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 (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.
Комментарии