Алгоритмы в цехах: трансформация реального сектора с помощью ИИ

Индустриальный ИИ — это про конкретные решения для реального мира: от оптимизации металлургии до поиска месторождений с помощью спутников. Вместе с Михаилом Тавером, управляющим партнёром венчурного фонда Taver Capital Partners, мы разбираемся, почему инвесторы идут в тяжёлые отрасли, как технологии становятся частью инфраструктуры и что мешает ИИ менять индустрию быстрее. Полную версию разговора смотрите на YouTube и других платформах: Промышленный ИИ, эволюция технологий и идеи стартапов — Ивар ft. Михаил Тавер. Страх перед ИИ и культурные циклы восприятия Отношение к технологиям исторически складывалось в контексте тревоги. Каждая новая волна автоматизации воспринималась с подозрением — от первых станков до появления компьютеров. Искусственный интеллект унаследовал это напряжение и усилил его: сам термин «ИИ» звучит как претензия на автономное мышление, вызывающая ассоциации с разумом. Человеческий страх перед технологиями — часть культурной нормы. Он усиливается, когда инновации становятся «невидимыми»: чем сложнее устройство, тем сильнее ощущение утраты контроля. ИИ — не только инженерный продукт, но и символ с высоким эмоциональным зарядом, особенно в сферах, где он приближается к зонам, традиционно считавшимся человеческими: принятию решений, диагностике, прогнозированию. Инвестор и управляющий партнёр фонда Taver Capital Partners Михаил Тавер подчёркивает: в промышленном ИИ страхи особенно сильны. Несмотря на доказанный эффект таких решений в логистике, производстве и энергетике, внедрение идёт с трудом. Причина не столько в технологиях, сколько в восприятии. Бизнес опасается потери управляемости, а сотрудники — обесценивания опыта. Даже терминология влияет: «искусственный интеллект» внушает тревогу, а «система оптимизации» — нет. Это культурный цикл: технология сначала вызывает страх, затем — интерес, а потом — становится рутиной. Сегодня индустриальные решения с элементами ИИ находятся где-то между первым и вторым этапом. От цифровизации к ИИ: скрытый инфраструктурный дефицит Большинство традиционных отраслей пока не готовы к полноценному внедрению ИИ — не из-за недостатка моделей, а из-за отсутствия базовой цифровой инфраструктуры. Чтобы алгоритмы могли что-то оптимизировать, процессы должны быть зафиксированы в цифре. Однако на многих производствах до сих пор используется бумажный учёт, Excel или устные инструкции. Поэтому, прежде чем говорить об обучении моделей, приходится запускать процессы цифровизации: ставить датчики, выстраивать потоки данных, нормализовать операции. Это затягивает внедрение, требует долгосрочных инвестиций и участия инженеров, знакомых не только с Python и ML, но и с конкретным цехом. Как отмечает Михаил Тавер, на ранней стадии технологических изменений инвестор вынужден участвовать не только финансово, но и методологически — буквально помогая выстраивать логику цифрового слоя. Это существенно отличает инвестиции в промышленный ИИ от классического софтверного венчура. Роботы и люди: как мы воспринимаем индустриальный ИИ Индустриальные роботы работают на фабриках уже десятилетиями. Они собирают автомобили, варят металл, сортируют сырьё. Но стоит добавить к ним интеллект — систему прогнозирования отказов, алгоритм маршрутизации или генеративную модель — как возникает психологическое напряжение. Прежний инструмент становится «чем-то большим». Важна не только функция, но и образ. Робот с механической рукой воспринимается как машина. Робот, способный предлагать решение, — как потенциальный конкурент. Это различие меняет отношение: от спокойного сосуществования — к внутреннему дискомфорту. По наблюдению Михаила, ключ к успешной интеграции — не только технологическая эффективность, но и корректный «маркетинг восприятия». Часто решение переименовывают: не «искусственный интеллект для логистики», а «цифровой помощник по планированию поставок». Название формирует поведение — не только технологии, но и человека рядом с ней. Как Industrial AI стал новой зоной для венчура За последние годы интерес к промышленному ИИ со стороны инвесторов значительно вырос. Причина в том, что привычные B2C-ниши перегреты: в них высокая конкуренция, короткие горизонты роста и ограниченные барьеры для входа. Industrial AI, напротив, остаётся недоинвестированной зоной. Здесь сложнее — но именно это делает рынок перспективным. Михаил Тавер указывает, что глубокие технологические решения для традиционных отраслей — от логистики до металлургии — становятся ядром нового венчурного фокуса. Эти рынки огромны, но требуют длительной и тонкой работы. Зато при удачном раскладе они дают не только капитализацию, но и реальное влияние на инфраструктуру и экономику. «Серьёзной проблемой остаётся уникальность многих производств даже внутри одного холдинга. В результате каждый кейс требует высокой степени кастомизации, ограничивая возможности масштабирования продукта — вплоть до ситуации, когда под каждое новое применение решение приходится разрабатывать почти с нуля. К счастью, ИИ позволяет быстро адаптироваться под конкретные задачи, но такую гибкость необходимо закладывать заранее. Если об этой проблеме не знать — внедрение практически гарантированно захлебнётся». Другая трудность — цикл. Если в цифровых стартапах продукт может выйти на рынок за несколько месяцев, то в промышленности это занимает годы. Продажи идут медленно, пилоты затягиваются, а сами клиенты — осторожны и консервативны. Зато если интеграция состоялась, «открепиться» от бизнеса становится практически невозможно — именно в этом и проявляется эффект высокой капитализации индустриальных проектов. Что отличает Industrial AI от других стартапов Успешный промышленный стартап — это не просто IT-продукт. Он должен быть встроен в реальную инфраструктуру, учитывать технологические, логистические и человеческие ограничения. Модель, которая отлично работает в лаборатории, может провалиться на предприятии с оборудованием 80-х годов, нестабильным интернетом и отсутствующей культурой данных. «Стартап созрел для инвестиций, если он существует. Для любой стадии найдётся подходящий инвестор и ценность, которую он может привнести. Другое дело — далеко не всем бизнесам нужно венчурное финансирование. Сейчас ситуация выглядит так, как если бы любое начинание при потребности в инвестициях автоматически вело основателя к венчурному инвестору. Но это не так: не каждый бизнес способен дать ту динамику роста, которая необходима фондам в нашей отрасли. К сожалению, этого часто не понимают не только основатели, но и сами фонды». По словам Михаила Тавера, одна из причин, по которой традиционные фонды с осторожностью смотрят на Industrial AI, — это высокий порог входа в индустриальные темы. Нужно понимать процессы, знать регуляции, уметь обсуждать детали с техническими директорами. Здесь не получится продать «визионерскую идею» — нужно предлагать конкретное, доказуемое улучшение. Инвестор в таких проектах играет не только роль капиталовкладчика. Он участвует в выстраивании структуры продаж, помогает команде сформулировать понятную ценность для клиентов, консультирует по рынку. В Taver Capital такой подход называют hands-on: вовлечённость на уровне продукта, модели и первых сделок. Это и отличает их от классических пассивных инвесторов. От идей к продуктам: как появляются индустриальные стартапы Идеи для индустриальных стартапов редко рождаются «на белом листе». Чаще это — опыт инженера, который видел проблему на заводе, или учёного, понявшего, как алгоритм может улучшить технологию. Михаил Тавер подчёркивает: лучшие проекты рождаются не из фантазии, а из боли. Поэтому команда обычно состоит из людей, которые жили внутри системы и знают, как она работает. Особенность Industrial AI в том, что его сложно «придумать в отрыве». Инновации здесь основаны на эмпирическом знании: где именно теряются деньги, где не хватает предсказуемости, где сбоит система. Стартапы часто возникают на стыке: между математикой и машиностроением, логистикой и нейросетями, практикой и абстракцией. Такой путь требует зрелости от инвестора. Нужно уметь услышать команду, не пытаясь навязать универсальную модель. Нужно быть готовым к долгому запуску, нестабильной выручке и сложным клиентским переговорам. Но если система складывается — Industrial AI становится фундаментальной частью технологического обновления отрасли. Земля, металл, помидоры: где уже работает промышленный ИИ Несмотря на сложность внедрения, промышленный ИИ уже работает — и не в теории, а на реальных предприятиях. Один из кейсов, на который указывает Михаил Тавер, — это EarthAI, стартап, анализирующий спутниковые снимки и геологические данные для поиска полезных ископаемых. Его алгоритмы позволяют предсказать наличие месторождения с гораздо большей точностью, чем классические методы, экономя годы на разведке и миллионы на бурении. «Мне кажется, рано или поздно перспективы у ИИ появятся везде. Здесь вопрос скорее в том, что мы имеем в виду под “перспективой ИИ”? Есть ли перспективы у электричества, например? Для меня этот вопрос выглядит примерно так же. Думаю, многие отрасли, связанные с общением, массово будут перевёрнуты с ног на голову с внедрением искусственного интеллекта. Да это уже так, на самом деле. Но это, как мне кажется, повысит ценность и востребованность живого взаимодействия. Так что в отраслях скорее сформируются сегменты, где конкурентным преимуществом может стать отсутствие использования ИИ — причём не удивлюсь, если подобные сегменты будут премиальными». Другой пример — оптимизация металлургических процессов. Здесь ИИ помогает точно рассчитывать температурные режимы, прогнозировать износ оборудования, выстраивать ритмичность поставок. Даже минимальные корректировки дают экономию в масштабах миллионов тонн стали. Почему Европа теряет темп, а новые регионы набирают Институциональные барьеры играют ключевую роль в развитии Industrial AI. Европа — несмотря на высокий уровень инженерной подготовки и технологических компаний — часто проигрывает в скорости внедрения. Причина — жёсткое регулирование, осторожное отношение к экспериментам и правовая инерция. Проекты медленно согласуются, медленно сертифицируются и с трудом масштабируются. Михаил Тавер обращает внимание, что на фоне европейского замедления в регионе MENA (Ближний Восток и Северная Африка) наблюдается рост. Страны с ресурсной экономикой осознают необходимость диверсификации и ищут технологические решения для повышения эффективности. Здесь быстрее идут на эксперименты, активнее работают государственные фонды, проще строятся партнёрства с университетами и промышленными холдингами. Американская модель отличается прагматизмом: там готовы тестировать решения в пилоте и только потом вводить в систему. В Европе — наоборот: сначала просят обосновать, почему решение безопасно и этично. Это создаёт системное торможение, в том числе для стартапов, которые работают в области данных, оптимизации, автономных решений. Поэтому распределение технологического лидерства в Industrial AI может сместиться в неожиданные регионы. Что дальше: кадры, ресурсы и инфраструктура Ключевой вызов для масштабирования Industrial AI — не в коде и не в алгоритмах. Он в людях. Недостаток специалистов, способных одновременно понимать производственный процесс и работать с данными, становится главным ограничением роста. Сегодня промышленный инженер и ML-разработчик — это два разных человека. Завтра нужно будет, чтобы они говорили на одном языке. «Навыки во все времена нужны примерно одни и те же: гибкость мышления, высокая степень функциональной грамотности и профессиональное любопытство. Допускаю, что понадобится меньше навыков работы с низкоквалифицированной рабочей силой, поскольку, с высокой вероятностью, её во многих сферах заменят роботы. Какая-то степень метапредметных знаний тоже будет востребована. Базовые же профессиональные знания нужны всем и всегда, в любой отрасли, и на уровне принципов они редко меняются. Если ты металлург — прочти Металлургию чёрных металлов, маркетолог — Котлера, а финансист — Брили и Майерса». Михаил Тавер подчёркивает, что, кроме кадров, индустрия сталкивается с вызовами деглобализации. Стандарты размываются, логистика усложняется, трансграничный обмен технологическими решениями затрудняется. Особенно это заметно в энергоёмких секторах, где одновременно идёт борьба за ресурсы, инфраструктуру и устойчивость поставок. Промышленный ИИ — это про долгую перестройку технологических слоёв в экономике. Инвесторы, инженеры, политики и предприниматели работают сегодня над тем, как будут выглядеть заводы, шахты и логистические цепочки через десять лет. Это медленный, но структурный сдвиг — и именно он определяет, кто будет формировать индустрию будущего.