Как ИИ-агенты и облако трансформируют промышленность:
опыт «Норникеля»
Источник фото — пресс-служба «Норникеля»
От пилотов к масштабированию: как ИИ-агенты внедряются в промышленности
1— Сегодня много говорят об ИИ-агентах как о следующем этапе развития генеративного ИИ. Как вы оцениваете этот тренд применительно к промышленности — это уже рабочий инструмент или пока зона экспериментов?
— Я бы сказала, что сейчас мы находимся в переходной фазе. Если говорить в целом про генеративный искусственный интеллект, то более простые инструменты — например, чат-боты — уже стали рабочим инструментом и активно используются, в том числе в промышленных компаниях.
Агентские системы — это следующий, более сложный уровень. И здесь отрасль пока находится на этапе пилотирования. У многих компаний, включая «Норникель», это уже не лабораторные эксперименты, но и не полностью масштабированные решения. При этом для нас пилоты — это не про тестирование «в вакууме». Мы берем конкретные бизнес-процессы и внедряем туда агентские системы. Например, мы внедряем агентские системы в процессы управления запасами, ремонтом, финансово-экономический контроль и проектирование.
Источник фото — пресс-служба «Норникеля»
Сейчас мы подводим результаты и готовимся к тиражированию. При этом наша задача — не просто автоматизировать отдельные участки, а пересматривать бизнес-процессы целиком. Технология доказала, что работает, и теперь основной вопрос — как ее масштабировать и встроить в операционную модель компании.
2— С каких процессов в «Норникеле» началось внедрение ИИ-агентов и почему выбрали именно их?
— Процессы мы выбирали совместно — и бизнес, и вертикаль инноваций — внутренний центр компетенций «Норникеля», который отвечает за развитие и внедрение новых технологий, включая искусственный интеллект. Бизнес приходил со своими запросами, а мы смотрели, целесообразно ли подключать к их решению генеративный ИИ или здесь лучше подойдут более традиционные инструменты, а также, какой экономический эффект.
Примерно 60–70% из пилотных проектов изначально было предложено бизнесом, а остальная часть идей от нас — там, где мы видели, что задачу бизнеса может решить генеративный ИИ, — например, где много работы с неструктурированными данными или изображениями.
Если говорить в целом про старт, у нас в воронке было около 50 инициатив. Мы тщательно их пересмотрели и отобрали 10 сложных кейсов, которые дают реальный экономический эффект. В общей сложности нами охвачено более 30 процессов и порядка 100 агентов. Мы изначально делали акцент на комплексные кейсы, которые в том числе требуют интеграций с корпоративными системами, такими как SAP ERP, 1С. Именно за счет масштаба задачи и потому что агенты работают в системах, удается выйти на значимый экономический эффект.
Источник фото — пресс-служба «Норникеля»
При этом мы брали максимально разнообразные кейсы, чтобы понять, где технология работает лучше, а где хуже, и где должен быть фокус на масштабировании. Например, один из успешных кейсов — ИИ-агенты для работы со сверхнормативными запасами — избыточными материалами и оборудованием, которые долгое время не используются: LLM (Large Language Model — большая языковая модель) помогала находить технологические аналоги среди запасов на складе и предлагать их вместо закупки новых материалов. Сначала мы протестировали это на одном типе запасов, а затем начали переносить на другие категории — ремонтные, капитальное строительство.
Еще один показательный кейс — ИИ-агенты, проводящие экспертизу решений для инвестиционного комитета, то есть документов и обоснований, на основе которых принимаются решения о выделении средств на проекты. Технология отлично справилась с этой задачей, но прямого экономического эффекта от перестройки одного процесса было немного, и мы начали охватывать смежные процессы. Благодаря этому проекту мы для себя подтвердили, что концепция «цифровой сотрудник» или изолированная цифровизация процесса с ИИ для промышленности неэффективна. В управленческих процессах мы перестраиваем весь пласт процессов вокруг ИИ и сейчас в Заполярном филиале запускаем цифровой департамент с ИИ-агентами.
В целом логика была такой: сначала протестировать технологию на разных типах задач, убедиться, где она дает эффект, и дальше уже тиражировать успешные решения и переходить от отдельных кейсов к трансформации целых процессов.
Облако и архитектура: как компании выстраивают инфраструктуру под ИИ
1— «Норникель» стал одной из первых крупных горно-металлургических компаний, которая не только начала использовать LLM и ИИ-агентов, но и внедрила их в собственный контур в облачной среде. Как пришли к такому решению и в чем заключались особенности этого проекта?
Источник фото — пресс-служба «Норникеля»
— Облачные сервисы для нас критичны с точки зрения масштабирования. У нас большое количество процессов, и мы хотим подключать искусственный интеллект к максимально возможному числу из них.
При этом наращивать собственные мощности — закупать GPU (graphics processing unit, «графические процессоры»), расширять инфраструктуру и поддерживающие команды — достаточно дорого. Если считать экономику в масштабе всей компании, собственная инфраструктура не всегда оправданна экономически. Особенно с учетом того, что часть эффектов от генеративного ИИ связана с личной эффективностью и не всегда напрямую выражается в денежном эффекте.
Поэтому мы приняли решение тестировать облачные сервисы. В качестве провайдера используем технологии Yandex B2B Tech — в частности, Yandex Cloud и Yandex AI Studio. Они уже активно используются в разработке ИИ-агентов. У нас выстроена гибридная архитектура. На собственных мощностях происходит предобработка особо чувствительных данных — чтобы в облако не уходили полные массивы информации, а только фрагменты, по которым невозможно восстановить исходный контекст.
Источник фото — пресс-служба «Норникеля»
Данные, которые изначально не являются чувствительными — например, обзоры рынка или результаты парсинга цен поставщиков, — сразу обрабатываются в облаке.
А чувствительные данные — например, связанные с технологическими параметрами или договорными особенностями — сначала обрабатываются внутри, а затем передаются в облако уже в обезличенном виде.
С точки зрения сложностей это был первый опыт работы именно с большими языковыми моделями, и основной фокус был на вопросах безопасности. Здесь команды со стороны провайдера и нашей информационной безопасности совместно выстраивали решения: настраивали мониторинг, логирование, обеспечивали безопасную передачу данных через выделенные каналы.
В целом мы рассчитываем, что по мере развития решений сможем большую часть задач обрабатывать в облаке с предварительной обработкой чувствительных данных внутри компании.
От эксперимента к новой норме: стратегия, барьеры и будущее
1— Как компания подходит к этому в целом: ИИ-агенты — часть общей цифровой стратегии или пока отдельное экспериментальное направление?
— Для нас это однозначно часть общей трансформации, направленной на повышение эффективности компании.
Мы давно работаем с искусственным интеллектом — используем машинное обучение, компьютерное зрение, — и агентские системы логично продолжают эту работу для нас. Это не шаг с нуля, а следующий этап.
Если раньше мы пилотировали отдельные кейсы, то сейчас на этапе масштабирования формируем уже целостную программу. С одной стороны, она базируется на разработанных в рамках пилотов решениях — мы занимаемся их развитием и адаптацией, например, под особенности каждой из компании структуры «Норникеля». С другой — начинаем смотреть на процессы более крупными блоками.
При этом ключевой принцип остается прежним — не ради хайпа, а ради экономического эффекта. Мы отбираем и масштабируем только те кейсы, которые дают измеримый результат.
И дальше движение идет именно в сторону укрупнения: от отдельных задач — к процессам, от процессов — к целым подразделениям.
2— Что сильнее всего сдерживает развитие ИИ-агентов в промышленности — требования безопасности, состояние инфраструктуры или человеческий фактор?
— Если говорить про технологию, то на текущий момент мы не видим каких-то серьезных ограничений. Инструменты работают, в том числе LLM показывает стабильные результаты во всех кейсах — и производственных, и управленческих. Там, где нужна узкая специфика, мы используем доменную модель для повышения точности.
Основные ограничения лежат не в технологии, а в организационной плоскости. Первое — это формирование кейсов и наполнение воронки. Импульс должен идти от бизнес-заказчика: он должен понимать, как работает технология, чтобы формулировать гипотезы ее применения с измеримым экономическим эффектом.
При этом работники промышленных предприятий в повседневной работе сталкиваются с генеративными инструментами реже, чем, например, сотрудники банковского сектора или бигтеха. Из-за этого сложнее формировать такие кейсы на старте.
Второй фактор — дефицит компетенций. С одной стороны, это руководители проектов, которые должны одновременно понимать промышленность, бизнес-процессы и возможности ИИ. Найти таких специалистов крайне сложно. С другой стороны, это разработчики. Здесь мы конкурируем с бигтехами, и промышленным компаниям сложнее привлекать такие кадры.
Поэтому основной сдерживающий фактор сегодня — это не безопасность или инфраструктура, а именно организационные вопросы: формирование кейсов и наличие нужных компетенций внутри компании.
3— Как, на ваш взгляд, будет меняться роль ИИ-агентов в промышленности в ближайшие годы?
— Я думаю, что движение здесь будет синхронизировано с другими отраслями — отдельной специфики именно для промышленности я не вижу. Если смотреть на динамику, сейчас агенты в основном внедряются в отдельные задачи. Следующий шаг — когда из отдельных задач начинает выстраиваться полноценный процесс и происходит трансформация бизнес-процесса. Дальше — уровень подразделений: когда трансформация охватывает целые организационные блоки. То есть идет эволюция от изолированных задач к передаче агентам все более сложных и комплексных функций.
Также расширяется периметр применения — потому что и технология развивается, и пользователи начинают лучше понимать, как с ней работать. Еще растет уровень автономности. Сейчас в большинстве случаев сохраняется human in the loop — человек контролирует действия агента. Но по мере стабилизации технологий, особенно в управленческих процессах, контроль становится более выборочным. И тогда человек будет высвобождаться от части задач и переключаться на более сложные и стратегические.
Источник фото — пресс-служба «Норникеля»
В целом это движение от точечных решений к встраиванию генеративного ИИ в часть операционной модели компании — и, скорее всего, в перспективе агенты станут новой нормой, как это уже произошло с другими инструментами ИИ.