Почему у нас всё не так в промышленном ИИ
Почему у нас всё не так в промышленном ИИ Канал «ЗаДело» выпустил большой аналитический обзор «ИИ в промышленности: мировые тренды и российские реалии» Мы все прочитали и вытащили самое интересное. ▫️ Мировой рынок промышленной автоматизации сейчас - $230–240 млрд. В глобальной сети предприятий-«Маяков» (программа WEF, куда попадают компании с доказанным экономическим эффектом от цифровизации) уже 238 заводов, треть из них — китайские. ▫️ При этом 62% решений «Маяков» используют аналитический ИИ, а генеративный — только 23%. То есть на передовых производствах мира работает не хайповый GenAI, а старое доброе машинное обучение. Три масштабных кейса. ▫️ Danfoss отдала ИИ-агентам обработку заказов: 80% решений принимаются автономно, среднее время обработки упало с 42 часов до 1–5 минут. ▫️ Siemens внедрил Operations Copilot на паяльных машинах — тот расшифровывает коды ошибок на человеческий язык. ▫️ Shell мониторит 13 000 единиц оборудования через 3 млн датчиков, крутит 16 000 ML-моделей и экономит $28 млн в год. Что самое важное нужно вынести из исследования ▫️ ИИ не внедряется в процессы, где нет базовой автоматизации. Сначала датчики, ПЛК, SCADA, MES — и только потом поверх этого ИИ. Авторы отдельно подчёркивают, что для промышленных задач нужны не только модели, но и солверы — математические движки для расчёта физических процессов. Навайбкодить солвер для многокритериальной оптимизации за сутки не выйдет. ▫️ Российская специфика складывается в инвестиционный разрыв. Проекты, построенные до 2022 года на Honeywell, Aspen и Siemens, сейчас нельзя ни развивать, ни толком эксплуатировать. Бюджеты уходят не на инновации, а на импортозамещение — доля отечественного ПО на объектах АСУ ТП составляет 5–40%, а сроки перехода уже дважды сдвигали, теперь до 2028 года и дальше. Плюс экспертиза не масштабируется: успешные внедрения остаются внутренними проектами и не превращаются в рыночные продукты. ▫️ Про новый закон об ИИ авторы исследования говорит, что поддержка разработчиков LLM промышленности не поможет. Самый эффективный российский кейс после 2022 г. - «Автотемп 2.0» Северстали, оптимизация пауз промышленной печи, сделан не на передовой языковой модели, а на градиентном бустинге. В цехе, где стан запустили в 1975 году. ▫️ И основной тезис, который мы повторяем в сотый раз: успех определяется не выбором модели, а качеством данных, зрелостью процессов и готовностью бизнеса менять привычки. Подписывайтесь на AI для бизнеса