Руководитель, решающий внедрять ИИ на производстве, сталкивается с двумя противоположными рассказами. Маркетинг обещает «умную фабрику»: завод, где машины сами планируют выпуск, а цепочки поставок принимают решения без человека. Аудиторы и консультанты, в свою очередь, пишут, что ценность ИИ «наконец реализуется», — и тут же признают, что большинство проектов остались на стадии пилотов. Оба рассказа опираются на одни и те же опросы.
Цифровой завод из обещаний: где эффект застревает
Фраза «завод без людей» пришла из маркетинга автоматизации. Реальность скромнее. В декабре 2025 года Harvard Business Review описывал эксперимент, в котором последнее поколение генеративных моделей впервые справилось с управлением цепочкой поставок в лабораторном симуляторе — пивной игре MIT. Авторы прямо оговариваются: автономия наступила «по крайней мере, в лаборатории».
That day has arrived—at least in the lab.
Harvard Business Review, декабрь 2025
От лаборатории до цеха — большой путь. Deloitte в отчёте о предиктивном обслуживании (февраль 2025) формулирует прямо: обслуживающие подразделения «так и не смогли вывести технологии за пределы пилотов». Так возникает главное расхождение источников: одни говорят о наступившей реализации ценности, другие — о застрявших экспериментах. Обе позиции измерены, и разница важна для бюджета.
Измеренный эффект: что дают уже работающие внедрения
Опрос Deloitte среди 600 топ-менеджеров крупных производственных компаний (2025) даёт оптимистичную картину: респонденты сообщают о росте выпуска до 20%, производительности труда до 20% и высвобождении до 15% мощностей. Проблема в том, что цифры относятся к компаниям, которые уже внедрили «умное производство», а таких меньшинство: на уровне предприятия или сети ИИ и машинное обучение применяют лишь 29% опрошенных, генеративный ИИ — 24%.
McKinsey в глобальном опросе «The State of AI 2025» фиксирует похожий разрыв. ИИ регулярно используют в хотя бы одной функции почти 90% организаций, но масштабировать программы начала лишь примерно треть. Эффект на EBITDA видят 39% респондентов, и у большинства из них вклад ИИ не превышает 5% EBITDA. При этом именно в производстве, наряду с разработкой ПО и IT, компании чаще всего видят экономию от отдельных кейсов.
| Функция | Что обещают | Что измерено сейчас |
|---|---|---|
| Планирование производства | Автономное расписание | Приоритет инвестиций у 35% компаний |
| Контроль качества | Полный автоконтроль | Машинное зрение — ~35% ИИ-решений в РФ |
| Предиктивное обслуживание | Ремонт по прогнозу | Простои −25–50%, ремонт до −30% |
| Логистика и маршруты | Полная автоматизация | Полностью внедрили лишь 10% компаний |
| «Завод без людей» | Полная автономия | Работает пока в лаборатории |
BCG приводит пример концерна в промышленных товарах, который за два года поднял EBITDA на 2 процентных пункта и сократил административную работу более чем на 50% за счёт предиктивной аналитики. Оговорка важна: «трансформация требует большего, чем инструменты» — пересмотра процессов и зрелых цифровых основ в снабжении, планировании, производстве и логистике.
Планирование и прогноз спроса — самая готовая точка входа
Источники сходятся, где эффект реальнее всего. Расширенное планирование производства — первый или второй приоритет инвестиций у 35% компаний в опросе Deloitte. По данным TAdviser, на планирование производства приходится 23,4% мировых ИИ-затрат в промышленности. McKinsey выделяет производство как сферу, где экономию от кейсов видят чаще всего.
Причина проста: планирование и прогноз спроса опираются на данные, которые уже существуют — историю продаж, загрузку оборудования, остатки. HBR пишет, что генеративный ИИ сокращает время принятия решений в цепочках поставок с дней до минут. Но сами консультанты BCG X предупреждают: «чистый» генеративный ИИ не рассчитан на точные вычисления и склонен к выдумыванию результата, поэтому нужна структура — детерминированные расчёты отдельно, интерпретация ИИ отдельно. Стоит относиться к этому скептически и выбирать сценарии применения, где есть проверяемый показатель точности.
Контроль качества и предиктивное обслуживание: измеримые кейсы
Машинное зрение для контроля качества — один из самых распространённых ИИ-кейсов в российской промышленности: около 35% всех ИИ-решений. Технология находит дефекты, трудноразличимые для человеческого глаза, и здесь эффект проверяется процентом брака — метрикой жёсткой и понятной.
Предиктивное обслуживание даёт другой набор цифр. Коммерсантъ со ссылкой на компании, применяющие предиктивную аналитику, приводит сокращение простоев оборудования на 25–50% и снижение затрат на ремонт до 30%. По отдельным кейсам, например «Русала», простои сокращаются на 30–50%, расходы на техобслуживание — на 10–40%. Окупаемость ML-решения на производстве выходит за 2–6 месяцев — это заметно быстрее, чем 18–24 месяца, которые BCG называет для логистики.
При этом внедрено оно мало. По оценке «КОРУС Консалтинг», доля компаний, применяющих предиктивную аналитику для выявления неисправностей, не превышает 5%, а большинство проектов — пилоты. Игроки в основном крупные госкомпании. Эксперты предостерегают: покрытие датчиками незначимого оборудования обходится дороже планового ремонта — «окупаемость на бумаге» расходится с фактом, если не считать себестоимость кейса.
Российский контекст: 25,8% внедрения и барьеры данных
По итогам 2023 года лишь 25,8% промышленных компаний России применяли ИИ — 14-е место среди отраслей. При этом 54,2% из внедривших полагаются исключительно на отечественные решения. Эффект называют существенным или многократным 28,4% компаний. Картина противоречивая: единичные измеримые кейсы есть, но распространение узкое.
Барьеры в российских источниках повторяются. MTS AI называет главной проблемой нехватку видеокарт: крупным компаниям они обходятся в среднем на 30% дороже, и большинство хотят решение on-premise — развёрнутое в собственном контуре, а не в облаке. «Северсталь» к сдерживающим факторам относит недостаточный уровень автоматизации: для работающей модели данные должны собираться в цифровом виде с нужной частотой, быть полными и достоверными. Представитель НПП «Исток» добавляет нехватку вычислительных мощностей и низкое доверие к результатам ИИ.
Эти барьеры совпадают с тем, что отличает ИИ в российской промышленности от глобальных обещаний. Требование держать данные и инфраструктуру внутри собственного контура — следствие и 152-ФЗ, и практики: например, появление S7 TechLab пришло на место иностранного облачного сервиса, который требовал передавать данные за рубеж. Для предприятия это означает, что точка входа для ИИ — там, где данные уже оцифрованы, а не там, где их предстоит создавать.
Что делать читателю
- Начните с планирования производства и прогноза спроса — это функция с готовыми данными и проверяемой точностью.
- Проверьте качество и полноту данных до выбора модели: без оцифрованных данных нет работающего ИИ.
- Считайте себестоимость кейса: покрывать датчиками незначимое оборудование дороже планового ремонта.
- Оставляйте человека в контуре для решений с последствиями: автономия «в лаборатории» не переносится на цех автоматически.
- Следите за горизонтом окупаемости: 2–6 месяцев на производстве против 18–24 в логистике — разные ожидания для разных задач.
Эффект ИИ на производстве измерим, но не там, где его обещает реклама. Выбирайте функцию с готовыми данными, стандартизированным процессом и проверяемой метрикой — тогда внедрение перестаёт быть пилотом и становится статьёй бюджета. Для старта с подходящего набора функций полезно изучить, как платформа закрывает базовые сценарии, прежде чем планировать собственный контур.
Частые вопросы
Где ИИ на производстве окупается быстрее всего?
Быстрее всего — в планировании производства и прогнозе спроса: данные уже есть в учёте, а эффект проверяется точностью прогноза. Предиктивное обслуживание, по данным российских кейсов, выходит на окупаемость за 2–6 месяцев, хотя и охватывает узкий круг компаний.
Чем предиктивное обслуживание отличается от профилактического ремонта?
Профилактический ремонт идёт по фиксированному регламенту, независимо от состояния оборудования. Предиктивное обслуживание прогнозирует отказ по данным датчиков и планирует ремонт до поломки, сокращая простои на 25–50% и затраты на ремонт до 30%.
Почему «завод без людей» пока не работает в массовом масштабе?
Автономное управление цепочками поставок продемонстрировано пока только в лабораторных симуляторах. На практике внедрение узкое: машинное обучение на уровне предприятия применяют 29% компаний, в логистике генеративный ИИ полностью внедрили лишь 10%.
Что делать, если на производстве нет оцифрованных данных?
Начать с оцифровки и стандартизации сбора данных — без полных и достоверных данных работающая модель не строится, это главный барьер по отраслевым оценкам. Точка входа для ИИ — там, где данные уже собраны: планирование, контроль качества машинным зрением, предиктивная аналитика.
Источники
- 2025 Smart Manufacturing survey — Deloitte Insights, обращение 2026-09-24
- Using AI in predictive maintenance to forecast the future — Deloitte, обращение 2026-09-24
- The State of AI: Global Survey 2025 — McKinsey & Company, обращение 2026-09-24
- Agentic AI in Industrial Goods: Driving Change — BCG, обращение 2026-09-24
- Agentic AI in Logistics: A Strategic Imperative — BCG, обращение 2026-09-24
- When Supply Chains Become Autonomous — Harvard Business Review, обращение 2026-09-24
- Искусственный интеллект в производственной сфере — TAdviser, обращение 2026-09-24
- Через прогноз к трансформации: как предиктивная аналитика меняет производство — Коммерсантъ, обращение 2026-09-24