Как заводы считают эффект от ИИ — большой срез по девяти промышленным компаниям
Как заводы считают эффект от ИИ — большой срез по девяти промышленным компаниям «Атвинта» собрала опыт девяти предприятий из металлургии, добычи, химии и пищёвки. Получилась редкая по честности картина: где ИИ реально приносит миллиарды, а где упирается в скучные ограничения. Три типа задач — три размера эффекта ▫️ Подсказка оператору. Самое быстрое во внедрении, потому что последнее слово за человеком. В «ЕвроХиме» система анализирует 1500 параметров техпроцесса и советует оптимальные значения. За три года выработка +2%, расход газа −1%. В деньгах — 1,5 млрд рублей. ▫️ Управление оборудованием. Тут эффекты максимальные. В «Норникеле» модель прогнозирует состояние мельницы на 15 минут вперёд и сама правит режим — один этот проект даёт около 4 млрд рублей в год. Всего у компании больше 50 ИИ-проектов и свыше 10 млрд эффекта ежегодно. ▫️ Контроль качества и безопасности. Компьютерное зрение ищет дефекты и людей в опасных зонах. Дороже всех: камеры, серверы, инженерные сети, монтаж, обучение моделей. Деньги появляются не от ИИ, а от перестройки процесса Ключевая мысль от «Северстали»: за 2025 год насчитали 300 тысяч сэкономленных часов, но «трудочасы сами по себе в деньги не конвертируются». Деньги — это изменение бизнес-процесса, а на него нужна воля руководителя. Показательный кейс «Черкизово»: первый ИИ-агент в техподдержке путался среди 1800 позиций каталога. Пока не переделали каталог до 400 позиций и не разделили базы знаний — толку не было. Сначала процесс, потом модель. По каким критериям берут проект ▫️ Измеримая метрика — есть что померить до и после ▫️ Окупаемость за 1-2 года ▫️ Тиражируемость на другие заводы Почему в промышленности даже доли процента = миллионы: «ценность технологии определяется не масштабом изменения метрики, а масштабом самого производственного процесса». Что мешает ▫️ Железо. Дефицит видеокарт и памяти, цены растут даже на устаревшее оборудование. Надолго. ▫️ Данные. Заводы строились до эпохи ИИ, данные разбросаны по разным системам. В «Норникеле» это называют самой трудной частью проектов. ▫️ Люди. Сотрудники боятся замены, а специалистов, которые понимают и производство, и ML, на рынке почти нет — навыками владеют 3,2% работников. ▫️ Финал, под которым подпишется любой наш пост про промышленный ИИ. Сначала перестраивают процессы, приводят в порядок данные и договариваются, что считать результатом, — и только потом запускают модель. Эффект получают те, кто начал с фундамента, а не с покупки нейросети. И везде одна граница: финальное решение остаётся за человеком. Не из-за слабости технологии, а из-за цены ошибки — в металлургии одна неверная интерпретация данных даёт партию брака с репутационными последствиями. Автономность растёт, но полностью убрать человека там, где ошибка стоит миллионы, никто не спешит. Подписывайтесь на AI для бизнеса