Последние несколько лет я всё чаще ловлю себя на мысли, что разговоры об искусственном интеллекте напоминают мне шум в цехе перед запуском новой линии: все обсуждают, как здорово станет работать, но мало кто может внятно объяснить, что именно изменится. Меня зовут Павел Самута, я инженер-механик, и мне довелось наблюдать, как технологии, обещающие революцию, разбиваются о реальность производственных площадок. Поэтому, когда я начал разбираться в том, что происходит с ИИ в промышленности, первый вопрос у меня был не про нейросети, а про деньги. Где тот момент, когда красивая презентация превращается в измеримый результат?
Если отбросить маркетинговую шелуху, остаётся сухая инженерная формула: есть оборудование, есть технологический процесс, есть потери. И только если система меняет один из этих элементов так, что потери сокращаются, можно говорить об эффекте. Всё остальное — цифровой шум.
Цифры, которые заставляют задуматься
Материалы недавнего ЦИПР-2026 дали мне повод пересмотреть скептическое отношение к теме. Оказалось, что промышленный ИИ уже перестал быть концепцией и начал приносить вполне осязаемые суммы. Например, в ЕвроХиме заявляют о четырёх миллиардах рублей суммарного эффекта за три года. При этом около шестидесяти процентов цехов компании уже работают с рекомендательными системами, которые принесли примерно полтора миллиарда. Ещё несколько сотен миллионов — это вклад систем предиктивной диагностики, которые заранее предупреждают о проблемах с оборудованием.
Промышленный ИИ перестал быть концепцией и начал приносить реальные деньги
Вот это мне понятно. Когда система помогает избежать внепланового простоя или сокращает расход сырья, не нужно быть аналитиком данных, чтобы увидеть выгоду. Можно, конечно, спорить о методиках расчёта, но направление поиска результата хотя бы очевидно.
В Норильском никеле искусственный интеллект охватывает порядка восьмидесяти процентов основной технологической цепочки. Северсталь приводит ещё более отрезвляющую цифру: лишь сорок шесть-сорок семь процентов их ИИ-проектов оказываются прибыльными. Меньше половины! И это у компании с ресурсами, специалистами и огромными массивами производственных данных. Если даже там каждая вторая инициатива не дотягивает до окупаемости, что говорить об остальных.
Как крупные игроки выстраивают работу с ИИ
ЕвроХим сейчас смещает фокус с простых рекомендаций на полноценных ИИ-агентов, которые должны переосмысливать процессы и перенастраивать их под максимальную эффективность. К концу 2026 — началу 2027 года компания планирует полностью покрыть цеха такими системами. Норникель пошёл по пути федерализации: централизованная команда отвечает за платформенные решения, а специалисты по ИИ распределены по бизнес-подразделениям. Правда, там признают проблему: экономисты не всегда готовы учитывать эффекты от генеративных инструментов в управленческих процессах как вклад в EBITDA.
Северсталь сделала ставку на культурную трансформацию. Почти три сотни мероприятий — от воркшопов до бизнес-игр — были проведены, чтобы вовлечь сотрудников в работу с генеративным ИИ. В компании прогнозируют появление полностью безлюдных процессов в ряде операционных функций, возможно, даже в продажах.
Отдельного внимания заслуживает подход КРОК, где разграничивают понятия агента и ИИ-сотрудника. Агент решает локальную задачу, а ИИ-сотрудник — это полноценный участник команды, которому можно ставить задачи на естественном языке. Звучит амбициозно, но прогноз компании о том, что в команде из десяти человек семеро могут быть цифровыми, заставляет задуматься о будущем рынка труда.
Почему AI-лаборатории не работают
Модель «собрать звёзд в отдельной лаборатории и назвать это AI Lab» признана тупиковой. Я видел подобное на производстве: создаётся элитное подразделение, которое делает что-то, чего никто больше в компании не понимает, а результат не масштабируется. Современный подход предполагает распределение экспертизы по всем подразделениям, чтобы каждый отдел мог самостоятельно применять инструменты ИИ в своей работе.
HeadHunter, например, создал внутренний AI-гейтвей — агрегатор, через который любой сотрудник получает безопасный доступ к популярным языковым моделям. Это альтернатива хаотичному использованию личных аккаунтов, которое чревато утечкой корпоративных данных. MWS AI пошла ещё дальше, встроив навыки работы с ИИ в матрицу компетенций: теперь это влияет на оценку, рост и повышение сотрудников.
Прежде чем мечтать о безлюдных цехах, стоит разобраться с базовой инженерной гигиеной. Если на предприятии не описан технологический процесс, если в конструкторской документации три версии одной детали и никто не помнит, какая пошла в производство, нейросеть лишь быстрее найдёт все три. Если редуктор выходит из строя каждые четыре месяца и никто не знает почему, ИИ не починит его магическим образом. Компьютер не отменяет причинно-следственную связь — он лишь ускоряет работу с ней.
Сначала проблема, потом технология
На ЦИПР прозвучала мысль, которая мне как инженеру особенно близка. Использование ИИ для отдельных операций даёт примерно десять-двадцать процентов выигрыша, а полная автоматизация процесса способна принести значительно больше. Но чтобы автоматизировать процесс, нужно сначала его понять: где вход, что происходит внутри, где принимается решение, где рождается брак, почему простаивает оборудование и сколько это стоит. Знакомая история: прежде чем оптимизировать конструкцию, неплохо бы разобраться, как она работает.
Если завтра ко мне придёт директор завода и скажет: «Хочу внедрить искусственный интеллект», мой первый вопрос будет не про нейросеть. Я спрошу, где предприятие теряет деньги. Попрошу показать участок, простой, брак, оборудование, которое ремонтируют третий раз за год. Покажу операцию, на которую невозможно найти людей, и инженера, который два часа ищет нужный чертёж. А уже потом будем решать, нужен там ИИ, обычная автоматизация, новый датчик или хороший технолог с карандашом.
Физический ИИ и кадровый голод
Меня гораздо больше интересует так называемый физический ИИ — когда программа не пишет письма и не рисует картинки, а управляет реальным оборудованием. Роботом, транспортом, технологическим процессом. На ЦИПР приводили впечатляющие примеры: у Amazon количество промышленных роботов выросло с трёхсот тысяч до более чем миллиона, Яндекс использует около тысячи роверов, а беспилотный грузовик прошёл маршрут Москва — Санкт-Петербург без вмешательства водителя. К 2030 году прогнозируется нехватка примерно трёх миллионов работников в производственном секторе, и если человека физически нет возле станка, философский спор о роботизации быстро заканчивается.
Но здесь возникает неожиданная проблема. Для хороших промышленных роботов человечество накопило крайне мало полезных обучающих данных. 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 автоматически, а для машины это огромный набор данных. Механика неожиданно встречается с искусственным интеллектом.
Данные, серверы и парадокс мощностей
Есть и ещё один неприятный момент. Мы привыкли говорить: загрузим данные предприятия в систему и обучим модель. Но технологические данные часто нельзя отправлять во внешнее облако, поэтому ИИ приходится разворачивать внутри закрытого контура. А это 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-центр обработки данных мощностью 100 МВт может стоить 400–500 миллиардов рублей. При этом существующая инфраструктура загружена лишь на двадцать процентов. Знакомая промышленная история: купить оборудование иногда проще, чем научиться нормально его использовать.
Где ИИ реально помогает заводу до 1500 человек
При наличии оцифрованных данных искусственный интеллект даёт ощутимый эффект без огромных бюджетов и штата data-science. На уровне рабочих он снижает брак и ускоряет повторяющиеся операции, подсказывая оптимальные действия. Мастерам позволяет управлять участком, а не тушить пожары, заранее показывая узкие места и риски. Технологам помогает видеть лишние операции и принимать решения на основе фактов, а не привычек. В контроле качества ИИ фиксирует отклонения быстрее человека и делает проверку объективной. В логистике и снабжении убирает хаос, прогнозируя потребности и выявляя слабые места в поставках. Для планово-экономического отдела превращает производственные данные в деньги, показывая реальную себестоимость и потери. HR получает возможность понимать текучесть, эффективность смен и реальные навыки сотрудников. 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.
Иногда искусственный интеллект действительно даст миллионы. А иногда проблему за сто тысяч долларов решит изменение детали за две с половиной тысячи. Мне как инженеру второй вариант ничуть не менее интересен. Задача производства не внедрять ИИ, а выпускать больше, дешевле, стабильнее и с меньшим количеством проблем. Если искусственный интеллект этому помогает — прекрасно. Если нет, значит, мы купили очень дорогую игрушку.