Цикл «Автоматизация — как много в этом звуке» · часть 1 из 3
Автоматизация — как много в этом звуке. С чего начинать производству
С чего средней производственной компании начинать автоматизацию с помощью ИИ, чтобы получить измеримый эффект и не застрять в вечном пилоте?
- ИИ в российской промышленности пока редкость: по данным ВШЭ и Росстата, им пользуются около 5% крупных и средних организаций, в компаниях больше 500 человек — 17%. Почти всё, что описывают как внедрения на средних заводах, — пилоты и отдельные участки.
- Начинать стоит с частого, ограниченного и обратимого процесса, где ошибку поймает человек до отправки клиенту: разбор входящих запросов с черновиком КП и поиск по знаниям компании. Не стоит — с автономного проектирования, автоматических закупок и «своей нейросети».
- Почти все проценты эффекта в открытом доступе опубликованы поставщиками и интеграторами. Независимых замеров на средних производствах единицы. Поэтому до пилота нужна своя базовая линия: без неё результат нечем подтвердить.
Зачем
«Москва… как много в этом звуке», — писал Пушкин. Со словом «автоматизация» у собственника производства примерно так же: в нём слились надежда сократить рутину, страх потратить деньги на игрушку и усталость от презентаций, где ИИ «повышает эффективность на 40%». На вопрос, с чего начинать, обычно отвечают продавцы, а у них интерес понятный.
Этот цикл — попытка ответить без продажи. В первой части — общая картина: что такое ИИ-автоматизация на производстве, где она уже работает, а где пока нет, с чего начинать и почему внедрения бросают. Во второй части разберу процессы производителя электротехники — «было» и «стало». В третьей — технику и внедрение: архитектуру, выбор моделей, в том числе локальных, и опыт собственного проекта.
Цикл написан для трёх читателей. Владельцу бизнеса он поможет решить, стоит ли ввязываться и чего это потребует: денег, времени и внимания людей. Ему пригодятся разделы о выборе первого процесса, о том, с чего не начинать, и о том, как читать чужие проценты эффекта. Руководителю, которому предстоит запускать и вести проект, — критерии выбора процесса, путь пилота и причины, по которым внедрения бросают; роли, метрики и стоимость владения разберу в третьей части. Энтузиастам, которые сами собирают решения на ИИ-инструментах, — как делить работу между моделью, учётной системой и человеком и как проверять результат; архитектура и выбор моделей, в том числе локальных, — тоже в третьей части.
Метод
Вопрос я задал трём ИИ-моделям независимо, каждой в отдельном чате в режиме исследования с поиском и с одинаковой формой ответа (как это устроено — в записи «Как я проверяю выводы ИИ»). Ответы свёл: где модели совпали, где разошлись. Утверждения, на которые опирается текст, проверил по первоисточникам 20 ноября 2026 года.
Силу доказательства оцениваю отдельно от согласия моделей:
- официальная статистика — данные Росстата и их анализ;
- кейс поставщика или интегратора — компания, которая продаёт решение, описывает внедрение у клиента; цифра реальна как заявление, но не как независимый замер;
- оценка — диапазон, который дают модели или я сам по аналогии; это гипотеза для пилота, не обещание.
Три модели согласились друг с другом во всём, что касается порядка действий, и разошлись в цифрах эффекта: одна давала «−30…75% времени на КП», другая — «от нуля до измеренного». К этому расхождению я вернусь в разделе о процентах эффекта.
Что такое ИИ-автоматизация, если без тумана
Автоматизация на заводе существует давно: станки с ЧПУ, ERP, MRP-расчёт потребности, штрихкоды на складе. Всё это работает по правилам, которые кто-то записал: если остаток меньше X — создать заказ.
ИИ добавляет к этому три способности, которых у правил нет:
- Читать неструктурированное. Письмо клиента, опросный лист в PDF, скан спецификации, фотография шильдика. Языковая модель вытаскивает из этого параметры и раскладывает по полям.
- Видеть. Компьютерное зрение отличает годную клемму от бракованной, если ему показали достаточно примеров того и другого.
- Прогнозировать по истории. Спрос, сроки поставки, отказ подшипника — когда закономерность есть, но записать её одним правилом нельзя.
При этом ИИ плохо считает и не отвечает за результат. Модель может уверенно сложить цену с ошибкой или придумать пункт ГОСТа. Поэтому рабочая схема почти всегда одна и та же, и в ней сошлись все три модели:
ИИ извлекает, классифицирует, ищет и объясняет. ERP, расчётный код и САПР считают и проверяют правила. Человек утверждает цену, замену, спецификацию.
Где ИИ на производстве сегодня
Начну с цифр. По данным Росстата в анализе ИСИЭЗ НИУ ВШЭ, в 2025 году ИИ использовали около 5,2% крупных и средних организаций России. Разброс по размеру большой: в компаниях больше 500 человек — 17%, меньше 100 — 4,3%. Среди тех, кто ИИ использует, две трети применяют обработку изображений и текста, а больше половины покупают готовое коммерческое ПО, а не разрабатывают своё.
Для средней производственной компании это значит, что готовых отраслевых рецептов мало.
Ниже — карта применений по участкам. Зрелость я оцениваю осторожнее, чем любят поставщики: «работает» значит, что технология надёжна в принципе, а не что её уже внедрили у вас без усилий.
| Участок | Что делает ИИ | Где это сегодня |
|---|---|---|
| Продажи | Разбирает запросы, ТЗ и опросные листы; готовит черновик КП | Пилоты и рабочие внедрения у отдельных компаний; извлечение данных из документов — зрелая технология |
| Инженерия | Ищет похожие прошлые проекты, подбирает аналоги, сверяет документацию | Пилоты; конфигураторы на правилах — зрелые, генеративное проектирование — эксперименты |
| Планирование и закупки | Прогнозирует спрос и сроки поставки, предупреждает о дефиците | Прогнозирование — зрелое; связка с расписанием цехов сложнее |
| Качество | Камера проверяет дефекты, маркировку, геометрию | Зрелая технология для стабильного поста; каждый новый дефект требует своего пилота |
| Склад | Распознаёт накладные и этикетки, сверяет комплектацию | Распознавание документов — зрелое |
| Обслуживание оборудования | Ловит отклонения в вибрации, токе, температуре | Пилоты на отдельных станках; нужны датчики и история отказов |
| Документы и сертификация | Готовит черновики паспортов, сверяет документацию с требованиями | Пилоты |
| Знания компании | Ищет по регламентам, каталогам, инструкциям с цитатой источника | Пилоты, быстро становится стандартом |
В строках, где написано «зрелая», задача узкая, вход стабильный и правильный ответ можно проверить. Чем шире задача и чем дороже ошибка, тем дальше от «работает».
С чего начинать
Модели предлагали разные формулировки, но критерии первого процесса у всех свелись к пяти:
- Процесс частый. Десятки и сотни раз в месяц, а не раз в квартал. Иначе экономию нечем измерить.
- Ошибку поймают до последствий. До отправки клиенту, до заказа поставщику, до выпуска изделия. ИИ работает в режиме черновика или подсказки.
- Есть данные и примеры. Прошлые запросы и КП, размеченные дефекты, действующие редакции документов.
- Есть владелец. Человек со стороны бизнеса, а не только ИТ, который отвечает за результат и знает, как выглядит «правильно».
- Результат виден за 4–12 недель. Если пилот нельзя оценить за квартал, он рискует стать вечным.
Под эти критерии лучше всего подходят два процесса, и здесь модели совпали полностью.
Разбор входящих запросов и черновик КП. Письма, формы, PDF и Excel от клиентов менеджер сейчас читает сам, переносит параметры в учётную систему, уточняет у инженера и собирает предложение. ИИ может извлечь параметры в карточку, пометить пропуски и вопросы, а цену, скидку и срок пусть считает ERP. Менеджер проверяет и отправляет.
Публичные кейсы здесь самые понятные. Производитель жгутов S&Y Industries после внедрения специализированного ПО сократил цикл «запрос → КП» вдвое; в отдельном тесте на одних и тех же изделиях одно предложение готовилось 10 минут вместо 40. Производитель кабельных сборок Electri-Cord пишет, что сложные КП, на которые уходили недели, теперь готовы за один-два дня. Небольшой цех механообработки Focused on Machining (девять человек) отвечал на запрос за 5–10 рабочих дней, стал за 1–3. Все три цифры опубликованы поставщиками ПО — о том, что из этого следует, ниже.
Поиск по знаниям компании. Менеджер филиала ищет, подходит ли клемма для взрывозащищённого исполнения, звонит в головной офис, ждёт. Система поиска по каталогам, паспортам и регламентам отвечает с цитатой и номером редакции документа, а если ответа в документах нет — так и говорит. Риск низкий: система только читает, решения остаются за человеком.
Третьим кандидатом обычно идёт подбор аналогов и замен — для производителя, который заменяет импортные позиции, это прямые деньги. Но все три модели поставили одно условие: сначала нормализованный справочник номенклатуры с техническими атрибутами. Без него ИИ будет находить «похожее по названию», а похожее название не значит совместимость.
С чего не начинать
Здесь модели тоже совпали:
- Автономное проектирование, особенно изделий, где ошибка стоит дорого: взрывозащита, безопасность. ИИ не ядро САПР и не доказывает соответствие нормам.
- Автоматические закупки и перепланирование без человека. Ошибка в прогнозе превращается в замороженные деньги или остановленную линию.
- Предиктивное обслуживание «всего парка». Без датчиков и истории отказов модели не на чем учиться. Начинают с одного критичного станка.
- Своя языковая модель с нуля. Для средней компании это почти всегда лишние деньги: готовые модели плюс ваши документы дают больше.
- Чат-бот вместо ERP. Учётная система остаётся источником правды; ИИ — интерфейс к ней, а не замена.
Как организовать работу
Есть четыре пути, и у каждого своя ловушка:
| Путь | Когда оправдан | Риск |
|---|---|---|
| Своими силами | Есть сильный ИТ-отдел и постоянная нагрузка | Всё держится на одном человеке; некому сопровождать модели |
| Интегратор | Нужна интеграция с 1С и ERP, требования безопасности | Зависимость от подрядчика, знания не остаются в компании |
| Готовый продукт | Узкая задача: распознавание документов, контроль качества, сервис | Продукт не подстраивается под ваши процессы; ваши данные уходят к поставщику |
| Гибрид | Чаще всего | Нужен внутренний владелец, который держит все нити |
Три модели из трёх назвали гибрид рабочим вариантом для средней компании: готовый продукт или подрядчик делает техническую часть, а внутри компании есть владелец процесса, который определяет, что считать успехом, и принимает решения.
Почему внедрения бросают
Причины повторяются во всех трёх ответах и в описаниях кейсов. Почти ни одна из них не про технологию.
- Нет базовой линии. Не замерили, сколько процесс занимал до. Через три месяца никто не может сказать, стало ли лучше, и проект закрывают «по ощущениям».
- Плохие данные. Дубли в справочнике, старые редакции документов, Excel с объединёнными ячейками.
- Интеграция затянулась. Демо работало на выгрузке, а до 1С так и не дошло. Лечится скромно: начать с выгрузки или доступа только на чтение и не давать ИИ права записи, пока он не доказал точность.
- Люди обходят систему. Если сметчики и технологи не участвовали в постановке, они найдут способ работать по-старому. Помогает показывать, откуда ИИ взял ответ: исходный фрагмент документа, ячейку таблицы.
- Точность модели приняли за окупаемость. «95% точности» на демо не означает экономии. Считать надо чистое время человека с учётом проверки и исправлений.
- Пилот дешёвый, эксплуатация нет. Сопровождение, обновления, разметка новых примеров, ответственный человек — это постоянные расходы. Их закладывают до старта, на 2–3 года вперёд.
Отдельно о вечном пилоте. Его лечат одним приёмом: до старта записать, при каком результате проект продолжается, а при каком останавливается.
Как читать проценты эффекта
Одна модель уверенно писала, что ИИ сокращает подготовку КП на 30–75%, а визуальный контроль снижает пропуск брака на 50–90%. Другая на тот же вопрос отвечала: «от нуля до измеренного времени, за вычетом проверки». Обе ссылались на источники.
Когда я пошёл по источникам, картина стала понятнее. Почти все цифры эффекта в открытом доступе опубликованы теми, кто продаёт решение:
- корейский поставщик машинного зрения сообщает, что на заводе стального листа время инспекции сократилось на 60%, а участие людей — на 70%;
- российская компания сообщает о проверке конструкторской документации «в 6–7 раз быстрее» на 40 тысячах страниц, не описывая, как мерили «до»;
- интегратор пишет, что у американского дистрибьютора компонентов ИИ правильно сортирует письма в 80% случаев — но это результат проверки концепции, а срок окупаемости в том же кейсе — цель, не итог;
- руководитель производства в отзыве для интегратора говорит, что первое КП стало «примерно на 80% быстрее» — одна фраза, без замера.
Ложными эти цифры быть не обязаны. Но это заявления без описанного замера, и в кейсы поставщиков попадают удачные внедрения. Независимых замеров на средних производствах я нашёл единицы.
Ещё пример того, как цифры искажаются по дороге. Одна из моделей написала, что цех механообработки сократил подготовку КП «до 12–24 часов». В кейсе поставщика — «до 1–3 дней», а 24 часа названы целью. Модель приняла цель за результат.
Поэтому верить можно только собственной базовой линии. Замерьте процесс до пилота: сколько запросов в месяц, сколько времени уходит на каждый (медиану и самые долгие), сколько переделок. Тогда через два месяца будет с чем сравнить.
Что меняется в 2025–2026 годах
Коротко о трендах, с поправкой на шум:
- Связка «ИИ + детерминированный расчёт» стала нормой. Модель понимает запрос и объясняет результат, числа считает код. Подход устоявшийся. В третьей части покажу его на собственном проекте планирования закупок.
- Локальные модели стали реальной опцией. Открытые модели из Китая, России, США и Европы можно запустить на своём сервере, не отправляя данные наружу. Но экономика зависит от загрузки и от того, кто будет это сопровождать. Подробно — в третьей части.
- Агенты — с осторожностью. ИИ, который сам выполняет цепочку действий, полезен, когда действия ограничены и каждое важное подтверждает человек. «Цифровой сотрудник, который сам ведёт закупки» для критичных процессов пока скорее реклама.
- Регулирование стало частью архитектуры. Персональные данные, коммерческая тайна, требования заказчиков из критической инфраструктуры к происхождению ПО — всё это определяет, где можно обрабатывать данные, ещё до выбора модели.
Реестр утверждений
| № | Утверждение | Согласие моделей | Доказательство | Итог |
|---|---|---|---|---|
| R-01 | ИИ используют около 5,2% крупных и средних организаций России; в компаниях больше 500 человек — 17%, меньше 100 — 4,3% | большинство | официальная статистика (ИСИЭЗ НИУ ВШЭ по данным Росстата, 2025 год) | подтверждено |
| R-02 | Среди пользователей ИИ две трети применяют обработку изображений и текста, больше половины — готовое коммерческое ПО | большинство | официальная статистика (то же) | подтверждено |
| R-03 | Рабочая схема: ИИ извлекает и объясняет, код и ERP считают, человек утверждает | единогласно | согласие моделей и практика кейсов; независимого исследования нет | вероятно |
| R-04 | Первыми процессами стоит брать разбор запросов с черновиком КП и поиск по знаниям компании | единогласно | кейсы поставщиков и логика рисков | вероятно |
| R-05 | Подбор аналогов без нормализованного справочника номенклатуры не работает | единогласно | согласие моделей; прямых исследований нет | вероятно |
| R-06 | Специализированное ПО сокращает подготовку КП в разы (S&Y: цикл вдвое; Focused on Machining: 5–10 дней → 1–3) | большинство | кейсы поставщиков ПО | вероятно |
| R-07 | Почти все публичные цифры эффекта на производстве опубликованы поставщиками и интеграторами | частично | проверка 17 кейсов из ответов моделей | вероятно |
| R-08 | Внедрения чаще проваливаются из-за данных, владельца и отсутствия базовой линии, чем из-за технологии | единогласно | согласие моделей; опросов с известной выборкой не нашёл | вероятно |
| R-09 | Подготовка КП сокращается на 30–75% | спорно | оценка одной модели без проверяемого источника | не подтверждено |
Выводы
- [рабочее] Начинать с узкого частого процесса в режиме черновика. Разбор запросов и КП или поиск по знаниям — с владельцем, базовой линией и условием остановки, записанными до старта.
- [рабочее] ИИ не считает и не решает. Числа — в ERP и коде, решения — у человека. Это снимает большую часть рисков и упрощает проверку.
- [рабочее] Чужим процентам не верить, свои — мерить. Публичные цифры годятся как ориентир для гипотезы, но не для бизнес-плана.
Что может опровергнуть выводы: независимые исследования внедрений на средних производствах с замером до и после; российские кейсы, где эффект измерен на сопоставимой выборке; опыт компаний, которые начинали с производственных участков и получили эффект быстрее.
Не удалось подтвердить
- Данные ВШЭ по машиностроению отдельно (доля компьютерного зрения и ИИ-агентов): документ не удалось прочитать.
- Независимые публичные кейсы российских средних производителей с описанием архитектуры, бюджета и измеренного эффекта — не нашёл ни одного.
- Сопоставимые цены внедрения ИИ для российской компании на 200–800 человек: все три модели дали только оценки, расходящиеся в разы.
- Кейс предиктивного обслуживания, который одна из моделей приводила с точными цифрами, на сайте поставщика не нашёлся. В текст не вошёл.
Ограничения
- Это обзор, а не исследование под конкретную задачу. Его цель — очертить основные аспекты темы: где ИИ на производстве уже работает, с чего начинать и на чём спотыкаются. Поэтому вопрос задан трём моделям, а не пяти-шести, как в исследованиях перед решением по конкретному проекту. Согласия трёх моделей достаточно, чтобы составить карту темы, но оно не заменяет обследования вашего процесса и замера на ваших данных.
- Кейсы — в основном американские и европейские: российских публичных данных мало.
- Проверены утверждения, на которые опирается текст; остальное из ответов моделей в статью не вошло.
- Цикл про средние компании (100–1000 человек) с серийным и заказным производством; для крупных холдингов и малых мастерских выводы могут отличаться.