ИИ уже повсюду: он пишет тексты, рисует картины, ведет переговоры и даже проходит собеседования вместо людей. И, как и большинство модных технологий, добрался до промышленной автоматизации. Производственные предприятия, ERP-вендоры и системные интеграторы начали включать ИИ в свою повестку: где-то осторожно, где-то с энтузиазмом.
Но возникает закономерный вопрос: действительно ли ИИ уже приносит пользу в автоматизации производственных и логистических процессов или пока это просто красивая вывеска в презентациях? Разберемся, где ИИ уже работает, а где его польза пока скорее теоретическая.
Что именно считается ИИ в контексте автоматизации предприятий?
Несмотря на общее название «ИИ», технологии, которые применяются в промышленности, существенно отличаются от тех, что используются, скажем, в чат-ботах или голосовых помощниках. Обычно “под капотом” у ИИ находится одно из двух решений:
1. Машинное обучение и предиктивная аналитика. Это самый распространённый тип ИИ в автоматизации. Технологии основаны на обработке больших исторических массивов данных и построении моделей, которые могут делать предсказания или выявлять закономерности.
2. Генеративные модели LLM (Large Language Models) и RAG (Retrieval-Augmented Generation). Такой подход уже ближе к тем ИИ, что лежат в основе Chat GPT. Они способны обрабатывать текстовые запросы, вести диалог, искать информацию и т.д. Их применение в автоматизации предприятий пока редкость, но уже есть кейсы.
Промышленная автоматизация — это, в первую очередь, работа с формализованными, структурированными данными: числовыми значениями, измерениями, графиками загрузки, остатками, маршрутами, сроками поставок и так далее. Именно поэтому здесь гораздо естественнее применять предиктивные модели, основанные на машинном обучении. Посмотрим на конкретных примерах и задачах.
Как сегодня применяют ИИ в промышленной автоматизации
Несмотря на популярность и резкий рост применения ИИ во многих коммерческих сферах, в области автоматизации предприятий ситуация куда более сдержанная. Применение ИИ здесь пока не стало массовым инструментом повышения эффективности. Часто это выглядит как эксперимент — на отдельных участках, в ограниченных задачах, без тиражирования. Однако прогресс есть. ИИ уже используется в ряде направлений, где он способен приносить определенную пользу.
Прогнозирование спроса и закупок
ИИ может использоваться для анализа истории продаж, сезонных колебаний, акций, цен на сырье и внешних факторов, чтобы точнее прогнозировать потребности. Это позволяет формировать оптимальные закупки, избегая переизбытка или дефицита материалов.
Например, в 1С реализован сервис “Прогнозирование продаж” — он анализирует исторические данные и строит прогнозы, которые затем используются для закупок и планирования производства.
Оптимизация производственного графика
ИИ-алгоритмы могут анализировать множество ограничений — загрузку оборудования, доступность персонала, время переналадок — и предлагать оптимальный график. Это особенно актуально в дискретном и гибридном производстве.
MES-системы применяют алгоритмы ИИ (машинное обучение и оптимизационные задачи), которые интегрируются в ERP/MES-окружение для составления расписаний по загрузке оборудования, персонала, материалов, снижая время простоя и увеличивая эффективность производства
Анализ отклонений и выявление аномалий
Системы реального времени с ML-моделями анализируют телеметрию оборудования (вибрации, температуру, ускорение и др.) и обнаруживают аномальные паттерны, которые могут указывать на неисправность оборудования или риски качества. Сравнение текущих данных с историческими паттернами позволяет оценить отклонения. Нейросетевые методы обучаются на нормальных данных и выявляют нарушение режима работы.
В 1С:ERP используются ML-модели для выявления ошибок и брака по характеристикам, помогающие снизить их на 20–30 %.
Поддержка технической службы и IT-подразделений
На данный момент единственная сфера применения ИИ, которое использует генеративные модели для решения задач. Искусственный интеллект здесь классифицирует запросы, выявляет повторяющиеся инциденты, помогает прогнозировать возможные отказы, подсказывает где найти необходимую документацию и так далее.
Например, в нашей практике мы используем собственную разработку Service Desk на базе технологий RAG и LLM. В отличие от обычных поисковых решений, эта система умеет логически рассуждать, анализировать информацию из разных источников и формулировать осмысленные ответы даже в случае, если точного ответа в базе нет.
Бизнес-эффекты от внедрения такого решения:
- Сокращение времени ответа: от 5 минут при ручной обработке — до 10–15 секунд с ИИ-помощником.
- Разгрузка операторов: рутинные вопросы обрабатываются автоматически, освобождая время для нестандартных обращений.
- Рост квалификации команды: операторы перемещаются от типовых задач (L1) к более сложным уровням поддержки (L2, L3), повышая экспертность и ценность поддержки.
Обсудим подробнее наше ИИ-решение в одной из следующих статей, подписывайтесь, чтобы не пропустить.
Почему ИИ в промышленной автоматизации пока не стал «волшебной таблеткой»
Несмотря на повсеместный интерес к ИИ и появление удачных примеров его использования в промышленности — от прогнозирования закупок до анализа отклонений — эти кейсы остаются скорее исключениями, чем правилом. На практике предприятия сталкиваются с рядом ограничений, которые мешают масштабному и повсеместному применению ИИ.
1. Низкий уровень зрелости автоматизации на предприятиях
Прежде чем применять ИИ, нужно навести порядок в базовых вещах:
- систематизировать нормативно-справочную информацию (НСИ);
- наладить регулярный сбор и чистоту данных;
- обеспечить прозрачность бизнес-процессов.
На многих предприятиях до сих пор используют Excel, не закрыты базовые блоки ERP, а MES-системы отсутствуют или внедрены фрагментарно. В такой среде говорить об ИИ просто преждевременно — он не сможет давать качественные результаты на «грязных» и неполных данных.
2. Недостаток типовых кейсов и предсказуемых процессов
В отличие от e-commerce, где поведенческие сценарии клиентов более-менее одинаковы, производственные цепочки у каждого предприятия уникальны. Задачи, которые могли бы быть автоматизированы с помощью ИИ, сталкиваются с огромной вариативностью:
- сложные иерархии маршрутов и изделий;
- нестабильная загрузка оборудования;
- индивидуальные требования по срокам, качеству, условиям хранения и т.д.
Из-за этого невозможно «перенести» успешный кейс с одного предприятия на другое без существенной адаптации.
3. Модели ИИ нуждаются в обучении, а обучать их нечем
Большинство моделей машинного обучения требуют:
- архивов данных в нужном формате и за длительный период;
- маркированных примеров, где уже известен «правильный ответ»;
- повторяемых шаблонов, чтобы выстроить закономерности.
Промышленность — это часто хаос и ручное вмешательство. Поэтому данные для обучения могут быть неполными, противоречивыми или их может вовсе не быть. К тому же задачи сильно зависят от человеческого фактора (ручные корректировки плана, специфика цехов, неучтенные перебои и т.п.).
4. Высокая стоимость внедрения и неочевидный эффект
Разработка ИИ-решения под конкретное предприятие — это:
- месяцы подготовки данных,
- кастомизация алгоритмов,
- настройка интеграций.
При этом бизнесу важно понимать окупаемость. Для ИТ-директора или CEO, которому ещё предстоит «достроить ERP», этот сценарий звучит как риск, а не как выгода.
Мнение экспертов: как подходить к ИИ без иллюзий
Мы обратились за комментариями к нашим руководителям проектных офисов, чтобы не просто повторить громкие заголовки из медиа, а получить честные и практичные выводы от специалистов, которые работают с промышленной автоматизацией каждый день.
ИИ пока решает мелкие, локальные задачи — и не готов к широкому внедрению
«Сегодня ИИ в автоматизации предприятий решает, в основном, узкие и локальные задачи — например, помогает в техподдержке или закупках. Это, по сути, потолок его текущих возможностей. Масштабного и повсеместного применения пока не наблюдается. Кажется, многими предприятиями ИИ скорее воспринимается как "игрушка" с эффектом вау, чем полноценный рабочий инструмент.»
— Александр Хазановский, руководитель проектного офиса в направлениях машиностроения и металлургии.
Обучение ИИ на производстве — отдельная головная боль
«Главная проблема применения ИИ в промышленной автоматизации — это дефицит качественной обучающей выборки и реальных кейсов. Возьмем, к примеру, планирование производства: чтобы обучить модель, нужно огромное количество разнообразных сценариев — успешных и неуспешных, с разными условиями и результатами. Но таких данных просто нет в доступе.»
— Антон Власов, руководитель практики цифровизации производственных предприятий.
Кто уже выигрывает от использования ИИ — это тех поддержка
«Мы пока далеки от повсеместного применения ИИ в производственной автоматизации — слишком много переменных. Но есть одно направление, где генеративный ИИ действительно работает — это техническая поддержка. Мы видим реальный эффект от использования нашей разработки: ускоряется обработка обращений, снимается нагрузка с первой линии, а команда может сосредоточиться на сложных задачах. Это, пожалуй, один из немногих сценариев, где ИИ прямо сейчас приносит реальную ценность.»
— Роман Макаров, руководитель направления поддержки и развития 1С в Райтек.
ИИ — это не замена методологии или системы, а надстройка, усиливающая уже работающие механизмы. В большинстве промышленных предприятий путь к ИИ начинается с грамотного внедрения ERP, MES и систем планирования. Только после этого появляется смысл и потенциал для применения ИИ — точечно, осознанно, на понятных задачах.
👉 Если вы всё ещё сталкиваетесь с трудностями в работе ERP, MES или систем планирования — команда Райтек всегда готова помочь.