Заявка

    Цикл «Автоматизация — как много в этом звуке» · часть 1 из 3

    Автоматизация — как много в этом звуке. С чего начинать производству

    Вопрос

    С чего средней производственной компании начинать автоматизацию с помощью ИИ, чтобы получить измеримый эффект и не застрять в вечном пилоте?

    Коротко
    1. 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.
    2. 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».
    3. 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:

    1. Читать неструктурированное. Письмо клиента, опросный лист в PDF, скан спецификации, фотография шильдика. Языковая модель вытаскивает из этого параметры и раскладывает по полям.
    2. Видеть. Компьютерное зрение отличает годную клемму от бракованной, если ему показали достаточно примеров того и другого.
    3. 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.

    Рис. 01 · Кто что делает в обработке запроса
    ИИ готовит черновик, числа считает учётная системаИИERP, кодчеловек01извлечьпараметры02отметитьпропуски03ценаи срок04проверкаправил05утвердитьисправления → эталонные примеры для проверки ИИ
    ИИ извлекает параметры и отмечает пропуски, учётная система считает цену и срок и проверяет правила, человек утверждает. Исправления человека копятся в эталонных примерах, на которых потом проверяют ИИ.

    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».

    Рис. 02 · С какого участка начинать
    начинать здесьраспознавание накладныхпоиск по знаниямразбор запросов и КПпрогноз спросаконтроль на поступодбор аналоговчерновики паспортовТОиР по датчикамгенеративное проектированиепроще и безопаснее начать →нужны данные и правилазрелость технологии →
    Качественная оценка по своду трёх моделей, не замер. Вверху справа — зрелые технологии, где ошибку легко поймать до последствий: с них стоит начинать. Внизу слева — то, что требует данных, датчиков и правил, которых у средней компании обычно ещё нет.

    С чего начинать

    Модели предлагали разные формулировки, но критерии первого процесса у всех свелись к пяти:

    1. Процесс частый. Десятки и сотни раз в месяц, а не раз в квартал. Иначе экономию нечем измерить.
    2. Ошибку поймают до последствий. До отправки клиенту, до заказа поставщику, до выпуска изделия. ИИ работает в режиме черновика или подсказки.
    3. Есть данные и примеры. Прошлые запросы и КП, размеченные дефекты, действующие редакции документов.
    4. Есть владелец. Человек со стороны бизнеса, а не только ИТ, который отвечает за результат и знает, как выглядит «правильно».
    5. 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.

    1. Нет базовой линии. Не замерили, сколько процесс занимал до. Через три месяца никто не может сказать, стало ли лучше, и проект закрывают «по ощущениям».
    2. Плохие данные. Дубли в справочнике, старые редакции документов, Excel с объединёнными ячейками.
    3. 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.
    4. 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.
    5. Точность модели приняли за окупаемость. «95% точности» на демо не означает экономии. Считать надо чистое время человека с учётом проверки и исправлений.
    6. 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.

    Рис. 03 · Путь пилота
    01базовая линия02данные и права03эталонный набор04теневой режим05помощник06решениепо метрикамдо стартазамер «как есть» и условие остановкиобследование и подготовка · 2–4 нед.пилот · 4–12 нед.условие не выполнено → остановить или пересмотреть
    Сроки — ориентиры из ответов моделей. Главное делается до старта: замер процесса «как есть» и условие, при котором пилот останавливают.

    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

    №УтверждениеСогласие моделейДоказательствоИтог
    R-01ИИ используют около 5,2% крупных и средних организаций России; в компаниях больше 500 человек — 17%, меньше 100 — 4,3%большинствоофициальная статистика (ИСИЭЗ НИУ ВШЭ по данным Росстата, 2025 год)подтверждено
    R-02Среди пользователей ИИ две трети применяют обработку изображений и текста, больше половины — готовое коммерческое ПОбольшинствоофициальная статистика (то же)подтверждено
    R-03Рабочая схема: ИИ извлекает и объясняет, код и ERP считают, человек утверждаетединогласносогласие моделей и практика кейсов; независимого исследования нетвероятно
    R-04Первыми процессами стоит брать разбор запросов с черновиком КП и поиск по знаниям компанииединогласнокейсы поставщиков и логика рисковвероятно
    R-05Подбор аналогов без нормализованного справочника номенклатуры не работаетединогласносогласие моделей; прямых исследований нетвероятно
    R-06Специализированное ПО сокращает подготовку КП в разы (S&Y: цикл вдвое; Focused on Machining: 5–10 дней → 1–3)большинствокейсы поставщиков ПОвероятно
    R-07Почти все публичные цифры эффекта на производстве опубликованы поставщиками и интеграторамичастичнопроверка 17 кейсов из ответов моделейвероятно
    R-08Внедрения чаще проваливаются из-за данных, владельца и отсутствия базовой линии, чем из-за технологииединогласносогласие моделей; опросов с известной выборкой не нашёлвероятно
    R-09Подготовка КП сокращается на 30–75%спорнооценка одной модели без проверяемого источникане подтверждено

    Выводы

    1. [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.
    2. [рабочее] ИИ не считает и не решает. Числа — в ERP и коде, решения — у человека. Это снимает большую часть рисков и упрощает проверку.
    3. [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.

    Эльмар Гасанов

    Проверено человеком — 20.11.2026 · роли ИИ: черновик · поиск источников

    HUMAN_VERIFIED