3 сентября 2026

Датчики есть, результата нет: почему «умное производство» не даёт ожидаемого эффекта

Промышленное предприятие может установить датчики на оборудование, внедрить MES (систему оперативного управления производством), подключить машинное зрение, собрать цифровой двойник отдельного агрегата и при этом почти не изменить экономику производства. Оборудование продолжит простаивать, план будет расходиться с фактом, качество продукции — зависеть от конкретной смены. Российская промышленность как раз подошла к этапу, когда само наличие технологий перестаёт быть показателем цифровой зрелости.

По данным исследования ИСИЭЗ НИУ ВШЭ, станки с ЧПУ (числовым программным управлением) используют 59% обследованных машиностроительных предприятий, системы цифрового проектирования и моделирования — более половины, системы автоматизации производственных процессов — почти половина. Однако существенные изменения ворганизации работы под влиянием цифровых технологий в 2022–2024 годах отметили только 23% предприятий. Между распространением технологий и заметным эффектом от их внедрения остаётся заметная дистанция.

Причина этого разрыва обычно находится не в характеристиках отдельной цифровой системы или алгоритма. Под «умным производством» здесь понимается организация работы, при которой данные из оборудования и ИТ-систем используются для управления процессами и принятия решений. Такая модель начинает приносить результаты тогда, когда предприятие перестраивает вокруг данных технологический процесс, зоны ответственности сотрудников и порядок принятия решений. Если этого не происходит, цифровые решения встраиваются в существующие проблемы и иногда даже делают их ещё сложнее.

Сначала автоматизировали то, что было

Одна из самых дорогих ошибок промышленной цифровизации возникает ещё до выбора технологии. Предприятие берёт сложившийся за много лет процесс, в котором уже накопились лишние операции, ручные согласования, разные правила учёта и локальные способы обходить ограничения систем, а затем пытается его оцифровать, не задаваясь вопросом, почему он устроен именно так. В результате старые операции не исчезают, а получают цифровую оболочку. Формально объём доступной информации растёт, но число действий, необходимых для принятия решения, иногда остаётся прежним.

Это хорошо видно по структуре цифровизации отдельных отраслей.

В химической промышленности системы автоматизации технологических процессов, включая MES и ERP, уже используют 41,2% предприятий;
промышленный интернет вещей — 39,7%;
системы цифрового проектирования и моделирования — примерно каждое третье предприятие;
решения для анализа больших данных применяют лишь 14% организаций;
распространённость отдельных технологий искусственного интеллекта находится в диапазоне от 1,6 до 10,7%;
цифровые двойники используют или планируют использовать около 7%.

За 2022–2024 годы существенные изменения непосредственно производства под влиянием цифровых технологий отметили только 17% компаний.

Получается характерная последовательность: предприятие автоматизирует отдельные участки и наращивает количество цифровых систем, однако само по себе это ещё не означает перехода к управлению производством на основе связанного массива данных. Именно на этом участке чаще всего и теряется значительная часть ожидаемого эффекта.

Данные собраны, но доверять им нельзя

Промышленное предприятие давно производит не только продукцию, но и огромный поток данных. Информация приходит из ERP, MES, АСУ ТП (автоматизированных систем управления технологическими процессами), систем технического обслуживания, лабораторных комплексов, датчиков, журналов операторов, систем контроля качества, складского учёта и десятков прикладных решений, появлявшихся в разные годы и под разные задачи. Проблема заключается в том, что наличие этих данных ещё не означает возможность использовать их вместе.

В одной системе оборудование обозначено инвентарным номером, в другой — технологическим кодом, в третьей существует название, которое закрепилось в цехе много лет назад. Время событий может фиксироваться по одним правилам, причины простоя — классифицироваться по другим, сведения о партии или сырье — обновляться с неодинаковой периодичностью. Пока данные используются внутри отдельного участка, подобные расхождения терпимы, но как только предприятие пытается построить сквозную аналитику, предиктивную модель или цифровой двойник, локальные несоответствия превращаются в системную проблему.

Особенно критично это для решений на основе ИИ: качество их работы напрямую зависит от полноты, точности и сопоставимости исходных данных. Модель предиктивного обслуживания не сможет давать достоверные прогнозы, если предприятие не знает точную историю ремонтов и отказов, а алгоритм оптимизации производства малополезен, если данные о загрузке оборудования, качестве продукции и производственных заданиях поступают с разной периодичностью и не синхронизированы по времени. Алгоритм не исправляет исходные данные, он лишь быстрее использует их в расчётах и масштабирует.

Исследование Strategy Partners «Управление данными в промышленных компаниях» показывает ещё одну проблему. Половина опрошенных промышленных компаний испытывает дефицит человеческих ресурсов и компетенций для работы с данными, тогда как управленческий опыт остаётся одним из основных источников принятия решений: всегда на него опирается 41% компаний, регулярно — ещё 50%. Внутренние данные и экспертные оценки используются постоянно или регулярно в 80 и 75% компаний соответственно, тогда как внешние данные применяет менее половины предприятий.

Опыт технологов и инженеров остаётся важным источником решений, особенно там, где производственные знания годами не формализованы. Но если сотрудники не доверяют данным из цифровой системы и перепроверяют их вручную, предприятие фактически поддерживает два параллельных контура управления — цифровой и ручной.

Проект «умного производства» редко начинается на только что построенном заводе. Обычно систему приходится подключать к оборудованию разных поколений, промышленным протоколам, самописным приложениям, ПО разных вендоров, историческим базам данных и АСУ ТП, менять которые только ради очередного цифрового проекта никто не собирается.

Этим объясняется разница между пилотом и промышленной эксплуатацией. На одном станке можно установить дополнительные датчики, собрать данные в отдельную базу и за несколько месяцев показать эффективную модель прогнозирования неисправностей. Но чтобы распространить решение на десятки производственных площадок, потребуется разобраться с сотнями вариантов оборудования, источников данных, сетевых ограничений и правил информационной безопасности.

Пилот умеет работать, предприятие — пока нет

После успешного пилота возникает вопрос: что нужно изменить во всём производственном контуре, чтобы такой же результат получить не на одной установке, а на всём предприятии?

Здесь выясняется, что модель машинного зрения требует изменения процедуры контроля качества, предиктивное обслуживание — другого планирования ремонтов и запасных частей, система оптимизации режимов — новых полномочий для операторов и технологов, а цифровой двойник — постоянного обновления данных о реальном объекте. Если рабочий процесс не меняется, цифровое решение выдаёт рекомендацию, которую сотрудник может принять, проигнорировать или проверить привычным способом. Экономический эффект в такой схеме зависит уже не от точности алгоритма, а от того, встроен ли его результат в реальное производственное действие.

Поэтому количество запущенных пилотов не характеризует зрелость «умного производства». Гораздо важнее то, какая доля решений пережила эксперимент, вошла в регулярный производственный процесс и изменила конкретный показатель.

Экономику начинают считать слишком поздно

Технологические проекты нередко стартуют с вопроса «что можно сделать с помощью ИИ, цифрового двойника или промышленного интернета вещей», хотя на практике последовательность стоит развернуть в другую сторону. Сначала следует определить, где именно теряются деньги, после чего установить причины потерь и только затем выяснить, какой объём данных и какая технология нужны для изменения ситуации.

При оценке окупаемости важно учитывать и расходы, которые редко попадают в первоначальную смету. Помимо лицензий, оборудования и разработки появляются интеграция, работы по сбору и подготовке исторических данных, очистка и нормализация справочников, поддержка потоков данных, эксплуатация вычислительной инфраструктуры, информационная безопасность, обучение сотрудников и последующая доработка внедрённой системы. Чем сложнее производство, тем заметнее эта часть затрат, поэтому обещание окупаемости «за несколько месяцев» без оценки качества, полноты и доступности данных, а также сложности интеграционного контура должно насторожить.

Что отличает производство, которое действительно стало умнее

Переход от набора цифровых проектов к «умному производству» обычно начинается не с новой закупки, а с инвентаризации уже существующего цифрового хозяйства. Предприятию необходимо понять, какие решения работают изолированно, какие данные поступают в каждое из них и из каких источников, кто отвечает за их качество, где информация дублируется и на каком участке производственного процесса данные перестают влиять на конкретные управленческие или производственные решения.

Следующий шаг связан с архитектурой работы с данными. Если при каждом новом внедрении команде приходится заново настраивать подключения к ERP, MES, АСУ ТП и лабораторным системам, расшифровывать справочники и собирать отдельную копию производственной истории, масштабирование будет становиться дороже с каждым следующим проектом.

Наконец, цифровизация должна замыкать управленческий цикл. На основе данных аналитическая система показывает состояние производства и выявляет отклонения, человек или алгоритм принимает решение, производственный процесс меняется, информация о результате возвращается в аналитический контур и используется при следующем цикле принятия решений.

Именно поэтому главный вопрос ближайших лет для промышленности будет заключаться уже не в том, какие цифровые технологии компании успели внедрить. ИТ-фундамент постепенно появляется, но дальше требуется связать производство, управление и данные в один работающий контур.

Если свести причины отсутствия эффекта к нескольким типовым ошибкам, они повторяются:

предприятие оцифровывает старые процессы без их пересмотра;
данные остаются разрозненными и несопоставимыми;
стоимость интеграции недооценивается;
успешный пилот не встраивается в регулярный производственный процесс;
экономику проекта начинают считать уже после выбора технологии.

Во всех этих случаях проблема одна: цифровизация остаётся набором отдельных внедрений, не встроенных в управление предприятием. «Умным» производство становится тогда, когда данные участвуют в принятии решений, а цифровые решения меняют измеримые показатели, такие как простои, качество, себестоимость, выполнение плана. Только в этом случае датчики, модели и ИТ-системы начинают работать не сами на себя, а на экономику предприятия.

Текст: Максим Власюк, директор по работе с корпоративным сектором Группы Arenadata