автотранспорту.

Эффективная, цифровизированная железнодорожная сеть в таком случае становится «ценовым якорем» для всей логистической экосистемы страны, обеспечивая каскадную экономию в цепочках поставок, снижая стоимость экспорта и повышая надежность поставок на внутренних рынках. Поскольку 18 экономик находятся ниже среднемирового уровня, сокращение этого разрыва является ключом к достижению эффективности цепочек поставок, которая напрямую трансформируется в преимущества национальной торговли. Лидеры группы FRIR, такие как Сингапур, Германия и Китай, уже продемонстрировали этот потенциал. Например, в период с 2010 по 2022 год доля логистических затрат Китая в ВВП снизилась примерно с 18% до 14.6%. Хотя этому способствовали многие факторы, устойчивые инвестиции в ИИ, IoT, облачные технологии и 5G сыграли значительную роль в повышении эффективности грузовых железнодорожных перевозок, укрепив позиции Китая как крупнейшего в мире экспортера товаров. Инвестиции в цифровые железные дороги поддерживают национальные экономические стратегии, направленные на снижение логистических издержек и повышение конкурентоспособности. Для экономик, находящихся ниже среднемирового уровня, все еще сохраняются значительные возможности для сокращения отставания от стран-лидеров.

Кейс

Metro Group W перешла от модели строительства «одна линия — одна система» к общей цифровой архитектуре, стремясь соответствовать темпам быстрого расширения своей сети. Система обеспечила полное покрытие города в декабре 2021 года, а к началу 2023 года ее общая протяженность составила около 460 км. К 2024 году сеть выросла до 518 км, охватывая 12 линий и 312 станций. С 2012 по 2021 год метро перевезло 6.819 млрд пассажиров, а в 2021 году поездки на метро составили более половины всех поездок на общественном транспорте в городе. В 2023 году годовой пассажиропоток достиг примерно 1.35 млрд человек.

Ранее для каждой новой линии внедрялось более 20 систем обслуживания в виде изолированных стеков, что приводило к дублированию ИКТ-инфраструктуры, высокому уровню CAPEX, использованию ИТ-ресурсов менее чем на 50% и фрагментации данных. Это ограничивало возможности аналитики и межплатформенных операций, а также создавало дефицит пространства в аппаратных залах станций. Одновременно оператору требовалась надежная сеть передачи данных между поездом и землей с низкой задержкой для эффективной поддержки систем управления движением поездов (CBTC), систем информирования пассажиров (PIS) и систем управления и мониторинга поездов (TCMS). Также требовалась более высокая пропускная способность для эксплуатации, техобслуживания (O&M) и видеонаблюдения без строительства отдельных беспроводных сетей для каждого коридора.

Оператор консолидировал вычислительные мощности, системы хранения данных и сетевые ресурсы в облаке для городских железных дорог, охватывающем несколько линий, и инициировал программу 5G. Она включала полное покрытие действующих линий и создание частной сети 4.9 ГГц EasyMacro с использованием слайсинга для передачи трафика CBTC, PIS и TCMS, экстренной видеосвязи и транкинга 5G, одновременно обеспечивая интеллектуальное O&M и сервисы для пассажиров.

К октябрю 2021 года на действующих линиях было обеспечено полное покрытие сигналом 5G; к концу года покрытие распространилось на все существующие 11 линий. В 2023 году для нужд метро была развернута частная сеть 4.9 ГГц EasyMacro со слайсингом, подтвердившая эффективность в качестве носителя для интегрированных систем CBTC/PIS/TCMS, экстренной видеосвязи и транкинга. С коммерческой точки зрения модель опирается на «выделенную публичную сеть 5G» — аренду гарантированных сетевых слайсов у оператора связи вместо строительства полноценной частной радиосети, стоимость которой превысила бы 1 млн юаней за км. В конечном итоге это позволило избежать чрезмерных CAPEX и обеспечило предсказуемый уровень OPEX.

За три года реализации проекта Metro Group W зафиксировала следующие результаты:

• Затраты на строительство аппаратных залов на станциях новых линий сократились примерно на 50% благодаря централизации облачных вычислений.

• Коэффициент использования ИТ-активов вырос примерно на 50% за счет совместного использования вычислительных мощностей и хранилищ, что позволило задействовать имеющиеся ресурсы до осуществления новых закупок.

• Потребность в персонале сократилась более чем на 10% благодаря консолидации дублирующих систем на уровне линий.

• «Колодцы» данных были устранены, и был налажен безопасный обмен данными в масштабах всей группы компаний.

• Покрытие сети 5G в масштабах города на действующих линиях к концу 2021 года улучшило связь для персонала и пассажиров, обеспечив более эффективное управление в пиковые часы и оперативное реагирование на инциденты.

• Признание на национальном уровне в 2023 году подтвердило эффективность операционной модели и возможность ее масштабирования в других системах метрополитена.

Трансформация также имела более широкие последствия на уровне города:

• Рост эффективности высвободил капитал и штатные единицы для расширения услуг, создав практический «инвестиционный маховик» как для транспортной сети, так и для города в целом.
• В городе W зафиксирован рост стоимости недвижимости вблизи станций. Коммерческая недвижимость показала премию к цене около 16,7% в радиусе 0–100 м и около 8,0% в радиусе 100–400 м. Повышение надежности метрополитена помогает поддерживать этот эффект.
• Единая цифровая платформа заложила основу для будущих сервисов, таких как городская логистика на базе метро во внепиковые часы, что повышает эффективность и устойчивость «последней мили».
• Продемонстрированные результаты и признанная модель реализации снизили риски внедрения для других городов, поддерживая более широкую модернизацию городской мобильности.

Цифровизация железных дорог не имеет единого пути; каждое государство продвигается в своем темпе в зависимости от зрелости инфраструктуры, инвестиционных приоритетов и потребностей рынка. Чтобы превратить цифровизацию в измеримые национальные выгоды, стратегии должны быть адаптированы к реалиям конкретных этапов, а не пытаться применять универсальную модель.

Этап 1 — Становление цифровых железных дорог

Фокус на создании надежного цифрового фундамента, который снижает затраты на интеграцию в долгосрочной перспективе.

• Приоритет связности коридоров: Расширение опорных оптоволоконных сетей и покрытия LTE/5G вдоль ключевых грузовых и пассажирских коридоров для достижения минимальных порогов цифровых железнодорожных операций.
• Ранняя стандартизация систем: Избегание фрагментарного развертывания систем сигнализации, продажи билетов и мониторинга; обеспечение операционной совместимости сегодня снижает затраты в будущем.
• Развитие кадрового резерва цифровых навыков: Инвестиции в обучение персонала базовым операциям с данными, безопасности и цифровой грамотности для подготовки к внедрению более сложных систем.

Этап 2 — Цифровизированные интегрированные железные дороги

Устранение «колодцев» данных и начало преобразования цифровых уровней в ощутимые результаты эффективности и роста.

• Унификация платформ данных: Консолидация операционных и бизнес-данных в облачных системах для обеспечения масштабируемости и принятия решений в режиме реального времени.
• Целевые высокоэффективные пилотные проекты: Фокусировка пилотов на базе ИИ и аналитики на предиктивном техобслуживании, прогнозировании спроса и оптимизации пассажиропотоков там, где можно доказать ROI.
• Усиление управления данными: Определение стандартов доступа, безопасности и обмена данными, чтобы утвердить данные как национальный актив, а не как изолированный ресурс отдельного департамента.

Этап 3 — Интеллектуальные железные дороги будущего

Использование достигнутой зрелости для получения экспоненциальной выгоды и повышения конкурентоспособности.

• Масштабирование автоматизации: Расширение систем ATO (автоматическое управление поездом), диспетчеризации на базе ИИ и предиктивного техобслуживания для максимизации пропускной способности и устойчивости сетей.
• Интеграция мультимодальных экосистем: Позиционирование железных дорог как цифрового стержня, связывающего порты, аэропорты, грузоперевозки и общественный транспорт; использование API и стандартов обмена данными для бесшовной передачи грузов и пассажиров.
• Использование инфраструктуры двойного назначения: Максимизация экономического дивиденда от широкополосных железнодорожных коридоров и облачных платформ путем предоставления смежным отраслям (логистическим хабам, зонам Индустрии 4.0) доступа к преимуществам инфраструктуры.

Согласовывая цифровые инвестиции со своей стадией зрелости, каждое государство может повысить эффективность, снизить логистические издержки и укрепить конкурентоспособность в мировой торговле. Систематический переход от базовой связности к продвинутой автоматизации создаст как более «умные» железные дороги, так и более устойчивую экономику.

Требования логистической отрасли

Трансформация транспортной логистики в цифровое интеллектуальное пространство формируется растущими требованиями к безопасности, эффективности, прозрачности и устойчивости. В условиях усложняющихся мультимодальных цепочек поставок удовлетворение этих требований потребует решения застарелых структурных и технологических проблем.

• Обеспечение безопасности — Логистической отрасли требуются системы безопасности, охватывающие всю цепочку поставок: от людей, транспортных средств и грузов до объектов, включая все виды транспорта. Интеллектуальный мониторинг, обнаружение аномалий, раннее предупреждение и системы прослеживаемости необходимы для гарантии безопасности персонала, защиты целостности грузов и обеспечения операционной стабильности. В связи с этим основной проблемой является то, что данные о безопасности в различных сферах транспорта (аэропорты, порты, железные дороги и грузовые терминалы) обычно остаются фрагментированными, так как каждый сегмент сохраняет свою независимость. Эта фрагментация создает недопустимый разрыв в видимости процессов. Таким образом, обеспечение безопасности в режиме реального времени при мультимодальных перевозках будет зависеть от операционно совместимых платформ и механизмов безопасного обмена данными.
• Операционная эффективность — Повышение эффективности складирования, транспортировки и распределения является центральным требованием цифровой трансформации логистики. Интеллектуальное планирование, автоматизированная сортировка, оптимизация маршрутов и координация нескольких систем необходимы для снижения операционных расходов и увеличения пропускной способности. Однако мультимодальная природа логистики создает естественные барьеры: различные логистические процессы имеют свою инфраструктуру, правила и ИТ-системы, что приводит к задержкам и необходимости ручной передачи данных. Устранение этих «колодцев» потребует создания цифровых платформ, способных управлять активами в режиме реального времени в различных процессах и способах транспортировки.
• Сквозная прозрачность — Предприятия все чаще требуют видимости всей логистической цепочки в реальном времени: от формирования заказа и складирования до транспортировки и конечной доставки. Интегрированные системы данных, позволяющие операторам отслеживать товарные потоки, выявлять отклонения и быстро реагировать на любые сбои, имеют решающее значение для удовлетворения этого спроса. Однако прозрачность по-прежнему подрывается неравномерным внедрением цифровых инструментов, особенно среди небольших автопарков и поставщиков услуг «последней мили», а также отсутствием стандартизированных моделей данных. Без унифицированных платформ возможности оптимизации различных способов транспортировки остаются ограниченными.
• Низкоуглеродное и экологичное развитие — Сегодня устойчивое развитие является обязательным требованием для трансформации логистики. Отрасль должна внедрять транспортные средства на новых источниках энергии, интеллектуальное складирование, экологичную упаковку и интеграцию ВИЭ для сокращения энергопотребления и выбросов. Сложность достижения этой цели обусловлена тем, что различные виды транспорта продвигаются к декарбонизации с разной скоростью: авиация и морской транспорт по-прежнему сильно зависят от топлива, автоперевозки сталкиваются с нехваткой инфраструктуры для зарядки и заправки, а стоимость экологической модернизации в целом высока. Координация инвестиций и применение цифровых систем для более эффективного мониторинга и оптимизации энергопотребления будут иметь решающее значение для достижения измеримых результатов. В конечном итоге выполнение этих требований потребует преодоления фрагментации систем, изолированности операций и неравномерности цифровизации, в то время как цифровой интеллект обеспечит единую платформу для более безопасной, эффективной, прозрачной и устойчивой логистики.

Тенденции цифровой трансформации

Цифровизация транспортной логистики ускоряется во всем мире, поскольку операторы реагируют на необходимость создания более безопасных, эффективных, прозрачных и устойчивых цепочек поставок. В настоящее время к основным глобальным тенденциям и их бизнес-императивам относятся следующие:

• Конвергенция сетевых технологий и облачных вычислений * Тренд: Логистические сети все чаще строятся на основе интегрированных цифровых платформ, сочетающих оптоволоконную связь, 5G и спутниковую связь с облачными сервисами, заменяя изолированные ИТ-среды.
• Бизнес-драйвер: Глобальные цепочки поставок требуют видимости в реальном времени на всех участках транспортировки — от портов и аэропортов до железнодорожных станций и грузовых хабов. Облачные платформы обеспечивают конвергенцию данных, снижают затраты на ИТ за счет консолидации устаревших систем и обеспечивают масштабируемость, необходимую для управления колебаниями спроса.
• Операционный интеллект на базе ИИ * Тренд: ИИ внедряется в логистические операции для предиктивного техобслуживания, автоматизации складов, прогнозирования спроса и динамической оптимизации маршрутов. Это означает, что такие передовые системы, как Connected-DAS (для железных дорог) и управление автопарком на основе цифровых двойников (для автомобильного, морского и воздушного транспорта), становятся все более распространенными.
• Бизнес-драйвер: Операторы испытывают сильное давление в плане сокращения времени простоя, энергопотребления и стоимости одной отправки. Это делает аналитику на базе ИИ бесценной, так как она может сократить расходы на техническое обслуживание до 30%, снизить потребление энергии за счет оптимизации стратегий вождения/полета/плавания и улучшить использование активов во всем парке техники.

...за счет консолидации устаревших систем и обеспечения масштабируемости, необходимой для управления колебаниями спроса.

Сквозная прослеживаемость и обмен данными

Тренд: Создаются платформы для обеспечения непрерывной мультимодальной видимости — от создания заказа до складирования, магистральных перевозок, дистрибуции и доставки «последней мили». Для отслеживания грузов и мониторинга их состояния все чаще используются блокчейн, IoT-датчики и цифровые двойники.

Бизнес-драйвер: Предприятия и государственные органы требуют от цепочек поставок большей прозрачности, скорости и надежности. Сквозная прослеживаемость является идеальным решением, поскольку она сокращает задержки, повышает точность прогнозирования и позволяет операторам оперативно реагировать на сбои, такие как заторы в портах или ограничения в воздушном пространстве.

Бесшовный клиентский и партнерский опыт

Тренд: Цифровая трансформация распространяется на сервисы для клиентов и партнеров, такие как интегрированные платформы бронирования, мобильные платежи и обмен данными на основе API между грузоотправителями, экспедиторами и перевозчиками.

Бизнес-драйвер: Чтобы оставаться конкурентоспособными, логистические провайдеры должны предлагать удобные и беспроблемные условия взаимодействия как клиентам, так и партнерам по цепочке поставок. В связи с этим цифровые сервисные уровни не только повышают удовлетворенность и лояльность, но и генерируют ценные поведенческие данные, способствующие оптимизации операционной деятельности.

Устойчивое развитие и низкоуглеродная логистика

Тренд: Логистические операторы внедряют электрогрузовики, суда на альтернативном топливе, «умное» складирование и системы оптимизации энергопотребления. Цифровые инструменты, такие как системы мониторинга углеродного следа на базе ИИ и механизмы оптимизации, встраиваются в ИТ-ландшафт для обеспечения соответствия целям ESG.

Бизнес-драйвер: Давление со стороны регуляторов, инвесторов и клиентов означает, что сокращение выбросов углекислого газа теперь является критически важным бизнес-требованием. Цифровой интеллект играет здесь решающую роль, помогая логистическим компаниям достигать целей устойчивого развития, одновременно снижая затраты на электроэнергию, повышая эффективность и обеспечивая долгосрочную конкурентоспособность низкоуглеродных торговых сетей.

В целом процесс трансформации транспортной логистики в цифровые интеллектуальные системы можно разделить на три стадии зрелости. Каждая стадия отражает рост интеграции систем, данных и интеллектуальных возможностей, что в конечном итоге ведет к созданию полностью связанной, автоматизированной и устойчивой логистической экосистемы.

Стадия 1: Формирующаяся цифровая логистика

На этом этапе организации начинают с частичного внедрения систем, часто ориентируясь на базовое управление складом (WMS) и управление перевозками (TMS). Эти системы служат отправной точкой для цифровизации, но работают в значительной степени изолированно. Связанные процессы проходят предварительную стандартизацию, что обеспечивает ограниченную визуализацию и отчетность, но не позволяет достичь полноценной интеграции во всей логистической цепочке. Большая часть данных вводится вручную, что чревато ошибками и ограничивает точность и масштабируемость. Кроме того, операционные структуры обычно децентрализованы и независимы, с низким уровнем координации между складами, транспортом и распределительными узлами. Эта стадия закладывает основу для трансформации, но сталкивается с проблемами разрозненности операций и ограниченности принятия решений на основе данных.

Стадия 2: Цифровизированная интегрированная логистика

На второй стадии данные начинают проникать во всю логистическую цепочку, связывая функции закупок, складирования, транспортировки и дистрибуции. Это становится возможным благодаря созданию единой платформы, которая консолидирует информационные потоки и обеспечивает координацию между узлами и видами транспорта. На этом этапе эффективность логистических операций повышается за счет облачных платформ планирования, оптимизирующих маршруты, использование транспортных средств и компоновку складов. Также становится возможным использование интеллектуальных систем поддержки принятия решений, поскольку к управлению операциями применяются большие данные и аналитика. Кроме того, визуальное отслеживание всей цепочки, включая заказы, транспорт и запасы, обеспечивает большую прозрачность и скорость реагирования. Это снижает трения между сегментами логистики, улучшает использование ресурсов и расширяет возможности по прогнозированию и устранению сбоев.

Стадия 3: Интеллектуальная логистика будущего

На третьей, самой продвинутой стадии, транспортная логистика становится по-настоящему интеллектуальной. Она опирается на координацию с помощью ИИ между множеством логистических агентов и узлов для обеспечения бесшовной мультимодальной оркестрации в сложных сетях поставок. На этом этапе реализуется глубокая автоматизация за счет широкого использования беспилотных систем, таких как автоматизированные склады, беспилотные автомобили и дроны. Кроме того, логистические операции развиваются в сторону принятия интеллектуальных решений в реальном времени для динамической корректировки маршрутов, уровней запасов и распределения персонала в соответствии с меняющимся спросом. В то же время устойчивое развитие служит еще одной определяющей чертой этой стадии. Благодаря реализации «зеленых» и низкоуглеродных инициатив логистические сети могут внедрять системы мониторинга углеродного следа и интеллектуального управления энергопотреблением, согласовывая операционную эффективность с целями устойчивого развития. Эта стадия является моментом, когда логистика превращается в адаптивную, устойчивую и экологичную основу для глобальной и национальной торговли и экономического роста.

Три стадии цифровизации и внедрения ии в мировой логистике

Кривая зрелости — от формирующейся цифровой логистики к цифровизированной интегрированной, а затем к интеллектуальной логистике будущего — демонстрирует четкую прогрессию: от фрагментированных ручных систем к полностью интеллектуальным низкоуглеродным экосистемам. Каждая стадия опирается на предыдущую, гарантируя, что постепенные инвестиции в связность, интеграцию и интеллект суммируются для реализации долгосрочных конкурентных преимуществ национальных и глобальных логистических сетей.

Показатели gdii для оценки отрасли

В основе методологии лежит модель цифровых интеллектуальных возможностей «5+1». Эта модель определяет пять основных элементов для демонстрации цифровых компетенций, а также один вспомогательный элемент для реализации устойчивого развития:

Возможности применения (Application Capability)

Способность развертывать и масштабировать цифровые приложения в логистических операциях, такие как автоматизация складов, оптимизация маршрутов, мониторинг грузов и предиктивное обслуживание автопарка.

Возможности платформы (Platform Capability)

Степень, в которой унифицированные, функционально совместимые платформы поддерживают интеграцию данных в закупках, складировании, транспортировке и дистрибуции. Прочный фундамент платформы гарантирует переход логистики от фрагментированных систем к скоординированным мультимодальным операциям.

Возможности связности (Connectivity Capability)

Развертывание надежной цифровой инфраструктуры, включая широкополосное оптоволокно, LTE/5G и устройства с поддержкой IoT в портах, терминалах и на транспортных средствах. Связность является необходимым условием для координации в реальном времени и кросс-модальной видимости.

Возможности работы с данными (Sensing)

Способность собирать, обрабатывать и управлять данными в масштабе всей организации, включая датчики IoT, RFID, системы прослеживаемости грузов и периферийную аналитику. Это обеспечивает получение точной информации в реальном времени как для операционной оптимизации, так и для принятия стратегических решений.

Сервисные возможности (User Value)

Способность трансформировать цифровые инвестиции в ценность для грузоотправителей, экспедиторов и конечных клиентов. Это включает в себя бесшовное мультимодальное бронирование, цифровые платежи, надежную доставку и прозрачные показатели эффективности логистики.

Гарантирует, что цифровой интеллект способствует...

Эти шесть измерений в совокупности формируют комплексную структуру для оценки интеллектуализации логистики, охватывающую как технологическую инфраструктуру, так и измеримые бизнес-результаты.

Система цифрового интеллекта в транспортно-логистической отрасли

• Сервисные возможности (ценность для пользователя): Клиентоцентричный подход: улучшение пользовательского опыта и создание ценности.
• Платформенные возможности (облако, цифровизация, интеллект): Единая платформа поддерживает интеллектуальные приложения и бизнес-взаимодействие.
• Связность (связь и сети): Повсеместная связность обеспечивает эффективную, безопасную и надежную передачу данных.
• Прикладные возможности (производство и бизнес): Ориентированность на сценарии: достижение полнопроцессных интеллектуальных операций и инноваций.
• Возможности работы с данными (терминалы, периферия): Сбор данных в реальном времени, считывание состояния и периферийная обработка.
• Устойчивое развитие: 1. Цифровые таланты.

2. Цифровые инвестиции (CAPEX).

Целевые и текущие показатели цифрового интеллекта

• Коэффициент прослеживаемости грузов * Уровень внедрения ИИ * Уровень охвата Big Data/хранилищами данных * Уровень внедрения облачных технологий в бизнесе * Уровень системной взаимосвязанности * Уровень покрытия LTE/5G * Уровень использования 4PL-платформ * Доля автоматизированных систем * Доля цифровых инвестиций (CAPEX) * Балл КСЭ (индекс эффективности логистики) * Цифровые таланты

(Шкала показателей: 10, 8, 6, 4, 2, 0)

Показатели цифрового интеллекта переводят модель «5+1» в операционную плоскость, предоставляя конкретные измеримые метрики, соответствующие каждой возможности. Примеры включают:

• Показатели связности: уровень покрытия LTE/5G в логистических хабах, уровень системной взаимосвязанности и уровень охвата Big Data/хранилищами данных.
• Показатели прикладных возможностей: уровень внедрения ИИ в управлении автопарком и складскими операциями, развертывание систем автоматизации и использование инструментов прогнозного обслуживания.
• Показатели платформенных возможностей: уровень внедрения облачных технологий, операционная совместимость платформ и использование платформ оркестрации 4PL.
• Показатели возможностей работы с данными: коэффициент прослеживаемости грузов, внедрение цифровых двойников и интеграция мультимодальных данных о перевозках.
• Показатели сервисных возможностей: индекс эффективности логистики (КСЭ) для клиентов (своевременность доставки, экономическая эффективность, прозрачность) и внедрение мобильных/цифровых платежей.
• Показатели устойчивого развития: доля цифровых инвестиций (CAPEX) в логистике, развитие цифровых талантов и измеримое сокращение выбросов углерода.

Эти индикаторы преобразуют абстрактные возможности в отслеживаемые результаты, позволяя проводить бенчмаркинг логистических сетей, операторов и экономик.

Показатели прогресса цифрового интеллекта в логистике

На заключительном этапе на основе индикаторов проводится оценка зрелости цифрового интеллекта в 25 странах Европы, Азии, Африки и Америки. Логистический сектор каждой экономики оценивается по эффективности реализации способностей «5+1», что позволяет сформировать итоговый показатель интеллектуальности цифровой логистики. Данная оценка дает два следующих результата:

• Классификация по стадиям: экономики классифицируются как страны с развивающимся цифровым транспортом, цифровым интегрированным транспортом или интеллектуальным транспортом, готовым к будущему. Это отражает уровни их зрелости — от разрозненных систем до полностью интеллектуальных мультимодальных экосистем, управляемых ИИ.
• Рейтинги эффективности: относительный балл каждой экономики выделяет лидеров (например, Сингапур, Германия, Китай, США), которые инвестируют более высокую долю своих логистических бюджетов в цифровые инициативы по сравнению с экономиками на начальной стадии.

Методология достижения отраслевого цифрового интеллекта обеспечивает структурированный способ оценки и сравнения логистической зрелости разных стран. Подход, основанный на анализе способностей «5+1», их операционализации через измеримые индикаторы и применении к 25 странам, предоставляет как диагностические, так и стратегические данные. Это позволяет не только определить текущее положение экономик, но и наметить пути их инвестирования — от базовой связности до продвинутой автоматизации и устойчивого развития, которые определят следующую эру глобальной логистики.

Анализ данных и кейс-стади

Ключевой вывод 1: Цифровые платформы ускоряют конкурентоспособность торговли за счет снижения логистических издержек и стимулирования экспортного потенциала

Цифровые платформы, объединяющие порты, аэропорты, железнодорожные терминалы, склады и автопарки, уменьшают проблемы координации и сокращают время простоя во всей логистической цепочке. Сценарный анализ показывает, что увеличение цифровых инвестиций в транспортную инфраструктуру на 1% соответствует сокращению общих логистических затрат на 0,5%, что повышает как ценовую конкурентоспособность экспорта, так и доступность товаров на внутреннем рынке. Эту ситуацию следует рассматривать как динамичную, а не как фиксированное правило, однако данная закономерность подтверждается многочисленными национальными примерами.

• Китай сократил логистические издержки как долю ВВП с примерно 18% в 2010 году до порядка 14,6% к 2022 году и планирует довести этот показатель до 14% в 2025 году. Эти достижения связаны с масштабной цифровизацией сетей экспресс-доставки, автоматизацией портов и развитием платформ для железнодорожных грузоперевозок.
• Сингапур продемонстрировал, как можно трансформировать конкурентоспособность с помощью цифровых мегапортов. В Туасе (Tuas) автоматизированные операции и планирование точно в срок (Just-in-Time), ставшие возможными благодаря системе digitalPORT@SG, резко сократили время стоянки судов; система уже обрабатывает миллионы контейнеров. Более быстрый оборот судов напрямую снижает как морские расходы, так и последующие логистические затраты.
• Соединенные Штаты расширяют границы эффективности: затраты на бизнес-логистику в стране составляют около 8,7% ВВП. Этому способствует повсеместное внедрение цифровых технологий на железнодорожном грузовом транспорте, в терминалах и у общенациональных перевозчиков. Кроме того, более низкая энергоемкость железных дорог и высокая степень цифровой интеграции обеспечивают большую экономическую эффективность по сравнению с системами, ориентированными на автотранспорт.

Как показано на Рисунке 56, на продвинутом уровне экономики с интеллектуальным транспортом, готовым к будущему, сочетают высокоскоростную связь, платформы с поддержкой ИИ, предиктивное обслуживание и автоматизированные терминалы для повышения надежности и пропускной способности. Экономики с цифровым интегрированным транспортом обладают развитой инфраструктурой и платформами, но страдают от неравномерного внедрения технологий, что ограничивает оптимизацию. Между тем, экономики с развивающимся цифровым транспортом все еще обременены ручной передачей данных, изолированными ИТ-системами и непоследовательными потоками данных, что удерживает логистические издержки на относительно высоком уровне.

Когда государства увеличивают долю общих инвестиций в транспорт, направляемых на цифровизацию, и нацеливаются на «узкие места» (такие как передача грузов между портом и железной дорогой, системы записи грузовиков или платформы мультимодального планирования), они обеспечивают ускорение оборота и снижение логистических затрат. Полученная экономия ведет к росту экспортной конкурентоспособности, повышению доступности товаров внутри страны и созданию структурного фундамента для долгосрочного роста торговли.

Рисунок 56: Показатели цифровой трансформации логистики в 25 странах

Индикаторы общего балла логистики:

(Для стран: Кения, США, Китай, Сингапур, Великобритания, Швейцария, Германия, ОАЭ, Испания, Саудовская Аравия, Греция, Малайзия, Италия, Франция, ЮАР, Казахстан, Таиланд, Турция, Бразилия, Оман, Мексика, Венгрия, Индонезия, Филиппины, Египет)

• Уровень покрытия LTE/5G * Уровень внедрения платформ 4PL * Уровень взаимосвязанности систем * Уровень внедрения облачных технологий в бизнесе * Уровень прозрачности отслеживания грузов * Доля автоматизированных систем * Доля цифровых инвестиций * Цифровые таланты * Уровень охвата Big Data/DW (хранилищ данных) * Уровень проникновения приложений ИИ * Показатель LPI (Индекс эффективности логистики)

Ключевой вывод 2: Модернизация ИТ в логистике стимулирует экономический динамизм

Миграция основных логистических функций, таких как управление транспортировкой, отслеживание грузов, координация складов и оптимизация сети, на облачные платформы обеспечивает измеримое улучшение эффективности и гибкости. Переходя от разрозненных устаревших ИТ-систем к масштабируемым цифровым платформам, экономики создают основу для планирования на базе ИИ, предиктивного обслуживания и мультимодальной координации в реальном времени. Эти возможности сокращают время реагирования, уменьшают простои и укрепляют устойчивость национальных транспортных систем.

Экономический эффект от таких изменений выходит далеко за рамки немедленной экономии затрат. Модернизация ИТ в логистике создает цикл реинвестирования, при котором средства, сэкономленные за счет устранения устаревших систем и сокращения времени простоев, перенаправляются в продвинутую аналитику, автоматизацию и межмодальную интеграцию. Например, предиктивное обслуживание на базе интегрированных платформ данных не только сокращает количество незапланированных сбоев, но и улучшает использование активов в автопарках и терминалах. Облачные системы планирования позволяют грузоперевозчикам динамически соотносить мощности со спросом, сокращая количество порожних обратных рейсов и заторы в критически важных коридорах.

Это реинвестирование способствует повышению устойчивости и гибкости экономики в целом. Улучшая пропускную способность и предсказуемость, логистические провайдеры позволяют производителям и экспортерам внедрять более эффективные стратегии управления запасами и модели производства «точно в срок». Для импортеров улучшенная прозрачность и координация сокращают задержки и «скрытые издержки», связанные с ненадежностью цепочек поставок. В результате формируется экосистема, в которой транспорт становится «якорем затрат», а не бременем, поддерживая рост торговли и стабилизируя цены для внутренних потребителей.

На макроэкономическом уровне снижение логистических издержек как доли ВВП напрямую конвертируется в усиление экспортной конкурентоспособности и повышение доступности отечественных товаров. Экономики, успешно модернизирующие ИТ в логистике, обычно получают ключевые сопутствующие выгоды: более конкурентоспособный экспорт привлекает больше инвестиций и увеличивает долю рынка за рубежом, а снижение транспортных расходов поддерживает внутреннее потребление за счет стабильности цен. Таким образом, модернизация ИТ в логистике подпитывает цикл экономического динамизма, стимулируя как расширение внешней торговли, так и эффективность внутреннего рынка.

Данные стадии прогресса иллюстрируют, как цифровая модернизация в логистике напрямую формирует экономические результаты. Страны, ускоряющие миграцию на облачные логистические платформы, достигают более низких коэффициентов логистических затрат, большей эффективности торговли и более высокой устойчивости к сбоям в глобальных цепочках поставок. Напротив, страны, находящиеся на ранних стадиях, сталкиваются со структурным бременем затрат, ограничивающим их конкурентоспособность.

Таблица 7: Существующие разрывы между стадиями

Ключевой вывод 3: Торговые сервисы на базе ИИ стимулируют иностранные инвестиции

Автоматизация на базе ИИ в сфере таможенного и пограничного контроля постепенно становится решающим фактором торговой конкурентоспособности. Путем цифровизации проверки документов, профилирования рисков и контроля соблюдения нормативных требований ИИ устраняет заторы и снижает транзакционные издержки...

...и повышает предсказуемость торговых потоков. Экономики с более высоким уровнем внедрения ИИ в логистике стабильно демонстрируют более высокие показатели по метрикам упрощения процедур торговли и привлечения прямых иностранных инвестиций (ПИИ).

Анализ проникновения ИИ-решений в различных экономиках выявляет четкое разделение. На стадии «Будущая интеллектуальная транспортная система», к которой относятся Сингапур и Китай, уровень внедрения ИИ в логистике превышает 20%, обеспечивая таможенную очистку в режиме реального времени, интеграцию с системами расписания портов и аэропортов, а также автоматизированный контроль соответствия нормативным требованиям. Эти возможности сокращают сроки выполнения заказов и обеспечивают предсказуемость, которую требуют глобальные инвесторы при выборе мест для размещения производственных мощностей, логистических хабов или распределительных центров. Германия, где уровень проникновения ИИ составляет чуть более 10%, также эффективно использует искусственный интеллект для укрепления своей роли в качестве логистического ядра Европы.

Напротив, в экономиках с цифровой интегрированной транспортной системой средний уровень внедрения ИИ составляет около 8–12%. В таких странах внедрение ИИ, как правило, сосредоточено в ключевых коридорах или на конкретных видах транспорта, что дает частичные преимущества, но оставляет «узкие места» во вторичных шлюзах. Хотя такое внедрение и позволяет сократить время таможенной очистки в отдельных регионах, неравномерное использование ИИ ослабляет общую инвестиционную привлекательность.

Экономики с развивающимся цифровым транспортом тем временем остаются в сильной зависимости от ручных процессов и часто демонстрируют показатели внедрения ИИ ниже 5%. В таможенных операциях этих стран по-прежнему доминируют бумажные системы и проверка данных человеком, что означает более длительные сроки и высокие транзакционные издержки. Эти структурные недостатки ограничивают конкурентоспособность в экспортно-ориентированных секторах и делают их менее привлекательными для ПИИ, чувствительных к фактору времени.

По мере того как экономики наращивают внедрение ИИ, упрощение процедур торговли превращается из структурного «узкого места» в конкурентное преимущество. Это приводит к ускорению и повышению предсказуемости торговых потоков, росту привлекательности для высокотехнологичных инвестиций и повышению устойчивости перед лицом сбоев в глобальных цепочках поставок.

Таблица 8: Проникновение ИИ в логистику и его влияние на упрощение процедур торговли и ПИИ

Ключевой вывод 4: Взаимосвязанность систем обеспечивает снижение затрат и рост эффективности

Современные логистические сети сильны лишь настолько, насколько они способны обмениваться данными между различными видами транспорта и операторами. Взаимосвязанность систем является основой всей цифровой логистики, позволяя портам, аэропортам, железным дорогам, автопаркам и складам функционировать как единая экосистема, а не как изолированные структуры. Без этого даже самые передовые активы не достигают своего операционного потенциала, будучи обремененными ручными процессами, дублированием усилий и дорогостоящими задержками.

Средний уровень взаимосвязанности систем в 25 выбранных экономиках составляет 60%, однако региональные различия существенны. Средний показатель в экономиках Юго-Восточной Азии (за исключением Сингапура) составляет всего 48% по сравнению с европейскими странами, где уровень взаимосвязанности превышает 70%. Этот разрыв указывает на значительный потенциал для улучшений и напрямую трансформируется в региональные различия в торговле с точки зрения эффективности затрат, надежности и конкурентоспособности.

Экономики с будущей интеллектуальной транспортной системой, такие как Германия, Нидерланды и Сингапур, находятся выше порога в 70%, где взаимосвязанные системы поддерживают планирование в реальном времени, предиктивное управление грузами и интегрированные таможенные процессы. Эти страны получают выгоду от более высокой пропускной способности, более низких логистических издержек в процентах от ВВП и успешного опыта привлечения дорогостоящих ПИИ в логистику и производство.

Экономики с цифровой интегрированной транспортной системой, включая Малайзию, Турцию и Бразилию, находятся на уровне среднемирового показателя около 60%. На этих рынках наблюдается прогресс в определенных портах и торговых коридорах, но все еще отсутствует общенациональная взаимосвязанность. В результате экспортеры получают выгоду от беспрепятственных потоков в крупных хабах, но сталкиваются с заторами в материковых или вторичных шлюзах. Такая несбалансированность системы ограничивает рост эффективности в масштабах всей экономики.

Экономики с развивающимся цифровым транспортом, такие как Египет, Кения, Филиппины и Казахстан, остаются на уровне 40–50% взаимосвязанности. В этих странах по-прежнему преобладают ручной ввод данных, бумажная документация и фрагментированные ИТ-платформы, что добавляет дни к логистическим циклам и повышает транзакционные издержки. Подобные структурные недостатки ограничивают участие в глобальных цепочках создания стоимости, особенно для МСП, которые не могут позволить себе управление сложными разрозненными процессами.

Устранение разрывов во взаимосвязанности — один из самых очевидных путей к снижению затрат и повышению конкурентоспособности. Повышение среднего показателя Юго-Восточной Азии с 48% до европейского уровня в 70% позволит сократить дублирование функций, укоротить торговые циклы и обеспечить измеримые улучшения как в доступности услуг, так и в устойчивости систем. Для экспортеров усиление взаимосвязанности означает ускорение циклов оборота денежных средств и более предсказуемые поставки. Для экономик в целом такой прогресс создаст логистический каркас, поддерживающий долгосрочный рост торговли.

Рис. 57: Платформы 4PL и взаимосвязанность систем как факторы логистического преимущества

(На графике представлены показатели уровня взаимосвязанности систем и уровня внедрения платформ 4PL для стран: Турция, Бразилия, Германия, Китай, США, Саудовская Аравия, Франция, Италия, Испания, Сингапур, ОАЭ, Великобритания, Швейцария, Кения, Оман, Египет, Казахстан, Филиппины, Малайзия, Индонезия, ЮАР, Греция, Мексика, Таиланд, Венгрия)

Ключевой вывод 5: Региональная динамика внедрения 4PL-платформ расширяет экспортный потенциал

Логистические платформы четвертого уровня (4PL), объединяющие перевозчиков, склады и мультимодальные системы в единую цифровую среду, все чаще определяют степень участия стран в глобальной торговле. Снижая барьеры входа для малых и средних экспортеров, эти платформы расширяют национальную базу экспортеров, диверсифицируют торговые портфели и повышают устойчивость к шокам в глобальных цепочках поставок. Экономики с более высокими темпами внедрения 4PL демонстрируют более глубокую интеграцию МСП в международные рынки, что напрямую способствует росту объемов экспорта, увеличению доли торговли в ВВП и повышению экономической динамичности.

Анализ 25 эталонных экономик показывает, что средний уровень внедрения 4PL составляет 76%, однако региональные диспропорции остаются ярко выраженными. Европа лидирует с показателем 81%, за ней следует Азия с 77%, а Африка отстает, находясь на уровне около 60%. Эти цифры подчеркивают различия в цифровой интеграции, которая продолжает формировать логистическую конкурентоспособность в глобальной экономике. Более высокий уровень внедрения коррелирует с ускорением таможенной очистки, улучшением видимости отправлений и более предсказуемыми сроками доставки — все эти преимущества напрямую транслируются в более сильные позиции в глобальных торговых сетях.

В экономиках с будущей интеллектуальной транспортной системой, таких как Сингапур, Германия и США, широкое внедрение 4PL обеспечивает практически бесшовную таможенную очистку, видимость грузов и планирование на основе данных. Это приносит прямую выгоду МСП, так как они получают доступ к интегрированным платформам без необходимости создания дорогостоящих собственных систем. Например, экосистема цифрового экспедирования Сингапура позволяет мелким экспортерам одежды и скоропортящихся товаров использовать те же возможности предиктивного планирования и отслеживания грузов, что и крупные мультинациональные грузоотправители. В Германии производители из сегмента МСП подключаются к национальным сетям 4PL для управления экспортом по всей Европе по принципу «точно в срок», повышая как эффективность, так и конкурентоспособность.

В экономиках с цифровой интегрированной транспортной системой, таких как Китай, Малайзия и Турция, средний уровень внедрения составляет около 70%. Здесь крупные экспортеры и основные торговые коридоры часто хорошо обслуживаются 4PL-платформами, однако небольшие фирмы в глубинке или более отдаленных регионах сталкиваются с фрагментарным покрытием. Это создает двухуровневый рынок: экспортеры, подключенные к цифровым платформам, получают выгоду от снижения затрат и предсказуемых окон доставки, в то время как другие продолжают полагаться на традиционных экспедиторов и посредников, что увеличивает их затраты и снижает конкурентоспособность. Это ослабляет эффект «экспортного мультипликатора», концентрируя выгоду среди крупнейших игроков.

В экономиках с развивающимся цифровым транспортом, таких как Египет, Кения и Казахстан, уровень внедрения 4PL колеблется чуть выше...

...60%. МСП в этих странах сталкиваются с серьезными барьерами для входа на рынок. В отсутствие интегрированных платформ они вынуждены полагаться на посредников для управления перевозками, таможенным оформлением и планированием логистики. Это увеличивает расходы на 10–15% за каждую отправку и удлиняет сроки доставки, что приводит к сокращению базы экспортеров и ослаблению участия в глобальной торговле. Для таких экономик разрыв во внедрении 4PL напрямую ограничивает диверсификацию промышленной базы и сдерживает рост в секторах, чувствительных к фактору времени, таких как электроника, сельское хозяйство и текстильная промышленность.

Ускорение внедрения 4PL предлагает структурный путь для расширения базы экспортеров на величину до 10% и увеличения общего объема экспорта на 2–3%. Лидерство Европы уже показало, как общие стандарты внедрения и совместные платформы могут расширить круг участников. Для Африки и некоторых частей Азии повышение уровня внедрения до европейских показателей позволило бы разблокировать значительный неиспользованный экспортный потенциал, диверсифицировать состав участников и укрепить устойчивость к шокам в глобальных цепочках поставок.

Различные стадии внедрения соответствуют разным экономическим результатам. Экономики с интеллектуальным транспортом, готовым к будущему, способны превратить внедрение технологий в национальное преимущество, широко расширяя доступ к платформам и повышая эффективность наряду с укреплением торговой конкурентоспособности. Экономики с цифровым интегрированным транспортом достигают значительного прогресса в ключевых коридорах, но оставляют мелких экспортеров в невыгодном положении, что ослабляет эффект мультипликатора. Экономики с развивающимся цифровым транспортом сталкиваются с устойчивыми барьерами, при этом многие фирмы по-прежнему полагаются на посредников и не могут в полной мере участвовать в международной торговле.

В перспективе распространение платформ 4PL будет все в большей степени определять положение стран в глобальных цепочках создания стоимости. Экономики с высоким уровнем внедрения уже используют эти платформы для повышения надежности и завоевания доверия инвесторов, в то время как регионы, отстающие в этом процессе, рискуют оказаться в изоляции, когда речь заходит о таких отраслях, как электроника, мода и скоропортящиеся товары. По мере углубления внедрения 4PL те страны, которые обеспечат широкий доступ к платформам для своей экспортной базы, не только получат краткосрочную выгоду в эффективности, но и обеспечат себе более конкурентоспособные позиции в мировой торговле.

Таблица 9: Внедрение 4PL по стадиям и экономический эффект

Ключевой вывод 6: трансформация цепочек поставок повышает экономическую устойчивость

Внедрение аналитики больших данных по всей цепочке поставок повышает национальную устойчивость за счет обеспечения сквозной видимости (end-to-end visibility), более быстрого реагирования на сбои и более предсказуемых сроков восстановления. Такая прозрачность все чаще становится макроэкономическим преимуществом, сокращая масштабы и продолжительность шоков, которые распространяются через системы производства, логистики и розничной торговли.

Экономики 3-й стадии лидируют с показателями охвата большими данными и хранилищами данных (DW) в среднем на уровне 85–90%, что позволяет осуществлять мониторинг поставщиков, производственных площадок и каналов распределения практически в реальном времени. Такая видимость поддерживает проактивное смягчение рисков, точную корректировку запасов и скоординированное реагирование в различных отраслях. Экономики 2-й стадии имеют средний показатель около 70%, что относит их к диапазону от низкого до среднего уровня; это означает, что видимость высока в центральных узлах, но фрагментирована на вторичных рынках. Экономики 1-й стадии с показателем 60–68% сталкиваются со значительными «слепыми зонами», часто реагируя на сбои уже после того, как они приобретают каскадный характер, что означает более длительное время восстановления и более высокие затраты.

Прогресс на каждой стадии описан в таблице ниже, демонстрирующей, как экономики переходят от фрагментированных ручных процессов на стадии 1 к предиктивной интеграции на стадии 2 и, наконец, к устойчивости в режиме реального времени на стадии 3. Переход между стадиями требует наличия ключевых факторов (энейблеров): от базовой цифровой инфраструктуры и общих стандартов данных до общенациональной интеграции мультимодальных логистических узлов и, в конечном итоге, до продвинутого моделирования сбоев на основе AI/ML.

Таблица 10: Стадии устойчивости цепочки поставок

Практические доказательства подтверждают преимущества перехода по этим стадиям. В Сингапуре предиктивная логистика, основанная на общенациональных платформах обмена данными, позволяет портовым и аэропортовым хабарам быстро восстанавливаться после погодных или операционных сбоев, сводя к минимуму перерывы в торговых потоках. Китай использовал интегрированную видимость данных для стабилизации крупномасштабных производственных цепочек поставок, применяя мониторинг в реальном времени для оптимизации наличия материалов и сокращения количества дорогостоящих остановок. В Соединенных Штатах система Freight Analysis Framework (FAF) активно используется как инструмент интеграции данных на национальном уровне, помогая транспортным планировщикам и участникам логистического рынка моделировать грузопотоки, прогнозировать заторы и оптимизировать инвестиции. Эта система поддерживает устойчивость, направляя мультимодальную координацию между портами, автомобильными перевозками и железными дорогами I класса, обеспечивая надежный экспорт сельскохозяйственной и энергетической продукции даже во время глобальных потрясений.

В совокупности эти системы обеспечивают непрерывность производства и стабильность торговых потоков даже в условиях усиления внешнего давления. Напротив, многие страны Африки и Юго-Восточной Азии все еще находятся на 1-й стадии, где фрагментированная или неполная видимость данных создает узкие места во внутренних и второстепенных транспортных коридорах. Без усиления интеграции сбои распространяются более широко, удлиняют время восстановления и увеличивают затраты, что ограничивает конкурентоспособность и подрывает доверие инвесторов. Устранение этих пробелов в видимости даст странам «дивиденд устойчивости»: более быстрое восстановление после экономических шоков, снижение логистических издержек и повышение экспортной конкурентоспособности. В более широком смысле, экономики, достигшие видимости 3-й стадии, лучше подготовлены к привлечению иностранных инвестиций и поддержанию долгосрочной экономической устойчивости даже перед лицом глобальной волатильности.

Для создания конкурентоспособных, устойчивых и экологичных логистических экосистем страны должны принимать стратегии, соответствующие их текущему уровню зрелости в области цифрового интеллекта. Ниже приведены этапы развития и четкий путь перехода от базовой оцифровки к интеллектуальным автоматизированным операциям.

Стадия 1 — Развивающийся цифровой транспорт

Экономики на этой стадии ограничены ручными процессами, разрозненными ИТ-системами и высокими логистическими издержками. Основная цель здесь — заложить цифровой фундамент для преодоления структурной неэффективности и повышения торговой конкурентоспособности. Этого можно достичь следующим образом:

• Устранение разрыва в связности Приоритетное инвестирование в базовую цифровую инфраструктуру, включая оптоволокно и LTE/5G, особенно в логистических хабах, чтобы поднять уровень национальной системной взаимосвязанности с 40 до 50%. Это является необходимым условием для обеспечения координации и видимости в реальном времени.
• Снижение барьеров для МСП с помощью платформ 4PL Решить проблему низкого уровня внедрения 4PL (около 60–65%) путем запуска государственных инициатив по созданию доступных совместных логистических платформ. Это снизит зависимость МСП от дорогостоящих посредников и расширит национальную базу экспортеров.
• Стимулирование внедрения базовых систем и стандартизация

Целью является создание цифрового фундамента для преодоления структурной неэффективности и повышения торговой конкурентоспособности. Этого можно достичь следующим образом:

• Стимулирование внедрения базовых систем и стандартизация Одновременное стимулирование внедрения базовых систем управления складом (WMS) и систем управления транспортом (TMS). Параллельно с этим необходимо продвигать общие стандарты данных для документации и ключевых процессов, чтобы снизить трение и обеспечить предварительную визуализацию процессов.
• Инвестиции в цифровую грамотность для повышения качества данных Решение проблемы низкой точности данных, вводимых вручную, путем запуска целевых программ обучения персонала. Основное внимание следует уделить цифровой грамотности и правильному использованию базовых логистических систем, чтобы данные превратились в надежный актив.

Этап 2 — Цифровой интегрированный транспорт

Страны на этом этапе уже внедрили цифровые системы, но все еще сталкиваются с проблемами неравномерного внедрения и фрагментарности операций, что приводит к умеренным логистическим издержкам и сохранению «узких мест». Стратегический акцент на этом этапе должен быть сделан на обеспечении бесшовной интеграции в масштабах всей страны, что может быть достигнуто следующим образом:

• Масштабирование платформ данных для обеспечения сквозной видимости Переход от локальных успехов в крупных хабах к масштабированию платформ больших данных для охвата внутренних и трансграничных коридоров. Это критически важно для устранения пробелов в видимости, которые препятствуют прогностическому управлению рисками и оптимальному контролю запасов.
• Создание национальных рамок взаимодействия систем Поддержка разработки национальных стандартов данных и открытых API для повышения уровня системной взаимосвязанности со среднего значения ~60% до 70%, характерного для ведущих экономик. Такой прогресс обеспечит свободный поток информации внутри всей экосистемы между различными видами транспорта и операторами.
• Стимулирование миграции в облако и внедрения ИИ Использование инструментов политики, таких как гранты или налоговые льготы, для ускорения миграции с устаревших ИТ-систем на облачные платформы. Это обеспечит масштабируемую основу, необходимую для повышения уровня проникновения приложений ИИ с текущих 8–12% и роста эффективности прогнозирования спроса и оптимизации маршрутов.
• Содействие расширению платформ 4PL Повышение уровня внедрения 4PL (в настоящее время ~70%) путем поощрения охвата платформ в отдаленных и внутренних регионах. Это обеспечит распространение преимуществ в виде снижения затрат и предсказуемых окон доставки за пределы крупных экспортеров на всю экосистему МСП.

Этап 3 — Интеллектуальный транспорт будущего

Обладая низкими логистическими издержками и высокоинтегрированными системами, ведущие экономики на этом этапе должны сосредоточиться на использовании передовых технологий для закрепления своих конкурентных преимуществ и установления новых мировых стандартов следующими способами:

• Лидерство в координации и автоматизации на базе ИИ Создание государственно-частной экосистемы для ускорения применения ИИ и мультиагентных систем с целью оптимизации сложных мультимодальных сетей цепочек поставок. Превентивная разработка четкой нормативной базы для широкого внедрения автоматизированных складов, автономных транспортных средств и дронов для дальнейшего привлечения инвестиций.
• Внедрение цифровых двойников для национальной устойчивости Использование высоких показателей охвата большими данными/хранилищами данных (85–90%) для внедрения цифровых двойников ключевой логистической инфраструктуры, такой как порты, железнодорожные коридоры и распределительные центры. Это позволит осуществлять прогностическое моделирование сбоев и укрепит национальную устойчивость к потрясениям на мировом рынке.
• Интеграция устойчивого развития в цифровые платформы Переход от базового мониторинга к прямому встраиванию интеллектуальных систем управления энергопотреблением и отслеживания углеродного следа в национальные логистические платформы. Создание национальных инициатив «зеленой логистики» с четкими метриками и стимулами для стимулирования перехода на транспорт, работающий на ВИЭ, и закрепление позиций лидера в устойчивой торговле.
• Расширение сервисных возможностей через гиперперсонализацию Использование расширенной аналитики данных для трансформации цифровых возможностей в превосходную ценность для пользователей. Упор на создание бесшовных интегрированных платформ бронирования и обмена данными на основе API, которые обеспечивают удобство для грузоотправителей, экспедиторов и клиентов, генерируя ценные данные для дальнейшей оптимизации операций.

Макроэкономический обзор: путь к устойчивой цифровой экономике

В предыдущей главе мы подробно рассмотрели различные пути развития отдельных отраслей и инфраструктуру, обеспечивающую их цифровую и интеллектуальную трансформацию. В этой главе сфера нашего анализа расширяется до изучения цифровой экономики в целом и того глубокого влияния, которое она оказывает на мировой экономический ландшафт. Понимая эти тенденции и динамику, мы сможем лучше осознать пути, которые необходимо пройти для достижения устойчивого экономического роста в различных секторах.

Влияние новых технологий

Цифровая экономика представляет собой интеграцию цифровых технологий в экономическую деятельность. Однако цифровая экономика — это не только технологии; это также то, как технологии трансформируют методы работы бизнеса, функционирование правительств и взаимодействие людей. Это означает, что за последнее десятилетие мы смогли четко проследить, как достижения в области технологий меняют влияние цифровой экономики на реальный сектор экономики.

Эра информационных технологий

На первом этапе развития цифровой экономики произошел рост связности как нового вида ИТ-инфраструктуры. Цифровые приложения начали внедряться в значительных масштабах, закладывая фундамент «информационной супермагистрали». Индекс GCI позволил измерить экономический эффект от доступности широкополосной связи, раннего внедрения облачных сервисов и зарождающегося интернета вещей. Этот период подчеркнул важность связности как драйвера экономического роста.

Эра цифровизации

На следующем этапе данные стали важнейшим бизнес-активом, а технологии цифровизации начали расширять возможности отраслей по всем направлениям. Индекс GDI продемонстрировал значительную положительную корреляцию между цифровизацией и ВВП на душу населения, позиционируя цифровые технологии как незаменимый драйвер экономического роста страны.

Эра ИИ

В настоящее время стремительное распространение возможностей ИИ трансформирует основные процессы промышленного производства, повышая эффективность, инновационность и энергетическую устойчивость. Экономическая ценность создается не просто за счет сбора или передачи данных, а за счет обеспечения их трансформации в инсайты и действия с помощью ИИ и интеллектуальных систем. Цифровые и интеллектуальные технологии повышают эффективность и производительность, помогая компаниям и правительствам оптимизировать операции, снижать затраты и улучшать качество предоставления услуг. Они стимулируют инновации, создают новые потоки доходов и новые бизнес-модели. Они отвечают на широкий рыночный спрос по улучшению клиентского опыта, способствуя бесшовному взаимодействию с бизнесом и государством. И они открывают новые уровни устойчивости и энергоэффективности в то время, когда десятилетия нерационального природопользования и неустойчивых методов ведения бизнеса достигают критической точки. Исследование IDC в рамках индекса GDII подчеркивает, насколько инструментальной будет цифровая экономика в переосмыслении того, как отрасли функционируют и взаимодействуют по всей цепочке создания стоимости.

Рисунок 58: ИИ открывает возможности экспоненциального роста мировой цифровой экономики

Источник: IDC Agentic AI: A playbook for corporate innovation

Экономика трансформации

Количественную стоимость этой трансформации, движимой технологиями, можно измерить несколькими различными способами. IDC, например, ожидает, что к концу 2025 года объем мировой цифровой экономики достигнет 26,7 трлн долларов США, что составит 25% мирового ВВП.

Как отмечалось ранее в этом отчете, традиционные факторы производства также трансформировались в условиях цифровой экономики: данные присоединились к цифровым аналогам земли, труда, капитала и технологий для получения больших экономических выгод. В частности, новые технологии, особенно ИИ и облачные вычисления, начали играть роль рычага в замкнутом жизненном цикле данных (который охватывает создание, передачу, обработку, хранение и применение данных), значительно ускоряя экономическую активность. Способность ИИ генерировать новые потоки доходов и оказывать повсеместное благотворное влияние привела к измеримому росту инноваций и производительности за последний год. На основе нашего анализа 90 экономик мы установили, что инвестиции в цифровую трансформацию (включая инвестиции в ИИ) могут обеспечить 9,5 доллара объема цифровой экономики на каждый вложенный доллар по сравнению с 8,3 доллара в 2024 году. Этот рост на 1,2 пункта показывает, что добавление ИИ в процессы цифровой трансформации ускорило...

...экономический эффект от инвестиций в ИКТ.

Инвестиции в цифровую трансформацию: Цифровая трансформация — это непрерывный процесс, в ходе которого предприятия используют свои цифровые возможности и технологии ИИ для внедрения новых бизнес-решений, повышения операционной эффективности и улучшения организационных показателей.

Объем цифровой экономики: Доля цифровой экономики, умноженная на номинальный ВВП, которая включает прямой, косвенный и индуцированный экономический эффект.

Соотношение объема цифровой экономики и инвестиций в цифровую трансформацию (включая ИИ)

Уравнение регрессии: y = 9,5557x + 6E+10 Коэффициент детерминации: R² = 0,971

Содержание

• Ключевые секторы в центре внимания

• Рекомендации

• Ключевые секторы в центре внимания

Экономические выгоды от цифровой трансформации распределяются между секторами неравномерно. Значительные структурные различия влияют на то, как отдельные отрасли внедряют различные технологии и достигают результатов цифровизации. Ниже приводится краткий обзор того, как основные секторы экономики в 90 исследованных странах интегрируют цифровые технологии в свою деятельность.

Рисунок 60: Цифровая экономика по отраслям в 2025 году

Финансы

Финансовый сектор, преобразованный финтехом (финансовыми технологиями), эволюционирует от онлайн-финансов и цифровых сервисов к автономным финансам. Ведущие банки обладают передовыми ресурсами для создания, передачи, обработки и хранения данных, а также развитыми прикладными решениями благодаря глубокой цифровой трансформации. Банки имеют доступ к детализированным лонгитюдным данным о поведении клиентов, рыночных тенденциях и профилях рисков — ресурсу, не имеющему равных в большинстве других отраслей. Используя передовые технологии, банки превращают транзакционные данные в прогнозную аналитику и новые источники дохода, что не только стимулирует экономический эффект для самих банков, но и приносит пользу другим секторам экономики.

Государственные услуги

В государственном секторе цифровая трансформация стала фактором коренных изменений. В последние несколько лет наблюдается стремительный переход к цифровизации государственных услуг. Это не только оптимизирует административные процессы, но и значительно улучшает качество взаимодействия с гражданами. Правительства также используют аналитику больших данных для принятия более обоснованных политических решений. Кроме того, использование ИИ в таких задачах, как выявление мошенничества в программах социального обеспечения и использование чат-ботов для запросов граждан, повысило эффективность и точность работы.

Производство

Производственный сектор является крупнейшим и самым ранним объектом цифровой трансформации, охватывающим две области: дискретное и непрерывное (процессное) производство. Индустрия 4.0, цифровые двойники, ИИ и большие данные уже широко используются ведущими производителями для управления производством, контроля качества, прогнозного обслуживания оборудования и оптимизации цепочек поставок. Производственные предприятия реализуют автоматизацию и интеллектуальную трансформацию производственных процессов путем строительства умных заводов и модернизации традиционного производства в интеллектуальное.

Профессиональные услуги

Сектор профессиональных услуг и его интеллектуальные работники также испытали глубокое влияние цифровой трансформации. Фирмы в сфере консалтинга, юриспруденции и бухгалтерского учета все чаще внедряют цифровые инструменты для улучшения качества предоставления услуг. Консультанты используют ИИ для анализа огромных объемов рыночных данных, моделей поведения клиентов и отраслевых трендов в режиме реального времени, что позволяет им предлагать более стратегические и перспективные рекомендации. Юридические фирмы используют программное обеспечение для автоматизации документооборота, чтобы оптимизировать процессы составления и проверки контрактов, сокращая время и затраты, связанные с этими задачами.

Розничная торговля

Цифровизация в секторе розничной торговли продвигается очень быстро, стимулируя переход от онлайн-покупок к омниканальной интеграции, а от традиционного маркетинга — к высокоточным персонализированным рекомендациям. Это означает, что цифровизация способствует полному переосмыслению экосистемы ритейла. Предприятия розничной торговли уже широко используют облачные вычисления, большие данные, ИИ и технологии иммерсивного опыта, такие как AR/VR, для улучшения управления запасами, качества обслуживания клиентов и эффективности цепочек поставок. Мобильные платежи и интеллектуальные алгоритмы рекомендаций также оказывают большое влияние на упрощение клиентского опыта.

Коммунальные услуги

Зрелость цифровой трансформации сильно варьируется в различных подотраслях коммунального сектора: электроснабжении, газоснабжении, водоснабжении и других. Электроэнергетика является лидирующей отраслью, так как многие традиционные сети уже трансформируются в интеллектуальные сети (smart grids) для энергосистем будущего. В совокупности коммунальные предприятия предоставляют критически важные услуги, поэтому надежность и безопасность чаще всего приоритетнее всего остального. В отличие от отраслей, ориентированных на клиентский опыт (например, ритейл) или операционную гибкость (например, логистика), основной мандат сектора коммунальных услуг — обеспечение бесперебойного обслуживания. Это иногда задерживает внедрение передовых технологий из-за сопутствующих рисков. Однако в долгосрочной перспективе «преимущество догоняющего» все же может помочь поставщикам коммунальных услуг достичь ощутимых экономических результатов от цифровой трансформации, особенно с учетом текущей энергетической революции, повышающей спрос на чистую энергию и ВИЭ.

Транспорт

Транспортный сектор охватывает авиацию, железные дороги, логистику и ряд других отраслей. Основой цифровизации в этих отраслях является интеллектуальное планирование, мониторинг в реальном времени, оптимизация маршрутов и повышение качества обслуживания клиентов. Глубокая интеграция интернета вещей (IoT), граничных вычислений, 5G и ИИ делает транспортные процессы более эффективными и безопасными, обеспечивая при этом персонализацию и гибкость услуг. Интеллектуальный транспорт будущего потребует цифровых технологий, которые не только повышают эффективность и безопасность, но и снижают операционные расходы, повышают конкурентоспособность и способствуют комплексной модернизации систем логистики и цепочек поставок.

В условиях стремительно меняющегося ландшафта цифровой трансформации крайне важно сохранять лидерство. Согласно модели внедрения ИИ от IDC, 2025 год знаменует собой начало «поворота к ИИ» (AI Pivot) — момента, когда эксперименты с ИИ начнут переходить в стадию активного внедрения, а затем и ускорения. Мы вступаем в эру ИИ, где многое остается неопределенным. Тем не менее наши продолжающиеся исследования и анализ позволили выявить ценные инсайты относительно стратегических действий, необходимых для процветания в этих новых условиях. Мы собрали ряд ключевых рекомендаций, перечисленных ниже, для экономик с высоким уровнем дохода, уровнем дохода выше среднего, а также для экономик с доходом ниже среднего и низким доходом:

Рекомендация 1: Укрепление цифровой инфраструктуры

Развитие интеллектуальной экономики опирается на надежную инфраструктуру. Чтобы процветать в эру ИИ, всем экономикам необходим высокоскоростной, стабильный и экологичный цифровой фундамент, использующий развивающиеся широкополосные сети, 5G, 6G, магистральные каналы связи и интегрированные мощности облачно-граничных вычислений. Для обеспечения энергоэффективности и устойчивости «зеленые» центры обработки данных также должны соответствовать потребностям в интеллектуальных вычислениях. Учитывая текущий статус развития, экономикам с высоким уровнем дохода обычно следует сосредоточиться на итеративном обновлении своих вычислительных мощностей и баз хранения данных. Экономикам с доходом выше среднего необходимо устранить оставшиеся пробелы в инфраструктуре и улучшить региональную связность. Странам с доходом ниже среднего и низким доходом по-прежнему следует фокусироваться на создании базового доступа к сети, необходимого для поддержки роста цифровой экономики.

Рекомендация 2: Содействие трансформации отраслей

Промышленная трансформация является основным драйвером создания стоимости в интеллектуальной экономике, при этом готовность и потребности различных отраслей существенно различаются в зависимости от страны. Экономикам с высоким уровнем дохода на данном этапе необходимо содействовать более глубокому применению интеллектуальных технологий в таких секторах, как умное производство, точная медицина и интеллектуальное управление энергопотреблением, что подстегнет как эффективность, так и инновации. Странам с доходом выше среднего нужно сбалансировать внедрение существующих приложений с собственными инновациями для укрепления локальных экосистем. Этим экономикам необходимо сместить фокус с роли «импортеров технологий» на статус «независимых инноваторов». С другой стороны, странам с доходом ниже среднего и низким доходом следует активно инвестировать в быстро развертываемые решения, такие как умное сельское хозяйство, электронное правительство и инклюзивные финансы. Это позволит им уникальным образом использовать международное сотрудничество для ускорения инклюзивного роста.

Рекомендация 3: Формирование талантов будущего

Таланты — это основной драйвер инноваций и устойчивого роста. Глобальный дефицит кадров остается критической проблемой, и всем странам крайне важно разработать комплексные стратегии, которые позволят не только привлекать и удерживать нужных специалистов, но и создавать надежный пайплайн для подготовки квалифицированных профессионалов. Экономикам с высоким уровнем дохода следует совершенствовать междисциплинарные системы подготовки кадров и интегрировать образование, исследования и промышленность для стимулирования инноваций. Странам с доходом выше среднего необходимо расширять пайплайны талантов в области ИИ, анализа данных и облачных вычислений, а также создавать платформы, связывающие академическую среду и бизнес. Экономикам с доходом ниже среднего и низким доходом необходимо продолжать работу над базовой цифровой грамотностью и использовать международные ресурсы и региональное сотрудничество для создания открытых и общих каналов обмена талантами — от базовых до продвинутых навыков.

Рекомендация 4: Усиление политического руководства

Политика является направляющей силой качественного развития интеллектуальной экономики. Поскольку технологии продолжают развиваться, правительства должны адаптировать свои регуляторные базы, чтобы одновременно стимулировать инновации и обеспечивать этичное и ответственное использование технологий. Экономикам с высоким уровнем дохода следует оптимизировать управление данными, этику ИИ и правила трансграничной передачи данных, приводя их в соответствие с глобальными стандартами для повышения конкурентоспособности. Странам с доходом выше среднего необходима гибкая, перспективная политика, которая одновременно привлекает инвестиции и укрепляет местные экосистемы. Странам с уровнем дохода ниже среднего и низким доходом необходимо...

...сосредоточиться на базовой цифровой грамотности и использовании международных ресурсов и регионального сотрудничества для создания открытых и общих каналов поиска талантов, охватывающих навыки от базовых до продвинутых.

Политика является направляющей силой качественного развития интеллектуальной экономики. Поскольку технологии продолжают развиваться, правительства должны адаптировать свои регуляторные базы, чтобы одновременно стимулировать инновации и обеспечивать этичное и ответственное использование технологий. Экономикам с высоким уровнем дохода следует оптимизировать управление данными, этику ИИ и правила трансграничной передачи данных, приводя их в соответствие с глобальными стандартами для повышения конкурентоспособности. Странам с доходом выше среднего необходимы гибкие, перспективные стратегии, которые одновременно привлекают инвестиции и укрепляют местные экосистемы. Странам с уровнем дохода ниже среднего и низким доходом следует сосредоточиться на создании основ политики, сочетая фискальные стимулы, международную помощь и обучение кадров для эффективной реализации инициатив. Во всех экономиках связка «политика + инвестиции» должна работать в тандеме, обеспечивая переход планов от проектирования к исполнению и ускоряя интеллектуальный экономический рост.

Таблица 11: Конкретные рекомендации по кластерам

Приложение

Оценка и агрегирование

Для каждой переменной экономики получают рейтинг от 1 (низкий) до 10 (высокий) в зависимости от входных данных. Шкала, используемая для каждого индикатора, основана на реалистичных целевых значениях на 2030 год, где балл «10» означает достижение целевого показателя. Эти целевые значения экстраполированы на основе прогнозов проникновения рынка наиболее развитых экономик, исторических показателей рынка и прогнозов экспертов-аналитиков. Балл каждой экономики определяется путем нормализации значения ее необработанных данных по отношению к этой шкале. В большинстве базовых случаев значение, составляющее менее 10% от целевого, получает 1 балл. Значение от 11% до 20% от целевого получает 2 балла и так далее, как показано в следующей таблице:

Таблица 12: План оценки показателей GDII

Затем баллы этих индикаторов агрегируются для формирования общего балла по каждому из семи функциональных столпов GDII: «Создание данных», «Передача данных», «Обработка и хранение данных», «Применение данных», «Цифровая энергетика», «Политика», «Таланты и экосистема».

Вес каждого столпа в итоговом балле GDII был определен с помощью факторного анализа, который выводит переменную индекса из оптимально взвешенной линейной комбинации элементов, известных как факторные оценки. Вес, присвоенный каждому элементу, основан на его факторной нагрузке, чтобы отразить силу его связи с фактором (GDII). В результате направлению «Создание данных» был присвоен вес 20%, «Передача данных» — 25%, «Обработка и хранение данных» — 15%, а направлениям «Применение данных», «Политика», «Таланты и экосистема» и «Цифровая энергетика» — по 10% каждому.

Итоговый индексный балл рассчитывается путем агрегирования семи сегментов, где учитываются количество индикаторов внутри каждого столпа и присвоенный ему вес. Полный список определений категорий данных и источников см. в разделе «Определения GDII».

Дополнительные примечания

Для переменных, взвешенных по отношению к ВВП, мы используем расчет ВВП по паритету покупательной способности (ППС). Обычно это лучший способ расчета покупательной способности внутри экономики после корректировки на стоимость жизни. Он измеряет относительное богатство нации с точки зрения ее способности приобретать товары и услуги внутри национальной экономики. Использованные нами данные являются самыми актуальными из доступных, в зависимости от источника. Источники данных включают Организацию экономического сотрудничества и развития (ОЭСР), Международный союз электросвязи (МСЭ), Ассоциацию GSM (GSMA), Всемирный экономический форум (ВЭФ), Всемирный банк, Организацию Объединенных Наций, Ookla, IDC и Huawei. Мы оценили данные для отсутствующих значений на основе географических когорт. Точные цифры, представленные в диаграммах этого отчета, могут незначительно отличаться от цифр, использованных в наших расчетах, из-за округлений.

Определение показателей GDII

Столп 1: Создание данных

Абоненты фиксированной широкополосной связи

Общее количество договоров на фиксированный высокоскоростной доступ к общедоступному Интернету (соединение TCP/IP) со скоростью нисходящего потока равной или превышающей 256 кбит/с. Расчет: на 100 человек.

Абоненты мобильной широкополосной связи

Общее количество активных абонентов мобильной широкополосной связи на базе мобильных телефонов и компьютеров (USB-модемы/донглы), обеспечивающих доступ к Интернету. Расчет: на 100 человек.

Установленная база IoT

Общее количество подключений IoT по отношению к населению. Подключение IoT определяется как интеллектуальное оконечное устройство, имеющее уникальный идентификатор, такой как IP-адрес, позволяющий получить к нему удаленный доступ из сети общего пользования, частной IP-сети, интернета, линии xDSL, беспроводной сети (LPWAN), NFC, микроволновой радиосвязи или спутникового соединения DVB-S2X. Например, транспортные системы, такие как поезда, грузовики и автобусы, могут иметь несколько устройств (датчики, IP-камеры), которые адресуются удаленно, и каждое из них считается оконечным подключением IoT. Расчет: на душу населения.

Масштаб данных

Общий объем данных, которые могут быть использованы платформой искусственного интеллекта (ИИ) и инструментами аналитики, на основе оценочной доступности целевых, практически значимых данных для улучшения пользовательского опыта и повышения возврата инвестиций (ROI) организаций, инвестирующих в развертывание ИИ-решений. Для улучшения опыта использования этих технологий также учитывается масштабируемость создаваемых данных. Расчет: на душу населения.

Проникновение смартфонов

Общее количество смартфонов по отношению к населению. Смартфон — это...

...мобильное абонентское устройство с расширенным доступом к интернет-услугам и вычислительными функциями. Расчет: на душу населения.

Столп 2: передача данных

Оптоволоконное покрытие (To C)

Общее количество прямых оптоволоконных соединений или стандартных интернет-соединений по локальной сети Ethernet, доведенных до жилых помещений без использования дополнительных технологий, таких как DSL или кабельные модемы, которые оплачиваются частными домохозяйствами или резидентами. Эта категория охватывает пассивные оптические сети (PON) и соединения P2P Ethernet. Выделенные соединения на базе прямого доступа в интернет, предлагающие гарантированную симметричную полосу пропускания, исключаются и классифицируются в сегменте выделенного доступа в интернет. Расчет: на душу населения.

Оптоволоконное покрытие (To B)

Общее количество прямых оптоволоконных соединений или интернет-соединений по локальной сети Ethernet, доведенных до помещений без использования дополнительных технологий, таких как DSL или кабельные модемы, которые оплачиваются предприятиями или государственными организациями. Эта категория охватывает пассивные оптические сети (PON) и соединения P2P Ethernet. Выделенные соединения на базе прямого доступа в интернет, предлагающие гарантированную симметричную полосу пропускания, исключаются и классифицируются в сегменте выделенного доступа в интернет. Расчет: % от ВВП.

Международная пропускная способность интернета

Общая используемая емкость международных интернет-каналов в мегабитах в секунду (Мбит/с). Под используемой международной пропускной способностью понимается средняя нагрузка трафика на международных волоконно-оптических кабелях и радиорелейных линиях, используемых для передачи интернет-трафика. Среднее значение рассчитывается за 12-месячный период отчетного года и учитывает трафик всех международных интернет-каналов. Пропускная способность международного интернета (бит/с) на одного пользователя рассчитывается путем перевода в биты в секунду и деления на общее количество интернет-пользователей; этот показатель используется для расчета баллов индекса. Расчет: на одного интернет-пользователя.

Покрытие 4G и 5G

Процент соединений мобильных устройств, использующих стандарты 4G/5G. Расчет: на общее количество соединений.

Пропускная способность межсоединений национальной опорной сети

Общая нагрузка, переносимая национальной опорной инфраструктурой в одном направлении, рассчитываемая как средняя скорость передачи данных, выраженная в терабитах в секунду (Тбит/с), измеренная в базовой IP-сети экономики в одном направлении трафика (входящем или исходящем). Этот показатель отражает объем внутреннего агрегированного трафика, маршрутизируемого через основные роутеры. Расчет: на терабит в секунду.

Мобильный трафик данных на одно соединение

Общий объем данных, переданных через мобильную сеть, в расчете на одно соединение в месяц за указанный период. Выражается в мегабайтах (МБ). Расчет: на одно соединение.

Качество мобильного широкополосного доступа

Средняя скорость загрузки и выгрузки данных для каждой экономики, основанная на миллиардах тестов мобильных сетей, для обеспечения актуального обзора и анализа скоростей доступа в интернет в мобильных сетях. Расчет: на мегабит в секунду.

Качество фиксированного широкополосного доступа

Средняя скорость загрузки и выгрузки данных для каждой экономики, основанная на миллиардах тестов фиксированных сетей, для обеспечения актуального обзора и анализа скоростей доступа в интернет в фиксированных сетях. Расчет: на мегабит в секунду.

Проникновение гигабитных кампусных сетей предприятий

Отношение объема поставок устройств доступа Wi-Fi 6 корпоративного класса к общему объему поставок устройств доступа WLAN, предназначенных для использования в системах с несколькими точками доступа (AP), которые обычно обладают богатым и обновляемым набором функций. Эта категория включает в себя как независимые (традиционные), так и зависимые точки доступа корпоративного класса, развернутые как внутри, так и вне помещений. Расчет: на общее количество единиц поставленного оборудования для сетей WLAN.

Внедрение IPv6

Процент пользователей, имеющих доступ к интернету по протоколу IPv6. Протокол интернета версии 6 (IPv6) — это протокол следующего поколения, разработанный для замены версии 4 (IPv4). Для использования в интернете доступно всего 3,7 миллиарда уникальных адресов IPv4, тогда как теоретический размер пула адресов IPv6 составляет 340 ундециллионов (или 340 триллионов триллионов триллионов). Адреса IPv6 состоят из 128 бит и обычно записываются в виде последовательности шестнадцатеричных цифр, разделенных двоеточием («:»). Пример адреса IPv6: 2001:0db8:85a3:0000:0000:8a2e:0370:7334. Расчет: на общее количество интернет-пользователей.

Уровень внедрения портов 10 Гбит/с+ в корпоративных сетях

Отношение объема поставок коммутаторов Ethernet со скоростью 10 Гбит/с и выше к общему объему поставок коммутаторов Ethernet. Измерение пропускной способности беспроводной сети корпоративного уровня является важным индикатором цифровизации предприятий. Коммутаторы Ethernet классифицируются по форм-фактору (фиксированные и модульные) и скорости (100 Мбит, 1 000 Мбит, 2,5 Гбит/с, 5 Гбит/с, 10 Гбит/с, 25 Гбит/с, 40 Гбит/с, 50 Гбит/с, 100 Гбит/с, 200 Гбит/с и 400 Гбит/с). Расчет: на общий объем поставок коммутаторов Ethernet.

Столп 3: обработка и хранение данных

Мощность вычислительных ресурсов

Вычислительные возможности поддерживаются различными линейками серверов: от серверов начального уровня (volume) до систем среднего и высокого класса (high-end). Эта категория включает многопользовательские вычислительные устройства, которые обеспечивают доступ к сервисам и их предоставление через сеть. Типичная серверная система такого рода включает один или несколько процессоров, материнскую плату, память, внутренний диск или флеш-накопитель, предустановленную операционную систему (ОС), блоки питания и сетевые интерфейсы. Расчет: на душу населения.

Инвестиции в облачные технологии

Совокупные расходы конечных пользователей на услуги публичных облаков, включая «инфраструктуру как услугу» (IaaS), «платформу как услугу» (PaaS), «программное обеспечение как услугу» (SaaS) и «системную программную инфраструктуру как услугу» (SIaaS), что охватывает все ресурсы вычислений, хранения и программных приложений в облачной среде. Этот показатель напрямую отражает спрос конечных пользователей на облачные услуги, предоставляемые провайдерами. Оценивается относительно ВВП. Расчет: на единицу ВВП.

Мощность «зеленых» центров обработки данных

Доля общей инфраструктуры центров обработки данных страны, соответствующая стандартам устойчивого развития и энергоэффективности, ориентированная на низкоуглеродные и экологически безопасные операции. Доля совокупной ИТ-мощности (МВт), развернутой в ЦОД, определяемых как «зеленые», характеризуется энергоэффективностью (PUE <1,3), интеграцией ВИЭ и повторным использованием тепла, а также использованием современного экоцентричного дизайна (например, технологии жидкостного охлаждения). Расчет: н/д.

Потребление ИИ-токенов

Оценка общенационального спроса на ИИ, рассчитанная на основе данных о доходах от IaaS в сегменте рынка «GPU или ускоренные вычисления как услуга» (из трекера публичных облачных сервисов IDC), деленных на среднюю цену одного ИИ-токена. Типичная стоимость 1000 токенов составляет от 0,004 до 0,008 доллара США, поэтому для расчета используется средняя цена 0,006 доллара США за 1000 токенов. Этот индикатор измеряет полезный спрос на рабочие нагрузки ИИ в инфраструктурах публичных облаков страны. Оценивается относительно ВВП. Расчет: (доход от GPU или Accelerated Compute as a Service / средняя цена за ИИ-токен) / ВВП.

Емкость систем хранения данных

Общая емкость корпоративных систем хранения данных, используемых для обработки, управления и хранения цифровой информации, включая такие компоненты, как блоки питания, системы охлаждения, контроллеры хранения и носители, такие как жесткие диски (HDD) и флеш-накопители. Показатель измеряется в гигабайтах (ГБ). Расчет: на душу населения.

Емкость современных систем хранения данных

Доля передовых решений для хранения данных, таких как системы All-Flash и высокопроизводительные хранилища для ИИ, по отношению к общему объему памяти для хранения данных. Это отражает способность экономики поддерживать передовую производительность в управлении данными. Измеряется в гигабайтах (ГБ). Расчет: на душу населения.

Внедрение решений для обеспечения непрерывности бизнеса и аварийного восстановления (BCDR)

Этот индикатор измеряет долю инвестиций в функции обеспечения непрерывности бизнеса и аварийного восстановления (BCDR) в общем объеме инвестиций во все программные приложения. Сюда входят доходы как от программного обеспечения, так и от облачных сервисов, обеспечивающих перемещение, защиту и/или репликацию данных (также известных как онлайн-бэкап или «резервное копирование как услуга» [BaaS]), лицензируемых по модели подписки. Расчет: на объем инвестиций в ПО.

Столп 4: применение данных

Загрузки приложений

Общее количество новых загрузок мобильных приложений за календарный год на всех основных мобильных платформах (включая Android и iOS). Показатель измеряется относительно общей численности населения и относится именно к новым загрузкам, а не к существующей базе установленных приложений. Расчет: на душу населения.

Объем электронной коммерции

Электронная коммерция включает заказы, размещенные в интернете (т. е. покупатель нажимает кнопку заказа в сети), что подразумевает обязательство по оплате товаров или услуг. Общий объем электронной коммерции измеряет сумму всех транзакций e-commerce, как B2B, так и B2C (включая оптовые закупки). Расчет: на душу населения.

Электронные государственные услуги

Баллы по этому показателю берутся напрямую из Обзора ООН по электронному правительству (United Nations E-Government Survey), который оценивает страны на основе рейтингов, полученных в ходе исследования уровня развития электронного правительства всех государств-членов ООН. Расчет: н/д.

Темпы миграции в облако и облачной трансформации

Этот показатель измеряет темпы, с которыми предприятия осуществляют переход...

Уровень проникновения ИИ-приложений

Доля прикладных систем предприятия, использующих инструменты ИИ в автоматизации, прогнозной аналитике, интеллектуальных сервисах и т. д., по отношению к общему объему рынка прикладных систем страны. Расчет: н/д.

Масштаб цифровых приложений

Цифровая трансформация — это непрерывный процесс, в ходе которого предприятия адаптируются к рыночным изменениям или стимулируют их, используя цифровые возможности для создания инновационных бизнес-решений. Эти решения объединяют цифровой и физический опыт, повышая оперативную эффективность и производительность организации. Расчет: на единицу ВВП.

Столп 5: Политика

Инвестиции в ИКТ

Общий объем традиционного рынка ИКТ, определяемый как совокупные расходы конечных пользователей на ИТ-оборудование (серверы, системы хранения данных, ПК, устройства, периферия, сетевое оборудование), программное обеспечение, ИТ-услуги и телекоммуникационные услуги. Общий объем рынка измеряется относительно общего размера экономики (ВВП) для демонстрации зрелости рыночного предложения. Расчет: на единицу ВВП.

Спектр и политика

Совокупный балл, основанный на общем объеме спектра, выделенного операторам в каждой экономике (а не на среднем значении спектра на одного оператора). Сюда входит спектр в диапазонах ниже 1 ГГц, от 1 до 3 ГГц, от 3 до 6 ГГц и в диапазонах mmWave. Расчет: н/д.

Политика цифровой трансформации

Совокупный балл, основанный на Столпе IV Индекса готовности к цифровым технологиям (ITU G5 Benchmark): «Повестка политики в области цифровой экономики». Он охватывает государственные стратегии и меры по стимулированию цифровой экономики, предпринимательства и инвестиций. Расчет: н/д.

Политика в области зеленой энергетики

Общее количество действующих или инициированных в конкретном финансовом году энергетических и экологических стратегий страны. Сюда входят цели по достижению «чистого нуля» (net zero), целевые показатели по ВИЭ, «зеленые» тарифы (feed-in tariff), льготные выплаты, а также системы нетто-измерения или взаимозачета электроэнергии. Расчет: ед.

Законодательство и регулирование в сфере ИКТ

Показатель на основе системы ITU ICT Regulatory Tracker, которая отслеживает нормативно-правовую среду в сфере ИКТ. Это позволяет проводить бенчмаркинг и выявлять тенденции в юридических и регуляторных базах различных экономик. Расчет: балл.

Патенты в сфере ИКТ

Общее количество патентов в технологической области ИКТ, зарегистрированных в стране проживания изобретателя. Расчет: на душу населения.

Столп 6: Таланты и экосистема

Кадровые ресурсы в сфере ИКТ

Общая численность занятых в сфере поставок и управления ИКТ-продуктами и услугами. Сюда входят как сотрудники, работающие непосредственно в ИТ-отрасли (производители оборудования, поставщики ПО, сервис-провайдеры и дистрибьюторы), так и ИТ-персонал на стороне конечных пользователей, занимающийся управлением, развертыванием, поддержкой и стратегическим внедрением технологических решений. Расчет: на душу населения.

Доля выпускников STEM-направлений

Доля специалистов в области ИИ, машинного обучения (ML), Data Science и смежных областей среди общего числа выпускников STEM (наука, технологии, инженерия и математика). Расчет: на одного выпускника STEM.

Количество стартапов

Общее количество стартапов, где стартап определяется как любой бизнес, применяющий инновационное технологическое решение с потенциалом к масштабированию. Расчет: на 1000 человек.

Участие в сообществах открытого ПО

Показатель активного участия пользователей, организаций и проектов страны в создании, поддержке и развитии репозиториев с открытым исходным кодом на платформе GitHub. Индикатор опирается на отчет GitHub Octoverse для получения данных о количестве публичных и приватных вкладов (contributions) от конкретных экономик. Экономики, не представленные в отчете, не получают баллов. Показатель оценивается относительно численности населения. Расчет: на душу населения.

Уровень пользования интернетом

Общее количество лиц, выходивших в интернет хотя бы один раз в течение 12-месячного периода через проводной и/или мобильный доступ. Расчет: на душу населения.

Столп 7: Цифровая энергетика

Инвестиции в возобновляемую электроэнергетику

Общие затраты на установку 1 кВт/МВт мощностей на базе ВИЭ, включая расходы на рабочую силу, материалы (в том числе сырье для биогаза/биомассы), земельные участки, затраты на BPL (линии электропередач через широкополосную связь) и конвертацию местной валюты в доллары США. Исключаются затраты на производство комплектующих. Расчет: на единицу ВВП.

Доля экологичного транспорта

Доля электромобилей в общем количестве транспортных средств в стране. Расчет: н/д.

Доступность зарядной инфраструктуры

Отношение общего количества зарядных станций к количеству электромобилей на дорогах. Расчет: на количество электромобилей.

Коэффициент использования возобновляемой электроэнергии

Отношение абсолютного значения выработки электроэнергии из возобновляемых источников к абсолютному значению общего объема национальной генерации электроэнергии, взвешенное по уровню электрификации. Расчет: н/д.

Экономика возобновляемой электроэнергетики

Стоимость одного киловатт-часа электроэнергии, вырабатываемой фотоэлектрическими (солнечными) и ветровыми станциями в определенном регионе, по отношению к стоимости местной угольной генерации (либо генерации на основе нефти или природного газа). Расчет: н/д.

Благодарности

Компания Huawei имела честь получить бесценную поддержку экспертов из многочисленных областей, включая экономику, социальные науки и ИКТ, в ходе исследования и составления Глобального индекса цифровизации и интеллектуализации (GDII). Эти эксперты участвовали в глубоких дискуссиях с нами с двух ключевых точек зрения — экономического развития и отраслей будущего, — благодаря которым мы совместно построили комплексную систему индикаторов для оценки глобального уровня цифрового интеллекта.

Поэтому мы хотели бы выразить искреннюю признательность за исключительный экспертный опыт, который вы предоставили в вопросах построения моделей, обоснования показателей, анализа трендов и уточнения концепций. Ваши ценные идеи, несомненно, стали фундаментом GDII. В частности, мы выражаем сердечную благодарность следующим экспертам и ученым, каждый из которых внес значительный вклад в подготовку отчета (список составлен в алфавитном порядке по фамилиям):

• Ван Юн, заместитель декана Института новой структурной экономики Пекинского университета.
• Гао Вэньшэн, исполнительный вице-президент Института энергетического интернета Университета Цинхуа.
• Дай Цзин, заместитель директора Центра исследований энергетического управления Института энергетического интернета Университета Цинхуа.
• Жун Кэ, директор Института экономики Школы социальных наук Университета Цинхуа.
• Ли Вань, директор Департамента научно-технического развития Шанхайской академии наук и технологий.
• Ли Вэй, заместитель директора Научно-исследовательского института облачных вычислений и больших данных Китайской академии информационных и коммуникационных технологий.
• Мэн Яо, ассоциированный исследователь Центра исследований энергетического управления Института энергетического интернета Университета Цинхуа.
• Хао Фэй, преподаватель Бизнес-школы Университета международного бизнеса и экономики.
• Цао Сяоян, директор Центра стратегических исследований прорывных технологий Китайской академии стратегии инженерных инноваций.
• Чжан Цзитун, постдокторант Института новой структурной экономики Пекинского университета.
• Чжоу Ди, ассоциированный исследователь Департамента государственного управления Школы экономики и менеджмента Университета Тунцзи.
• Шэнь Хун, директор Департамента внутреннего сотрудничества в целях развития Института новой структурной экономики Пекинского университета.

Заглядывая в будущее, мы надеемся на продолжение открытого сотрудничества как с академическим сообществом, так и с индустрией. Вместе мы сможем углубить исследования в области цифрового интеллекта и содействовать высококачественному развитию глобальной цифровой экономики.