К сожалению, сайт не работает без включенного JavaScript. Пожалуйста, включите JavaScript в настройках вашего браузера.

Как промышленные предприятия оценивают эффект от ИИ

Изображение: «Атвинта»
Изображение: «Атвинта»
Искусственный интеллект применяет каждая двадцатая крупная и средняя компания в России. В промышленности показатель выше: согласно июньскому опросу Банка России 2026 года, нейросети используют 14% предприятий в обработке и столько же в добыче. А каждая пятая компания из 14 700 опрошенных организаций готовится к внедрению. Перейти от пилотов к промышленному внедрению мешает нехватка специалистов: навыками создания и сопровождения ИИ-решений владеют 3,2% работников. У компаний, которые прошли этот путь, эффект исчисляется миллиардами рублей. В «Норникеле» алгоритмы машинного обучения и компьютерное зрение работают на 70–80% ключевых агрегатов в обогащении и металлургии, а все ИИ-решения приносят компании свыше 10 млрд рублей в год. О том, как промышленные предприятия оценивают эффект от ИИ, рассказывает Илья Горбаров, CEO диджитал-агентства «Атвинта», эксперт по внедрению ИИ.

Мы в «Атвинте» разрабатываем сайты и цифровые сервисы для промышленных компаний и хотим понимать, как именно отрасль применяет ИИ в своих бизнес-процессах. С этой целью собрали срез по девяти компаниям из разных сфер: металлургия, горнодобывающая и химическая промышленность, производители стройматериалов и продуктов питания, а также разработка систем на базе искусственного интеллекта для горнодобывающих предприятий.

Основной эффект дает управление технологическим процессом

На производстве ИИ решает три типа задач: подсказывает оператору, управляет оборудованием и контролирует качество. От типа задачи зависят и размер эффекта, и сложность внедрения.

Быстрее всего запускаются проекты, где последнее слово остается за человеком. Денис Самохвалов, заместитель генерального директора по обеспечению деятельности «ЕвроХима», рассказывает, что рекомендательная система на машинном обучении анализирует 1500 параметров технологического процесса и предлагает оператору оптимальные значения. Ее тиражируют на разные установки, она работает на производстве аммиака и карбамида, в кислотном переделе и при выпуске сложных удобрений. За три года выработка на производствах минеральных удобрений выросла на 2%, а расход природного газа снизился на 1%.

«Кажется, что это немного, но если переводить в деньги — это 1,5 млрд рублей», — поясняет Денис Самохвалов.

Александр Мунтин, директор инженерно-технологического центра ОМК, приводит похожий пример. Модель аттестации металла прогнозирует механические свойства партии и передает прогноз инспектору отдела технического контроля, а тот решает, принять металл или отправить его на физические испытания. Чтобы инспектор мог опираться на прогноз, в компании непрерывно следят за данными и регулярно обновляют модели.

Наиболее масштабные эффекты дает второй тип задач — когда система управляет оборудованием сама. По словам директора департамента технологических инноваций «Норникеля» Алексея Тестина, модель прогнозирует состояние мельницы полусамоизмельчения на 15 минут вперед и корректирует режим работы. Такая мельница измельчает руду в самом начале обогащения: куски дробятся, соударяясь друг с другом при вращении барабана и с помощью стальных шаров. От работы агрегата зависит, сколько металла предприятие получит на следующих этапах. Эффект от одного этого проекта Алексей Тестин оценивает примерно в 4 млрд рублей в год.

На следующем этапе — флотации — в пульпу измельченной руды добавляют реагенты. Частицы полезных минералов прилипают к пузырькам воздуха и всплывают в виде пены, а порода уходит в хвосты. Компьютерное зрение оценивает ход процесса по состоянию пены, а алгоритмы подстраивают параметры. В результате извлечение — доля металла, которую удается выделить из руды, — растет на 0,5–1,5 п.п. в зависимости от участка. Всего в компании работает более 50 проектов на машинном обучении, компьютерном зрении и генеративном ИИ.

По словам Дмитрия Муравьева, начальника Центра искусственного интеллекта «ММК-Информсервис», на комбинате технологии машинного обучения планируют работу первого передела. Модели подбирают структуру сырья и параметры технологии так, чтобы снизить себестоимость чугуна, агломерата и кокса.

По тому же принципу устроено управление техникой в карьере. Владимир Свинцов, генеральный директор компании «Операционное совершенство» (OES), разработчика модульной ИИ-платформы для управления и оптимизации горных работ, приводит пример работы балансировщика на угольном разрезе. Система прогнозирует, когда каждый самосвал прибудет к экскаватору, и в режиме реального времени перераспределяет машины так, чтобы минимизировать очереди и простои техники. Раньше эту задачу решали преимущественно логические алгоритмы, тогда как ИИ быстрее адаптируется к постоянно меняющейся ситуации в карьере и позволяет точнее прогнозировать движение флота. В результате простой экскаваторов снизился на 17%, а перепробег сократился примерно на 20%. Система общается с водителем голосовыми командами: подсказывает, куда ехать, и слушает его ответы. Если водитель сообщает о простое или неполадке, языковая модель распознает, что случилось, и передает проблему руководителю, который отвечает за этот участок.

«Человеку не нужно отвлекаться от дороги. Человек ведет машину, у человека 220 тонн в кузове — лучше, чтобы он был сфокусирован на дороге, а не на планшете», — объясняет Владимир Свинцов.

Третий тип задач — контроль качества и безопасности. По словам Дмитрия Муравьева, на ММК компьютерное зрение ищет дефекты готовой продукции и обнаруживает работников в опасных зонах. Александр Мунтин добавляет, что в ОМК видеоаналитика определяет тип металлолома и уровень загрязненности примесями, поэтому инспекторы оценивают партии дистанционно, вне зоны разгрузки.

Такие проекты обходятся дороже остальных. «Для систем компьютерного зрения требуется разработать проектную документацию, проложить инженерные сети, закупить защищенные камеры и вычислительные серверы, выполнить монтаж, обучить модели детекции и классификации, а затем интегрировать их с пользовательскими интерфейсами», — утверждает Дмитрий Муравьев.

Деньги появляются вместе с изменением бизнес-процесса

В офисе и вспомогательных службах эффект от ИИ обычно измеряют временем. Владимир Сидоров, руководитель департамента цифрового развития и взаимодействия с клиентами «Северстали», рассказывает, что за 2025 год компания насчитала 300 000 сэкономленных рабочих часов.

В 2025 году компания собрала генеративный ИИ в единую платформу «ДаВинчи». Разрозненные пилоты, по словам Владимира Сидорова, оказались нерентабельными: решения дублировали друг друга и быстро устаревали. Несколько моделей развернули в собственном контуре. Сотрудники сами собирают ассистентов под свои задачи и делятся ими с коллегами.

«Трудочасы сами по себе в деньги не конвертируются. Деньги в компании — это изменение бизнес-процесса, а на него нужна воля руководителя», — говорит Владимир Сидоров. Сотрудник, который создал решение, сам процесс менять не станет, потому что это не его задача.

А в 2026 году «Северсталь» перестроила работу с генеративным ИИ. Топ-менеджерам поставили цели по эффекту в рублях и запустили управляющий комитет по цифре, который ежеквартально смотрит портфель инициатив. Отдельно выделили 32 проекта с подтвержденным эффектом. Они выросли из внутреннего конкурса, в котором приняли участие 1500 сотрудников. Тогда персонал распределился по 460 командам, а до рабочих прототипов за четыре недели дошли 150 команд.

Сэкономленное время превращается в деньги в двух случаях. В первом оно попадает в статью расходов, которая уже стоит компании денег. Владимир Марков, генеральный директор ППК «ТЕХНОНИКОЛЬ», рассказывает, что на заводе в Заинске новые специалисты тратили до часа на поиск решения в инструкциях, когда сбоил частотный преобразователь. ИИ-ассистент инженера АСУТП (автоматизированной системы управления технологическим процессом) сократил время диагностики и устранения неисправностей — он выдает ответ за 30–40 секунд вместо прежних 20–60 минут поиска. Экономику проекта в компании считают через предотвращенные убытки, потому что каждый час простоя линии стоит денег, а простои по настройке преобразователей, по оценке компании, сократились до 60%.

Тот же механизм работает у «ЕвроХима». Денис Самохвалов приводит в пример ИИ-оптимизацию складских запасов — систему контроля движения товарно-материальных ценностей. За год она сэкономила компании 350 млн рублей, перераспределяя складские остатки между площадками вместо новых закупок.

Во втором случае компания перестраивает процесс под ИИ и считает деньги уже после этого. Владислав Беляев, директор по информационным технологиям группы «Черкизово», рассказывает, что первый ИИ-агент в техподдержке часто ошибался. Каталог услуг был шестиуровневым, но вместе с площадками и десятками IТ-систем в нем набиралось около 1800 позиций — и модель путалась. База знаний создавалась для инженеров: пользователь сообщал, что принтер перестал печатать, а агент советовал проверить очередь на сервере. Компания переделала каталог до трех уровней и оставила 400 позиций, разделила базу знаний на две и запустила отдельных агентов для пользователей и специалистов поддержки.

Проекты отбирают по измеримой метрике, окупаемости и тиражируемости

Прежде чем проект дойдет до цеха, компании проверяют его по трем условиям:

  • Измеримая метрика. Проект берут в работу, когда есть показатель, который можно измерить до и после внедрения. Владимир Марков из «ТЕХНОНИКОЛЬ» относит к таким показателям снижение брака, рост оборачиваемости и уменьшение простоев.
  • Окупаемость за один-два года. По словам Дениса Самохвалова, в «ЕвроХиме» до масштабирования доходят только проекты с понятной окупаемостью на этом горизонте. Каждая инициатива проходит оценку экономической целесообразности, а совокупный эффект от цифровых решений компании за три года составил 4 млрд рублей.
  • Тиражируемость. Показателем успеха Владимир Марков из «ТЕХНОНИКОЛЬ» называет возможность повторить решение на других заводах и превратить его в общую практику компании.

Стоимость самой разработки зависит от типа технологии. Дмитрий Муравьев из «ММК-Информсервис» объясняет, что для прогнозирования и оптимизации затраты невелики. Нужно собрать и подготовить данные, затем обучить модель. Сроки окупаемости редко превышают один год. Сервисы на генеративном ИИ требуют другого порядка вложений — десятков и сотен миллионов рублей на вычислительные кластеры с производительными видеокартами. Отдачу измеряют сокращением времени на поиск и обработку информации.

Окупаемость в промышленности держится на масштабе производства.

«Даже улучшение показателей на десятые доли процента может давать многомиллионный эффект. Зачастую ценность технологии определяется не масштабом изменения метрики, а масштабом самого производственного процесса», — говорит Алексей Тестин из «Норникеля».

За пять лет цифровой стратегии ММК реализовал 91 проект, 51 из них с применением ИИ. Дмитрий Муравьев оценивает экономический эффект в 6,5 млрд рублей.

Помимо эффекта компании считают и затраты. Александр Мунтин описывает экономику ИИ как многофакторную модель. С одной стороны, растут производительность, качество продукции и скорость контрольных процедур, с другой — добавляются расходы на модернизацию IТ-ландшафта и вычислительные мощности. В ОМК, по его словам, эффект от внедрения стабильно превышает объем вложений, а за время работы двух центров компетенций, созданных в 2022 году, он превысил 600 млн рублей.

Сложности из-за инфраструктуры, разрозненных данных и недоверия сотрудников

Спикеры называют три источника сложности в промышленных проектах: технику, данные и работу с людьми. Дмитрий Муравьев из «ММК-Информсервис» начинает список ограничений с рынка вычислительной техники. Производители памяти переориентировались на серверные модули, из-за этого обычной памяти стало меньше и она подорожала, а следом выросли цены на видеокарты. Спрос на ИИ-чипы кратно превышает предложение, из-за чего растет цена даже на устаревшее оборудование. По его оценке, дефицит сохранится надолго.

Универсальные платформы для генеративного ИИ на рынке только формируются. Дмитрий Муравьев оценивает отечественные решения как перспективные, но отмечает пробелы в агентном подходе, который нужен в 70% инициатив портфеля.

Сложнее, чем внедрение платформ, дается подготовка данных. Данные и инфраструктуру Алексей Тестин из «Норникеля» называет самой трудной частью проектов: предприятия строились задолго до появления ИИ, поэтому данные распределены между разными системами, а часть оборудования нужно модернизировать для полноценной цифровой интеграции. Требования к надежности здесь выше, чем в офисных IТ-системах: ошибка производственной системы влияет на выпуск продукции и состояние дорогостоящего оборудования, поэтому каждое решение проходит длительную опытно-промышленную эксплуатацию.

О том же говорит Владимир Свинцов из OES. Он выделяет два основных узких места при масштабировании: способность людей своевременно реагировать на сигналы системы и качество данных на входе. В условиях открытого карьера к этому добавляется еще один критический фактор — связь. Стабильная передача данных и команд в глубоком и постоянно меняющемся карьере сама по себе остается сложной технической задачей.

Собранные данные нужно еще и защищать. Владимир Марков из «ТЕХНОНИКОЛЬ» напоминает, что через ИИ проходят уникальные рецептуры, параметры оборудования, производственные планы и базы контрагентов, то есть основа конкурентоспособности компании. Сложно гарантировать защиту этого массива вместе с контролем персональных данных сотрудников при кратном росте числа внедрений.

В «Черкизово» из тех же соображений не дают сотрудникам публичные ассистенты. Владислав Беляев рассказывает, что компания работает на опенсорсных моделях, в основном на Qwen, внутри своего контура или на арендованных мощностях.

Анонимизация данных проблему тоже не решает. Владислав Беляев приводит три довода: она отнимает время на обработку запроса и ответа, снижает качество генерации на сложных задачах с большим контекстом, при этом популярные модели все равно профилируют пользователя.

Столько же внимания требуют люди. Дмитрий Муравьев из «ММК-Информсервис» отмечает, что сотрудники опасаются замены, и это опасение нужно снимать поддерживающими разговорами о том, что ИИ становится инструментом, усиливающим человеческий потенциал, переводя его от рутины к выполнению более творческих задач.

«Технологии открывают возможность перейти от рутины к творческой и стратегической работе. ИИ становится инструментом, усиливающим человеческий потенциал, позволяя сосредоточиться на принятии решений и управлении сложными процессами», — говорит он.

Одних компетенций в машинном обучении для сильных решений недостаточно, добавляет Алексей Тестин из «Норникеля». Нужны специалисты, которые понимают конкретный производственный процесс, а таких на рынке всегда дефицит.

Использование больших языковых моделей внутри АЛРОСА растет примерно вдвое каждый квартал, говорит директор по информационным технологиям компании Вадим Желтухин. Чтобы выдерживать такую скорость, компании нужны амбассадоры ИИ внутри бизнеса и инфраструктура, которая позволяет быстро и безопасно запускать новые сценарии. АЛРОСА приняла стратегическое решение по внедрению защищенной облачной инфраструктуры в корпоративном контуре. Это позволило быстро масштабировать использование ИИ без необходимости добавлять собственные вычислительные мощности под каждую задачу.

В «Северстали» на работу с людьми выделяют рабочее время. Владимир Сидоров рассказывает, что компания выбрала свыше 400 амбассадоров генеративного ИИ и равномерно распределила их по подразделениям. За каждым закрепили 25% рабочего времени на эту тему, сделали отдельные треки обучения и сообщество, а в целеполагание добавили конкретные проекты с подтвержденным эффектом.

Финальное решение остается за человеком

Алексей Тестин из «Норникеля» считает полностью автономное производство маловероятным сценарием и объясняет это ценой ошибки. Работающая модель выглядит иначе: ИИ отвечает за анализ данных, прогнозирование и поиск оптимальных режимов, а человек сохраняет контроль и принимает финальные решения. При этом автономность растет — Алексей Тестин ожидает перехода от локальных решений к сквозной оптимизации всей цепочки, когда добыча, обогащение и металлургия управляются как единая система.

Александр Мунтин из ОМК объясняет границу через ответственность. По его словам, ограничение здесь не техническое, а этическое и управленческое.

«В металлургии даже незначительная ошибка в интерпретации данных может привести к выпуску партии металла с недопустимыми характеристиками, что повлечет серьезные экономические и репутационные последствия», — говорит он.

Денис Самохвалов из «ЕвроХима» относит к зонам, где решение остается за человеком, промышленную безопасность, стратегическое управление и ситуации с высокой степенью ответственности.

Владимир Свинцов из OES считает переоцененной саму идею полного исключения человека из цепочки управления. Искусственный интеллект способен обрабатывать объемы данных, несопоставимые с когнитивными возможностями человека, и за счет этого помогать принимать более точные и своевременные управленческие решения. При этом его дополнительная ценность заключается в том, чтобы высвобождать человеческий ресурс от рутинных операций и направлять его на более стратегические и творческие задачи.

При этом автономность растет. Владимир Сидоров из «Северстали» прогнозирует, что агенты станут полноценными мультиагентными системами и дадут около 30% прироста производительности непроизводственного персонала.

Меняется и работа людей. Владимир Марков из «ТЕХНОНИКОЛЬ» ожидает появления виртуальных сотрудников, которыми будут управлять инженеры и технологи.

«Инженер будет управлять не линией, а командой ИИ-агентов, технолог — не одним расчетом, а потоком решений, которые генерируют его цифровые подчиненные», — говорит Марков.

Владислав Беляев из «Черкизово» ждет серьезных изменений в течение двух-трех лет и связывает их с переходом когнитивных операций к моделям. Он не ждет, что компании начнут зарабатывать на самих ИИ-продуктах существенную часть выручки, зато прогнозирует рост тех, кто изначально построен под эти технологии: таким организациям не нужно проходить стадии обучения и адаптации, поэтому они потеснят существующих игроков.

АЛРОСА ожидает, что в ближайшие годы искусственный интеллект будет все глубже интегрироваться в производственные процессы. Вадим Желтухин говорит, что они продолжат активно развивать большие языковые модели, компьютерное зрение, ИИ-агентов и интеллектуальные системы анализа данных.

Следующим важным этапом у АЛРОСА станет использование пространственного ИИ, который работает уже с физическим пространством. Для промышленности это открывает возможности развития беспилотного транспорта, роботизированных комплексов и автономных производственных систем.

«Мы рассматриваем это направление как естественное продолжение цифровой трансформации и планируем двигаться поэтапно — от пилотных проектов на открытых объектах к более сложным производственным сценариям», — рассказывает Вадим Желтухин из АЛРОСА.

При этом в АЛРОСА уточняют, что границы применения ИИ остаются очень важными. Там, где цена ошибки высока, окончательное решение должно оставаться за человеком. Поэтому специалисты рассматривают искусственный интеллект не как замену специалиста, а как инструмент усиления его возможностей.

Что в итоге

Мы собрали срез по компаниям, чтобы понять, как в промышленности считают эффект от ИИ.

Отдельного показателя для его измерения нет: технология работает в нескольких процессах и с разными метриками. К примеру, проценты извлечения, минуты простоя и сэкономленные часы.

Подходы компаний похожи в том, что решение остается за человеком, и ответственность за ошибку алгоритма несет тоже он. Сюда входит партия брака или остановленная линия, поэтому решения подолгу проверяют в опытно-промышленной эксплуатации.

Эксперты рассказывают, что в их компаниях сначала перестраивали процессы, приводили в порядок данные и договаривались, что считать результатом, и только потом модель запускали на производстве. Поэтому эффект получают те предприятия, которые уже начали подготовку к внедрению и развертыванию ИИ.

Похожим образом начинается и наша работа в «Атвинте»: мы разрабатываем сайты и цифровые сервисы для промышленных компаний и беремся с той же стороны — с данных и процессов, на которых потом работают модели.


Реклама
ООО «Атвинта»