Искусственный интеллект в промышленности

10.09.2026 Автор: Недра России Технологии

Автор: Василий Мухин, руководитель направления по корпоративным платформам и ИИ в К2Тех

Промышленные компании активно внедряют искусственный интеллект, однако пилотные проекты не фиксируют измеримый экономический эффект. Разрозненные инициативы, высокие затраты, требования к безопасности данных и недостаток профессиональных решений становятся барьерами на пути масштабирования ИИ. В статье рассматриваются основные модели промышленного ИИ, принципы «пилотной ловушки» и подходы к системному управлению ИИ-гипотезами.

Введение

В промышленном секторе все внедряемые технологии должны приносить измеримый результат: сокращение издержек, рост производительности, снижение простоев, оптимизация цепочек поставок. Однако сегодня на рынке сложилась парадоксальная ситуация: технологии искусственного интеллекта внедряются повсеместно, но измеримого экономического эффекта большинство компаний не получают. По данным исследования К2 НейроТех, 65% респондентов отмечают заметный разрыв между запросами топ менеджмента и фактическими возможностями компании по внедрению ИИ.

AI-as-a-Service против on-premise

Согласно данным IDC, Gartner и McKinsey, структура ИИ-затрат в России и на Западе принципиально различается: российские компании концентрируются на инфраструктуре и прикладных решениях, тогда как западные — на AI-агентах, трансформации процессов и изменении операционной модели.

В прошлом году объем западного рынка промышленного ИИ составил порядка 20 миллиардов долларов, и продолжает расти примерно на 40% ежегодно^[1]. В B2B секторе он развивается по модели AI-as-a-Service: в основном, крупный бизнес закупает сервисные услуги у гигантов, арендуя облачные вычисления (например, у Anthropic или OpenAI) и получает низкий порог входа, быстрый запуск проектов и практически безграничную масштабируемость.

Почему так происходит? Во-первых, компании не нужно сразу строить тяжелую инфраструктуру, расширять штат или инвестировать в обеспечение безопасности. Сервис уже готов, он довольно быстро интегрируется в корпоративный контур, а биллинг осуществляется «на лету».

Во-вторых, высокая скорость запуска. В классической модели путь от идеи до промышленной эксплуатации занимает примерно год: 4–5 месяцев уходит на обсуждение, 4–5 месяцев на контрактование и несколько месяцев на реализацию. Используя облачные модели, этот цикл можно сократить до 2–4 дней, а если компания крупная и требуется согласование безопасности — то до месяца.

И, наконец, масштабируемость. В модели on-premise обычно компании сначала закупают мощный сервер, который простаивает примерно на 90%. Затем пользователи постепенно начинают использовать сервис, нагрузка растет и в какой-то момент начинает превышать возможности сервера. Система деградирует, пользователи недовольны, и начинается новый цикл закупки на следующий год. В итоге бизнес страдает: сначала переплачивает, а затем теряет в качестве SLA. При использовании облачных моделей мощности подстраиваются под реальную нагрузку: платформа автоматически масштабирует ресурсы под рост производственных сценариев за счет эластичной инфраструктуры и доступа к ИИ‑моделям через API.

Согласно отчету Global CIO, в Российской промышленности около 70% ИИ-проектов реализуются именно в модели on-premise. Компании осознанно идут на это из-за необходимости импортозамещения, выстраивания цифрового суверенитета и жесткого контроля данных. Предприятия хотят иметь собственные модели, разворачивать их внутри своего защищенного контура и не зависеть от внешних поставщиков. Однако это порождает ряд проблем: сложные интеграции, потребность в больших командах и значительное увеличение сроков проектов.

Структура затрат это подтверждает: в России большая доля бюджета уходит на инфраструктуру (25-40%), компьютерное зрение (10-20%) и скоринг (15-25%), тогда как на Западе компании вкладывают значительно больше в GenAI и корпоративных ассистентов (15-25% против 5-12% в России), в AI-агентов (10-20% против 2-7%) и в консалтинг с управлением изменениями (15-25% против 5-10%).

Пилотная ловушка

Большинство промышленных компаний проходит один и тот же цикл внедрения и масштабирования ИИ: десятки пилотов, высокая, но разрозненная вовлеченность цехов и офисных подразделений, отсутствие прозрачного экономического результата. Все ожидают быстрых побед при минимальных затратах, однако практика показывает обратное. Проблема множества пилотов в том, что каждый запуск требует серьезной подготовки инфраструктуры, команды и процессов. Внедрение ИИ представляет собой большой проект, влекущий за собой инфраструктурные и организационные изменения. Когда ожидаемый эффект не появляется сразу, у заказчика возникает закономерное разочарование и недоверие к технологии.

Ситуацию усугубляет состояние рынка. На российском рынке, несмотря на отставание от Запада и Китая, появилось очень много решений. Часто это open-source продукты, которые переработали, перевели и выдают за собственные разработки. Для промышленного заказчика ключевым аргументом часто становится наличие продукта в реестрах. Это формально подтверждает соответствие требованиям, но не говорит о зрелости и надежности. При этом пока качественных продуктов мало: стандарты промышленного ИИ только формируются и единая практика еще не сложилась. Это подрывает доверие как к вендорам, так и к интеграторам в сфере ИИ: предприятия опасаются инвестировать, и в итоге потерять поддержку, само решение или время, не показав экономических эффектов.

В итоге формируется замкнутый круг: компании готовы инвестировать в искусственный интеллект, но дефицит зрелых решений и масштабных примеров внедрения ИИ снижает доверие к технологии. Без этого доверия пилотные проекты редко переходят в полноценное промышленное внедрение.

Рецепт системного внедрения

У промышленных компаний переход от первых попыток внедрения ИИ до системного подхода обычно занимает около двух с половиной лет. На старте возникает “зоопарк” команд и инициатив, каждая со своими решениями и даже инфраструктурой. Ключевой перелом наступает в момент централизации. Компания выделяет отдельное подразделение по внедрению ИИ, централизованно закупает оборудование, разворачивает единую платформу и проводит обучение сначала для топ-менеджмента, а затем для всех сотрудников.

Мы тоже прошли этот путь. Летом прошлого года мы приняли решение перейти от стихийного роста ИИ‑инициатив к управляемой модели: сформировали стратегию, согласовали ее с советом директоров и начали двигаться планомерно. Точкой входа для всех ИИ‑проектов стал внутренний акселератор, который анализирует все разрозненные инициативы. Как показывает практика, порядка 60% гипотез закрываются в первые два месяца, оставшиеся начинают динамично развиваться.

Решающий элемент — создание единого портфеля ИИ‑гипотез. Мы в К2Тех выработали процесс, где все гипотезы ранжируются, кластеризуются и проходят через единую методологию, перестали рассматривать каждую изолированно, с отдельным ROI и оборудованием. Теперь мы используем гибридный подход. Гипотезы, не затрагивающие чувствительные производственные данные, проверяются в облаке — на западных и российских моделях, к которым мы имеем партнерский доступ. Если за одну-две недели эксперимент не показывает эффект, мы его закрываем, не тратя время и деньги. Если гипотеза «выстреливает», запускается полноценный проект, который дальше существует в промышленном контуре.

Гипотезы, касающиеся чувствительных данных или критичных производственных контуров, связанные с технологическими процессами или безопасностью, сразу разворачиваются на собственных мощностях, но уже с пониманием возможности масштабирования. Такой подход позволил сократить фактический объем ресурсов по сравнению с изначальными планами и получить быстрые результаты.

Умные платформы для управления промышленными инициативами

Выстроив единый процесс работы с ИИ-гипотезами, мы поняли, что следующей точкой роста будет инструмент, который сможет поддерживать эту методологию на практике. Иначе по мере увеличения числа гипотез мы снова рискуем вернуться к разрозненному управлению. Так появился ИИ-офис — платформа для командного управления гипотезами, экспериментами и экономическим эффектом. Изначально он создавался как внутреннее решение, но затем стал востребован и другим компаниям. Благодаря платформе путь от первых экспериментов до системного внедрения ИИ удается сократить с двух лет до шести месяцев.

ИИ‑офис обеспечивает фиксацию и отслеживание всех ИИ‑инициатив предприятия в одном пространстве. В рамках платформы формализуются гипотезы, описывается бизнес-контекст, назначаются ответственные, фиксируется статус и история решений, что снимает хаос и делает портфель прозрачным для руководства. Встроенный инструмент первичной оценки позволяет структурировать поток идей: каждая гипотеза оценивается по сложности реализации, влиянию на производственные показатели и ожидаемому экономическому эффекту. Дополнительно используется ROI‑калькулятор, в котором учитываются специфика процессов (например, простои оборудования, энергоэффективность, потери сырья) и корпоративные подходы к расчету эффективности.

Процесс выглядит так: сотрудник создает гипотезу, описывает её, и встроенные агенты помогают оценить риски и дают рекомендации по проработке. Следующий этап — эксперимент, который формулируется и запускается с помощью ИИ. Весь биллинг по токенам сохраняется в системе, что позволяет просчитать экономику эксперимента и самой гипотезы. Встроенный калькулятор формирует набор вопросов, ответы на которые дают параметры для оценки, и в итоге появляется модель с графиком окупаемости — сколько времени нужно инвестировать в гипотезу и через какое время она начнет приносить эффект.

Когда гипотеза описана, эксперименты проведены и ROI рассчитан, она поступает руководителю, который принимает решение: либо запустить проект по внедрению, либо закрыть инициативу. В компаниях, использующих подобные инструменты, в работе может находиться около 150 гипотез, из которых около 30 находятся в стадии проектной реализации.

Так запуск ИИ‑экспериментов становится управляемым процессом: для каждого пилота фиксируются цели, ожидаемые результаты и ключевые этапы, а по итогам документируются выводы и решения о масштабировании или закрытии.

От ИИ‑систем к ИИ‑сотрудникам

Когда ИИ выходит за рамки локальных задач и становится частью ключевых бизнес-процессов промышленной компании, на первый план выходят требования к архитектуре и управляемости. Речь идет о безопасной работе с производственными данными, контроле действий ИИ‑агентов, прозрачности и гибкости решений.

Многие компании начинают с использования открытых решений (например, OpenClaw), но быстро сталкиваются с проблемами безопасности и интегрируемости в контур. Для решения этих проблем мы для себя решили, что будет делать такое решение сами, используя некоторые принципы и подходы, например работа с навыками (Skills) недетерминированность агентов и оркестрацию агентов, но строя решение сразу на Enterprise архитектуре с учетом требований нашего ИБ. Ключевой акцент делается на безопасность, чтобы корпоративные данные никуда не утекали и доступ к агентам был невозможен вне организации.

Для автоматизации рутинных операций мы разработали и внедрили систему RuClaw, работающую во внутреннем контуре. В основе нее лежит база навыков. На их основе создаются шаблоны ролей, например, помощника юриста, бухгалтера или руководителя проекта. Шаблон наполняется контекстом организации и конкретной роли, вплоть до должностной инструкции. На основе шаблона с подключением необходимых навыков и баз знаний создается конкретный агент, который помогает сотруднику выполнять обязанности. Такие агенты умеют получать и обновлять данные в CRM и ERP, ставить и согласовывать встречи, классифицировать и обрабатывать документы, отвечать на вопросы по технической и эксплуатационной документации, а также готовить исследования и отчеты на основе внутренней информации.

Мы внутри себя замеряли эффект от использования платформы и на текущий момент уже около 15% сотрудников имеют персональных ИИ-помощников. Такие инструменты помогают повысить производительность на 15–20%, так объем выполняемой работы растет, а численность персонала не увеличивается. Эти цифры мы получили анализируя операции, которые выполняют агенты за наших сотрудников, а также увидели снижение объема использования других ИТ решений, в которых теперь вместо сотрудников работают агенты.

Такого типа решение хорошо подходит не только для ИТ компаний, но и для промышленности, где критично, чтобы ИИ‑сотрудники работали строго в рамках установленных ролей и регламентов, а все действия были контролируемыми. Компании должны видеть, какие данные использовались, какие шаги предпринял агент и почему был получен именно такой результат. При этом архитектура должна оставаться гибкой: предприятиям важно сохранять возможность использовать различные модели и быстро адаптироваться к изменениям рынка и регулирования.

Семь направлений комплексного внедрения

Опыт показывает, что эффективное внедрение ИИ в любой организации, в том числе и в промышленности возможно только по комплексной модели, охватывающей семь ключевых направлений:

ИИ-консалтинг. Без оценки зрелости, сформулированных целей и бизнес-метрик, приоритетных сценариев и прозрачных метрик ROI любой проект остается рискованным экспериментом.
AI-ready инфраструктура. Отказоустойчивая и масштабируемая, которая сможет выдержать высокие нагрузки и даст единую точку управления кластерами, приложениями, мониторингом и безопасностью.
Выстроенный MLOps и LLMOps. Промышленные модели должны работать в реальном времени с жёсткими требованиями к скорости и отказоустойчивости.
Данные и data-pipeline. Важно не просто собрать их из разных систем и передать модели, а систематизировать и организовать data-pipeline – автоматизированный процесс для перемещения и трансформации информации из одного или нескольких источников в место хранения или анализа.
Безопасность. Необходимо обеспечить безопасность в соответствии с требованиями регуляторов (ФСБ, ФСТЭК, МЧС), особенно для критической инфраструктуры.
Интеграция ИИ в промышленный контур как систему, адаптированную к ландшафту компании.
Постоянная поддержка и развитие ИИ. Бесшовное обновление и масштабирование вместе с ростом производства.

Вместо заключения

Ключевой вывод для промышленной компании прост: к ИИ нужно подходить как к долгосрочному вектору развития. Речь идет о системном управлении изменениями: стратегии, инфраструктуры, данных и безопасности.

Искусственный интеллект начинает приносить реальный эффект тогда, когда становится частью операционной модели предприятия: помогает снижать TCO инфраструктуры, управлять рисками, повышать предсказуемость производства и сокращать время реакции на изменения рынка. Такой подход позволяет промышленным компаниям использовать ИИ как инструмент конкурентного долгосрочного преимущества.

^[1] The Business Research Company, 2025

Недра России в соцсетях: Telegram | Max | VK