Последние несколько лет я всё чаще ловлю себя на мысли, что разговоры об искусственном интеллекте напоминают мне ожидание чуда. Ещё немного — и нейросеть сама войдёт в цех, запустит станок, подкрутит настройки и вежливо попросит директора не вмешиваться в процесс. Звучит заманчиво, но как инженер-механик я привык задавать неудобные вопросы. Главный из них звучит так: искусственный интеллект на производстве действительно приносит деньги или мы просто нашли очередной дорогой способ красиво говорить о цифровизации?
Промышленный искусственный интеллект уже работает в цехах, но его реальная ценность раскрывается только там, где понятна сама производственная задача.
Материалы недавнего ЦИПР-2026 дают на этот вопрос довольно отрезвляющий ответ. Цифры уже не игрушечные, но и выводы заставляют задуматься о том, что мы на самом деле автоматизируем.
Финансовый эффект: где его искать
Когда слышишь про миллиардные эффекты от внедрения ИИ, первая реакция — скепсис. Но давайте посмотрим на конкретику. ЕвроХим заявляет примерно о 4 млрд рублей суммарного эффекта от ИИ-решений за три года. Около 60% цехов компании уже работают с рекомендательными системами, и только они принесли порядка 1,5 млрд рублей. Ещё сотни миллионов дают алгоритмы, которые помогают заранее замечать проблемы оборудования до того, как они превратятся в аварийный простой.
Вот это мне как инженеру понятно. Есть станок. Есть технологический процесс. Есть потери. Поставили систему, изменили работу процесса — получили деньги. Можно спорить о методике подсчёта, но хотя бы ясно, где искать результат.
У Норильского никеля ИИ охватывает около 80% основной технологической цепочки. Северсталь сообщает, что примерно 46-47% её ИИ-проектов прибыльны. И вот на этой цифре стоит остановиться отдельно. Не 100%. Даже крупная компания с деньгами, специалистами и огромным количеством производственных данных признаёт: половина проектов не попадает в категорию прибыльных. Это хорошее лекарство от презентационного оптимизма.
Как компании реально живут с ИИ
ЕвроХим сейчас переориентирует фокус на переосмысление процессов и их перенастройку с помощью ИИ-агентов. Речь идёт об уходе от рутины и повышении максимальной эффективности всех процессов. Полное покрытие цехов рекомендательными системами ожидается к концу 2026 — началу 2027 года.
Норникель пошёл по пути «федерализации структуры»: централизованная команда отвечает за платформенные элементы, а ИИ-специалисты разошлись по бизнес-командам. Проблема, которую там честно признают, — экономические департаменты не готовы признавать эффекты от генеративных инструментов в управленческих процессах как вклад в EBITDA.
Северсталь рассматривает генеративный ИИ как культурный проект. Проведено около 280-300 мероприятий — бизнес-игры, воркшопы, конференции — для вовлечения сотрудников. Прогноз компании: появление полностью безлюдных процессов в ряде операционных функций, возможно, даже в части продаж.
КРОК формулирует принципиальное разграничение: агент выполняет локальную задачу, а ИИ-сотрудник — полноценный участник команды, которому можно ставить задачи на естественном языке. Их прогноз звучит радикально: в команде из 10 человек реально должны быть 3 человека, а остальные 7 — ИИ-сотрудники.
От AI Lab к распределённой AI-культуре
Модель «нанять звёзд, сделать резервацию, назвать AI Lab» признана тупиковой. Лаборатория делала то, что никто в компании больше не понимал, и не давала масштабируемого результата. Современный подход — распределение AI-экспертизы по всем подразделениям: корпорации смещаются от изолированных AI Lab к распределённой AI-культуре внутри всех подразделений.
HeadHunter создал внутренний AI-гейтвей — агрегатор, дающий любому сотруднику безопасный доступ к большинству популярных LLM с выбором инструмента под задачу. Альтернатива — хаотичное использование личных аккаунтов сотрудников с неконтролируемой утечкой корпоративных данных. MWS AI пошла ещё дальше и внедрила навыки AI в матрицу компетенций сотрудников — это показатели, влияющие на оценку, рост и повышение.
А теперь представим обычный завод
Не Северсталь. Предприятие на 300-1500 человек. Есть старый парк оборудования. Есть главный механик, у которого половина документации ещё в бумажных папках. Есть конструкторы, технологи, ремонтники. И директору говорят: «Вам нужен искусственный интеллект».
Хорошо. А что он должен сделать?
Если никто толком не знает, почему редуктор выходит из строя каждые четыре месяца, ИИ не исправит редуктор магическим образом. Если технологический процесс не описан, автоматизировать мы будем бардак. Если в конструкторской документации три версии одной детали и никто уже не помнит, какая пошла в производство, нейросеть лишь быстрее найдёт все три. Компьютер не отменяет инженерную причинно-следственную связь.
Вот это, на мой взгляд, сейчас немного потерялось за разговорами об ИИ.
Сначала проблема. Потом технология
Мне понравилась одна цифра с ЦИПР. Использование ИИ для отдельных операций может дать примерно 10-20% выигрыша. А полная автоматизация процесса способна дать намного больше. Именно такое различие приводилось в выступлении Игоря Ведёхина из Rubytech.
Но чтобы полностью автоматизировать процесс, сначала нужно понимать сам процесс. Где вход. Что происходит внутри. Где принимается решение. Где появляется брак. Почему оборудование простаивает. Сколько предприятие теряет на этом денег.
Инженеры узнают знакомую историю. Перед тем как оптимизировать конструкцию, неплохо бы сначала понять, как она работает. С ИИ ровно то же самое.
Физический ИИ: настоящая промышленная история
Для промышленности меня гораздо больше интересует так называемый физический ИИ. Когда программа не пишет письмо и не рисует картинку, а управляет реальным оборудованием. Роботом. Транспортом. Технологическим процессом.
На ЦИПР приводился показательный пример: у Amazon количество промышленных роботов выросло примерно с 300 тысяч до более чем миллиона. Яндекс использует около 1000 роверов, а беспилотный грузовик прошёл маршрут Москва - Санкт-Петербург без вмешательства водителя.
Вот здесь начинается настоящая промышленная история. Потому что к 2030 году прогнозируется нехватка примерно 3 млн работников в производственном секторе. Можно сколько угодно обсуждать, нравится нам роботизация или нет. Если человека физически нет возле станка, философский спор быстро заканчивается.
Но роботу тоже нужно объяснить, что делать
И здесь начинается самое интересное. На ЦИПР прозвучала довольно жёсткая мысль: для хороших промышленных роботов человечество накопило крайне мало полезных обучающих данных.
Для инженера причина понятна. Текстов в интернете миллиарды. А попробуйте найти миллионы качественно записанных примеров того, как человек вставляет вал в подшипник, чувствует перекос, меняет усилие рукой, замечает вибрацию и понимает: что-то пошло не так. Мы делаем это почти автоматически. Для машины это огромный набор данных. И здесь механика неожиданно встречается с искусственным интеллектом.
Данные завода: неприятный момент
Мы привыкли говорить: загрузим данные предприятия в систему и обучим модель. Не всё так просто. На ЦИПР представители промышленности прямо говорили, что технологические данные часто не готовы отправлять во внешнее облако вообще. Поэтому ИИ приходится разворачивать внутри закрытого контура предприятия.
А это уже серверы. Электроэнергия. Охлаждение. Защита информации. Специалисты. И совсем другие деньги.
Потребность России в вычислительных мощностях под ИИ к 2035 году оценивается примерно в 2,5 ГВт, а AI-ЦОД мощностью 100 МВт может стоить 400-500 млрд рублей. При этом существующая инфраструктура, по приведённым на ЦИПР данным, загружена примерно на 20%. Вот такой получается парадокс. Мы одновременно говорим о нехватке вычислительных мощностей и недозагрузке уже построенных. Знакомая промышленная история: купить оборудование иногда проще, чем научиться нормально его использовать.
Где ИИ реально помогает на заводе до 1500 человек
Ниже — практичный разбор по ролям и отделам: от рабочего до директора. Только то, что даёт ощутимый эффект без огромных бюджетов и штата data-science.
На заводе с оцифрованными данными ИИ помогает там, где человек физически не успевает обработать объём информации. На уровне рабочих ИИ снижает брак и ускоряет операции, подсказывая оптимальные действия в повторяющихся процессах. Мастерам он даёт возможность управлять участком, а не тушить пожары, заранее показывая узкие места и риски. Технологам ИИ помогает видеть лишние операции, оптимизировать маршруты и принимать решения на основе фактов, а не привычек.
В контроле качества ИИ фиксирует отклонения быстрее человека и делает процесс проверки объективным. В логистике и снабжении ИИ убирает хаос, прогнозируя потребности и выявляя слабые места в поставках. Для ПЭО ИИ превращает производственные данные в деньги, показывая реальную себестоимость и потери. HR получает возможность понимать текучесть, эффективность смен и реальные навыки сотрудников, а не только резюме. Руководители цехов начинают видеть завод как систему, а не набор разрозненных проблем. Директор получает стратегическую картину: рентабельность направлений, сценарии развития и прогнозы, основанные на данных, а не на ощущениях.
Кстати, когда речь заходит о модернизации производственных помещений, я всегда вспоминаю, что выбор надёжного поставщика материалов — это такая же системная задача, как и внедрение ИИ: сначала нужно понять реальные потребности, а потом уже искать решение.
С чего бы я начал на самом деле
Если ко мне завтра придёт директор завода и скажет: «Павел, хочу внедрить искусственный интеллект», мой первый вопрос будет не про нейросеть.
Где вы теряете деньги? Покажите участок. Покажите простой. Покажите брак. Покажите оборудование, которое ремонтируют третий раз за год. Покажите операцию, на которую невозможно найти людей. Покажите инженера, который два часа ищет нужный чертёж.
А уже потом будем решать, нужен там ИИ, обычная автоматизация, новый датчик, изменение конструкции или хороший технолог с карандашом.
Иногда искусственный интеллект действительно даст миллионы. А иногда проблему за $100 000 решит изменение детали за $2500. Мне как инженеру второй вариант ничуть не менее интересен.
Потому что задача производства не внедрять ИИ. Задача производства — выпускать больше, дешевле, стабильнее и с меньшим количеством проблем. Если искусственный интеллект этому помогает — прекрасно. Если нет, значит, мы купили очень дорогую игрушку.
Готово ли ваше предприятие к тому, что через 5 лет половину работы будут делать не люди, а ИИ-агенты? И что вы делаете для этого уже сегодня?