Почему промышленный ИИ остается локальным инструментом — и что с этим делать

Промышленные компании уже экспериментируют с ИИ, но большинство проектов не выходят за рамки пилотов. Проблема, как правило, не в технологии, а в том, как выстроена архитектура внедрения и вокруг чего она организована. Вместе с OMEGALLIANCE fabricaONE.AI (акционер — ГК Softline) разбираем, какие сценарии уже работают в промышленности, почему проекты застревают и как компаниям перейти от точечной ИИ-автоматизации к системному промышленному ИИ.

Согласно прогнозу ИСИЭЗ НИУ ВШЭ, совокупный вклад ИИ в ВВП России составит 11,6 трлн рублей в 2030 году и 46,5 трлн рублей в 2035-м. Президент компании «Норильский Никель» Владимир Потанин в интервью телеканалу «Россия 24» подтвердил — экономический эффект от внедрения ИИ для экономики страны действительно колоссальный. По его словам, России важно соблюдать баланс: использовать суверенные технологии в национальной безопасности и критических отраслях и мировые разработки в коммерческой сфере.

По подсчетам FinExpertiza, средние и крупные российские компании в 2024 году потратили 90,3 млрд руб. на внедрение и использование ИИ. Доля ИТ-бюджета, которую компании готовы выделить на ИИ, зависит от конкретной отрасли. Она может варьироваться, например, от 5,5% в автомобильной промышленности до 14% в нефтегазовом секторе.

Где уже применяется ИИ: сценарии в промышленности

Ниже собраны примеры использования технологий искусственного интеллекта в различных отраслях.

Компьютерное зрение и визуальный контроль

Автоматизированный оптический контроль — одно из популярных применений ИИ в мировой промышленности. По данным IoT Analytics, он занимает наибольшую долю — 11% — среди 48 изученных компанией сценариев использования ИИ.

В России, по данным АНО «Цифровая экономика» на конец 2024, компьютерное зрение находилось на втором месте по популярности среди предприятий, уступая первое место интеллектуальным системам поддержки принятия решений. По оценке Strategy Partners, в 2025 году машинное зрение применяли 41,6% отечественных производственных компаний.

На предприятии машинное зрение решает задачи, в которых человеческий контроль ограничен скоростью или физическим доступом. Камеры и алгоритмы выявляют дефекты на конвейере быстрее и точнее, чем человек. Системы отслеживания ведут количественный учет объектов в режиме реального времени — без ручного пересчета. В зонах повышенного риска компьютерное зрение отслеживает соблюдение требований охраны труда: наличие средств индивидуальной защиты, нахождение людей в опасных зонах или нештатные ситуации.

Пример из алюминиевой отрасли

«Русал» запустил систему автоматического анализа микроструктуры цилиндрических слитков. В ее основе лежит машинное зрение и нейросетевые модели. Система выполняет работу за 15 минут, тогда как лаборант тратит на анализ 1,5–4 часа. Автоматическая проверка исключает человеческий фактор и снижает объем рутинных обязанностей сотрудников. От качества слитков зависит качество конечного продукта и долговечность прессового оборудования.

Предиктивное обслуживание оборудования

Предиктивное обслуживание (Predictive Maintenance) — подход к управлению промышленным оборудованием, при котором момент ремонта или обслуживания определяется на основе анализа фактического состояния техники и прогноза ее отказа. Чтобы выявлять признаки деградации оборудования заранее, используют данные датчиков и производственных систем.

По данным Siemens, 500 крупнейших компаний мира из-за незапланированных простоев теряют 11% годовой выручки, или 1,4 трлн долл. Это сопоставимо с ВВП отдельной небольшой страны. Предиктивное обслуживание помогает упреждать сбои в работе машины, тем самым снижать незапланированные простои и сопутствующие потери.

В современных системах используются технологии ИИ. Алгоритмы машинного обучения анализируют массивы данных с оборудования, из систем управления производством (MES) и других источников и выявляют аномалии. Это помогает прогнозировать вероятность и время возможной поломки. В таких системах также применяется генеративный ИИ. Он помогает извлекать знания из накопленных производственных данных и дает инженерам рекомендации по обслуживанию оборудования.

По расчетам Siemens, полное внедрение предиктивного обслуживания в Fortune Global 500 позволило бы сэкономить 2,1 млн часов простоев ежегодно и 233 млрд долл. на затратах на обслуживание.

Пример из химической промышленности

«Сибур» разработал предиктивную систему обслуживания, которая автоматически собирает параметры с критичных агрегатов. Математическая модель обрабатывает их и выявляет признаки возможных поломок. Экономический эффект за три года — 1,5 млрд рублей за счет сокращения простоев и повышения коэффициента технологической готовности.

Помимо этого, компания тестирует ИИ-ассистента на базе российской LLM-модели. Он выполняет роль инженера-диагноста. По текстовому описанию ассистент выдвигает гипотезы о причинах неисправности оборудования и дает рекомендации по их устранению.

Управление цепочками поставок

Сбой в цепочке поставок напрямую влияет на загрузку производства — особенно у предприятий с разветвленной логистикой, где одна задержка компонента останавливает конвейер. Аналитик физически не успевает отслеживать все переменные одновременно, поэтому для этих задач подключают системы на базе ИИ.

Такие системы востребованы в сценариях, где нужно одновременно учитывать доступность поставщиков, сроки доставки, производственные ограничения и другие факторы. Именно здесь ИИ позволяет скорректировать план закупок заранее, а не реагировать на уже случившийся дефицит.

По оценкам Gartner, к 2030 году расходы на программное обеспечение для управления цепочками поставок с использованием агентного ИИ достигнут 53 млрд долл., тогда как в 2025 году они были на уровне 2 млрд долл. Аналитики компании отмечают, что агенты ИИ уже автоматизируют рутинные операции в цепочке поставок и освобождают время людей для более сложных задач.

Пример из автомобильной промышленности

Американский автопроизводитель Ford использует ИИ для мониторинга цепочки поставок и предотвращения сбоев. С помощью технологий компания ищет способы покупки необходимых деталей и анализирует все возможности использования ресурсов в странах, которые соблюдают торговые соглашения в связи с заградительными пошлинами США. По словам директора по управлению цепочками поставок Ford Лиз Дор, система на базе ИИ помогает «отслеживать риски и предотвращать сбои, а не реагировать на них постфактум».

Генеративный ИИ в инженерных и операционных процессах

Генеративный ИИ пока занимает скромную долю промышленного ИИ-рынка. По данным IoT Analytics, в 2024 году на него приходилось около 6% всех промышленных ИИ-проектов. При этом эксперты ожидают, что к 2030 году эта доля вырастет до 25%.

Главная специфика генеративного ИИ в промышленности — необходимость отраслевой адаптации. Некоторые компании, которые пытались построить ассистентов на базе общедоступных LLM, столкнулись с их ограниченным пониманием промышленного контекста.

Промышленные вендоры начали создавать специализированные индустриальные модели, обученные на производственных и технических данных. Например, в 2025 году компания Siemens совместно с Microsoft выпустила модель, которая использует «отраслевые знания компании в области производства для оптимизации инженерных процессов и процессов автоматизации». Она работает в связке с ПО Siemens для цифровых двойников Industrial Copilot и виртуальными PLC.

Читайте в блоге «Софтлайн Решений»:

Как устроены цифровые двойники: этапы разработки и примеры использования

Рассказываем, какие задачи решают цифровые двойники и как их используют в промышленности, строительстве и энергетике.

Примеры сценариев, с которых, как правило, начинается использование генеративного ИИ в промышленности — ИИ-ассистенты для операторов, обработка технической документации, анализ соответствия нормативным требованиям.

В России, по данным Strategy Partners, половина крупных промышленных компаний заявила о готовности применять генеративный ИИ. При этом большая часть (42%) уже внедрила или только планирует использовать системы с этой технологией в управлении производственными процессами.

По прогнозам аналитиков, в ближайшие два года предприятия перейдут от пилотов к промышленной эксплуатации генеративного ИИ. Ускорить этот процесс, сделать его наиболее эффективным, обеспечить переход от пилотных внедрений к масштабированию решения на предприятие в целом могут отраслевые ИИ-платформы с готовыми доменами знаний.

Пример из металлургии

«Северсталь» внедрила чат-бота на основе генеративного искусственного интеллекта для аудита процессов технического обслуживания и ремонта. Он самостоятельно проводит интервью с сотрудниками, анализирует все процессы ремонта и формирует аналитический отчет с планом необходимых изменений. Компания уже использовала ИИ-ассистента в ремонтной функции. Это позволило сократить трудоемкость оценки состояния активов с 60 с лишним человеко-дней до одного.

Почему ИИ-проекты не приносят результат: ключевые препятствия

По данным MIT NANDA, лишь 5% пилотных проектов с генеративным ИИ доходят до промышленного внедрения, тогда как остальные застревают на стадии экспериментов без ощутимого влияния на компании. Похожая картина наблюдается и в других направлениях ИИ. В большинстве случаев проблема заключается не в самой технологии как таковой, а в умении ее адаптировать под задачи предприятия, преодолеть операционные и организационные барьеры.

Низкий уровень цифровизации производств и качество данных

Многие предприятия начинают внедрение ИИ, не завершив базовую цифровизацию. Для полного раскрытия потенциала ИИ должен опираться на реальные и правильные — полные и актуальные — данные. Но на предприятии обычно огромное количество легаси-систем, MES, ТОиР, АСУ ТП, поэтому данные разбросаны по «островкам» и хранятся в разных форматах.

Если в проектах по Big Data (большие данные) основная доля затрат приходилась на подготовку данных, то при внедрении ИИ акцент смещается на контекст. ИИ способен сопоставить информацию, но у него нет опыта инженера, который проработал в промышленности 30 лет. Здесь на первый план выходит задача передать системе эти знания — задать соответствующие правила.

По данным PEX Network, 52% называют качество и доступность данных главным барьером при внедрении ИИ. Опрос Gartner показал: 63% организаций либо не имеют подходящих методов управления данными для ИИ, либо не уверены в их наличии. Эксперты прогнозируют, что в 2026 году компании закроют более 60% ИИ-проектов, не обеспеченных подходящими данными.

В России эту проблему пытаются решить в том числе и на государственном уровне. В 2026 году Минпромторг намерен запустить платформу для обмена промышленными данными. Идея в том, чтобы объединить данные предприятий в одном месте и организовать их обмен в защищенном контуре. В апреле прошлого года о своей готовности присоединиться к инициативе заявили лишь 10-15 компаний.

Читайте в блоге «Софтлайн Решений»:

ИИ для кибербезопасности: как искусственный интеллект меняет защиту данных в 2026 году

Рассказываем, как ИИ используется в кибербезопасности, какие есть риски и ограничения этой технологии в борьбе со злоумышленниками.

Дефицит отраслевых ИИ-специалистов

По данным IoT Analytics, 45% производителей считают главным барьером внедрения ИИ недостаток внутренней экспертизы и знаний. Ключевая проблема — отсутствие в проектах прикладных отраслевых экспертов, которые понимают, где и какие данные взять, как их связать и зачем.

В России к 2030 году дефицит специалистов, которые умеют работать с инструментами на базе ИИ, в промышленности составит от 2 до 3 млн человек, заявил руководитель группы по трансформации промышленных компаний «Технологий доверия» («ТеДо») Алексей Нестеренко.

Высокая стоимость и неочевидный ROI

Для 75% компаний, участвовавших в опросе фирмы «Яков и партнеры», ключевым барьером является высокая стоимость ИИ-решений. Другая важная проблема — сложность в измерении результата. По данным IBM Think Circle, лишь 29% руководителей могут с уверенностью оценить рентабельность инвестиций в ИИ. 79% все же отмечают рост производительности, однако его по-прежнему сложно перевести в финансовый результат.

Сопротивление персонала изменениям

Технологический барьер часто оказывается менее значимым, чем человеческий. В СМИ и публичных обсуждениях доминирует посыл, что ИИ заменит людей. Сотрудники начинают саботировать внедрения, участвуют в проектах формально, отказываются делиться знаниями, на которых обучаются модели. Среди опрошенных PEX Network компаний 30% видят главной проблемой именно сопротивление персонала изменениям.

От автоматизации до сквозной функции: три уровня зрелости промышленного ИИ

Перечисленные барьеры объясняют, почему проекты не доходят до внедрения. Но даже когда их удается преодолеть, ИИ нередко остается локальным инструментом — он решает отдельную задачу, но не меняет то, как предприятие принимает решения в целом. Чтобы понять, почему так происходит, предлагаем разграничить три уровня внедрения промышленного ИИ.

Первый уровень — автоматизация отдельных операций.

ИИ внедряется локально, как надстройка над существующими системами. Большинство компаний сегодня находятся именно на этом этапе. Такие решения помогают быстрее обнаруживать отклонения, прогнозировать отказ оборудования, анализировать документы или автоматизировать рутинные действия сотрудников. Этот подход дает быстрый эффект и подходит для выполнения конкретных задач.

Однако, по сути, речь все еще идет о локальной автоматизации отдельных процессов, пусть и с использованием более современных инструментов. Такие внедрения решают отдельные задачи, но не формируют единого контура принятия решений на уровне предприятия.

Второй уровень — дата-центричный подход.

На этом уровне компании начинают объединять данные в единое пространство из разных производственных систем: MES, ТОиР, АСУ ТП, инженерных и корпоративных платформ.

Это уже более комплексный подход, который помогает связать между собой разрозненные данные, добавить отраслевой контекст. На этот уровень пока перешли в основном крупнейшие международные промышленные компании.

Но сами по себе данные не создают ценность для бизнеса, если система не помогает связать их с конкретными действиями. Дата-центричный подход превращает данные в отличный справочник. С ним можно «поговорить», он поможет найти нужную информацию, сопоставить факты. Но он не отвечает на главный вопрос: «Что делать?». Ответ на этот вопрос по-прежнему остается в голове сотрудника.

Разница между справочником и советником — это и есть разница между вторым и третьим уровнем. Поэтому следующий этап развития промышленного ИИ связан с переходом к архитектуре, в центре которой находятся и данные, и цели предприятия.

Третий уровень — подход, ориентированный на цели.

Такой подход реализуется в платформе промышленного искусственного интеллекта компании OMEGALLIANCE, которая формирует единое пространство данных и решений. Здесь ИИ работает не как отдельный инструмент анализа, а как система, способная учитывать взаимосвязь между событиями, ограничениями, ресурсами и производственными планами.

Компании могут перейти от анализа отдельных сигналов к поддержке комплексных решений на уровне предприятия. Система способна, например, не только прогнозировать потенциальный отказ оборудования, но и предлагать оптимальные сценарии действий с учетом производственного контекста.

Платформа объединяет ИТ-, OT- и инженерные данные в единую модель знаний предметной области. В нее входят как данные от заказчика, так и накопленная отраслевая экспертиза OMEGALLIANCE. При этом речь не идет о замене уже внедренных систем. Платформа работает поверх существующего ИТ- и OT-ландшафта предприятия и с помощью набора коннекторов связывает MES, ТОиР, АСУ ТП и другие системы в единый контур.

Внедряемые в промышленность решения должны соответствовать высоким требованиям безопасности. Поэтому платформа компании OMEGALLIANCE разворачивается в локальном контуре предприятия и интегрируется в существующую инфраструктуру без передачи производственных данных во внешние облачные среды.

Еще одна важная особенность такого подхода — открытая архитектура. Промышленный ИИ невозможно реализовать как универсальное коробочное решение: каждое предприятие отличается зрелостью цифровой инфраструктуры, архитектурой производственных систем и отраслевой спецификой.

Именно поэтому платформа развивается как открытая экосистема. Она объединяет отраслевую экспертизу OMEGALLIANCE и собственные технологические решения партнеров кластера fabricaONE.AI (акционер — ГК Softline). При необходимости такой подход позволяет подключать специализированные компетенции с рынка под задачи конкретного предприятия.

Предприятия, которые сейчас экспериментируют с ИИ, через несколько лет окажутся либо в числе тех, кто продолжает накапливать локальные пилоты без системного эффекта, либо в числе тех, кому удалось выстроить архитектуру, в центре которой цели предприятия. OMEGALLIANCE помогает промышленным компаниям выстроить этот путь.

Информация, представленная на сайте, носит исключительно справочный и ознакомительный характер, не предназначена для личных, семейных, домашних и иных нужд, не связанных с осуществлением предпринимательской деятельности и не ориентирована на потребителей по смыслу Федерального закона от 24.06.2025 № 168-ФЗ.