Цикл «Автоматизация — как много в этом звуке» · часть 3 из 3
Автоматизация — как много в этом звуке. Внедрение и техника
Как средней производственной компании технически устроить ИИ-автоматизацию — архитектура, выбор моделей, локальный контур, безопасность — и внедрить её так, чтобы ею пользовались?
- Почти всё, что нужно среднему производству, собирается из четырёх схем: поиск по документам с цитатами, извлечение данных из файлов, ограниченный агент и связка «код считает — модель объясняет — человек утверждает». Самая надёжная из них — последняя.
- Модель выбирают слепым тестом на своих ТЗ и даташитах, а не по рейтингу. Открытые модели из Китая, России, США и Европы можно запустить на своём сервере; у каждой — своя лицензия и свои вопросы о происхождении, а русские обёртки часто построены на китайской базе.
- Основная стоимость владения — люди, а не модель и не видеокарта. Пилот без владельца процесса, базовой линии и условия остановки проваливается при любой архитектуре.
Зачем
В первой части — где ИИ на производстве работает и с чего начинать. Во второй — восемь процессов производителя электротехники до и после. Здесь — как это устроено технически и как внедрить так, чтобы системой пользовались, а не показывали на совещаниях.
Эта часть больше для тех, кто будет строить, но владельцу и руководителю стоит прочитать разделы о выборе между облаком и своим сервером, о безопасности и о стоимости владения: это решения не инженера.
Метод
Вопрос задан трём ИИ-моделям независимо, с одинаковой формой ответа; ответы сведены. Сведения о моделях — версии, лицензии, размеры — проверены по карточкам разработчиков на Hugging Face 20 ноября 2026 года. Версии меняются каждые несколько месяцев, поэтому перед закупкой их нужно перепроверить.
В этой части я называю модели и инструменты: они здесь предмет разговора. Какие модели отвечали на вопросы исследования, по-прежнему не раскрываю — это правило лаборатории. Как и предыдущие части, это обзор основных аспектов, а не проект для конкретной компании.
Четыре схемы, из которых собирается почти всё
Три модели независимо описали одни и те же четыре схемы. Различались только детали.
| Схема | Где уместна | Что ломается | Как проверять |
|---|---|---|---|
| Поиск по документам с цитатами (RAG) | База знаний, техподдержка | Старая редакция в индексе; таблица режется и теряет шапку; похожие артикулы путаются | Эталонные вопросы; цитата действительно подтверждает ответ; доступ по ролям |
| Документ → проверенная структура | Запросы и ТЗ, опросные листы, накладные | 0 и О, запятая и точка, таблица на две страницы; модель додумывает поле | Точное совпадение критических полей; ссылка на страницу или ячейку; ручная выборка |
| Ограниченный агент | Несколько разрешённых чтений подряд: карточка, остаток, черновик | Вложение «командует» моделью; лишние права; повтор записи после сбоя | Права проверяет шлюз, а не модель; тест вредоносных документов; журнал вызовов |
| Код считает → модель объясняет → человек утверждает | КП, цены, спецификации, план закупок | Модель пересчитывает сама; смешивает снимки данных; выдаёт прогноз за факт | Каждое число в тексте сверяется с расчётом; при расхождении — шаблон без модели |
Два практических правила из всех трёх ответов. Если порядок шагов известен заранее, агент не нужен: хватит обычного процесса с одним вызовом модели. И не всё нужно пропускать через модель: Excel известного формата и PDF с текстовым слоем читает обычный парсер, модель — только там, где формат свободный.
Как выбирать модель
Критерии у моделей совпали; качество в этом списке только второе.
- Сначала допуск, потом качество. Какие данные разрешено обрабатывать, где проходят запрос, распознавание, хранение, журналы и резервные копии. Для чертежей, цен и проектов заказчиков начинают с закрытого контура, пока служба безопасности и юрист не разрешат иное.
- Качество — на своих данных. Русские ТЗ, артикулы с кириллицей и латиницей вперемешку, числа с допусками, двуязычные даташиты, таблицы. Одинаковые входы, эталон и правила сверки для всех кандидатов. Отдельно — сколько раз модель честно отказалась и сколько времени ушло у человека на проверку.
- Нужные умения. Структурированный ответ по схеме, вызов инструментов, длина контекста, работа с изображениями.
- Эксплуатация. Лицензия весов, поддержка в инструментах запуска, кто и как будет обновлять.
Про рейтинги. Для русского языка есть бенчмарк MERA, и его охотно цитируют. Но его промышленный раздел — это три задачи по сельскому хозяйству и медицине. Одна из моделей в исследовании выдала его баллы за оценку «на промышленных задачах». К электротехнической документации он отношения не имеет. Независимого теста моделей на русских ТЗ и даташитах я не нашёл, поэтому единственный надёжный способ — слепой тест на ваших сотне-двух документов.
Облако, российский API или свой сервер
Три варианта; выбирать между ними заставляют данные.
- Зарубежное облако — самые сильные модели, но передача персональных данных и коммерческой тайны за рубеж упирается в право и договоры, а доступность для российского юрлица не гарантирована.
- Российский облачный API (GigaChat, модели Яндекса и другие) — договор в российской юрисдикции, но нужно проверить, где хранятся журналы, используются ли данные для обучения и как устроен вызов функций.
- Свой сервер с открытой моделью — данные не уходят наружу, версия под контролем. Цена — железо, люди и ответственность за обновления.
Все три модели сошлись в двух советах. Не покупать видеокарты до пилота: сначала измерить нагрузку на арендованной или имеющейся мощности. И рассматривать гибрид: закрытые данные — на своём сервере или в российском облаке, разрешённые обезличенные задачи — где качество лучше.
Локальные модели разных производителей
Открытые модели, которые можно запустить на своём сервере, на 20 ноября 2026 года. Лицензия — как указано в карточке разработчика.
| Семейство | Разработчик | Лицензия | Что важно для производства |
|---|---|---|---|
| Qwen 3.5 / 3.6 (вышла и 3.8) | Alibaba, Китай | Apache 2.0 | Лицензия проверена для 3.6-27B. Плотная 27B: контекст 262 тыс. токенов, изображения, вызов инструментов. База для многих российских дообучений |
| DeepSeek V4 (Flash, Pro) | DeepSeek, Китай | MIT | Flash — 284B параметров, из них 13B активных, контекст 1 млн токенов. Для средней компании это уже несколько серверных видеокарт |
| GigaChat 3.1 Lightning / 3.5 Ultra | Сбер, Россия | MIT | Lightning — 10B, из них 1,8B активных: дешёвый вход на одной карте. Ultra — 432B, локально почти неподъёмна. Русский и вызов функций заявлены |
| T-pro 2.0 | Т-Банк, Россия | Apache 2.0 | 33B, построена на Qwen3-32B: «российская» модель на китайской базе |
| YandexGPT 5 Lite | Яндекс, Россия | своя | 8B, обучена без чужих весов; условия коммерческого использования — в тексте лицензии |
| Gemma 4 (12B, 26B) | Google, США | Apache 2.0? | Метка Apache 2.0, но карточка ссылается на лицензию Gemma — читать целиком. Контекст 256 тыс., изображения, вызов инструментов |
| Mistral Small 4, Ministral 3 | Mistral AI, Франция | Apache 2.0 | Лицензия проверена для Small 4. Small 4 — 119B, из них 6,5B активных. Русский в явном списке языков не указан |
| gpt-oss (20B, 120B) | OpenAI, США | Apache 2.0 | Плюс отдельная политика использования. Качество на русском техническом тексте — проверять |
| Llama 3.3 / 4 | Meta, США | своя | Llama Community License. Русский не в списке поддерживаемых языков; компания-разработчик признана в России экстремистской — вопрос к юристу |
Что из этого следует.
- Страна разработчика — не про качество. Рейтинга «по странам» делать не стоит, и все три модели в исследовании это подчеркнули. Качество — только слепым тестом.
- Происхождение — про требования заказчика. Если заказчик из критической инфраструктуры требует отечественное ПО, важно не только, кто выпустил модель, но и на чём она построена. T-pro 2.0 — дообучение Qwen; YandexGPT 5 Lite, по словам разработчика, обучена без чужих весов. Происхождение каждой модели проверяют по карточке и спрашивают у разработчика.
- Открытые веса — не всегда свободная лицензия. Apache 2.0 и MIT допускают коммерческое использование; собственные лицензии Яндекса, Google для Gemma и Meta для Llama нужно читать.
- «Активных параметров» мало — памяти нужно много. У моделей со смесью экспертов (MoE) считает за раз небольшая часть параметров, но в памяти видеокарты должны лежать все.
Железо
Инженерная оценка, в которой сошлись все три ответа. Вес модели в 4-битном квантовании — примерно полбайта на параметр, плюс память под контекст и параллельные запросы.
| Размер модели | Чем запускать | Для чего хватает |
|---|---|---|
| 3–14B | Одна карта 16–24 ГБ | Извлечение полей, классификация, поиск по знаниям с хорошим поиском |
| 20–36B | Одна карта 32–48 ГБ | Разбор сложных ТЗ, черновики с рассуждением |
| 70–120B | Две карты по 48 ГБ или серверные 80 ГБ | Когда меньшие модели проверенно не справляются |
| Сотни миллиардов (MoE) | Несколько серверных карт | Для компании на 200–800 человек обычно избыточно |
Запускают модели обычно через vLLM (многопользовательский сервер) или llama.cpp (стенд и малая нагрузка). Поддержка квантования зависит от модели, формата и видеокарты — это проверяется до покупки. Если меньшей модели не хватает качества, сначала улучшают поиск и разбивку документа, добавляют точный поиск по артикулу и короткие примеры, а уже потом берут модель крупнее.
Дообучение или поиск по документам
Ответ у всех трёх моделей одинаковый. Каталоги, цены, редакции ГОСТ и условия клиентов меняются — значит, их ищут в документах и учётной системе (RAG), а не «вшивают» в модель. Дообучение (LoRA) имеет смысл, когда повторяется ошибка поведения: формат ответа, классификация внутренних терминов, разбор типового опросника. И только после того, как на отложенной выборке доказано, что ошибка осталась после исправления поиска.
Инструменты
Без длинных списков — только то, что упоминали все ответы.
- Цепочка обработки: обычный сервис с очередью задач; n8n — для простых маршрутов, LangGraph или LlamaIndex — для сложных.
- Векторный поиск: pgvector, если PostgreSQL уже есть; иначе Qdrant. Точные совпадения и фильтры по правам и редакции обязательны.
- Разбор документов: прямой импорт Excel и текстового PDF; Docling для таблиц; OCR для сканов. Для чертежей исходный файл САПР лучше, чем модель «по картинке».
- Журнал и наблюдение: версия модели и промпта, источники, длительность, результат проверки, решение человека. Langfuse — если команда готова его сопровождать.
- Связь с 1С и ERP: узкий сервис или регламентная выгрузка, роль только на чтение. Запись — после пилота и через один утверждённый интерфейс.
Безопасность и право
Право определяет архитектуру, поэтому его разбирают до выбора модели. Ниже — что модели назвали обязательным; конкретный поток данных проверяет юрист.
- Персональные данные (152-ФЗ). Они есть в опросных листах, письмах, контактах и журналах. С 1 июля 2025 года действует новая редакция требования о сборе данных граждан России с использованием баз на её территории; для трансграничной передачи нужно отдельное уведомление Роскомнадзора. Если провайдер обрабатывает данные от вашего имени, нужно поручение обработки.
- Коммерческая тайна (98-ФЗ). Перечень сведений, порядок доступа, маркировка и договоры. Тайна может утечь через промпт, векторный индекс, журналы и поддержку провайдера.
- Критическая информационная инфраструктура (187-ФЗ). Статус определяется категорированием, а не отраслью заказчика. Постановление Правительства № 1522 от 14 ноября 2026 года задаёт порядок перехода субъектов КИИ на российское ПО со сроками, которые зависят от категории объекта. Внутренний помощник поставщика и значимый объект заказчика — разные вещи, но требования заказчика к происхождению ПО часто приходят договором.
- Инъекция инструкций. Письмо или PDF может содержать текст, который модель примет за команду. Правило одно: документ — это данные, права проверяет шлюз вне модели, на пилоте — только чтение.
- Журнал действий. Кто, что, по какой версии источника и модели, какое решение принял человек. Сам журнал не должен становиться копией секретов.
Внедрение: роли, пилот, метрики
Роли. Руководитель направления выбирает процесс, бюджет и цену ошибки и принимает решение о запуске или остановке. Владелец процесса отвечает за базовую метрику, эталонные примеры и правила согласования. Ключевые пользователи из реальных смен и филиалов разбирают примеры и показывают, где черновик добавил работу; их время входит в смету. ИТ и специалист по 1С — интеграция, права, эксплуатация, откат. Служба безопасности и юрист — допуск данных и договоры.
Пилот. Сначала базовая линия и критерии: активное время до проверенного результата, допустимая доля ошибок по полям, стоимость принятого результата. Затем проверка на исторических данных, потом теневой режим на живых заявках: старый процесс остаётся официальным, новый сверяет небольшая пилотная группа. Только после этого черновики появляются в привычном интерфейсе.
Метрики. Опережающие — видны сразу: доля заявок, реально прошедших новым маршрутом; доля черновиков без исправления критических полей; число уверенных неверных ответов; минуты на проверку. Отложенные — видны через месяцы: полный цикл КП, повторные уточнения, ошибки в спецификациях, рекламации.
Стоимость владения. Модели оценивали пилот и год эксплуатации для облака и своего сервера, и цифры у них расходились в разы. Совпало другое — структура затрат. По расчёту одной из моделей, в облачном варианте около 85% годовых затрат — труд людей (сопровождение, разбор ошибок, обновления, интеграция), а оплата модели — единицы процентов. Свой сервер добавляет железо, электричество и обслуживание, но и там основная статья — люди. Поэтому сравнивать облако и свой сервер имеет смысл по полной стоимости за 2–3 года, а не по цене токена или видеокарты.
Почему бросают (подробнее — в первой части). Чат живёт отдельно от работы, и результат приходится переносить в 1С руками. Никто не отвечает за ошибку, хранилище устаревает, пользователи перестают доверять. Пилот сравнивают с красивой демонстрацией, а не с простым парсером и действующим процессом: если обычный код даёт тот же результат, модель не нужна.
Как это устроено у меня
Принцип «код считает, ИИ объясняет, человек утверждает» я проверял на собственном проекте — системе планирования закупок для импортёра. Это не производство, но задача та же, что в процессе 6 второй части: длинное плечо поставки, сезонность, сотни позиций. Подробный рассказ о проекте — в разделе «Работы»: план закупок для импортёра.
Вход. Выгрузки из ERP: продажи по месяцам, остатки, заказы поставщикам, приходы, справочники — около 800 позиций, плечо поставки 4–6 месяцев.
Что считает код. Проверка данных (ошибка останавливает выпуск плана), восстановление спроса там, где продаж не было из-за нулевого остатка, прогноз с сезонностью, дневная симуляция остатка с учётом заказов в пути, правило заказа и риски дефицита и избытка. Прежде чем модель прогноза попала в работу, её сравнили на истории с простыми методами — «как год назад», «среднее за 12 месяцев», — и она обошла лучший из них.
Что делает ИИ. Claude пишет закупщику сводку по фактам расчёта. Каждое число и каждый артикул в тексте сверяются с расчётом; при расхождении публикуется шаблонная сводка без модели. Без доступа к модели система продолжает работать на шаблоне.
Что делает человек. Закупщик утверждает заказ. Система не отправляет заказы поставщикам.
Что это даёт. План пересчитывается ежедневно и сохраняет вместе с результатом отпечаток входных данных, параметров и версии кода — можно точно сказать, почему вчера было одно, а сегодня другое. И логика заказа объяснима: обогреватель в августе получает не «заказать сейчас», а «заказать до 22 ноября — к следующему сезону», потому что заказ, сделанный сегодня, пролежит на складе всё лето.
Реестр утверждений
| № | Утверждение | Согласие моделей | Доказательство | Итог |
|---|---|---|---|---|
| R-01 | Решения для среднего производства собираются из четырёх схем: RAG, извлечение данных, ограниченный агент, «код считает — модель объясняет» | единогласно | согласие моделей; практика кейсов | вероятно |
| R-02 | Qwen 3.6-27B, DeepSeek V4, GigaChat 3.1/3.5, T-pro 2.0, Mistral Small 4 опубликованы под Apache 2.0 или MIT | частично | карточки разработчиков на Hugging Face, 20.11.2026 | подтверждено |
| R-03 | T-pro 2.0 построена на Qwen3-32B | одна модель | карточка разработчика | подтверждено |
| R-04 | У YandexGPT 5 Lite и Gemma 4 лицензии требуют отдельного чтения: собственная лицензия и ссылка на лицензию Gemma | частично | карточки разработчиков | подтверждено |
| R-05 | Промышленный раздел MERA оценивает модели на задачах производства | одна модель | описание бенчмарка: три задачи по сельскому хозяйству и медицине | опровергнуто |
| R-06 | Модель в 4 битах занимает около 0,5 байта на параметр плюс память под контекст | единогласно | инженерная оценка, документация инструментов запуска | вероятно |
| R-07 | Для изменяемых знаний RAG предпочтительнее дообучения | единогласно | согласие моделей | вероятно |
| R-08 | Основная часть стоимости владения — труд, а не модель и железо | большинство | оценки моделей; рыночных данных нет | вероятно |
| R-09 | Постановление № 1522 от 14.11.2026 задаёт переход субъектов КИИ на российское ПО со сроками по категориям | большинство | текст постановления по базе Гарант | подтверждено |
Выводы
- [рабочее] Самая надёжная схема — «код считает, модель объясняет, человек утверждает». Числа и правила — в учётной системе и коде, модель — интерфейс и черновик.
- [рабочее] Модель выбирают тестом, лицензию — юристом, происхождение — по требованиям заказчика. Рейтинги и страна разработчика качество не определяют.
- [рабочее] Видеокарту покупают после пилота, а бюджет считают по людям. Свой сервер оправдывают закрытые данные и измеренная нагрузка.
Что может опровергнуть выводы: независимый бенчмарк моделей на русской технической документации; опыт компаний, где агенты с правом записи прошли промышленную эксплуатацию без инцидентов; рыночные данные о стоимости владения, где модель и железо — основная статья.
Не удалось подтвердить
- Наличие T-Pro 2.1 и T-Lite на странице разработчика: видна только часть списка моделей.
- Лицензии Qwen 3.5 и 3.8, Ministral 3: карточки не проверены.
- Полный текст постановления № 1522: официальный портал при проверке был недоступен, дата начала перехода не подтверждена однозначно.
- Баллы моделей в промышленном разделе MERA: таблица не читается статически.
- Рыночные цены внедрения и железа в России на дату статьи — нужны коммерческие предложения.
Ограничения
- Версии моделей и лицензии меняются каждые несколько месяцев; таблица — срез на 20 ноября 2026 года.
- Это обзор основных аспектов, а не проект: архитектуру и модель выбирают после обследования процесса и теста на своих данных.
- Правовая часть — ориентир для разговора с юристом, а не заключение.
- Пример собственного проекта — из соседней отрасли (дистрибуция), на производстве задача планирования сложнее из-за спецификаций и мощностей.