Почему 90% ИИ-проектов не выходят из пилота и как масштабировать ИИ на производстве
Вопрос, работает ли искусственный интеллект, уже не имеет смысла. Отечественные предприятия запустили десятки апробаций: где‑то нейросеть помогает технологу рассчитывать маршрут обработки детали, где‑то компьютерное зрение распознаёт дефект на сварном шве, где‑то алгоритм подсказывает диспетчеру, какую бригаду отправить на аварийный участок, а где‑то по цеху ездит робот-уборщик, освобождая персонал от монотонной работы.
Проблема в том, что подавляющее большинство этих инициатив так и остаётся в статусе «успешного эксперимента». Демонстрация прошла, руководство пожало руки, отчёт лёг в папку, а на соседней площадке всё по-прежнему считается в электронных таблицах и записывается в бумажный журнал.
Согласно экспертным оценкам, до производства не доходят около 90% проектов, связанных с искусственным интеллектом: значительная часть инициатив останавливается уже на этапе перехода от пилота к промышленной эксплуатации.
Другое исследование, проведённое ФГАУ «Цифровые индустриальные технологии» и «К2Тех», показало, что полностью готовой и автоматизированной для запуска ИИ-нагрузок свою информационную инфраструктуру считают лишь 7% промышленных предприятий.
Так при каких условиях тестовое решение превращается в устойчивый экономический результат, воспроизводимый на второй, пятой, двадцатой площадке? Что мешает перенести то, что отлично показало себя в одном цехе, на весь холдинг? И нужно ли ломать устоявшиеся механизмы ради того, чтобы впустить в них алгоритм, или достаточно аккуратно встроить новый инструмент в существующий порядок?
ИИ в реальных сменах: где эффект подтверждён
Начнём с того, что уже работает не в презентациях, а в реальных сменах, на настоящих станках, с инженерами, которые видят результат в сокращении времени между получением чертежа и запуском детали в производство.
«Сначала я бы определился с термином «AI-агент». На рынке много ассистентов и помощников сотрудника, но почти нет агентов, то есть систем, которые получают цель, сами строят цепочку действий и доводят последовательность до результата», — считает учредитель ООО «Тендерный центр «С.Т.И.К.» Андрей Пожаров.
Подтверждённый эффект, по его наблюдениям, уже есть там, где алгоритм работает с информацией и результат легко проверить: в технической документации, корпоративных знаниях, закупках, договорной работе. Однако чем ближе система к самостоятельному изменению физического производства, тем меньше реальных запусков: слишком высока цена ошибки.
Эксперт ООО «СБЕР2В» Денис Козицкий подтверждает, что максимально эффективны сценарии с большим объёмом рутины и чётким алгоритмом. Интеллектуальные помощники высвобождают значительную часть рабочего времени сотрудников снабжения, помогают с нормативно-справочной информацией для технического обслуживания и ремонта оборудования, осуществляют входной контроль.
Ссылаясь на прогнозы аналитического агентства Gartner, г-н Козицкий отмечает, что к концу 2026 года около 40% корпоративных приложений будут интегрированы с агентами, ориентированными на конкретные задачи, а к 2028 году примерно 15% повседневных рабочих решений в бизнесе будут приниматься автономно. При этом он предостерегает от использования нейросетей для стратегического планирования: риск «галлюцинаций» всё ещё велик, и любые прогнозы должен проверять человек.
Сотрудник исследовательского центра ООО «Уральский центр систем безопасности» (УЦСБ) Залина Русинова обращает внимание на многошаговые производственные цепочки. В качестве примера она приводит опыт Череповецкого комплекса «ФосАгро», где большая языковая модель интегрирована в систему управления производством: агентный механизм позволяет анализировать текущий контекст, работать с технологическими регламентами и решать прикладные задачи операторов.
В зарубежной практике г-жа Русинова выделяет опыт индийской металлургической компании Tata Steel, где развернули сотни специализированных агентов для контроля безопасности и анализа состояния оборудования.
Технический директор ООО «КЛ Бизнес Солюшнс» Алексей Лисицын считает, что алгоритмы уже стали рабочим инструментом там, где велик объём шаблонных операций с инженерными фактами. Речь идёт о нормоконтроле, верификации чертежей, автоматическом формировании техпроцессов и расчёте нормативов. В работе с конструкторской документацией помощник не просто отвечает на вопрос сотрудника, а участвует в самой рутине: извлекает информацию из спецификаций, помогает проводить аудит.
«Максимальный подтверждённый эффект мы видим именно в технологической подготовке производства. В компании «Тимокс» расчёт себестоимости уникальных деталей сократился с двух недель до трёх минут, а обработка одного чертежа вместо 4‒16 часов теперь занимает одну-пять минут. Ускорение — более чем в 40 раз, точность выросла на 35%, а окупаемость составила от трёх до шести месяцев», — утверждает генеральный директор ООО «Технология и Бизнес» (разработчик мультиагентной ИИ-системы «ТАБ: ИИ-Технолог») Андрей Мелков.
Руководитель направления по корпоративным платформам и ИИ в АО «К2 Интеграция» («К2Тех») Василий Мухин добавляет, что ощутимый результат будет там, где важны безопасность и скорость реакции. В проекте для энергетической отрасли система видеоаналитики на базе компьютерного зрения распознаёт более 20 видов средств индивидуальной защиты и фиксирует нарушения в реальном времени. В результате скорость реагирования на инциденты сократилась с нескольких часов до минут, а число нарушений техники безопасности снизилось на 90%.
Читайте также: «Промышленный ИИ: трудный путь от пилотов к масштабированию«.
Данные, которые не сходятся: главный барьер масштабирования
Мы спросили экспертов, что мешает перенести успешный эксперимент на вторую площадку. Ответ был единодушным: производственная рутина и информация. Причём не её отсутствие, с этим как раз всё относительно понятно, а её несопоставимость.
Например, то, что на одном заводе называется «насос П‑204», на другом значится как «агрегат перекачивающий, поз. 204», на третьем записано в бумажном журнале и не оцифровано вовсе. Для человека это досадная организационная особенность. Для нейросети — три принципиально разные сущности, между которыми невозможно построить мост.
«Искусственный интеллект не создаёт проблему плохих данных, он делает её стоимость видимой. На практике интеграция часто начинается с неожиданной вещи: предприятие вынуждено сначала формализовать собственные правила работы», — говорит Андрей Пожаров.
По его мнению, главный барьер возникает, когда компания сама не до конца понимает, как должен работать процесс, кто им владеет и отвечает за результат. В этом случае алгоритм лишь усилит хаос.
Пилот, как правило, строится на аккуратно подготовленной выборке: инженеры вручную собирают историю отказов, чистят выбросы, приводят к единому формату показания датчиков. В производственной реальности картина иная. Данные распределены по десяткам систем, порой несовместимых, а значительная часть информации и вовсе существует вне цифрового контура: в журналах, тетрадях, устных договорённостях. По оценке Strategy Partners, ручной ввод остаётся самым распространённым способом сбора данных в промышленности: его используют 56% предприятий.
Денис Козицкий подтверждает масштаб бедствия, ссылаясь на оценки Gartner, согласно которым 80% корпоративных массивов являются неструктурированными, и по ним сложно понять реальную картину. Золотое правило, по его словам, — начинать с инвентаризации. Нужно понять, какие данные вообще есть на производстве, из каких источников они приходят и как перемещаются. Без создания централизованного хранилища и управления информацией как единым активом любые попытки выстроить сквозную аналитику обречены на провал.
Кроме того, пилоты часто проводят в специально выделенной среде, так называемой песочнице. Чтобы полностью встроить инновацию в бизнес, её нужно подключить к учётным системам и предоставить доступ к реальным документам, что требует колоссальных дополнительных ресурсов.
Директор по работе с корпоративным сектором ООО «Аренадата Софтвер» (группа Arenadata) Максим Власюк объясняет, почему стандартизацию не стоит начинать с попытки физически собрать всё в едином хранилище. На практике важнее сначала договориться о смысле: что именно обозначают объекты, показатели и события.
Г-н Власюк предлагает подойти к решению в несколько этапов:
- сначала создать единые справочники и бизнес-термины,
- затем перейти к дата-контрактам, в которых закреплено, кто является владельцем массива, в каком формате он поступает и сколько пропусков допустимо,
- только после этого имеет смысл строить общий слой для обучения.
«На одной площадке температура пишется в базу с шагом в секунду, на другой оператор заносит показания в журнал раз в смену. Единую нейросеть на этом обучить затруднительно. Интеграция с наследуемыми системами десятилетней давности съедает до 60% бюджета, после чего экономика тиражирования нередко рассыпается», — поясняет учредитель ООО «Юнисофт Принт» Алексей Оносов.
Руководитель индустриального центра цифровизации АО «Ай-Теко» (ГК «Айтеко») Тимур Даянов называет основным препятствием не качество, а банальный доступ, уточняя, что часто сведения находятся в системах-«чёрных ящиках», откуда их нельзя выгрузить автоматически, история не хранится, а служба безопасности справедливо не разрешает эти данные передавать.
Алгоритм и металл: почему пилоты рассыпаются в цеху
Промышленность — это не только серверы и базы знаний. Это цеха, где виртуальный интеллект управляет физическими объектами. И здесь возникают свои иллюзии.
«Одна из самых распространённых ошибок — формулировать задачу слишком широко. Просьбы вроде «нужно роботизировать сварку» для проектирования решения недостаточны. Необходимо понимать конкретную номенклатуру, размеры и массу деталей, время цикла, способы подачи заготовок», — делится опытом руководитель отдела продаж по работе с ключевыми клиентами ООО «Иар Групп» (IAR-Group входит в ГК «Айтеко») Константин Димитришко.
Каждая линия уникальна, она как живой организм: манипулятор может не справиться с хаотично лежащими упаковками, и эта задача потребует систем технического зрения, которых первоначально не было в бюджете.
Те же законы работают и в, казалось бы, мирной сфере клининга. Директор по развитию ООО «Альфа-сервис ККМ» Наталья Карасёва рассказывает, что роботы-уборщики эффективно справляются с монотонной работой, но подходят далеко не для всех объектов. Если на производстве много небольших помещений и узких проходов, машина не сможет самостоятельно выполнять значительную часть работы. Роботизация оправдана на предприятиях с большой площадью, но даже там машина берёт на себя лишь около 20% всех задач, поэтому наиболее эффективной становится модель «человек + робот».
В опыте эксперта в создании распределённых ИТ-решений для финтеха и страхования Максима Егорова был случай, когда для одного из клиентов его команда сначала подключила к агенту десятки серверов (CRM, почту, документы) в логичной надежде, что нейросеть сама выберет нужный инструмент, но получила обратный эффект. Разрослось контекстное окно, токены уходили на описание инструментов.
Тогда специалисты попытались исправить ситуацию обратным подходом: выделить отдельный микросервис для каждой мелкой операции, но «получили ад». Главный вывод г-на Егорова прост: масштабировать нужно не количество инструментов, а бизнес-задачу, давая алгоритму минимальный набор функций.
«Для промышленности, особенно если мы говорим об объектах критической информационной инфраструктуры и законе номер 187-ФЗ, использование облачных платформ чревато комплаенс-рисками. Локальное развёртывание часто не просто одна из опций, а обязательное требование», — напоминает Денис Козицкий.
Так нужно ли полностью перестраивать производственную рутину до того, как в неё войдёт алгоритм, или достаточно встроить новый инструмент в существующий порядок?
Андрей Пожаров считает, что самая большая ошибка — взять механизм, придуманный для людей 20 лет назад, и заставить машину выполнять его быстрее. Возможно, половина этой последовательности больше вообще не нужна. Главный эффект агента, по его мнению, — не в сокращении людей, а в снижении стоимости координации между подразделениями: запросов, согласований, ожиданий и передачи информации.
Независимый эксперт по экономике, внешнеэкономической деятельности и цифровым платформам Владислав Скрипко уверен, что масштабирование — это, прежде всего, перестройка последовательности операций, а уже потом технологическая задача. Он предлагает начинать безопаснее, с «теневого» режима: система предлагает решение, но действие подтверждает человек. Так видны не только средняя точность, но и редкие опасные ошибки. Затем алгоритму передают ограниченный набор обратимых операций, а изменение параметров оборудования или остановка линии должны требовать подтверждения, пока система не накопила убедительную историю работы.
Автор образовательных программ для предпринимателей и корпоративных команд Ольга Павлюкова (ИП Павлюкова Ольга Александровна) называет интеграцию нейросетей проектом организационного самопознания. Компания начинает лучше понимать, как на самом деле работает её бизнес, где теряются факты и ответственность. В качестве примера она приводит пример из сферы недвижимости, где из-за текучки в отделе продаж руководитель постоянно адаптировал к работе новичков. На основе существующей базы знаний был создан пошаговый тренинг, который проводит нейросеть: выдаёт материалы, задаёт вопросы и проверяет усвоение. Таким образом, автоматизировалась не абстрактная «работа с персоналом», а конкретная повторяющаяся последовательность с понятными точками контроля.
«Не стоит пытаться сразу полностью перепроектировать бизнес-процесс под ИИ. Как бы тщательно ни конструировались процессы, на практике неизбежно столкновение с неожиданными сценариями и непредсказуемостью поведения системы. Логичнее двигаться итерационно: внедрять агентов на отдельных участках, анализировать промежуточные результаты, корректировать подход и только после этого расширять их функциональность», — подтверждает Василий Мухин.
Технолог знает свои процессы лучше любого консультанта, уверен Андрей Мелков, поэтому в практике его компании не переписывают процессы, а автоматизируют рутину внутри них. Процесс остаётся тем же, но время сокращается в разы.
«Мы категорически против реинжиниринга на берегу. Мы берём последовательность как есть, находим в ней самый трудоёмкий шаг, ставим туда агента, замеряем результат, а уже потом упрощаем всё вокруг этого шага», — приводит в пример свою практику Тимур Даянов.
Управляющий партнёр «Разработка и тестирование» (IBS) Максим Ковтун акцентирует внимание на необходимости проверки доли ручных исправлений: если она превышает 10‒15%, сначала механизм стоит перепроектировать. По практике его компании, около 40% инициатив не проходят этот фильтр. И в случае внедрения вместо пользы здесь получат ускоренную неэффективность.
Миссия: принять нового «коллегу» и обеспечить безопасность
Ни одна технология не приживётся на производстве, если люди воспринимают её как угрозу.
«Сопротивление персонала у станка бывает порой посильнее, чем в совете директоров. Страх за рабочее место — реальная сила, с которой нужно работать», — говорит Алексей Оносов.
При этом он уверен, что традиционные курсы здесь не эффективны: обучение действует, только если оно встроено в поток работы, через подсказки прямо в интерфейсе рабочей станции. Ольга Павлюкова подчёркивает, что недостаточно показать людям инструменты и показать им, как писать инструкции. Они должны учиться на собственных рабочих задачах: понимать, что можно передать машине, как проверять результат и когда решение нельзя оставлять без человеческого контроля.
«Чаще всего эксперимент убивает отсутствие ответственного за результат. Когда непонятно, с кого спрашивать, интеллектуальный помощник превращается в забаву ИТ-команды. Если нет человека, который понимает задачу и готов менять работу команды, проект просто некому довести до реального запуска», — предостерегает учредитель ООО «Надельсон. Архитектура Интеллекта» (платформа NadelAI) Алексей Коломыц.
Отдельный пласт проблем связан с защитой информации и юридическими рисками.
«Сейчас ситуация с конфиденциальностью ставит очень жёсткие рамки. Разговор про интеллект нужно начинать с того, что легитимно его можно развернуть только в контуре предприятия, на собственных серверах. Все игры вне контура — это риск передачи коммерческой тайны в облако третьей стороны», — напоминает лидер практики киберстрахования, замгендиректора страхового брокера АСТ Максим Сапожников.
Залина Русинова обращает внимание на специфические угрозы, которые отдельно выделены в авторитетном отраслевом стандарте OWASP Top 10 for Agentic Applications 2026. К ним относятся подмена цели через недостоверные факты, неправильное использование инструментов, избыточные полномочия, «отравление» памяти и контекста. Поэтому важно соблюдать принцип минимально необходимых прав, жёсткий лимит доступных действий и независимое подтверждение критических операций. Для промышленной среды особенно важно, чтобы ограничения обеспечивались не самой нейросетью, а внешними средствами контроля доступа.
Вопрос ответственности остаётся одним из самых важных. Денис Козицкий предупреждает, что для снижения угроз важно заранее определить, кто ответит, если система сделает ошибку, например самостоятельно одобрит невыгодную сделку или отправит клиенту некорректную отгрузку.
Залина Русинова ссылается на «Национальную стратегию развития искусственного интеллекта», в которой закреплено, что ответственность за последствия не может быть делегирована машине и должна оставаться за физическим или юридическим лицом.
«За результат отвечает владелец бизнес-направления. Все решения нужно записывать: какие факты получены, что предложено, какое действие выполнено. Обязательны возможность остановки и понятный возврат к ручному режиму», — уточняет Владислав Скрипко.
«Ловушка пилота»: скрытые затраты и цена масштабирования
Термин «ловушка пилота» в отраслевом сообществе уже стал нарицательным. Это ситуация, когда прототип блестяще работает в тепличных условиях, но при попытке перенести его в реальный цех рассыпается.
«Для демонстрации можно вручную собрать идеальную выборку и получить красивый результат. Но это проверяет алгоритм, а не жизнеспособность решения. Хороший тестовый запуск — это не тот, где нейросеть показала 95% точности, а тот, после которого понятно, сколько будет стоить подключение второго, десятого и пятидесятого предприятия и сохранится ли там первоначальный экономический эффект», — указывает Максим Власюк.
Масштабирование ИИ стоит дороже, чем пилот, и не только за счёт лицензий или вычислительных мощностей.
По оценкам экспертов, скрытые затраты на подготовку данных, управление изменениями и технический долг могут достигать 40–60% от заявленного бюджета, а масштабирование решения с сотни пользователей до десяти тысяч может потребовать инвестиций в три-пять раз больше. Цена минимального набора GPU-ускорителей за последний год выросла в 2,8 раза, до 38,8 миллиона рублей. При этом эффект от масштабирования часто оказывается ниже ожидаемого: незаметные в пилоте проблемы, например вариативность качества данных между подразделениями или низкая степень принятия сотрудниками, превращаются в системные сбои.
Владислав Скрипко советует считать экономический эффект не по красоте демонстрации и не по числу ответов, а по показателям, существовавшим до старта: сокращению простоя и брака, ускорению ремонта, снижению запасов. В договоре с поставщиком важнее закрепить именно эти измеримые результаты, права на информацию и порядок действий при инциденте.
«Если нельзя оценить бизнес-эффект, значит, роботизацию внедрять пока рано. Поставщик должен ответить на несколько вопросов: какую задачу решит машина, сколько часов ручного труда высвободит, сколько будет стоить эксплуатация, кто будет обслуживать и что произойдёт, если система остановится. Если чётких ответов нет, покупать оборудование только потому, что это модно, не стоит», — даёт совет Наталья Карасёва.
Андрей Мелков рекомендует требовать от вендоров живую демонстрацию на ваших реальных чертежах, настаивать на предпроектном обследовании и описании чёткого плана масштабирования. Также он советует проверять возможность локального развёртывания и изучить экономику: окупаемость три-шесть месяцев для технологической подготовки — реалистичный ориентир.
Тимур Даянов сетует на недостаток отраслевых стандартов — единых классификаторов оборудования и материалов. Это бы сняло колоссальный объём работы по «причёсыванию» справочников. Но самое главное, по мнению эксперта, — это системное обучение руководителей производств, чтобы они могли отличать реальный рабочий пример от красивых обещаний.
Максим Егоров предупреждает о ещё одной ловушке — «слепой автоматизации». По его словам, агент может начать сам искать следующую задачу, повторять действия или исправлять собственные ошибки бесконечным циклом. Автономность должна иметь границы: лимит итераций, бюджет токенов, тайм-аут, список разрешённых действий и чёткое условие остановки.
«Регулировать нужно не сам факт использования алгоритмов, а последствия их возможной ошибки. Агент, который ищет инструкцию, и система, которая меняет режим работы оборудования, не должны координироваться одинаково», — считает Андрей Пожаров.
Что касается обмена опытом, он уверен, что открывать и стандартизировать нужно язык, а защищать стоит содержание. Методами внедрения, подходами к окупаемости и архитектурой интеграции предприятиям выгодно делиться, а вот корпоративная память, на которой машина учится принимать решения, становится всё более ценным активом.
Денис Козицкий подтверждает, что безопасный обмен возможен на отраслевых научно-технических советах или с подписанием соглашений о неразглашении, когда компании делятся обезличенными метриками и архитектурными шаблонами, убирая всё, что может указывать на конкретное предприятие.
Таким образом, вырисовывается картина, которая может показаться неожиданной для тех, кто привык думать об искусственном интеллекте как о «коробочном» решении. Успех развёртывания в подавляющей степени определяется не качеством самой нейросети, не числом параметров и не брендом вендора. На эффект будут влиять качество сведений, применяемые механизмы производства, готовность людей и наличие ответственного за результат.
«В конечном счёте охват интеллектуальных систем в промышленности — это уже не история про то, насколько хороша сама модель. Успех намного сильнее зависит от качества фактографии, архитектуры и от того, насколько органично помощник становится частью реального производственного контура», — резюмирует Алексей Лисицын.
Алгоритм не заменит опыт персонала и не отберёт работу. Но он способен забрать ту рутину, которая сегодня съедает большую часть смены. А освободившееся время можно потратить на настройку, на диагностику нестандартного случая, на решение, которое пока не под силу ни одной машине. Именно в этом и состоит главный экономический эффект промышленной цифровизации.
Дмитрий Наседкин, руководитель направления ТЭК и промышленность в ООО «БПМСофт» (BPMSoft входит в ИТ-холдинг LANSOFT)
«Наиболее прикладной и уже подтверждённый сценарий — использование ИИ-ассистентов и агентов для автоматизации массовых рутинных операций, в первую очередь на первой линии обработки обращений, будь то внутренняя поддержка (ИТ, HR) или внешние клиентские запросы в коммерческих процессах.
Что касается стандартизации между площадками, здесь работает та же логика, что и с корпоративными платформами в целом: для холдингов с десятками подразделений эффект достигается прежде всего за счёт единой low-code/BPM-платформы, которая стандартизирует процессы и сокращает ручные операции, вместо того чтобы каждая площадка развивала собственные разрозненные решения.
Хочу здесь привести конкретный пример с «цифрой» — проект российского производителя и поставщика цветного металлопроката, полуфабрикатов и готовых изделий из сплавов «Специальные материалы» совместно с нашим партнёром Rightex. Компания интегрировала CRM BPMSoft с LLM-моделями: ИИ анализирует входящий запрос, сопоставляет его с номенклатурой и проверяет наличие необходимых технических параметров.
Если данных недостаточно, система автоматически запрашивает их у клиента. В результате менеджеры подключаются уже к подготовленной заявке и высвобождают около 15% рабочего времени. Это хорошо иллюстрирует, что ИИ в B2B-сегменте промышленности — уже не эксперимент, а рабочий инструмент с измеримым экономическим эффектом.
Практика показывает, что более рабочий путь — поэтапная адаптация, а не единовременный реинжиниринг. Например, в нефтегазовой отрасли компании, которые исторически выстраивали процессы вокруг крупных платформ типа SAP или Oracle, при их замещении сознательно выбирают поэтапную миграцию и параллельно развивают собственные центры компетенций, потому что попытка провести трансформацию слишком быстро создаёт риски для непрерывности бизнеса, особенно когда изменения затрагивают критически важные процессы.
Типовая ошибка — недостаточная оценка на входе: решение выбирается быстро, без нагрузочного тестирования и без проверки того, действительно ли оно способно гибко донастраиваться силами самой компании».
