ИИ в промышленности:
от цифровых двойников к новой модели управления производством
От аналитики к автономным агентам
Промышленный ИИ переживает качественный сдвиг. По данным Федерального центра прикладного развития ИИ, в России в 2024 году 35% промышленных компаний уже внедряли ИИ, еще 25% находились в процессе. Актуальная динамика показывает резкий рост: по данным исследования UserGate на январь 2026 года, 97% опрошенных компаний уже использовали ИИ, тестировали его в пилотах или планировали внедрение в ближайшее время.
Применение ИИ тоже меняется. Еще несколько лет назад речь шла преимущественно о предиктивной аналитике и компьютерном зрении. Сегодня на первый план выходит новый класс решений: ИИ-агенты, способные не просто анализировать данные, но самостоятельно выполнять задачи, запускать алгоритмы и координировать сложные цепочки процессов.
Для зрелых промышленных компаний это логичное продолжение цифровой трансформации. ИИ встраивается в уже существующие процессы — поверх ERP (Enterprise Resource Planning, системы планирования ресурсов предприятия), АСУ ТП (автоматизированные системы управления технологическими процессами) — и начинает ускорять то, что раньше упиралось в человеческие ресурсы и скорость обработки информации.
«Без ИИ реализация крупных проектов занимала бы семь — восемь лет, сейчас — около трех. Алгоритмы позволяют за минуты выбрать оптимальный вариант из десятитысяч сценариев разработки месторождения. Мы пилотируем ИИ-агентов для инженерных задач — профессиональных ассистентов, которые интерпретируют сейсмику и подбирают методы внутрискважинных операций. Для этого создана корпоративная ИИ-платформа с доступом более чем к 40 моделям».
ИИ-агент за день расставляет скважины на месторождении, моделируя свыше тысячи вариантов — инженерам на то же потребовались бы недели. Мультиагентная система управления нефтепромыслами обрабатывает команды на естественном языке и самостоятельно находит данные, запускает нужные алгоритмы.
В металлургии масштаб внедрения уже измеряется сотнями решений. В «Северстали» реализовано более 100 проектов на основе машинного обучения и компьютерного зрения и свыше 200 — в области генеративного ИИ.
«Потенциал ИИ в металлургии остается высоким: базовые проекты уже внедрены, но сохраняются ниши для тонкой настройки процессов и повышения качества. ИИ контролирует качество продукции, повышает производительность агрегатов, обеспечивает безопасность, снижает экологическую нагрузку и повышает эффективность в продажах и корпоративных процессах».
Среди конкретных примеров — ИИ-агент для автоматической классификации товаров и материалов: система определяет категорию по описанию, сокращая время классификации на 40% и экономя до пяти часов в неделю на специалиста. Другой агент обрабатывает клиентские обращения и направляет их в нужный отдел — время обработки сократилось на 65%, сам процесс стал круглосуточным.
Там, где производство исторически строилось на жестких регламентах и АСУ ТП, ИИ встраивается иначе — не как замена базовой автоматизации, а как интеллектуальная надстройка над ней.
«Потенциал ИИ в нефтегазохимии высок, но его ценность определяется зрелостью данных, процессов и организационной модели. Для нас это продолжение цифровой трансформации: автоматизации производств, внедрения ERP, процессных KPI, центров данных и прозрачной операционной модели.
Мы рассматриваем ИИ как следующий технологический модуль повышения управляемости, точности и скорости бизнеса. Его задача — помогать людям быстрее принимать качественные решения и снижать операционные и технологические риски».
Особенно наглядно возможности агентского ИИ проявляются там, где традиционные методы упираются в физические ограничения. В нефтяной отрасли истощение запасов «легкой» нефти потребовало принципиально иного инструментария — и результат оказался измеримым не только в точности, но и во времени.
«У нас высокая доля регламентированных контуров управления, поэтому ИИ рассматривается как надстройка к базовой автоматизации — для поддержки решений и повышения устойчивости процессов. Основной потенциал — в прогнозировании, выявлении отклонений, многокритериальной оптимизации и снижении вариативности качества.
Это означает переход к управлению на основе данных: рекомендации по режимам плавки и разливки, оптимизация расхода материалов и энергии, предупреждение неисправностей до возникновения потерь.».
Облачная и гибридная инфраструктура: новая база для производств
Рынок облачных инфраструктурных сервисов в России по итогам 2025 года вырос на 23% и приблизился к отметке 1,5 трлн руб. — существенным драйвером стал спрос на инфраструктуру для ИИ.
При этом полный переход в публичное облако для промышленности — скорее исключение, чем правило. По данным AHD и Yandex B2B Tech, уровень проникновения облачных технологий в индустриальном секторе составляет около 20%, что существенно ниже, чем в ТМТ, ретейле и финансовой отрасли. Это отражает осторожный подход: предприятия по-прежнему ограничивают вынос критичных систем за пределы периметра.
На практике это означает разделение контуров: критичные производственные системы и АСУ ТП остаются внутри предприятия, тогда как аналитика, ИИ-модели, витрины данных и интеграционные сервисы переносятся в облачную среду.
При этом подход постепенно меняется. Показателен кейс «Норникеля» — компания стала активнее внедрять ИИ-решения, в том числе за счет развития облачных технологий, которые уже позволяют соблюдать требования промышленной и информационной безопасности. Это расширяет возможности для выноса более чувствительных задач в облако и снижает жесткость прежнего разделения контуров.
По словам Максима Феопентова, в ряде проектов «Евраза» используются облачные технологии и сервисы, в частности Yandex Cloud. В «Евраз Маркете» применяется Yandex SpeechSense для анализа звонков менеджеров по продажам. Решение охватывает контроль качества работы менеджеров — проверку соблюдения чек-листов и стандартов компании, оценку вежливости и корректности коммуникации, анализ работы с возражениями.
Второе направление — аналитика упущенного спроса: выявление случаев, когда клиент обращается с запросом по конкретному виду металлопроката, а менеджер не предоставляет информацию о наличии, а также анализ причин несостоявшихся сделок. Сервис используется с 2025 года, ежемесячный объем анализа — порядка 45–50 тыс. звонков.
Помимо этого в «Евразе» используются виртуальные машины с GPU (Graphics Processing Unit, «графический процессор») для проектов, связанных с большими языковыми моделями и генеративным ИИ, — это позволяет эффективно обучать и запускать модели в промышленной среде.
Таким образом, облако становится не просто хранилищем данных, а полноценной платформой для разработки и эксплуатации ИИ-решений.
Как ИИ меняет операционную эффективность промышленности
ИИ уже начинает влиять на операционную эффективность промышленности, но его эффект проявляется не столько в отдельных технологических прорывах, сколько в системном улучшении управляемости, качества и скорости процессов. На практике это выражается в снижении потерь, оптимизации режимов работы и более точном принятии решений.
«ИИ уже сегодня находит практическое применение в промышленности, хотя чаще речь идет не о „революции“, а о точечной автоматизации и повышении эффективности отдельных процессов. В металлургии к наиболее зрелым направлениям относятся предиктивная аналитика и компьютерное зрение: такие решения помогают прогнозировать свойства продукции, контролировать качество сырья и оптимизировать производственные операции.
Например, в одном из проектов предиктивная модель позволяет прогнозировать механические свойства проката и значительно сократить количество лабораторных испытаний при аттестации продукции.
Отдельное направление — применение ИИ для задач промышленной безопасности. В ОМК был реализован экспериментальный проект, в котором нейросетевая модель имитирует поведение сотрудника, нарушающего правила безопасности. Руководитель или инспектор взаимодействует с таким виртуальным „собеседником“ и должен убедить его соблюдать требования — например, использовать средства индивидуальной защиты или не заходить в опасную зону. Модель активно возражает и приводит типичные аргументы работников, а после диалога анализирует разговор и оценивает, какие приемы убеждения были использованы и насколько они оказались эффективны.
Технологически это решение опирается на связку нейросетей и облачных сервисов. Для озвучивания виртуального персонажа используются речевые технологии. Анализ и последующая оценка качества диалога — того, насколько успешно руководитель использовал приемы убеждения, — проводятся с помощью сервиса речевой аналитики. Проект уже показал свою востребованность: через такое обучение прошли около тысячи сотрудников, и сейчас компания планирует переводить инструмент из режима пилотных испытаний в постоянную эксплуатацию».
Такие кейсы показывают: даже точечные внедрения ИИ уже дают измеримый эффект. При масштабировании эти решения начинают влиять на экономику предприятий в целом.
Экономический эффект от внедрения ИИ уже оценивается в сотнях миллиардов рублей. По оценке Минэнерго России, эффект от применения ИИ в нефтегазовой отрасли может достигать 700 млрд руб. в год, а совокупный результат за период с 2025 по 2040 год — 5,4 трлн руб. Аналитики «Выгон Консалтинг» оценивают потенциал генеративного ИИ для российских нефтегазовых компаний в 343 млрд руб. ежегодно.
Однако влияние ИИ заметно не только на уровне отрасли в целом, но и на уровне конкретных предприятий.
«Наиболее значимый эффект от внедрения ИИ и цифровых инструментов — рост управляемости, прозрачности и предсказуемости операций. Если раньше зачастую управленческие решения принимались на основе разрозненных отчетов и ручных таблиц, сегодня данные агрегируются автоматически, анализируются моделями и доступны в режиме, близком к реальному времени. Это позволило сократить цикл подготовки управленческих решений, повысить точность планирования и снизить операционные потери».
По его словам, в промышленном контуре ИИ применяется для прогнозирования технологических параметров, оптимизации рецептур полимеров и моделирования режимов, что напрямую влияет на стабильность качества продукции.
В «Газпром нефти» ИИ встроен в ключевые производственные процессы.
«Для „Газпром нефти“ искусственный интеллект — это не просто инструмент, а основа для создания глобального цифрового двойника компании. Именно ИИ способен вывести эффективность бизнеса на принципиально новый уровень».
Компания развивает набор технологий — от специализированных нейросетей до больших языковых моделей и гибридного ИИ. В частности, модель L1 дообучена на отраслевых данных и способна выполнять расчеты и анализировать технические документы.
ИИ применяется и в бурении скважин: он сокращает задержку между процессами в недрах и реакцией на поверхности. С глубины в несколько километров данные поступают не мгновенно, и за это время ситуация может измениться, поэтому их обработку перенесли непосредственно на автоматику под землей. Алгоритмы анализируют сигналы датчиков на конце бурового оборудования, улавливают даже косвенные признаки изменений — например, колебания давления и скорости вращения — и заранее прогнозируют аномалии, почти мгновенно корректируя траекторию. Это устраняет задержку между получением данных и действием системы — как в смартфоне, где нейросеть обрабатывает фото прямо на устройстве, а не отправляет его на сторонний сервер. Точность таких решений превышает 90%, уже повышая эффективность бурения и открывая путь к созданию практически автономных роботизированных буровых установок.
На металлургических предприятиях ИИ дает сопоставимый по масштабу эффект.
«Для нас ключевой критерий значимости — измеримый экономический эффект: снижение себестоимости, рост выхода годного, повышение устойчивости качества и сокращение простоев».
Например, в компании ИИ-помощник сталевара по расходу ферросплавов помогает снижать перерасход материалов и стабилизировать химсостав. За все время использования экономический эффект от проекта составил 459 млн руб.
В «Северстали» ИИ уже управляет ключевыми агрегатами.
«Например, ИИ управляет выдачей слябов (крупных стальных заготовок прямоугольной формы, получаемых при разливке металла и используемых для дальнейшей прокатки) из печи и темпом прокатки стана 2000. За счет системы „Автотемп 2.0“ средняя пауза при прокатке снижена на одну секунду на сляб, а управление скоростью непрерывно-травильного агрегата повысило производительность на 4%. Недавно решение было дополнено моделью компьютерного зрения, которая автоматически отслеживает траекторию движения слябов и синхронизирует работу печей. В корпоративных процессах роботизация претензионного блока сократила нагрузку менеджеров на 30%, а время обработки уведомления — с 20–30 минут до двух — пяти».
Еще одно стратегическое направление — развитие цифровых двойников, как отдельных агрегатов, так и целых переделов. «Внедрение цифровых двойников позволяет существенно повысить производительность на 3–5%, снизить себестоимость продукции до 10%, а в случае проектирования новых объектов — увеличить производительность на 9–10%. Для действующих производств эффект от цифровых двойников составляет около 4–5%», — добавляет Андрей Голов.
Сегодня ИИ уже меняет экономику предприятий — снижает потери, ускоряет процессы и повышает управляемость. Следующий шаг — понять, как эти решения будут масштабироваться и трансформировать промышленность на горизонте ближайших лет.
Тренды и будущее ИИ в промышленности
Следующий этап развития индустриального ИИ — переход от автоматизации отдельных операций к созданию связанной экосистемы, где цифровые двойники, предиктивная аналитика и ИИ-агенты работают в едином контуре. Речь идет не только о повышении эффективности, но и о частичной автономности — когда система способна предсказывать состояние производства и предлагать корректирующие действия.
«В ближайшие два — три года мы планируем развивать ИИ в трех ключевых направлениях.
Во-первых, интеллектуальное управление производственными процессами и цепочками поставок, включая цифровые двойники, оптимизацию режимов, предиктивное обслуживание и автономные контуры управления.
Во-вторых, цифровые ассистенты и ИИ-агенты для инженерных и управленческих команд, которые будут поддерживать принятие решений, планирование, техническую экспертизу и работу с большими массивами корпоративных знаний.
В-третьих, предиктивная аналитика и продвинутая оптимизация бизнес-процессов, включая закупки, логистику, коммерческие решения и финансовое планирование».
Другой тренд — институционализация ИИ-агентов как стандартного инструмента работы. Если сегодня такие решения чаще пилотируются в отдельных подразделениях, то в перспективе они могут стать частью рабочего места — как для инженеров, так и для сотрудников бэк-офиса. Это потребует создания единой платформы, где будут объединены модели, инфраструктура, контроль доступа и механизмы «контролируемого ИИ».
«Мы планируем развивать ИИ по двум направлениям: производство и корпоративные функции. На производстве дальнейшее расширение компьютерного зрения и аналитики процессов: контроль технологических операций и качества на промежуточных этапах, мониторинг состояния оборудования, повышение уровня безопасности.
В части генеративного ИИ большую возможность видим в агентской разработке ПО и трансформации традиционных IT-процессов, а также в повышении производительности труда бэк-офисных подразделений. Наша целевая модель —ИИ-агенты как стандартный инструмент рабочего места каждого сотрудника».
Еще один вектор — развитие цифровых двойников и объединение разрозненных систем в единую модель управления.
«В нашем портфеле более 100 проектов с применением искусственного интеллекта — от поиска нефти и управления бурением до прогнозирования спроса на топливо. В ближайшие годы мы стремимся обеспечить покрытие 75% бизнес-процессов ИИ-решениями.
К 2030 году мы рассчитываем объединить все цифровые двойники месторождений, заводов и логистики в единый цифровой двойник компании».
В фокусе — не только отдельные агрегаты, но и вся производственная цепочка: от сырья до логистики.
«Мы планируем развивать ИИ-агентов в производственных и корпоративных процессах, совершенствовать цифровые двойники агрегатов, переделов и цепочек поставок для предсказания будущего состояния системы и корректировки действий, повышать использование генеративного ИИ в производственных процессах».