Искусственный интеллект на производстве: план за 3 минуты вместо часов в Excel

По данным совместного исследования Фонда «Сколково» и АНО «Цифровая экономика» (2025), российская промышленность активно пилотирует решения с генеративным ИИ, но тормозит масштабирование. Причины не технические: около половины компаний называют главной проблемой сопротивление персонала, треть упирается в информационную безопасность и сложность оценки окупаемости. Ниже разберём, как подступиться к внедрению пошагово, не дожидаясь идеальных условий.

Что понадобится

• Чистые данные из учётной системы (ERP, MES или хотя бы 1С). Если в базе пропуски и дубли, любая модель построит план на искажённой картине
• Доступ к ИИ-сервису для сценарного моделирования. В России работают решения на основе линейного программирования (например, система «ИИ-Канторович»), а также языковые модели YandexGPT и GigaChat для перевода неструктурированных запросов на язык производственных систем
• Промпт (текстовая инструкция для модели), описывающий вашу задачу: номенклатуру, ограничения по оборудованию, сроки
• Один-два часа на первый прогон и проверку результата диспетчером
• Согласие команды. По данным того же исследования «Сколково», психологический барьер у персонала снять сложнее, чем настроить нейросеть: объясните, что финальное решение остаётся за человеком

Пошаговая инструкция

1. Проведите аудит данных. Выгрузите из учётной системы справочники оборудования, нормы времени на операции, остатки сырья и график смен. Проверьте на пропуски: пустые ячейки и дубли ломают любой алгоритм

2. Сформулируйте задачу на языке ограничений. Запишите, что нельзя нарушать: максимальная загрузка станка, минимальный размер партии, обязательные паузы на обслуживание. Чем точнее список, тем реалистичнее план на выходе

3. Подготовьте промпт для языковой модели. Если используете LLM (большую языковую модель, программу, которая понимает текст и генерирует ответы) для перевода запроса в формат планировщика, опишите контекст прямо в тексте:

Ты — ассистент производственного планирования.
Вот ограничения:
— Линия А работает в две смены, третья на ТО до среды
— Сырьё X на складе: 12 тонн, поставка в пятницу +8 тонн
— Приоритетный заказ: 500 единиц SKU-47 к четвергу

Построй три варианта графика на неделю.
Для каждого укажи загрузку линий в процентах и риск срыва сроков.

1. Прогоните сценарий и сравните с текущим планом. Модель выдаст несколько вариантов. Диспетчер сверяет их с реальностью: учтены ли неформальные ограничения (опытный наладчик в отпуске, поставщик регулярно опаздывает на день)

2. Зафиксируйте разницу в цифрах. Посчитайте, сколько времени ушло на ручной пересчёт и сколько на работу с моделью. Это главный аргумент для руководства при масштабировании

3. Встройте обратную связь. После реального выполнения плана вернитесь к модели с фактом: где план совпал, где разошёлся. Без этого цикла алгоритм не учится на ваших данных

Что уже работает в России?

Концепция «цифровой панели планирования», предложенная немецкими исследователями из Института Фраунгофера, описывает именно такой подход: алгоритм мгновенно проверяет тысячи скрытых ограничений и предлагает оператору несколько оптимальных вариантов, но финальное решение остаётся за человеком.

В России этот принцип уже применяется с конкретным результатом. Система «ИИ-Канторович», построенная на математическом аппарате линейного программирования Л. В. Канторовича, в пилоте на косметическом производстве сократила время расчёта оптимального плана до двух-трёх минут и дала экономию свыше 3% в затратах. Для крупного предприятия это сотни миллионов рублей в год.

Несколько примеров из исследования «Сколково» и открытых источников по отраслям:

• Металлургия. «Северсталь» внедрила чат-бот на базе ИИ для аудита процессов технического обслуживания и ремонта: время анализа сократилось с 60 человеко-дней до одного. НЛМК с помощью ИИ-ассистентов ускорила разработку ПО на 53%
• Нефтехимия. «Татнефть» совместно с ИТМО запустила цифрового ассистента «Акела», который повышает эффективность планов на 30% и сокращает трудозатраты на планирование в 16-20 раз
• Строительство. «ДОМ.РФ» и Rocket Group генерируют концепции застройки территорий в десятки гектаров за минуты, прорабатывая более 20 вариантов в день

Когда ждать массового перехода?

По оценкам исследователей из «Сколково», горизонт выглядит так:

• Один-два года: адаптивные модели для сценарного анализа. Диспетчер за секунды просчитывает последствия поломки или срыва поставки
• Два-три года: модели, работающие в паре с цифровыми двойниками (виртуальной копией производства, на которой можно тестировать изменения без риска). ИИ предсказывает эффект от решений до их реального воплощения
• Три-пять лет: отраслевые центры компетенций, где накапливается качественная статистика для дообучения (fine-tuning, обучение модели на ваших примерах под узкую задачу) новых поколений моделей

Приятно заметить: российские примеры уже работают на первом горизонте, пилоты «Татнефти», «Северстали» и «ИИ-Канторович» подтверждают это конкретными цифрами.

Что делать прямо сейчас, по ролям

Руководителю производства. Начните с аудита данных в учётной системе. Пока в базе дубли и пропуски, любой ИИ-проект даст результат, противоположный ожидаемому. Один-два дня чистки сэкономят месяцы разочарований.

Маркетологу или коммерческому директору. Искусственный интеллект на производстве меняет не только цех, но и обещания клиентам: если планирование ускоряется в разы, сроки можно называть точнее, а ассортиментную матрицу пересчитывать под спрос еженедельно. Это аргумент для переговоров с сетями.

Автору Дзена или эксперту. Тема «ИИ на заводе» только набирает поисковый спрос в рунете. Кейсы «Северстали», «Татнефти», «ИИ-Канторович» дают конкретные цифры для разборов, а не абстрактные обещания. Пишите об этом сейчас, пока ниша не забита.

Самый честный первый шаг: откройте свою учётную систему, выгрузите данные по одному участку и проверьте, сколько в них пустых ячеек. Эта цифра скажет о готовности к ИИ-планированию больше, чем любая презентация вендора.