Управленец

2218-5003

2686-7923

10.29141/2218-5003-2025-16-5-3

HIOXRE

https://upravlenets.usue.ru/ru/-2025/1758

Управленческие факторы успешного внедрения технологий искусственного интеллекта в аграрном секторе

Managerial factors of successful AI implementation in the agricultural sector

Бегичева

Светлана Викторовна

Бегичева

Светлана Викторовна

Begicheva

Svetlana V.

begichevas@mail.ruНазаров

Дмитрий Михайлович

Назаров

Дмитрий Михайлович

Nazarov

Dmitry M.

slup@mail.ruДрягунова

Надежда Викторовна

Дрягунова

Надежда Викторовна

Dryagunova

Nadezhda V.

dryagunova.nadya@yandex.ru

Ural State University of Economics (Ekaterinburg, Russia)Уральский государственный экономический университет (г. Екатеринбург, РФ)

OOO Bank Tochka (Ekaterinburg, Russia)ООО «Банк Точка» (г. Екатеринбург, РФ)

11112025

16533482104202503072025

CC BY-NC 4.0

В агропромышленном комплексе сохраняется разрыв между высоким технологическим потенциалом и фактическим внедрением цифровых решений. Несмотря на государственные инвестиции и развитие программ цифровизации, малые и средние предприятия сталкиваются с ресурсными ограничениями и институциональными барьерами, что замедляет распространение технологий искусственного интеллекта. Научная проблема заключается в недостаточной разработанности механизмов, объясняющих, какие управленческие условия определяют готовность аграрных предприятий к изменениям. Статья посвящена выявлению ключевых факторов, обеспечивающих успешное внедрение технологий искусственного интеллекта в аграрном секторе. Методологическую основу исследования составили положения инновационного менеджмента, модели организационной готовности к изменениям, а также адаптированные модели TAM и UTAUT. Эмпирическая часть базируется на данных анкетного опроса руководителей и специалистов агропредприятий (N = 124, период проведения – июнь – август 2025 г.). Для анализа использован метод PLS-SEM. Результаты исследования показали, что ключевыми условиями цифровой трансформации в аграрном секторе являются наличие инновационной культуры, адекватное ресурсное обеспечение и социальное влияние, формирующее восприятие полезности новых технологий среди участников рынка. В то же время уровень удобства использования технологий искусственного интеллекта не оказывает существенного влияния на принятие управленческих решений. Сделан вывод, что факторы готовности к инновациям имеют преимущественно управленческий характер. Полученные результаты могут применяться при разработке мер государственной поддержки, корпоративных стратегий и практических решений для ускорения процесса цифровой трансформации в отрасли.

In the agro-industrial complex, there remains a gap between the high technological potential and poor implementation of digital solutions into practice. Despite government investments and the advancement of digitalization programs, small and medium-sized enterprises face resource constraints and institutional barriers that slow down the adoption of artificial intelligence (AI) technologies. The scientific problem lies in poorly developed mechanisms clarifying what managerial conditions frame the willingness of agricultural enterprises to transform themselves. The article identifies key factors that ensure the successful adoption of AI in the agricultural sector. The principles of innovation management, the theory of organizational readiness for change, as well as adapted TAM and UTAUT models constitute the methodological framework of the study. The empirical analysis draws upon survey data obtained from executives and specialists of agricultural enterprises (N = 124; the survey period covered June–August, 2025). The work employed the PLS-SEM method. The results indicate that the fundamental conditions for digital transformation in the agricultural sector are the presence of an innovation-oriented culture, adequate resource support, and social influence shaping the perceived usefulness of new technologies among market participants. At the same time, the ease of AI use does not have a significant effect on managerial decision-making. The innovation readiness factors are concluded to be predominantly managerial in nature. The findings can be of use when formulating government support measures, corporate strategies, and practical solutions to accelerate the process of digital transformation in the industry.

искусственный интеллект;агропромышленный комплекс;инновационный менеджмент;цифровая трансформация;модель принятия технологий.

artificial intelligence;agro-industrial complex;innovation management;digital transformation;technology acceptance model.

Статья подготовлена при финансовой поддержке РФН в рамках научного проекта № 25-28-01634 «Интеллектуальная система управления цепочками стоимости в агропромышленном комплексе на основе технологий больших данных и искусственного интеллекта».

The study was funded by the Russian Science Foundation, project No. 25-28-01634 “An intelligent value chain management system for the agro-industrial complex based on big data and artificial intelligence technologies”.

Бегичева С.В., Бегичева А.К., Назаров Д.М. (2024). Разработка модели выделения детерминант успешного импортозамещения программного обеспечения // Бизнес-информатика. Т. 18, № 3. С. 7–23. https://doi.org/10.17323/2587- 814X.2024.3.7.23

Лысенко Д.Н. (2025). Развитие инновационного потенциала организаций АПК // Учет и статистика. Т. 22, № 2. С. 48–56. https://doi.org/10.54220/1994-0874.2025.47.96.006

Митрофанова И.В., Шкарупа Е.А. (2021). Инновационный вектор развития отечественного АПК: тенденции, ограничения и перспективы // Экономика: вчера, сегодня, завтра. Т. 11, № 12А. С. 131–146. https://doi.org/10.34670/AR.2021.52.61.014

Мулярец С.А. (2021). Специфика и проблемы цифровой трансформации предприятий российского агропромышленного комплекса // Инновации и инвестиции. № 4. С. 315–320.

Орлова Н.В., Серова Е.В., Николаев Д.В., Хворостяная А.С., Новикова Ю.А., … Чулок А.А. (2020). Инновационное развитие агропромышленного комплекса в России // Agriculture 4.0: докл. к XXI Апр. междунар. науч. конф. по проблемам развития экономики и общества (Москва, 2020 г.) / под ред. Н.В. Орловой. Москва: Изд. дом Высшей школы экономики.

Скворцов Е.А. (2020). Перспективы применения технологий искусственного интеллекта в сельском хозяйстве региона // Экономика региона. Т. 16, № 2. С. 563–576. https://doi.org/10.17059/2020-2-17

Скворцов Е.А., Скворцова Е.Г., Санду И.С., Иовлев Г.А. (2018). Переход сельского хозяйства к цифровым, интеллектуальным и роботизированным технологиям // Экономика региона. Т. 14, вып. 3. С. 1014–1028. https://doi.org/10.17059/2018-3-23

Терновых К.С., Куренная В.В., Агибалов А.В. (2020). Развитие инноваций в сельском хозяйстве: тенденции, перспективы // Вестник Воронежского государственного аграрного университета. Т. 13, № 2 (65). С. 96–103. https://doi.org/10.17238/ issn2071-2243.2020.2.96

Adnan N., Rehman H.M., Alam M.N. (2025). Exploring agricultural innovation: An empirical investigation of factors influencing the adoption and non-adoption of smart fertilizer technology among farmers in developing countries. Agriculture & Food Security, vol. 14, 11. https://doi.org/10.1186/s40066-025-00529-0

Armenakis A.A., Harris S.G. (2009). Reflections: Our journey in organizational change research and practice. Journal of Change Management, vol. 9, issue 2, pp. 127–142. https://doi.org/10.1080/14697010902879079

Bronson K. (2018). Smart farming: Including rights holders for responsible agricultural innovation. Technology Innovation Management Review, vol. 8, issue 2, pp. 7–14. https://doi.org/10.22215/timreview/1135

Chui M., Hazan E., Roberts R., Singla A., Smaje K., Sukharevsky A., ... Zemmel R. (2023). The economic potential of generative AI: The next productivity frontier. New York: McKinsey & Company.

Cui L., Wang W. (2023). Factors affecting the adoption of digital technology by farmers in China: A systematic literature review. Sustainability, vol. 15, issue 20, 14824. https://doi.org/10.3390/su152014824

Davis F.D., Bagozzi R.P., Warshaw P.R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, vol. 35, no. 8, pp. 982–1003.

Dibbern T., Romani L.A.S., Massruhá S.M.F.S. (2024). Main drivers and barriers to the adoption of digital agriculture technologies. Smart Agricultural Technology, vol. 8, 100459. https://doi.org/10.1016/j.atech.2024.100459

Dibbern T., Romani L.A.S., Massruhá S.M.F.S. (2025). Drivers and barriers to digital agriculture adoption: A mixed-methods analysis of challenges and opportunities in Latin American. Sustainability, vol. 17, issue 8, 3676. https://doi.org/10.3390/ su17083676

Dillman D.A., Smyth J.D., Christian L.M. (2014). Internet, phone, mail and mixed-mode surveys: The tailored design method. 4th ed. Hoboken: John Wiley & Sons.

Eastwood C., Klerkx L., Ayre M., Dela Rue B. (2019). Managing socio-ethical challenges in the development of smart farming: From a fragmented to a comprehensive approach for responsible research and innovation. Journal of Agricultural and Environmental Ethics, vol. 32, pp. 741–768. https://doi.org/10.1007/s10806-017-9704-5

Fielke S.J., Garrard R., Jakku E., Fleming A., Wiseman L., Taylor B.M. (2019). Conceptualising the DAIS: Implications of the ‘Digitalisation of Agricultural Innovation Systems’ on technology and policy at multiple levels. NJAS: Wageningen Journal of Life Sciences, vol. 90–91, issue 1. https://doi.org/10.1016/j.njas.2019.04.002

Goedde L., Katz J., Ménard A., Revellat J. (2020). Agriculture’s connected future: How technology can yield new growth. New York: McKinsey & Company.

Hair J.F. Jr., Hult G.T.M., Ringle C.M., Sarstedt M., Danks N.P. (2021). Partial least squares structural equation modeling (PLS-SEM) using R: A workbook. Cham: Springer.

Ingram J., Maye D. (2020). What are the implications of digitalisation for agricultural knowledge? Frontiers in Sustainable Food Systems, vol. 4, 66. https://doi.org/10.3389/fsufs.2020.00066

Klerkx L., Begemann S. (2020). Supporting food systems transformation: The what, why, who, where and how of mission-oriented agricultural innovation systems. Agricultural Systems, vol. 184, 102901. https://doi.org/10.1016/j.agsy.2020.102901

Klerkx L., Jakku E., Labarthe P. (2019). A review of social science on digital agriculture, smart farming and agriculture 4.0: New contributions and a future research agenda. NJAS: Wageningen Journal of Life Sciences, vol. 90–91, issue 1. https://doi. org/10.1016/j.njas.2019.100315

Klerkx L., Rose D. (2020). Dealing with the game-changing technologies of Agriculture 4.0: How do we manage diversity and responsibility in food system transition pathways? Global Food Security, vol. 24, 100347. https://doi.org/10.1016/j. gfs.2019.100347

Lioutas E.D., Charatsari C. (2020). Smart farming and short food supply chains: Are they compatible? Land Use Policy, vol. 94, 104541. https://doi.org/10.1016/j.landusepol.2020.104541

Masi M., De Rosa M., Vecchio Y., Bartoli L., Adinolfi F. (2022). The long way to innovation adoption: Insights from precision agriculture. Agricultural and Food Economics, vol. 10, 27. https://doi.org/10.1186/s40100-022-00236-5

Mohr S., Kühl R. (2021). Acceptance of artificial intelligence in German agriculture: An application of the technology acceptance model and the theory of planned behavior. Precision Agriculture, vol. 22, pp. 1816–1844. https://doi.org/10.1007/s11119- 021-09814-x

Podsakoff P.M., MacKenzie S.B., Lee J.-Y., Podsakoff N.P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, vol. 88, no. 5, pp. 879–903. https://doi. org/10.1037/0021-9010.88.5.879

Rigdon E.E., Sarstedt M., Ringle C.M. (2017). On comparing results from CB-SEM and PLS-SEM: Five perspectives and five recommendations. Marketing ZFP – Journal of Research and Management, vol. 39, issue 3, pp. 4–16. https://doi.org/10.15358/0344- 1369-2017-3-4

Rijswijk K., Klerkx L., Bacco M., Bartolini F., Bulten E., Debruyne L., ... Brunori G. (2021). Digital transformation of agriculture and rural areas: A socio-cyber-physical system framework to support responsibilisation. Journal of Rural Studies, vol. 85, pp. 79–90. https://doi.org/10.1016/j.jrurstud.2021.05.003

Rogers E.M. (2010). Diffusion of innovations. 4th ed. New York: Simon and Schuster. Rose D.C., Chilvers J. (2018). Agriculture 4.0: Broadening responsible innovation in an era of smart farming. Frontiers in Sustainable Food Systems, vol. 2, 87. https://doi.org/10.3389/fsufs.2018.00087

Rose D.C., Wheeler R., Winter M., Lobley M., Chivers C.-A. (2021). Agriculture 4.0: Making it work for people, production, and the planet. Land Use Policy, vol. 100, 104933. https://doi.org/10.1016/j.landusepol.2020.104933

Rotz S., Duncan E., Small M., Botschner J., Dara R., Mosby I., ... Fraser E.D.G. (2019). The politics of digital agricultural technologies: A preliminary review. Sociologia Ruralis, vol. 59, issue 2, pp. 203–229. https://doi.org/10.1111/soru.12233

Sarstedt M., Ringle C.M., Hair J.F. (2021). Partial least squares structural equation modeling. In: C. Homburg, M. Klarmann, A.E. Vomberg. (Eds.). Handbook of market research. Cham: Springer. https://doi.org/10.1007/978-3-319-05542-8_15-2

Teece D.J. (2018). Business models and dynamic capabilities. Long Range Planning, vol. 51, issue 1, pp. 40–49. https://doi. org/10.1016/j.lrp.2017.06.007

Tornatzky L.G., Fleischer M. (1990). The processes of technological innovation. Lexington: Lexington Books.

Venkatesh V., Morris M.G., Davis G.B., Daviset F.D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, vol. 27, no. 3, pp. 425–478.

Weiner B.J. (2009). A theory of organizational readiness for change. Implementation Science, vol. 4, 67. https://doi. org/10.1186/1748-5908-4-67

Begicheva S.V., Begicheva A.K., Nazarov D.M. (2024). Constructing a model to identify the determinants of successful software import substitution. Biznes-informatika / Business Informatics, vol. 18, no. 3, pp. 7–23. https://doi.org/10.17323/2587- 814X.2024.3.7.23. (in Russ.)

Lysenko D.N. (2025). Development of innovative potential of APK organizations. Uchet i statistika / Accounting and Statistics, vol. 22, no. 2, pp. 48–56. https://doi.org/10.54220/1994-0874.2025.47.96.006. (in Russ.)

Mitrofanova I.V., Shkarupa E.A. (2021). The innovative vector of development of the domestic agro-industrial complex: Trends, constraints and prospects. Ekonomika: vchera, segodnya, zavtra / Economics: Yesterday, Today and Tomorrow, vol. 11, no. 12A, pp. 131–146. https://doi.org/10.34670/AR.2021.52.61.014. (in Russ.)

Mulyarec S.A. (2021). Specifics and problems of digital transformation of russian agro-industrial complex. Innovatsii i investitsii / Innovation & Investment, no. 4, pp. 315–320. (in Russ.)

Orlova N.V. (Ed.), Serova E.V., Nikolaev D.V., Khvorostyanaya A.S., Novikova Yu.A., Yavkina E.V., ... Chulok A.A. (2020). Development in innovations for agroindustrial sector in Russia. Agriculture 4.0. Moscow: HSE Publ. (in Russ.)

Skvortsov E.A. (2020). Prospects of applying artificial intelligence technologies in regional agriculture. Ekonomika regiona / Economy of Region, vol. 16, no. 2, pp. 563–576. https://doi.org/10.17059/2020-2-17. (in Russ.)

Skvortsov E.A., Skvortsova E.G., Sandu I.S., Iovlev G.A. (2018). Transition of agriculture to digital, intellectual and robotics technologies. Ekonomika regiona / Economy of Region, vol. 14, no. 3, pp. 1014–1028. https://doi.org/10.17059/2018-3-23. (in Russ.)

Ternovykh K.S., Kurennaya V.V., Agibalov A.V. (2020). Development of innovations in agriculture: Trends and prospects. Vestnik Voronezhskogo gosudarstvennogo agrarnogo universiteta / Vestnik of Voronezh State Agrarian University, vol. 13, no. 2 (65), pp. 96–103. https://doi.org/10.17238/issn2071-2243.2020.2.96. (in Russ.)