В продолжение предыдущей статьи рассмотрим, что происходит в мире с автоматизацией промышленности. Какие события произошли за последние годы и какие тренды они сформировали. А также три очень разных примера внедрения ИИ в промышленности, которые демонстрируют разнообразие задач и масштаб эффектов.
Полную версию аналитического обзора в более удобном формате с навигацией и дизайном можно почитать по ссылке.
Ключевые мировые тренды и события 2024-2025
Последние 2 года стали переломными не только в понимании возможностей LLM, но и породили серьезные изменения в ИТ-отрасли в целом. В разрезе автоматизации промышленности можно отметить следующие тренды внедрения технологий ИИ:
1. Компьютерное зрение и прогнозное обслуживание получают статус проверенных технологий.
✎ Появились отраслевые бенчмарки: окупаемости за 12 месяцев, точность CV 98-99%. Огромное количество компаний и стартапов по всему миру, которые предоставляют эти технологии.
✎ По данным WEF (Всемирный экономический форум) около 70% решений на самых передовых предприятиях внедряют именно такой аналитический ИИ.
2. Развитие микроэлектроники. Теперь ИИ может работать на периферии.
В частности, NVIDIA постоянно улучшает свой Jetson AGX Orin Industrial – мощный промышленный вычислительный модуль, который помещается на ладошке. Это решает проблему безопасности и быстродействия, теперь ИИ может работать непосредственно в полях на производстве.
3. Инфраструктурные платформы для гибридных вычислений (использование локальной и облачной инфраструктуры в связке).
Используются чтобы снизить задержку на передачу данных и уменьшить объём передаваемой в облако информации: Azure IoT Edge, AWS IoT Greengrass и др. Облачная инфраструктура используется для анализа агрегированных больших данных.
4. Выпуск корпоративных Copilot, в том числе непосредственно для промышленности
Microsoft Copilot для производства, SAP Joule, Siemens Industrial Copilot. Выше мы писали, что ПЛК (программируемые логические контроллеры) надо программировать, так вот Siemens Industrial Copilot это умеет. Плюс во всем мире есть озабоченность по поводу передачи знаний между поколениями сотрудников, особенно это важно для наукоемких отраслей экономики. Copilot-ы рассматриваются как удобный инструмент для работы с информацией и передачи знаний.
5. Коллаборации и создание новых многофункциональных платформ.
Технологические лидеры поставляют многофункциональные программно-аппаратные платформы для промышленности, в которых к базовым технологиям обработки данных и моделирования добавляется ИИ:
✎ В 2025 году Siemens приобретает Altair за 10 миллиардов долларов. Altair – поставщик ПО для инженерного моделирования, анализа данных, высокопроизводительных вычислений (HPC) и ИИ. Важно, что помимо модного ИИ в части моделирования и анализа у них есть широкий спектр решателей (или солверов, специальных программных движков, умеющих делать сложные математические расчеты) для задач нелинейной динамики, FSI-задач, задач об ударных и взрывных взаимодействиях, задач статики и NVH-задач, кинематики, гидроаэродинамики, моделирования и расчета композитных структур и др.
✎ Еще в 2022 году Emerson приобрела контрольный пакет (55%) AspenTech и объединила с ней некоторые свои программные активы. В 2025 году Emerson объявила о выкупе оставшихся акций AspenTech. Таким образом традиционный бизнес Emerson, как поставщики решений промышленной автоматизации: датчики, клапаны, DCS/SCADA, измерения, управление процессами, был дополнен мощной программной составляющей Aspen: моделирование процессов, оптимизация, планирование, цифровые двойники, AI/analytics. То есть это опять большое количество солверов для моделирования нефтегазовых и химических процессов, оптимизаторов и предиктивной аналитики.
✎ Аналогичная история с компанией AVEVA — британской компанией, разрабатывающей программное обеспечение для промышленности, цифровизации производства и управления инженерными активами. С 2023 года она полностью принадлежит Schneider Electric.
✎ NVIDIA Omniverse – новая платформа для создания цифровых двойников, моделирования физических процессов и совместной работы над проектами. Первые законченные громкие внедрения. Далее расскажем о ней подробнее.
✎ Партнерство NVIDIA и Siemens началось еще в 2022 году, в 2025–2026 годах партнёрство значительно расширилось – компании объявили о совместной разработке промышленной операционной системы на базе ИИ (Industrial AI Operating System), а завод Siemens Electronics в Эрлангене станет первой в мире «полностью адаптивной производственной площадкой, управляемой искусственным интеллектом». Идея партнёрства заключается в создании единой цифровой среды, где инженерные модели, цифровые двойники, генеративный ИИ и высокопроизводительные вычисления работают вместе.
Глобальный рынок поставщиков технологий для автоматизации промышленности
Мировой рынок промышленной автоматизации оценивается аналитиками примерно в $230–240 млрд по итогам 2025 года. При этом 40-50% этого рынка занимает порядка 20 глобальных компаний поставщиков комплексных решений и платформ. Некоторые из них ведут свою историю еще с 19 века, обладают большим штатом сотрудников в десятки и сотни тысяч человек и обладают мощной производственной базой (см. картинку ниже).
Помимо крупных компаний есть и сравнительно небольшие, но весьма заметные игроки. Они имеют штат в несколько тысяч или даже сотен сотрудников и специализируются на решениях более узкого круга задач, тем не менее их решения также весьма востребованы и имеют хорошую репутацию (например, C3.ai , PTC, Cognex, o9 Solutions) .
Кроме этого, по подсчетам зарубежных аналитиков в мире сегодня существует порядка 3500 стартапов, которые напрямую занимаются автоматизацией промышленности (Industrial Automation, Industry 4.0, Smart Manufacturing, IIoT, промышленная робототехника, AI для производства).
Упрощённо мировая «пирамида» поставщиков решений для промышленности выглядит так:
То есть рынок поставщиков решений весьма разнообразен, от гигантов типа Microsoft, предоставляющих инфраструктурные платформы, крупных поставщиков комплексных решений именно для промышленной автоматизации, таких как Siemens, до небольших нишевых вендоров, специализирующихся на определенном классе задач, и стартапов предлагающих новые подходы.
Не производством единым – примеры успешных внедрений ИИ в промышленности
Приведу три совершенно разных примера внедрения ИИ в промышленности, чтобы продемонстрировать разнообразие стоящих задач и реализуемость весьма амбициозных целей.
Общекорпоративный сценарий:
Danfoss: автоматизация 80 % заказов на поставку
Danfoss — датская промышленная компания, выпускает оборудование и компоненты для систем отопления, вентиляции и кондиционирования (HVAC), холодильной техники, силовой электроники, электроприводов и мобильной гидравлики.
Проблема: обработка большого количества повторяющихся заказов отнимала у сотрудников много времени, но не приносила ощутимой пользы для бизнеса.
Что внедрили: системы Go Autonomous (компания специализируется на разработке ПО с использованием ИИ для автоматизации B2B-коммерции). Это не машинный интеллект на производстве, а именно агентный ИИ в сопутствующих коммерческих операциях. В рамках проекта Go Autonomous агенты прошли обучение логике управления заказами Danfoss, были интегрированы в существующие ERP- и CRM-системы и получили полномочия на автономное выполнение заказов в рамках определенных параметров. Для обработки большого массива данных использовали Google BigQuery (позволяет выполнять SQL-запросы к терабайтам и петабайтам данных за считанные секунды).
Результаты превзошли ожидания:
• Более 80% решений по заказам теперь принимаются автономно с помощью ИИ-агента
• Общая экономия трудозатрат около 50%, в организации, обрабатывающей огромное количество ежедневных заказов. При этом до внедрения сотрудники использовали до 5 различных систем, теперь используют 1 интерфейс.
• Среднее время обработки заказов сократилось с 42 часов до 1-5 минут для стандартных типов заказов
После успешных пилотных проектов в Испании, Франции и Италии (технология зарекомендовала себя примерно за 12 месяцев) компания Danfoss внедряет это решение по всему миру.
Сопутствующий сценарий:
Завод Siemens в Эрлангене - «автоматизация автоматизации»
На конференции Automate 2025 в Детройте компания Siemens анонсировала агентный ИИ, призванный выйти за рамки модели обычных copilot — систем, отвечающих на запросы, к агентам, которые проактивно выполняют целые процессы без участия человека.
Экосистема Industrial Copilot охватывает четыре уровня производственной цепочки: Design Copilot, Engineering Copilot, Planning Copilot, Operations Copilot.
Компания демонстрирует эффективность на собственных предприятиях: Завод Siemens в Эрлангене (Германия), участок с автоматизированными паяльными машинами.
Проблема: На заводе Siemens в Эрлангене (Германия) операторы и специалисты по обслуживанию оборудования регулярно сталкивались со сложностями при эксплуатации паяльных машин. Поиск причин неисправностей занимал значительное время - техническая документация сложная и объемная, приходилось обращаться к опытным инженерам. Это увеличивало простои и затраты на обслуживание.
Что внедрили: Компания Siemens внедрила своего помощника Operations Copilot на паяльных машинах. При возникновении неисправности паяльной машины ИИ-помощник переводит код ошибки на естественный язык, извлекает соответствующую историю эксплуатации и предлагает рекомендации по устранению.
В результате:
• сокращение времени поиска технической информации;
• уменьшение времени диагностики и устранения неисправностей оборудования;
• снижение простоев паяльных машин;
• ускорение адаптации и обучения новых сотрудников;
• снижение нагрузки на опытных инженеров и специалистов технической поддержки;
• повышение производительности операторов за счет быстрого доступа к необходимым знаниям.
Более 100 компаний уже внедрили систему Siemens Industrial Copilot в свои производственные процессы. По данным Siemens, применение решения позволяет повысить производительность до 50 %. Разработка является частью стратегии, которую компания определяет как «автоматизацию автоматизации». Ее суть заключается в передаче ИИ-агентам выполнения инженерных задач, включая настройку оборудования, оперативный мониторинг производственных процессов и планирование технического обслуживания. В настоящее время эти функции в значительной степени выполняются квалифицированными специалистами, тогда как использование ИИ призвано сократить трудозатраты и ускорить выполнение рутинных операций.
Производственный сценарий:
Shell - предиктивное обслуживание в глобальном масштабе
Это один из наиболее цитируемых мировых примеров промышленного ИИ.
Shell —транснациональная нефтегазовая компания (штаб-квартира в Лондоне). Она занимается разведкой, добычей, переработкой нефти и природного газа, а также производством продуктов нефтехимии.
Проблема: Shell управляет тысячами единиц критически важного оборудования (насосы, компрессоры, клапаны, турбины и др.) на добывающих, перерабатывающих и газовых активах по всему миру.
Основные проблемы были типичны для тяжелой промышленности:
• незапланированные отказы оборудования приводили к многодневным простоям и многомиллионным потерям;
• традиционное обслуживание по регламенту не позволяло своевременно выявлять скрытые дефекты;
• данные существовали в разрозненных системах (SCADA, IoT-датчики, CMMS, ERP), что затрудняло комплексный анализ;
• масштаб компании требовал единого AI-решения, способного работать одновременно на тысячах объектов.
Что внедрили: Продукты: C3 AI Reliability, C3 AI Platform, Microsoft Azure. В рамках проекта были реализованы:
• централизованный сбор данных с миллионов промышленных датчиков;
• объединение телеметрии, истории ремонтов и эксплуатационных данных в единую модель;
• машинное обучение для выявления аномалий и прогнозирования отказов оборудования;
• автоматическая приоритизация рисков для инженеров;
• рекомендации по профилактическому ремонту до возникновения аварии.
Под мониторинг попали: насосы, компрессоры, регулирующие клапаны, другое критически важное технологическое оборудование.
Результат:
Ключевые показатели:
• более 13 000 единиц оборудования находятся под мониторингом;
• данные поступают более чем с 3 млн датчиков;
• еженедельно обрабатывается около 20 млрд строк данных;
• в промышленной эксплуатации работают 16 000+ ML-моделей;
• ежедневно выполняется более 15 млн прогнозов.
Shell сообщает о следующих бизнес-эффектах:
• предотвращение незапланированных остановок оборудования благодаря раннему обнаружению деградации;
• около $28 млн ежегодной экономии за счет предотвращения остановок производства;
• повышение надежности и доступности производственных активов;
• снижение рисков для персонала и окружающей среды;
• масштабирование решения более чем на 14 производственных объектов по всему миру.
В 2026 году Shell и C3 AI расширили сотрудничество: система перешла от простого обнаружения аномалий к AI-поддержке анализа первопричин (root cause analysis) и рекомендациям по устранению неисправностей. По оценке C3 AI, программа уже приносит сотни миллионов долларов совокупной экономической ценности.