> ## Content Index > Fetch the complete content index at: https://admin.kod.ru/llms.txt > Use this file to discover other available public pages before exploring further. # ГК Softline о промышленном ИИ: как выйти из ловушки локальных пилотов - URL: https://admin.kod.ru/kak-vyiti-iz-lovushki-lokalnykh-pilotov-s-prom-ai/ - Published: 2026-06-30T13:24:10.000Z - Updated: 2026-06-30T13:24:10.000Z - Description: Эксперты ГК Softline и OMEGALLIANCE FabricaONE.AI (акционер — ГК Softline) разобрали, где ИИ уже работает, почему проекты проваливаются и как компаниям перейти к системному промышленному ИИ. - Author: Softline - Tags: Блоги По данным MIT NANDA, лишь 5% пилотных проектов с генеративным ИИ доходят до промышленного внедрения. Остальные застревают на стадии экспериментов без ощутимого влияния на бизнес. Эксперты ГК Softline и OMEGALLIANCE FabricaONE.AI (акционер — ГК Softline) разобрали, где ИИ уже работает, почему проекты проваливаются и как компаниям перейти к системному промышленному ИИ. Промышленные компании массово экспериментируют с ИИ, но большинство проектов не выходят за рамки пилотов. Проблема, как правило, не в самой технологии. Проблема в том, как выстроена архитектура внедрения и вокруг чего она организована. ## **Где промышленность уже использует ИИ** Согласно прогнозу ИСИЭЗ НИУ ВШЭ, совокупный вклад ИИ в ВВП России составит 11,6 трлн рублей в 2030 году и 46,5 трлн в 2035-м. Владимир Потанин, президент «Норильского Никеля», подтвердил: экономический эффект колоссальный. Но важно соблюдать баланс — использовать суверенные технологии в критических отраслях и мировые разработки в коммерческой сфере. По подсчетам FinExpertiza, в 2024 году средние и крупные российские компании потратили на внедрение и использование ИИ 90,3 млрд рублей. Доля ИТ-бюджета варьируется от 5,5% в автомобильной промышленности до 14% в нефтегазе. ## **Четыре сценария, которые уже работают** --- ### **Компьютерное зрение и визуальный контроль** Автоматизированный оптический контроль — самое популярное применение ИИ в мировой промышленности (11% всех сценариев, данные IoT Analytics). В России, по данным АНО «Цифровая экономика», компьютерное зрение на втором месте по популярности. По оценке Strategy Partners, в 2025 году машинное зрение применяли 41,6% отечественных производственных компаний. Где это нужно? Там, где человеческий контроль ограничен скоростью или физическим доступом. Камеры и алгоритмы выявляют дефекты на конвейере быстрее и точнее человека. Отслеживают соблюдение охраны труда. Считают объекты в реальном времени — без ручного пересчета. > **Пример:** «Русал» запустил систему анализа микроструктуры слитков на базе машинного зрения. Время анализа — 15 минут вместо 1,5–4 часов у лаборанта. Исключен человеческий фактор. Снижена рутинная нагрузка. ### **Предиктивное обслуживание оборудования** По данным Siemens, 500 крупнейших компаний мира из-за незапланированных простоев теряют 11% годовой выручки — 1,4 трлн долларов. Сопоставимо с ВВП небольшой страны. Предиктивное обслуживание помогает упреждать сбои. Алгоритмы машинного обучения анализируют данные с датчиков, MES-систем и других источников, выявляют аномалии и прогнозируют поломки. Полное внедрение предиктивного обслуживания в Fortune Global 500 позволило бы сэкономить 2,1 млн часов простоев ежегодно и 233 млрд долларов на обслуживании. > **Пример:** «Сибур» разработал предиктивную систему для критичных агрегатов. Экономический эффект за три года — 1,5 млрд рублей за счет сокращения простоев. Компания также тестирует ИИ-ассистента на базе российской LLM-модели, он выдвигает гипотезы о причинах неисправностей и дает рекомендации. ### **Управление цепочками поставок** Сбой в цепочке поставок останавливает конвейер. Аналитик физически не успевает отслеживать все переменные. Здесь подключают ИИ. По оценкам Gartner, к 2030 году расходы на ПО для управления цепочками поставок с использованием агентного ИИ достигнут 53 млрд долларов (в 2025-м — 2 млрд). > **Пример:** Ford использует ИИ для мониторинга цепочки поставок. Система отслеживает риски и предотвращает сбои, а не реагирует постфактум, объясняет директор по управлению цепочками поставок Лиз Дор. ### **Генеративный ИИ в инженерных процессах** Пока скромная доля — около 6% всех промышленных ИИ-проектов в 2024-м. Но к 2030-му, по прогнозам, вырастет до 25%. Главная специфика — необходимость отраслевой адаптации. Общедоступные LLM плохо понимают промышленный контекст. Поэтому вендоры создают специализированные модели, обученные на производственных данных. В России, по данным Strategy Partners, половина крупных промышленных компаний заявила о готовности применять генеративный ИИ. 42% уже внедрили или планируют использовать его в управлении производственными процессами. > **Пример:** «Северсталь» внедрила чат-бота на основе генеративного ИИ для аудита процессов техобслуживания и ремонта. Трудоемкость оценки состояния активов сократилась с 60 человеко-дней до одного**.** ## **Почему ИИ-проекты не приносят результат** --- ### **Низкий уровень цифровизации и качество данных** Многие предприятия начинают внедрение ИИ, не завершив базовую цифровизацию. Данные разбросаны по «островкам»: легаси-системы, MES, ТОиР, АСУ ТП, разные форматы. ИИ способен сопоставить информацию, но у него нет опыта инженера с 30-летним стажем. Задача — передать системе эти знания. Задать правила. По данным PEX Network, 52% называют качество и доступность данных главным барьером. Опрос Gartner: 63% организаций либо не имеют методов управления данными для ИИ, либо не уверены в их наличии. Эксперты прогнозируют: в 2026 году компании закроют более 60% ИИ-проектов, не обеспеченных подходящими данными. В ГК Softline эту статистику называют тревожной, но ожидаемой — промышленность только учится работать с данными как с активом. ### **Дефицит отраслевых ИИ-специалистов** По данным IoT Analytics, 45% производителей считают главным барьером недостаток внутренней экспертизы. Ключевая проблема — отсутствие прикладных отраслевых экспертов, которые понимают, где и какие данные взять и как их связать. В России к 2030 году дефицит специалистов с ИИ-навыками в промышленности составит от 2 до 3 млн человек, заявил Алексей Нестеренко из «Технологий доверия». ### **Высокая стоимость и неочевидный ROI** Для 75% компаний ключевой барьер — высокая стоимость ИИ-решений (опрос «Яков и партнеры»). Лишь 29% руководителей могут с уверенностью оценить рентабельность инвестиций в ИИ (IBM Think Circle). 79% отмечают рост производительности, но перевести его в финансы сложно. ### **Сопротивление персонала** Сотрудники боятся, что ИИ заменит их. Саботируют внедрения, участвуют формально, отказываются делиться знаниями. Среди опрошенных PEX Network компаний 30% видят главной проблемой именно сопротивление персонала. Эксперты Softline отмечают, что технологический барьер часто оказывается менее значимым, чем человеческий. И это самая сложная часть внедрения. ## **Три уровня зрелости промышленного ИИ** Почему даже успешные пилоты не превращаются в системные решения? ГК Softline выделяет три уровня зрелости. ### **Уровень 1 — автоматизация отдельных операций** ИИ внедряется локально, как надстройка. Большинство компаний — здесь. Быстрый эффект, но нет единого контура принятия решений. ### **Уровень 2 — дата-центричный подход** Компании объединяют данные из MES, ТОиР, АСУ ТП в единое пространство. Это комплекснее, но данные сами по себе не создают ценность. Система становится отличным справочником, но не советником. Она не отвечает на вопрос: «Что делать?». ### **Уровень 3 — подход, ориентированный на цели** Здесь ИИ работает не как отдельный инструмент, а как система, учитывающая взаимосвязь между событиями, ограничениями, ресурсами и планами. Система не просто прогнозирует отказ оборудования, а предлагает оптимальные сценарии действий с учетом контекста. ## **Как ГК Softline и OMEGALLIANCE решают эту задачу** Именно третий уровень реализован в платформе промышленного ИИ OMEGALLIANCE (акционер — ГК Softline). Платформа объединяет ИТ-, OT- и инженерные данные в единую модель знаний. В нее входят данные заказчика и накопленная отраслевая экспертиза OMEGALLIANCE**.** При этом платформа работает поверх существующего ландшафта — не заменяет MES, ТОиР, АСУ ТП, а связывает их в единый контур через набор коннекторов. > **Важный момент:** платформа разворачивается в локальном контуре предприятия. Производственные данные не передаются во внешние облачные среды. Это критично для промышленной безопасности. Еще одна особенность — открытая архитектура. Промышленный ИИ невозможно сделать как универсальное коробочное решение. Каждое предприятие отличается зрелостью инфраструктуры и отраслевой спецификой. Поэтому платформа развивается как экосистема, объединяющая экспертизу OMEGALLIANCE и технологические решения партнеров кластера [**fabricaONE.AI**](https://fabricaone.ai/?ref=admin.kod.ru) (акционер — ГК Softline). ГК Softline помогает промышленным компаниям пройти путь от локальных пилотов к архитектуре, в центре которой — цели предприятия. ## **Вместо выводов** Промышленность стоит на развилке. Компании, которые продолжают экспериментировать с ИИ, через несколько лет окажутся в одной из двух групп. Первые так и останутся собирать пыльные локальные пилоты без системного эффекта. Вторые построят архитектуру, в центре которой находятся цели предприятия. Промышленная практика Softline показывает: разрыв между этими двумя группами будет расти экспоненциально. Выиграют те, кто перестанет относиться к ИИ как к модной надстройке и начнет выстраивать единый контур данных, решений и отраслевой экспертизы.