Неделя с ТМК. Выпуск №27 (225)
0:00
/
Промышленные компании переходят от экспериментов с генеративным искусственным интеллектом к системам, позволяющим ускорить принятие решений в производственной сфере. ИИ-агенты в основном работают рядом с человеком — анализируют документы и данные, готовят рекомендации, помогают в закупках, проектировании и управлении запасами. Следующий этап заключается в допуске таких систем к производственному управлению. Для промышленности он упирается не только в технологические ограничения, но и в качество данных, информационную безопасность, распределение ответственности и вопрос доверия к машинным решениям.
Еще несколько лет назад основной вопрос вокруг искусственного интеллекта (ИИ) в промышленности звучал как «где его можно применить». Сейчас дискуссии идут вокруг понимания, где ИИ можно предоставить право не только анализировать информацию, но и действовать самостоятельно.
Эту границу иллюстрирует развитие ИИ-агентов. В отличие от обычного чат-бота или аналитической модели, агент получает задачу, обращается к корпоративным данным и системам, планирует последовательность действий, выполняет расчеты и обработку полученной информации и выдает построенный на большом количестве источников ответ. Чем выше его автономность, тем ближе технология подходит к полномасштабному управлению процессами. К функции управления сейчас ближе всего технологии классического ИИ — системы на базе машинного обучения (ML) и компьютерного зрения (CV).
Российский промышленный рынок активно движется в эту сторону. По данным исследования Strategy Partners от 2026 года, которые приводит «Коммерсантъ», 63% опрошенных промышленных предприятий утвердили стратегии внедрения ИИ. Исследователи фиксируют переход от пилотных проектов к промышленной эксплуатации, включая создание референтных архитектур и решений, адаптированных к масштабу и специфике производственных систем.
При этом скорость перехода сильно зависит от типа задачи. Машинное обучение и компьютерное зрение в промышленности прошли значительную часть пути от эксперимента до штатного внедрения. Генеративный и агентный ИИ — на более ранней стадии. «Я бы сказала, что сейчас мы находимся в переходной фазе. Агентские системы — это следующий, более сложный уровень», — рассказала в беседе с РБК директор по внедрению генеративного ИИ в «Норникеле» Наталья Артамонова.
В ТМК машинное обучение и компьютерное зрение уже используются практически по всей производственной цепочке — от анализа металлолома до контроля параметров труб. Ежегодный экономический эффект от применения инструментов ИИ в производственной сфере компании составляет 2–3 млрд руб.
Работа с ИИ-агентами в российской промышленности уже ведется. Трубная Металлургическая Компания (ТМК) активно разрабатывает и проводит опытно-промышленную эксплуатацию специализированных систем на базе генеративного ИИ. Это инструменты для поиска аналогов товарно-материальных ценностей (ТМЦ), автоматической классификации и регистрации почтовой корреспонденции, интеллектуальные помощники для первой линии ИТ-поддержки, помогающие разбирать обращения. Также в перечне используемых компанией инструментов — RAG-системы (Retrieval-Augmented Generation) — генерации с дополненной выборкой для поиска информации в корпоративных базах знаний и ИИ-агенты, которые помогают делать расчеты и выводы на базе подаваемой в них неструктурированной информации.
Эти проекты дополняют существующую экосистему и демонстрируют переход от точечных экспериментов к созданию более сложных интегрированных решений. При этом говорить о массовом промышленном тиражировании агентов пока рано, отметил заместитель генерального директора ТМК по информационным технологиям Дмитрий Якоб.
В «Норникеле» агентские системы внедряются в управление запасами и ремонтом, финансово-экономический контроль и проектирование. Компания сообщала примерно о 100 агентах, охватывающих более 30 процессов. Один из кейсов связан со сверхнормативными запасами: языковая модель ищет технологические аналоги среди имеющихся материалов и предлагает использовать их вместо новых закупок.
Ценность ИИ-агентов возникает не столько из способности модели написать текст или ответить на вопрос, сколько из ее подключения к реальному бизнес-процессу и корпоративным информационным системам. Другие предприятия также активно внедряют высокотехнологичные цифровые инструменты. По данным «Коммерсанта», «Газпром нефть» применяет ИИ при интерпретации геофизических данных, анализе проектной документации, прогнозировании возможных аварийных ситуаций при бурении и регулировании режимов насосного оборудования.
«Наша основная задача — это повышение эффективности. В такой постановке эффект очевиден, и мы его уже сейчас видим на нашем бизнесе», — отметил в разговоре с «Коммерсантом» начальник отдела по цифровой трансформации разведки и добычи «Газпром нефти» Вячеслав Захаров.
«Еврохим» использует ИИ в производственном мониторинге и предиктивном обслуживании, а в корпоративном блоке — при работе с дебиторской задолженностью, нормативной документацией, закупками и логистикой.
В зарубежной промышленности набор сценариев также расширяется. В опубликованном на портале «Хабр» обзоре приводятся примеры тайваньского производителя электроники Foxconn, где специализированная модель используется для анализа данных и поддержки принятия решений. Инструмент объединяет информационные потоки, пишет код для промышленного оборудования и автоматизации документооборота в цепочках поставок.
Немецкий автоконцерн Mercedes-Benz активно использует в работе корпоративные ИИ-ассистенты. Они помогают сотрудникам получать ответы по внутренним регламентам и программам обучения, генерировать отчеты и переводить документацию.
В горнодобывающей компании из Саудовской Аравии Ma’aden ИИ работает с электронной почтой, отчетностью, финансовыми документами, презентациями и нормативной базой.
Сегодня общий вектор развития промышленности состоит в переходе от отдельного алгоритма к системе, включенной в последовательность операций. В перспективе это означает перестройку процесса вокруг связки «человек — ИИ».
Самый чувствительный для промышленности вопрос начинается там, где заканчивается рекомендация и появляется самостоятельное действие. Долгосрочная логика развития технологии ведет к росту автономности ИИ-инструментов. В ТМК этот переход рассматривают как движение от рекомендательной системы к управляющей.
«Сейчас ИИ советует — сталевар решает. Следующий шаг — ИИ принимает тактические решения сам», — пояснил Дмитрий Якоб. В качестве аналогии он привел гражданскую авиацию, где значительная часть полета проходит на автопилоте. Принятие такой модели становится возможным после того, как система доказала свою надежность и у людей сформировалось доверие к ней.
При этом именно производство создает наиболее высокий порог входа для автономного ИИ. Ошибка в офисной операции и ошибка при управлении промышленным процессом имеют разную цену. К технологическим рискам добавляются промышленная безопасность, регулирование и требования к защите критической информационной инфраструктуры. Поэтому наиболее быстрый рост автономности вероятен прежде всего в обеспечивающих и управленческих функциях.
Основной фокус применения агентных решений на базе генеративного ИИ сегодня приходится на бэк-офис и инженерных помощников. Речь идет о первичном анализе инцидентов, подготовке отчетов, работе с регламентами, а также о типовых расчетах и элементах диспетчерской аналитики. В будущем агенты могут перейти от поиска информации к пониманию контекста технологического процесса и помощи в управлении режимами.
Рост автономности резко повышает требования к корпоративным данным. Пока ИИ лишь помогает искать документ, неполнота базы знаний снижает полезность ответа. Если же агент получает право инициировать транзакцию или влиять на технологический процесс, качество исходной информации станет условием безопасности.
В ТМК эту задачу рассматривают как фундамент для дальнейшего внедрения агентных систем. По словам Дмитрия Якоба, значительная часть корпоративных данных может вообще не использоваться, поскольку информация не описана и для нее отсутствуют единые определения. Поэтому компания актуализирует корпоративную модель данных, описывает бизнес-сущности, их владельцев, источники и правила преобразования информации.
Обоснованность такого решения подтверждают исследования. В обзоре Yandex Cloud одним из традиционных препятствий внедрения генеративного ИИ в промышленности названы разрозненные данные и версии документов. В числе других факторов — жесткие требования информационной безопасности и комплаенса, отсутствие единого подхода к оценке окупаемости и дефицит специалистов. Для агентных систем к этому добавляется необходимость контролировать их доступ к ERP (планирование ресурсов предприятия), MES (управление производственными процессами), CRM (управление отношениями с клиентами) и другим корпоративным системам.
Масштабирование агентов — это в значительной степени инфраструктурный проект. Предприятию недостаточно просто выбрать языковую модель. Необходимы подготовленные данные, интеграция с корпоративными системами, разграничение доступа, журналирование действий, а также метрики качества и механизмы остановки потенциально опасных операций.
Корпоративные ИТ-системы десятилетиями строились вокруг пользователя-человека. У сотрудника есть должность, полномочия, учетная запись и определенная ответственность за действия. Автономный агент не укладывается в эту модель автоматически.
Дмитрий Якоб формулирует проблему через практические вопросы. Какую учетную запись предоставить агенту? Считать ли его пользователем информационной системы? Какие полномочия ему предоставить и как сопоставить стоимость такого цифрового исполнителя со стоимостью сотрудника, выполняющего аналогичную функцию? Устойчивых отраслевых практик в этой области пока не сформировалось.
Особое значение здесь приобретает информационная безопасность. ИИ-агент отличается от обычного программного инструмента тем, что способен действовать автономно и самостоятельно инициировать операции. И здесь необходимо определять не только то, какие данные он может прочитать, но и какие действия вправе совершить.
«Как его аутентифицировать? Как ограничить периметр его действий?» — поставил вопрос Якоб. По его словам, в ТМК ответы на эти вопросы сейчас ищут в экспериментальных средах, поскольку запуск агента в рабочий контур без четких правил был бы безответственным.
Дополнительный риск связан и с тем, что генеративные технологии доступны в том числе злоумышленникам. Для промышленности это превращает ИИ одновременно в потенциальный инструмент защиты и новую составляющую модели угроз. Отсюда растет значение партнерства предприятий с компаниями, специализирующимися на кибербезопасности, а также роль формирования общих отраслевых подходов.
Рынок постепенно приходит еще к одному выводу: экономический эффект определяется не количеством запущенных агентов.
В «Норникеле», например, после пилотов пришли к необходимости перестраивать процессы целиком, а не создавать изолированного «цифрового сотрудника». Компания движется от отдельных задач к процессам, а затем — к подразделениям.
Риск «вечных пилотов» отмечает Yandex Cloud: десятки разрозненных PoC (проверок концепции) без общей платформы знаний, единых метрик и системы управления изменениями сами по себе не создают промышленного масштаба.
Forbes также фиксирует изменение логики цифровизации, когда компании переходят от отдельных ИИ-сервисов к встроенным в повседневную работу агентам. Такие решения способны взаимодействовать с документами, внутренними сервисами и корпоративными коммуникациями.
Для промышленности это станет главным нововведением. На предыдущем этапе внедрения ИИ позволял точнее прогнозировать, распознавать дефекты или рекомендовать оптимальный режим. Агентная модель добавляет способность выстраивать цепочку действий. Но вместе с автономностью растет цена ошибки, а значит — требования к данным, инфраструктуре, безопасности и контролю.
Переход к промышленному масштабу вряд ли будет одномоментным. Долгосрочный сценарий тиражирования агентных решений предполагает более глубокую трансформацию — появление компаний, где искусственный интеллект принимает часть тактических управленческих решений.
Подготовка к такому сценарию начинается не с передачи машине максимума полномочий. Первоочередные задачи гораздо прозаичнее. Бизнесу предстоит привести в порядок данные, определить права доступа, научиться измерять эффект, сформировать правила безопасности и постепенно накопить доверие к системе. Способность должным образом пройти этот путь отличит успешный опыт запуска промышленного ИИ-агента от очередного технологического эксперимента.
