Промышленные компании в России уже используют искусственный интеллект для отдельных производственных задач, однако большинство таких проектов пока остаётся локальным и не переходит в единый контур управления предприятием.
В ГК Softline связывают это не столько с ограничениями самих технологий, сколько с уровнем цифровизации производств, качеством данных, дефицитом отраслевых специалистов и сложностью оценки экономического эффекта от внедрения.
Среди наиболее распространённых сценариев применения ИИ в промышленности в ГК Softline выделяют компьютерное зрение и визуальный контроль, предиктивное обслуживание оборудования, управление цепочками поставок, а также использование генеративного ИИ в инженерных и операционных процессах. Такие решения позволяют автоматизировать отдельные операции, выявлять отклонения и прогнозировать возможные неисправности, однако сами по себе не формируют единой системы принятия решений на уровне предприятия.
Одним из основных препятствий остаётся разрозненность производственных данных. На предприятиях одновременно используются MES, системы технического обслуживания и ремонта, АСУ ТП, инженерные и корпоративные платформы. Если информация из этих систем не объединена и не имеет общего контекста, ИИ может анализировать отдельные показатели, но не учитывать взаимосвязь между производственными планами, ресурсами, ограничениями и текущим состоянием оборудования.
Ещё одна проблема связана с кадрами. Для промышленного ИИ недостаточно специалистов, которые разбираются только в машинном обучении или только в производственных процессах. Необходимы компетенции на пересечении ИТ, промышленной автоматизации, анализа данных и отраслевой специфики. При этом стоимость разработки и внедрения таких решений может быть высокой, а ожидаемый финансовый результат не всегда удаётся заранее точно определить.
В ГК Softline выделяют три уровня зрелости промышленного ИИ. На первом компании автоматизируют отдельные операции, например, контроль качества или прогнозирование отказов оборудования. На втором — данные из разных производственных систем объединяются в единое пространство, что позволяет анализировать их в общем контексте. Третий уровень предполагает переход к системе, которая использует данные не только для анализа, но и для поддержки комплексных решений с учётом целей предприятия.
При этом переход между уровнями требует изменения самого подхода к внедрению технологий. Простое накопление данных не гарантирует практического результата: система должна связывать информацию с конкретными производственными задачами и помогать определять дальнейшие действия. В противном случае ИИ остаётся своего рода справочным инструментом, который ускоряет поиск и обработку информации, но не влияет на принятие решений.
Отдельное значение для промышленности имеет архитектура решений. Производственные данные относятся к чувствительной информации, поэтому ИИ-системы должны учитывать требования к безопасности и работать в соответствии с существующей ИТ- и производственной инфраструктурой. В ГК Softline отмечают, что промышленный ИИ не обязательно требует отказа от уже используемых MES, АСУ ТП или систем технического обслуживания: более рациональным может быть объединение существующих решений через единый контур данных и интеграции.
Масштаб потенциального эффекта при этом остаётся значительным. Согласно прогнозу ИСИЭЗ НИУ ВШЭ, совокупный вклад ИИ в ВВП России может составить 11,6 трлн рублей к 2030 году и 46,5 трлн рублей к 2035 году. По данным FinExpertiza, средние и крупные российские компании потратили на внедрение и использование ИИ 90,3 млрд рублей в 2024 году.
Таким образом, для промышленного сектора следующий этап развития ИИ связан не столько с увеличением числа отдельных пилотов, сколько с объединением данных, производственных систем и бизнес-целей в единую архитектуру. В ГК Softline считают, что именно такой переход позволит компаниям использовать ИИ не только для автоматизации отдельных операций, но и для поддержки решений на уровне всего предприятия.
Комментарии