"Искусственный интеллект приживается на производстве там, где сходятся три условия, - отмечает партнер группы ИТ-компаний TeamIdea Антон Дьяков. - Процесс уже оцифрован и накопил историю данных, операции повторяются тысячи раз в день, а цена ошибки измерима в рублях. Где хотя бы одно из условий отсутствует, ИИ буксует, сколько бы средств в него ни вкладывали".
Эксперты отмечают, что промышленность движется по своей логике, отличной от ретейла или банков: здесь используются не чат-боты, а системы, которые заранее предсказывают поломки оборудования, а компьютерное зрение контролирует качество и оптимизирует энергопотребление. Один российский металлургический комбинат отчитался об эффекте внедрения ИИ-проектов: за 2024 год он составил более 2 миллиардов рублей. Один только комплекс оптимизации прокатного стана дал дополнительные 50 тысяч тонн металла. Крупная нефтяная компания применяет цифровые двойники и ИИ на более чем половине своих проектов. Процессы, которые раньше занимали месяцы, теперь укладываются в недели, а поломку насоса система предсказывает за два-три месяца до того, как она случится. Это серьезно сокращает простои оборудования.
Согласно совместному исследованию "Яков и Партнеры" и "Яндекса", более 60 процентов отечественных компаний применяют компьютерное зрение - в первую очередь для визуального контроля качества. А вот языковые модели и ИИ-агенты появились на производстве позже других технологий. Чаще их используют не в цехах, а в операционно-учетных подразделениях - в закупках, документообороте. По данным того же исследования, такие решения уже внедряют или тестируют около 46 процентов российских компаний.
"Считать эффект надо не "в целом по компании", а на единицу актива - один агрегат, одну машину, один счетчик, - объясняет Антон Дьяков. - Час простоя ключевого агрегата, например прокатного стана, обходится предприятию примерно в 2 миллиона рублей. Двенадцать незапланированных остановок в год по шесть часов - это 144 миллиона рублей потерь. Модель, которая предсказывает поломки и предотвращает половину из них, дает около 66 миллионов рублей чистого эффекта в год на один агрегат".
На Петербургском международном экономическом форуме вице-президент Торгово-промышленной палаты РФ Владимир Падалко оценил эффект от внедрения ИИ в России к 2030 году в 7,9-12,8 триллиона рублей ежегодно - около 5,5 процента ВВП. Напомним, в Национальной стратегии развития ИИ поставлена цель - совокупный вклад этой технологии в ВВП к 2030 году должен превысить 11 триллионов рублей. В том же документе закреплены другие задачи: доля приоритетных отраслей экономики с высокой готовностью к внедрению технологий должна вырасти до 95 процентов с 12 в 2022 году, а затраты организаций на внедрение ИИ - до 850 миллиардов рублей в год. В начале этого года президент России Владимир Путин поручил правительству и регионам сформировать национальный план внедрения ИИ в различных сферах, в том числе в отраслях экономики. Он отметил, что к 2030 году технологии должны использоваться во всех областях, включая производство, логистику и энергетику.
Стоит отметить, что внедрение ИИ не оставит без работы сотрудников. Дефицит кадров в стране оценивается в 2-4 миллиона человек, безработица держится на уровне всего двух процентов. "На таком рынке ИИ скорее закрывает вакансию, которую закрыть было некем, чем выталкивает за ворота действующего сотрудника, - поясняет генеральный директор "Сайбер Бизнес Консалтинг" Дмитрий Лившин. - Контролер качества не остается без работы: он перестает осматривать сотни деталей вручную и начинает следить за системой, которая делает это за него, разбирая только спорные случаи".
При этом окончательное решение остается за человеком.
Генеральный директор компании AIVOLUTE Анна Райская обращает внимание на еще один эффект - административный, который часто упускают из виду. "Самые быстрые деньги в российской промышленности сейчас приходят из "бумажного" слоя вокруг цеха: закупки, тендеры, документация, планирование загрузки, - говорит она. - Подготовка коммерческого предложения под тендер у нас сократилась с четырех часов до получаса на документ: ИИ-агент сам вытаскивает данные компании, сверяет их с техзаданием и собирает заявку". По ее оценке, в "бумажном" слое окупаемость считается неделями, тогда как при автоматизации самого цеха горизонт измеряется годами.
При этом эксперты отмечают, что внедрение ИИ оправданно не всегда и не везде. По данным исследования MIT за 2025 год, около 95 процентов корпоративных пилотных проектов генеративного ИИ не дали измеримого бизнес-эффекта, хотя компании вложили в них десятки миллиардов долларов. Но среди компаний, доведших ИИ до промышленного масштаба, по данным Capgemini, 71 процент фиксируют рост продаж и 68 процентов - снижение издержек: деньги приходят, но после тиража, а не в пилоте.
"Большинство проектов спотыкается на одном и том же, - отмечает Дмитрий Лившин. - Нет зафиксированного "как было" в рублях, компании измеряют применение ИИ, а не замену процесса, пилотный проект живет на чистых данных и лучших людях, тогда как реальная эксплуатация - на грязных данных и сменном персонале".
Опыт экспертов приводит к одному выводу: эффект дает не внедрение ИИ как лозунг, а дисциплина - необходимо выбрать процесс с накопленными данными и измеримой ценой ошибки, посчитать эффект на единицу актива и довести пилот до промышленной эксплуатации. Там, где эту дисциплину выдерживают, получают сотни миллионов рублей годового эффекта с окупаемостью в месяцы.