Заявка

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

    Автоматизация — как много в этом звуке. Внедрение и техника

    Вопрос

    Как средней производственной компании технически устроить ИИ-автоматизацию — архитектура, выбор моделей, локальный контур, безопасность — и внедрить её так, чтобы ею пользовались?

    Коротко
    1. 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.
    2. 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.
    3. 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.

    Рис. 01 · Типовой контур
    01документы02разбор:парсер, OCR03индекс:версия, права04шлюз:права, журнал05модель06проверкакодом07человекутверждаетоблако, российский APIили свой серверERP, 1Сданные только на чтение; запись — после пилота
    Документы проходят разбор и индексацию с версией и правами доступа. Модель вызывается через один шлюз, который проверяет права и записывает журнал. Учётная система отдаёт данные только на чтение. Результат проверяет код, утверждает человек.

    Как выбирать модель

    Критерии у моделей совпали; качество в этом списке только второе.

    1. 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.
    2. 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.
    3. Нужные умения. Структурированный ответ по схеме, вызов инструментов, длина контекста, работа с изображениями.
    4. 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.

    Рис. 02 · Код считает, ИИ объясняет
    КОД СЧИТАЕТ01выгрузкаERP02проверкаданных03прогноз,остаток04план:числаошибка → выпуск остановленИИ ОБЪЯСНЯЕТ, ЧЕЛОВЕК УТВЕРЖДАЕТ05сводкамодели06сверка чисели артикулов07закупщикутверждаетшаблонрасхождениемодель недоступна —тоже шаблон
    Числа получает только расчёт. Модель пишет сводку по его фактам, каждое число и артикул сверяются; при расхождении или недоступности модели публикуется шаблон. Заказ утверждает закупщик.

    Реестр утверждений

    №УтверждениеСогласие моделейДоказательствоИтог
    R-01Решения для среднего производства собираются из четырёх схем: RAG, извлечение данных, ограниченный агент, «код считает — модель объясняет»единогласносогласие моделей; практика кейсоввероятно
    R-02Qwen 3.6-27B, DeepSeek V4, GigaChat 3.1/3.5, T-pro 2.0, Mistral Small 4 опубликованы под Apache 2.0 или MITчастичнокарточки разработчиков на Hugging Face, 20.11.2026подтверждено
    R-03T-pro 2.0 построена на Qwen3-32Bодна моделькарточка разработчикаподтверждено
    R-04У YandexGPT 5 Lite и Gemma 4 лицензии требуют отдельного чтения: собственная лицензия и ссылка на лицензию Gemmaчастичнокарточки разработчиковподтверждено
    R-05Промышленный раздел MERA оценивает модели на задачах производстваодна модельописание бенчмарка: три задачи по сельскому хозяйству и медицинеопровергнуто
    R-06Модель в 4 битах занимает около 0,5 байта на параметр плюс память под контекстединогласноинженерная оценка, документация инструментов запускавероятно
    R-07Для изменяемых знаний RAG предпочтительнее дообученияединогласносогласие моделейвероятно
    R-08Основная часть стоимости владения — труд, а не модель и железобольшинствооценки моделей; рыночных данных нетвероятно
    R-09Постановление № 1522 от 14.11.2026 задаёт переход субъектов КИИ на российское ПО со сроками по категориямбольшинствотекст постановления по базе Гарантподтверждено

    Выводы

    1. [рабочее] Самая надёжная схема — «код считает, модель объясняет, человек утверждает». Числа и правила — в учётной системе и коде, модель — интерфейс и черновик.
    2. [рабочее] Модель выбирают тестом, лицензию — юристом, происхождение — по требованиям заказчика. Рейтинги и страна разработчика качество не определяют.
    3. [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.

    Эльмар Гасанов

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

    HUMAN_VERIFIED