За последние два года разговор об ИИ в промышленности сменил тон. Ещё недавно заводы спрашивали, можно ли вообще доверить модели контроль качества. Сейчас вопрос другой: какие проекты возвращают вложенные деньги, а какие годами живут в статусе «пилота» и съедают бюджет цифровой службы.
Ответ зависит не от модели, а от того, есть ли у задачи понятные потери, данные и человек в цеху, который отвечает за результат. Команды заказной разработки, которые берутся за внедрение ИИ в производство, поэтому обычно начинают с аудита данных и расчёта потерь, а выбор алгоритма оставляют на потом. Тот же порядок редакция советует любому предприятию, даже если оно покупает готовую платформу.
Ниже разбор по направлениям: где эффект подтверждён, что стоит за отраслевой статистикой, на чём спотыкаются пилоты и как посчитать окупаемость заранее. Роботов-гуманоидов мы здесь не касаемся: о них подробно написано в материале «Гуманоиды пришли на заводы».
Где ИИ на заводе уже приносит деньги
Почти все проекты, которые доходят до промышленной эксплуатации, попадают в пять направлений. У каждого свой источник денег и свои требования к данным.
Контроль качества компьютерным зрением
Камера над конвейером и модель, обученная на снимках годных и бракованных изделий, проверяют каждую деталь, а не выборку. Это самый понятный сценарий: эффект виден в доле брака, рекламациях и числе контролёров на линии.
Работает лучше всего там, где дефект виден глазом: царапины, сколы, непропай, неверная маркировка, посторонние включения в стекле или пластике. Сложнее с дефектами, которые проявляются только под нагрузкой или внутри материала: там нужны рентген, ультразвук или термография, и модель обучается уже на этих данных.
- Что нужно: стабильное освещение, тысячи размеченных снимков, в том числе редких дефектов.
- Где ломается: смена партии сырья или цвета изделия, новая оснастка, грязная оптика.
- Как мерить: пропущенный брак и ложные отбраковки до и после, в штуках и рублях.
Предиктивное обслуживание оборудования
Предиктивное обслуживание ищет признаки будущей поломки в вибрации, температуре, токе двигателя и давлении. Ремонт планируют до отказа, а не по календарю и не после аварии.
Масштаб потерь, на которые нацелен этот сценарий, большой. В обзоре Deloitte о предиктивном обслуживании указано, что неудачная стратегия ремонтов может снижать производственную мощность актива на 5–20%, а внеплановые простои обходятся промышленности примерно в 50 млрд долларов в год (Deloitte).
Подвох в том, что поломки редки. Чтобы модель научилась их предсказывать, нужна история отказов с привязкой к показаниям датчиков, а на многих заводах журнал ремонтов ведётся на бумаге или в свободной форме. Поэтому первые проекты часто начинают с более простой задачи: выявлять аномальное поведение агрегата и отдавать сигнал механику, без прогноза точной даты отказа.
Энергия и параметры технологического процесса
Модели подбирают режимы печей, компрессоров, вентиляции и сушильных камер так, чтобы снизить расход энергии и сырья при том же качестве. В энергоёмких отраслях, от металлургии до производства стройматериалов, энергия входит в крупнейшие статьи затрат, поэтому даже небольшой процент экономии заметен в деньгах.
Ограничение здесь в доверии технологов. Модель, которая советует изменить температуру или скорость линии, должна объяснять рекомендацию, а внедрение обычно идёт в режиме советчика: решение принимает человек, система показывает прогноз эффекта.
Планирование производства и прогноз спроса
Сюда относятся три задачи:
- прогноз спроса;
- расписание загрузки станков;
- подбор последовательности заказов, чтобы сократить переналадки.
Эффект проявляется в запасах, сроках выполнения заказов и загрузке оборудования.
Это задача на стыке ERP, MES и складских систем, поэтому основная работа уходит на интеграцию и очистку справочников. Модель планирования бесполезна, если нормы времени в системе устарели на несколько лет.
Документы, регламенты и генеративный ИИ
Языковые модели пришли на завод не в цех, а в инженерную службу. Типовые задачи:
- поиск по документации оборудования и регламентам;
- черновики нарядов-допусков и отчётов о сменах;
- разбор обращений в службу ремонта.
Как устроен поиск по корпоративным документам и почему его качество важнее выбора модели, мы разбирали в колонке «RAG или дообучение».
Эффект здесь меряется временем инженеров и техников, а главный риск связан с уверенными ошибками в ответах. Для заводской документации это критично: неверный момент затяжки или пропущенный пункт допуска стоят дороже, чем сэкономленные минуты. Поэтому ответы должны ссылаться на источник, а для операций с риском для людей решение остаётся за человеком.
Что показывают отраслевые цифры и где в них подвох
Самые цитируемые цифры об эффекте ИИ на производстве дают два источника, и они смотрят на рынок с противоположных сторон.
Сеть «маяков» WEF и отчёт MIT
Сеть «маяков» Всемирного экономического форума. В сентябре 2025 года WEF добавил в Global Lighthouse Network 12 площадок, и сеть выросла до 201 производства. По данным форума, у новых участников производительность труда выросла в среднем на 40%, сроки поставок сократились на 48%, дефекты снизились на 41%, энергопотребление на 28%. Доля сценариев на основе ИИ и генеративного ИИ среди ключевых достигла 50% (WEF).
Отчёт MIT о генеративном ИИ. В августе 2025 года исследователи проекта NANDA в MIT опубликовали отчёт The GenAI Divide. По их оценке, около 95% корпоративных пилотов генеративного ИИ не дали измеримого эффекта в отчёте о прибылях и убытках. Отчёт строился на анализе примерно 300 публичных внедрений, интервью с руководителями и опросе сотрудников (Fortune).
Почему эти цифры нельзя переносить на свой завод
Обе цифры правдивы, но ни одну нельзя переносить на свой завод напрямую.
- «Маяки» — это отбор лучших. В сеть попадают площадки, которые уже прошли трансформацию и подали заявку с подтверждёнными результатами. Средние показатели по ним описывают потолок, а не типичный проект. Кроме того, эффект складывается из многих изменений сразу, и доля именно ИИ в нём не выделена.
- 95% у MIT — про генеративный ИИ в целом. Отчёт касается в основном офисных сценариев и инструментов вроде чат-ассистентов, а не классического компьютерного зрения и предиктивной аналитики на производстве. Методику исследования критиковали за небольшую выборку и строгое определение успеха.
- Обе цифры совпадают в главном. Эффект получают те, кто встраивает ИИ в конкретный процесс с измеримыми потерями, а не те, кто покупает «ИИ вообще».
Отдельно о бюджетах. Как растут счета за ИИ даже при дешевеющих токенах, мы считали в колонке об экономике инференса. Для завода это особенно важно в сценариях с генеративными моделями, где стоимость растёт вместе с числом пользователей и запросов.
Какой сценарий выбрать: сравнение по данным и рискам
Практическое правило: первым берут сценарий, где потери уже посчитаны в рублях и где результат можно проверить за несколько недель на одном участке. Чаще всего это контроль качества на линии с дорогим браком или мониторинг одного критичного агрегата, простой которого останавливает весь цех.
Таблица ниже помогает сравнить направления по тому, что нужно на входе и где обычно возникают проблемы. Сроки здесь не обещание, а относительный порядок: в каждом проекте они зависят от состояния данных и интеграции.
| Сценарий | Какие данные нужны | Где деньги | Типичный риск | Когда виден эффект |
|---|---|---|---|---|
| Контроль качества зрением | снимки изделий, размеченный брак | брак, рекламации, контролёры | редкие дефекты, смена партии | быстро, после запуска на одной линии |
| Предиктивное обслуживание | датчики, история отказов и ремонтов | внеплановые простои, аварийные ремонты | мало отказов для обучения | медленнее, нужна статистика поломок |
| Энергия и режимы процесса | параметры процесса, счётчики | энергия, сырьё | недоверие технологов | средне, после режима советчика |
| Планирование и прогноз | заказы, нормы, остатки из ERP и MES | запасы, переналадки, сроки | устаревшие справочники | средне, после интеграции |
| Генеративный ИИ по документам | регламенты, паспорта оборудования | время инженеров и техников | уверенные ошибки в ответах | быстро для поиска, сложно измерить |
Российский пример: чему учит опыт «Северстали»
Хорошая иллюстрация того, сколько времени занимает путь от датчиков до денег, есть в открытом рассказе «Северстали» о системе раннего выявления неисправностей, опубликованном на Хабре в декабре 2024 года (Хабр).
По описанию компании, работа над программами мониторинга оборудования началась ещё в 2013 году. Точность выявления неисправностей сначала была меньше 1%, к 2021 году выросла до 10–15%, а после перестройки процессов достигла 65% с целью выйти на 85%. Счётчик предотвращённых рисков, по данным компании, превысил несколько миллиардов рублей.
Из этой истории для любого завода следуют три вывода.
- Это марафон, а не пилот на квартал. Годы ушли не на выбор модели, а на сбор данных, процессы реагирования и доверие ремонтных служб.
- Точность росла вместе с процессом. Скачок с 10–15% до 65% связан не только с алгоритмами, но и с тем, как сигналы системы обрабатывают люди.
- Эффект меряют предотвращёнными потерями. Компания считает не «точность модели», а деньги, которые удалось сохранить, и это правильная метрика для руководства.
Почему пилоты не доходят до цеха
По опыту внедрений, которые описывают предприятия и интеграторы, причины провалов повторяются от проекта к проекту.
Организация и данные
- Нет хозяина результата. Проект ведёт цифровая служба, а начальник цеха воспринимает его как эксперимент, который мешает выполнять план. Без владельца процесса на стороне производства модель остаётся в презентации.
- Пилот на «чистых» данных. Модель обучили на аккуратно собранном наборе, а в цеху другие камеры, пыль, вибрация и новые партии сырья. Точность падает в первую же неделю.
- Нет интеграции с рабочими системами. Сигнал о дефекте или скорой поломке живёт в отдельном дашборде, который никто не открывает. Он должен приходить туда, где работают люди: в MES, систему ТОиР, на планшет мастера.
- Не посчитана базовая линия. Никто не знает, сколько брака и простоев было до проекта, поэтому эффект нельзя доказать даже при реальном улучшении.
Платформа, эксплуатация и безопасность
- Ставка на «универсальную платформу». Покупка большой системы «для всего завода» до того, как один сценарий доказал эффект, часто заканчивается дорогой лицензией без пользы.
- Забыты эксплуатация и переобучение. Модели нужен мониторинг качества, переобучение при смене продукции и человек, который за это отвечает. Без этого через полгода система тихо деградирует.
- Безопасность на потом. Подключение промышленной сети к облаку без согласования со службой безопасности останавливает проект на этапе масштабирования.
Отдельная история с генеративными ассистентами и агентами: им нельзя давать право действовать в системах управления без подтверждения человека. О том, где ИИ-агенты в компаниях работают, а где нет, мы писали в колонке «ИИ-агенты в 2026».
Какие данные и инфраструктура нужны заводу
Почти в каждом разборе неудачного проекта звучит одна и та же фраза: «данные оказались не те». Чтобы этого не случилось, стоит заранее пройти по четырём слоям.
Датчики и источники сигналов
На многих предприятиях оборудование уже снимает десятки параметров, но они живут в контроллерах и SCADA и никуда не сохраняются, кроме экрана оператора. Первая задача — понять, какие сигналы есть, с какой частотой они пишутся и как долго хранятся. Для мониторинга вибрации часто приходится ставить дополнительные датчики: штатные показания тока и температуры слишком грубы, чтобы заметить ранний износ подшипника.
История событий и разметка
Модели учатся на событиях: отказ, брак, переналадка, смена партии. Если журнал ремонтов ведётся свободным текстом, а брак списывается одной строкой в конце смены, связать событие с показаниями датчиков невозможно. Поэтому параллельно с проектом обычно меняют сам учёт: структурированные причины простоев, фото брака с привязкой к партии, электронные наряды.
Разметку снимков для компьютерного зрения делают технологи и контролёры ОТК, а не случайные исполнители: только они отличают допустимую риску от брака. Это время специалистов, и его стоит заложить в план.
Связь цеха и IT-систем
Промышленная сеть и офисная традиционно разделены, и это правильно с точки зрения безопасности. Проекту ИИ нужен контролируемый мост: данные из цеха попадают в хранилище, а рекомендации возвращаются в MES или систему ТОиР. Архитектуру этого моста согласуют со службой информационной безопасности на старте, а не перед масштабированием.
Вычисления на месте и в облаке
Обучать модели удобно на мощных серверах или в облаке, а запускать их для решений в реальном времени — рядом с линией. Камера контроля качества не может ждать ответа из удалённого дата-центра, если конвейер выдаёт изделие каждую секунду. Отсюда типовая схема: промышленный компьютер у линии, центральное хранилище для данных и обучения, мониторинг качества моделей.
Как меняется работа людей в цеху
Внедрение ИИ на производстве редко сокращает людей так, как обещают презентации. Чаще меняется содержание работы, и от того, как это объяснят персоналу, зависит судьба проекта.
- Контролёры ОТК перестают смотреть на каждую деталь и разбирают спорные случаи, которые система отметила как сомнительные. Их опыт нужен для разметки новых дефектов.
- Механики и ремонтники получают сигнал о проблеме заранее и планируют работу, а не выезжают на аварии. Но им нужно доверять системе, а доверие появляется после первых подтверждённых предупреждений.
- Технологи получают инструмент для экспериментов с режимами, но остаются ответственными за результат. Модель советует, решение принимает человек.
- Мастера смен работают с подсказками на планшете или терминале у линии, поэтому интерфейс должен быть простым и понятным в перчатках и при шуме.
По опыту внедрений, которые описывают интеграторы, сопротивление снижается, когда операторов и мастеров привлекают к пилоту с первого дня: они подсказывают, где система ошибается, и становятся её сторонниками. Если же проект приходит в цех готовым «сверху», его тихо игнорируют.
Как посчитать окупаемость до старта проекта
Редакция советует считать эффект до того, как выбран подрядчик или платформа. Расчёт простой, но заставляет ответить на неудобные вопросы.
- Базовая линия потерь. Сколько стоит проблема сейчас: брак в рублях за год, часы внеплановых простоев с учётом недовыпуска, перерасход энергии. Если цифры нет, первый этап проекта и есть её сбор.
- Достижимая доля. Какую часть потерь реально убрать. Для расчёта берут консервативную оценку, а не лучший кейс из презентации вендора.
- Полная стоимость владения. Датчики и камеры, промышленные компьютеры, разметка данных, разработка и интеграция, обучение персонала, поддержка и переобучение моделей на несколько лет вперёд.
- Срок до эффекта. Сколько месяцев уйдёт на сбор данных и запуск, прежде чем экономия начнёт копиться.
- Критерий успеха пилота. Конкретное число, при котором проект масштабируют, и число, при котором его закрывают. Решение о закрытии тоже результат.
Формула в итоге выглядит так: годовая экономия равна базовым потерям, умноженным на достижимую долю, а окупаемость равна полной стоимости проекта, делённой на годовую экономию. Если даже при оптимистичной доле срок выходит за горизонт планирования завода, сценарий стоит сменить.
Полезная проверка на здравый смысл: если эффект проекта невозможно выразить в рублях, штуках или часах, это ещё не проект, а исследование. Его можно финансировать, но не стоит ждать от него окупаемости.
Как запускать внедрение: порядок шагов
Порядок, который чаще всего приводит к результату, выглядит так.
- Выбрать одну проблему с измеримыми потерями и одного владельца процесса на стороне производства.
- Провести аудит данных: какие датчики, журналы и системы уже есть, чего не хватает, кто отвечает за качество данных.
- Собрать данные и базовую линию на одном участке: недели или месяцы, в зависимости от сценария.
- Запустить пилот в режиме советчика: система подсказывает, человек решает, все рекомендации и решения записываются.
- Встроить результат в рабочие инструменты: MES, систему ТОиР, мобильное приложение мастера или механика.
- Сравнить с базовой линией и принять решение о масштабировании на другие линии и площадки.
Где запускать модели, в облаке или на месте, решают отдельно. Для контроля качества и мониторинга в реальном времени инференс часто оставляют на промышленных компьютерах у линии: так быстрее и проще с требованиями безопасности. Когда малые модели на устройстве выгоднее облака, мы разбирали в колонке о малых моделях.
Готовая платформа или заказная разработка?
Выбор зависит от того, насколько типовая задача и где живут данные.
- Готовая платформа подходит для стандартных сценариев: мониторинг вибрации типовых двигателей и насосов, распознавание распространённых дефектов, учёт энергопотребления. Плюсы: быстрый старт и обкатанные модели. Минусы: лицензия на годы и ограниченная интеграция с вашими системами.
- Заказная разработка нужна, когда процесс нестандартный, данные разбросаны по нескольким системам, а результат должен попадать в MES, ERP и мобильные приложения персонала. Плюсы: решение под процесс и данные в своём контуре. Минусы: выше требования к постановке задачи и к поддержке после запуска.
- Гибрид встречается чаще всего: готовые модели и сервисы для распознавания или мониторинга, а вокруг них своя интеграция, интерфейсы для цеха и аналитика.
В любом варианте стоит заранее договориться, кому принадлежат данные и обученные модели, и как переобучать систему при смене продукции. Эти вопросы чаще всего всплывают уже после подписания договора.
Вопросы подрядчику перед договором
Перед выбором подрядчика полезно задать несколько вопросов:
- Какие похожие проекты доведены до эксплуатации, а не до пилота, и можно ли поговорить с заказчиком?
- Как подрядчик будет измерять эффект и с какой базовой линией сравнивать?
- Кто размечает данные и сколько времени это займёт у специалистов завода?
- Как решение встраивается в существующие MES, ERP и систему ТОиР?
- Что происходит с моделью после запуска: кто следит за качеством и переобучает её?
- Можно ли развернуть систему в контуре предприятия без передачи данных наружу?
Ответы на эти вопросы обычно говорят о подрядчике больше, чем демонстрация модели на заранее подготовленных снимках.
Что изменилось к концу 2026 года
Два года назад промышленный ИИ обсуждали в основном как набор пилотов. К ноябрю 2026 года картина стала спокойнее и практичнее. Компьютерное зрение и мониторинг оборудования превратились в обычные инженерные проекты со своими сроками и сметами. Генеративные модели закрепились в инженерных службах как поиск по документации и помощник в подготовке отчётов, а не как замена технологов.
Главный вывод редакции не изменился: окупаются проекты, у которых есть посчитанные потери, данные и владелец процесса в цеху. Модель в этой формуле важна, но редко бывает узким местом. Другие разборы внедрений собраны в рубрике «ИИ в бизнесе».
Вопросы о внедрении ИИ на заводе
С чего начать внедрение ИИ на заводе, если данных почти нет?
С инвентаризации и сбора данных по одной проблеме: где теряются деньги, какие датчики и журналы уже есть, что нужно доставить. Часто первые месяцы уходят на то, чтобы оцифровать журналы ремонтов и брака. Без этого модель не на чем обучать.
Что быстрее окупается: компьютерное зрение или предиктивное обслуживание?
Зависит от того, где больше потерь. Если брак дорогой и его ловят вручную, зрение даёт эффект быстрее и проще измеряется. Если основные потери в простоях критичного оборудования, выгоднее мониторинг состояния. Сравнивать стоит по деньгам, которые теряются сейчас.
Можно ли обойтись готовой платформой без своей разработки?
Для типовых задач вроде мониторинга вибрации стандартных двигателей готовые решения работают. Заказная разработка нужна, когда данные разбросаны по нескольким системам, процесс нестандартный или результат должен попадать в MES, ТОиР и мобильные приложения мастеров.
Нужно ли везти данные завода в облако?
Не обязательно. Модели контроля качества и мониторинга часто работают на месте, на промышленных компьютерах у линии. Облако удобно для обучения и аналитики, но для решений в реальном времени и по требованиям безопасности инференс нередко оставляют в контуре предприятия.
Сократит ли ИИ рабочие места в цеху?
Чаще меняется содержание работы, а не численность. Контролёры разбирают спорные случаи и размечают новые дефекты, механики планируют ремонты вместо аварийных выездов, технологи проверяют рекомендации модели. Проекты, в которых персонал участвует с первого дня, проходят заметно легче.
Чем генеративный ИИ полезен заводу, кроме чат-бота?
Поиском по регламентам и документации оборудования, подготовкой черновиков нарядов и отчётов, разбором записей смены. Здесь эффект измеряется временем инженеров и техников, а риск связан с ошибками в ответах, поэтому нужны ссылки на источник и проверка человеком.



