AI Adoption and Distributed Intelligence Readiness in Industrial Ecosystems: A Panel and Scenario Forecasting Model

Artificial intelligence adoption is increasingly transforming industrial ecosystems into distributed intelligence environments in which technological capabilities, data resources, human capital, and investment flows interact across heterogeneous manufacturing sectors. The study develops and empirically validates a forecasting model for assessing distributed intelligence readiness and identifying the investment factors that determine its evolution. A balanced panel dataset covering 27 manufacturing subsectors of the Russian economy during 2021–2023 combines total and domestic expenditures on digital technologies with indicators of AI adoption intensity, including the number of AI-active organizations and AI-related employment. Log-linear panel regressions with standard errors clustered by manufacturing subsector are used to estimate heterogeneous relationships between AI diffusion and digital investment across high-, medium-high-, medium-low-, and low-technology industries. Robustness tests are complemented by simulation-based forecasting under inertial, accelerated, and transformational AI adoption scenarios. The results demonstrate statistically significant and temporally stable associations between AI adoption intensity and digital investment growth, while revealing substantial differences in investment responsiveness across technological groups. Medium-technology industries exhibit particularly strong potential for scaling distributed intelligence, whereas high-technology sectors show signs of diminishing marginal investment effects and low-technology industries face constraints in converting AI-related human resources into digital capabilities. The proposed framework integrates panel econometrics and scenario simulation into a decision-support instrument for evaluating industrial intelligence readiness, allocating digital transformation resources, and coordinating government and corporate AI strategies. The model contributes to research on distributed industrial intelligence by linking AI adoption, investment capacity, technological heterogeneity, and long-term ecosystem development within a unified forecasting architecture. RU Внедрение искусственного интеллекта (ИИ) трансформирует промышленные экосистемы в среды распределенного интеллекта, в которых технологические возможности, информационные ресурсы, человеческий капитал и инвестиционные потоки взаимодействуют в рамках различных производственных секторов. В исследовании разработана и эмпирически апробирована прогностическая модель для оценки готовности к внедрению распределенного интеллекта и выявления инвестиционных факторов, определяющих его развитие. Использован сбалансированный панельный набор данных по 27 подотраслям обрабатывающей промышленности России за 2021–2023 годы, объединяющий показатели общих и внутренних затрат на цифровые технологии с данными об интенсивности внедрения ИИ (включая количество организаций, использующих ИИ, и численность занятых в сфере ИИ). Для оценки неоднородных взаимосвязей между распространением ИИ и цифровыми инвестициями в отраслях с разным технологическим уровнем (высоким, выше среднего, ниже среднего и низким) применены лог-линейные панельные регрессии со стандартными ошибками, кластеризованными по подотраслям. Анализ устойчивости результатов дополнен сценарным прогнозированием (инерционный, ускоренный и трансформационный сценарии внедрения ИИ). Результаты демонстрируют статистически значимые и устойчивые во времени связи между интенсивностью внедрения ИИ и ростом цифровых инвестиций, при этом выявлены существенные различия в инвестиционной отдаче в зависимости от технологической группы. Отрасли со средним уровнем технологичности обладают значительным потенциалом для масштабирования распределенного интеллекта; в высокотехнологичных секторах наблюдаются признаки снижения предельной эффективности инвестиций, а в низкотехнологичных отраслях существуют ограничения, препятствующие трансформации человеческого капитала в сфере ИИ в реальные цифровые возможности. Предложенный подход объединяет методы панельной эконометрики и сценарного моделирования в инструмент поддержки принятия решений, предназначенный для оценки готовности промышленности к внедрению интеллектуальных технологий, распределения ресурсов для цифровой трансформации, а также координации государственных и корпоративных стратегий в области ИИ. Данная модель вносит вклад в изучение распределенного промышленного интеллекта, связывая процессы внедрения ИИ, инвестиционный потенциал, технологическую неоднородность и долгосрочное развитие экосистем в рамках единой прогностической архитектуры. Классификация ACM (CCS CONCEPTS): • Вычислительные методы → Искусственный интеллект → Интеллектуальные системы • Сети → Распределенные архитектуры • Информационные системы → Системы поддержки принятия решений • Прикладная информатика → Промышленная инженерия UZ Sun'iy intellektni joriy etish sanoat ekotizimlarini tobora koʻproq texnologik imkoniyatlar, ma'lumotlar resurslari, inson kapitali va investitsiya oqimlari turli xil ishlab chiqarish tarmoqlarida oʻzaro ta'sir qiluvchi taqsimlangan intellekt muhitlariga aylantirmoqda. Tadqiqot taqsimlangan intellektga tayyorlikni baholash va uning evolyutsiyasini belgilovchi investitsiya omillarini aniqlash uchun prognozlash modelini ishlab chiqadi va empirik ravishda tasdiqlaydi. 2021–2023 yillarda Rossiya iqtisodiyotining 27 ta ishlab chiqarish kichik sektorini qamrab oluvchi muvozanatli panel ma'lumotlar toʻplami raqamli texnologiyalarga umumiy va ichki xarajatlarni sun'iy intellektni joriy etish intensivligi koʻrsatkichlari, jumladan, sun'iy intellekt bilan faol tashkilotlar soni va sun'iy intellekt bilan bogʻliq bandlik koʻrsatkichlari bilan birlashtiradi. Ishlab chiqarish kichik sektori boʻyicha klasterlangan standart xatolarga ega log-chiziqli panel regressiyalari yuqori, oʻrtayuqori, oʻrta-past va past texnologiyali sanoat tarmoqlarida sun'iy intellektning tarqalishi va raqamli investitsiyalar oʻrtasidagi turli xil munosabatlarni baholash uchun ishlatiladi. Mustahkamlik testlari inertsial, tezlashtirilgan va transformatsion sun'iy intellektni joriy etish stsenariylari ostida simulyatsiya asosidagi prognozlash bilan toʻldiriladi. Natijalar sun'iy intellektni joriy etish intensivligi va raqamli investitsiyalarning oʻsishi oʻrtasidagi statistik jihatdan ahamiyatli va vaqt jihatidan barqaror bogʻliqlikni koʻrsatadi, shu bilan birga texnologik guruhlar boʻyicha investitsiyalarga javob berishda sezilarli farqlarni ochib beradi. Oʻrta texnologiyali sanoat tarmoqlari taqsimlangan intellektni kengaytirish uchun ayniqsa kuchli salohiyatga ega, yuqori texnologiyali sanoat tarmoqlari esa marjinal investitsiya effektlarining kamayib borayotganini koʻrsatadi va past texnologiyali sanoat tarmoqlari sun'iy intellekt bilan bogʻliq inson resurslarini raqamli imkoniyatlarga aylantirishda cheklovlarga duch kelmoqda. Taklif etilayotgan tizim panel ekonometrikasi va stsenariy simulyatsiyasini sanoat intellektiga tayyorlikni baholash, raqamli transformatsiya resurslarini taqsimlash va hukumat va korporativ AI strategiyalarini muvofiqlashtirish uchun qarorlarni qoʻllab-quvvatlash vositasiga birlashtiradi. Model sun'iy intellektni joriy etish, investitsiya salohiyati, texnologik heterojenlik va uzoq muddatli ekotizim rivojlanishini yagona prognozlash arxitekturasi doirasida bogʻlash orqali taqsimlangan sanoat intellektini tadqiq qilishga hissa qoʻshadi. CCS KONSEPSIYALARI • Hisoblash metodologiyalari → Sun'iy intellekt → Aqlli tizimlar • Tarmoqlar → Tarqatilgan arxitekturalar • Axborot tizimlari → Qarorlarni qoʻllab-quvvatlash tizimlari • Amaliy hisoblash → Sanoat muhandisligi