ИИ для производства в 2026: два слоя задач и где он окупается

ИИ для производства: два слоя, которые постоянно путают

Когда директор завода читает статью про искусственный интеллект в промышленности, он почти наверняка читает про первый слой. Камера над конвейером ловит брак, модель предсказывает отказ подшипника за две недели, цифровой двойник считает загрузку линии. Всё это работает и приносит деньги там, где серия большая, а простой стоит дорого.

Проблема в том, что у среднего российского завода на несколько сотен человек ситуация другая. Линия старая, датчиков почти нет, история отказов ведётся в журнале мастера от руки. Зато в конторе сидит отдел, который вручную разбирает заявки оптовиков, пересчитывает спецификации в Excel, готовит коммерческие предложения по шаблону, который не меняли годами, и потом переносит всё это в 1С. Вот там данные есть, и их много.

Дальше я развожу два слоя ИИ для производства по отдельности: что каждый умеет, сколько стоит по времени и данным, и почему порядок захода обычно обратный тому, что советуют общие обзоры.

Что ИИ умеет в самом цехе и почему это тяжёлый слой?

Направления цехового слоя перечислены примерно одинаково во всех обзорах: автоматизация процессов, контроль качества, предиктивное обслуживание, оптимизация цепочек поставок, экономия электроэнергии, управление коботами и контроль безопасности. Разбор Sber Pro приводит и конкретику: на заводе минеральной ваты точность выявления дефектов дошла до 99%, а экономический эффект оценён в 15 млн рублей в год. Там же приводится оценка Федерального центра прикладного развития ИИ: в 2024 году около 35% российских предприятий в той или иной степени применяли искусственный интеллект.

Мировые примеры выглядят ещё убедительнее. В разборе на Хабре собраны шесть кейсов.

BMW проверяет качество сборки мультимодальной системой GenAI4Q. Tesla экономит 17 000 МВт·ч энергии в год на берлинской фабрике. Foxconn снизил брак на 15% связкой собственной языковой модели FoxBrain и компьютерного зрения.

Теперь честная часть. Каждая из этих историй стоит на трёх опорах, которых у среднего завода нет:

1. Датчики и съём данных. Модель предсказывает отказ по вибрации, температуре и току. Нет телеметрии - нечего предсказывать, и первый этап проекта превращается в монтаж оборудования.
2. Размеченные данные. Машинное зрение учат на тысячах фотографий брака, где человек отметил, что именно тут не так. Такой массив собирают месяцами, и собирает его сам завод.
3. Интеграция с АСУ ТП. Данные цеха обычно заперты в локальном контуре и лежат в несовместимых форматах. Прежде чем модель что-то увидит, эти потоки надо свести.

Ни одна опора не делает цеховой проект невозможным. Все три означают одно: первый результат вы увидите через месяцы, и бюджет на цеховой ИИ для производства уйдёт на инфраструктуру раньше, чем на саму модель.

С чего заводу выгоднее начинать внедрение?

Логика простая. ИИ приносит пользу там, где много однотипных решений на основе текста и таблиц, и где эти решения сейчас принимает человек глазами. На линии таких решений мало и они дороги в ошибке. В конторе их сотни в день и ошибка правится за минуту.

Посмотрите на те же шесть примеров с Хабра под этим углом. Два из шести кейсов - про контору.

Mercedes-Benz запустил внутреннего ассистента Direct Chat, чтобы сотрудники мгновенно получали справочную информацию и собирали отчёты. Компания Ma'aden автоматизировала почту, отчёты, презентации и извлечение данных прямо в рабочем мессенджере и сэкономила более 2000 часов работы в месяц. Ни там, ни там не понадобилось трогать оборудование.

ИИ для производства в конторском слое опирается на данные, которые у завода уже лежат. Архив заявок в почтовом ящике отдела продаж, номенклатура и цены в учётной системе, шаблоны договоров в папке юриста, переписка с поставщиками в мессенджерах. Выгрузить это можно за день. Общий подход к такому заходу я разбирал в материале про автоматизацию бизнеса с ИИ - там про порядок шагов безотносительно отрасли.

Ниже - восемь задач конторского слоя, разложенных по скорости отдачи. Порядок простой: сверху те, где данные у завода готовы почти всегда, снизу те, где сначала нужна работа со справочниками и формами отчётов.

Сроки в правой колонке - ориентир для планирования при готовых данных, а не замер по конкретному заводу. Реальный срок сдвигают две вещи: состояние справочников и скорость, с которой на заводе принимают решения по спорным случаям.

Как ИИ разбирает входящие заявки и заказы оптовиков?

Разбор заявок - самая частая точка входа в ИИ для производства, и понятно почему. Заявки идут потоком, формат у каждого клиента свой, а ошибка в позиции стоит рекламации.

Разбор устроен в четыре шага:

1. Приём. Письмо, файл или сообщение попадают в одну очередь, независимо от канала.
2. Извлечение. Модель вытаскивает наименования, количество, сроки, условия поставки и контакты. Фотография списка распознаётся так же, как текст.
3. Сопоставление. Каждое наименование клиента ложится на вашу номенклатуру. Клиент пишет «труба 57х3,5», у вас позиция называется иначе - сопоставление делает именно эту работу.
4. Передача человеку. Менеджер видит готовую заявку и список сомнительных строк. Он подтверждает или правит, и правка возвращается в систему как обучающий пример.

Четвёртый шаг обязателен. Модель не должна молча создавать заказ: у неё остаётся процент неуверенных решений, и дешевле показать их человеку, чем разбирать претензию. Тот же принцип я описывал в разборе про ИИ для оптовых продаж, где вся воронка построена вокруг заявки в свободной форме.

Отдельно про объём. Экономию здесь считают по своему потоку, а не по чужому кейсу: возьмите среднее время разбора одной заявки, умножьте на число заявок в день и посмотрите, сколько часов в неделю уходит на механическую часть. Это и есть тот объём, который переносится на модель.

Кто считает спецификацию и готовит коммерческое предложение?

У производственной компании коммерческое предложение почти всегда содержит расчёт: состав изделия, объём материала, сроки под загрузку цеха, условия оплаты. Отсюда и срок: технолог считает, менеджер оформляет, руководитель согласовывает.

ИИ разрезает эту цепочку в двух местах. Первое: он берёт разобранную заявку и сам подставляет нормы, кратность упаковки и актуальные цены, показывая, откуда взял каждое число. Второе: он собирает документ целиком - таблицу, условия, сроки, реквизиты - сразу в вашем фирменном шаблоне. Принципы сборки таких документов я разбирал в материале про коммерческое предложение нейросетью.

Что остаётся человеку: проверить нестандартные позиции, утвердить скидку и решить по срокам, если цех загружен. Это те решения, где нужна ответственность, и отдавать их модели не надо.

Задача бывает шире одной функции: нужна связка расчёта, учёта и производственного планирования в одной системе. Это уже область разработки и внедрения ERP, где ИИ становится слоем поверх данных, которые система и так ведёт. Рабочий прототип такой связки мы собираем до договора, чтобы вы смотрели на решение, а не на описание.

Что ИИ делает с первичкой и отчётностью?

В официальной методичке 1С по искусственному интеллекту в 1С:ERP описаны две встроенные функции. Первая - прогнозирование продаж: история продаж уходит в сервис, прогноз строится по нескольким моделям и загружается обратно как планы продаж. Вторая - сервис «1С:Распознавание первичных документов»: нейросеть разбирает pdf, png, jpg, bmp и tiff в счета, накладные, акты, УПД и чеки и сопоставляет их с объектами информационной базы. Есть и мобильное приложение, чтобы отправлять снимок прямо со склада.

Дальше начинается то, чего в коробке нет и что обычно приходится добавлять:

• Сверка с договором и заказом. Пришла накладная - совпадают ли позиции, цены и объёмы с тем, что заказывали. Расхождение подсвечивается до оплаты.
• Нестандартные формы. У части поставщиков документы выглядят по-своему, и коробочное распознавание на них спотыкается.
• Регулярная отчётность. Сводка по загрузке цеха, по остаткам сырья, по дебиторке. ИИ собирает её из данных учётной системы и пишет текстовый комментарий к цифрам.

Бухгалтерский участок я разбирал отдельно в статье про ИИ для бухгалтера - там про то, где заканчивается распознавание и начинается ответственность человека.

Как ИИ для производства связывается с CRM, ERP и 1С?

Схема почти всегда одинаковая. Учётная система, будь то 1С или другая ERP-система, остаётся источником правды по номенклатуре, ценам, остаткам и документам. ИИ получает доступ к нужному срезу этих данных, выполняет свою задачу и возвращает результат обратно документом, задачей или записью в карточке.

Практические детали, которые решают исход проекта:

1. Права доступа. Модель видит ровно тот срез, который нужен задаче. Расширять его «на всякий случай» опасно.
2. Направление записи. Сначала ИИ только читает и предлагает. Право самостоятельной записи в базу даётся после того, как процент правок опустился до приемлемого.
3. Журнал действий. Каждое изменение фиксируется с указанием, кто его инициировал. Без этого разбор спорной ситуации превращается в гадание.
4. Состояние справочников. Если одна и та же позиция заведена в базе трижды под разными именами, сопоставление будет ошибаться ровно в трёх случаях из трёх.

Техническую сторону подключения к учётной системе я разбирал подробно в материале про интеграцию ИИ с 1С: там про обмен, права и типовые грабли на стыке.

Что меняется в снабжении и переписке с поставщиками?

Снабжение редко ставят первой задачей, когда обсуждают ИИ для производства, и зря. Это вторая после продаж точка, где текстовая рутина съедает рабочее время целиком. Прайс приходит файлом Excel с объединёнными ячейками, письмом в теле сообщения или pdf-ом со сканом таблицы. Чтобы сравнить трёх поставщиков по десяти позициям, снабженец тратит часы.

Что здесь берёт на себя ИИ:

• Приводит разноформатные прайсы к одной таблице с вашими наименованиями.
• Готовит и рассылает запросы по списку поставщиков, разбирает ответы по мере поступления.
• Ведёт историю цен по позиции и показывает, когда поставщик поднял стоимость.
• Напоминает о сроках отгрузки и подсвечивает те заказы, где срок под угрозой.

Ограничение здесь важнее возможностей: решение о закупке остаётся за человеком. Модель видит цену и срок, но не видит, что с этим поставщиком в прошлом квартале был спор по качеству. Смежный участок движения товара я разбирал в статье про ИИ для логистики.

Сколько данных нужно, чтобы ИИ для производства заработал?

Конкретный минимальный комплект для конторского пилота выглядит так:

1. Архив входящих заявок и переписки за 6-12 месяцев в любом виде.
2. Справочник номенклатуры с актуальными наименованиями и единицами измерения.
3. Действующий прайс и правила скидок по объёму.
4. Три-пять примеров правильно оформленной спецификации и коммерческого предложения.
5. Выгрузка сделок из учётной системы за год.
6. Имя человека, который принимает решение по спорным случаям.

Последний пункт не технический, и он же чаще всего оказывается узким местом. Модель нужно научить вашим правилам: что считать срочной заявкой, кто утверждает нестандартную скидку, что делать, если клиент просит позицию, которой нет в номенклатуре. Эти ответы даёт завод, и никакая модель их не угадает.

Про то, как считать отдачу от такого проекта и не обмануть себя, есть отдельный разбор - окупаемость ИИ для бизнеса.

Какие риски хоронят проекты ИИ на заводах?

Разберу каждый риск с той стороны, которая касается завода, внедряющего ИИ для производства.

Галлюцинации и потеря контекста. Модель отвечает уверенно даже там, где данных не хватило. Лечится архитектурой, где ответ строится только на ваших документах и с указанием источника, плюс обязательной проверкой человеком на участках с ценой ошибки.

Агент с широкими правами. Чем больше модель умеет делать сама, тем дороже её ошибка. Права режутся до минимума под задачу, критические действия подтверждает человек.

Грязные данные и старые системы. Самый частый и самый скучный риск. Дубли в номенклатуре, три версии прайса, документы без структуры. Чистка справочников выглядит как посторонняя работа, хотя именно она определяет исход.

Вечный пилот. Проект живёт в режиме демонстрации год и не переходит в работу. Лечится тем, что у пилота с самого начала есть дата выхода в боевой контур и измеримый показатель.

К этому списку добавлю пятый пункт, специфичный для производства: сопротивление людей, чью работу ИИ трогает. Менеджер, который двадцать лет разбирал заявки руками, легко докажет, что модель ошиблась в двух случаях из ста, и не упомянет про девяносто восемь. Помогает одно - показать экономию его же времени на его же задачах и оставить за ним право решающего голоса. Про устойчивость таких систем к сбоям есть отдельный материал - отказоустойчивость ИИ для бизнеса.

Что государство даёт на внедрение и кому это доступно?

По условиям отбора, о котором писал ComNews в мае 2026 года, получателями могут стать предприятия обрабатывающих отраслей со штатом от 40 человек и выручкой от 200 млн руб. в год. Субсидия покрывает до 80% затрат на лицензии программного обеспечения, до 20% на программно-аппаратные комплексы и средства защиты информации и до 70% на услуги сторонних организаций.

Максимум на один проект - 300 млн руб., срок реализации три года. Заявки в том отборе принимались с 6 мая по 1 июня 2026 года через ГИСП, итоги подводились 7 июля.

Два вывода для завода, который планирует внедрение ИИ для производства:

• Отборы идут периодически, и календарь стоит держать под рукой: сроки подачи короткие, а комплект документов объёмный.
• Требование российского происхождения ПО влияет на выбор решения на старте. Если вы закладываете зарубежную платформу, под субсидию проект не попадёт, и это лучше понять до проектирования, чем после.

Где вы сейчас

• Заявки разбирают руками, номенклатура в 1С, история переписки есть. Ваш вход - конторский слой, задача про заявки и спецификации. Первый результат за 3-6 недель.
• Учётная система есть, но справочники в беспорядке, дубли и разнобой. Начинайте с чистки номенклатуры, иначе любой ИИ будет ошибаться. Параллельно можно запускать внутреннюю справку по регламентам.
• Есть телеметрия с оборудования и история отказов за пару лет. Вам доступен цеховой слой: предиктивное обслуживание или контроль качества. Считайте по окупаемости и закладывайте месяцы.
• Пилот уже был и не взлетел. Разберите, что именно сломалось: данные, права, отсутствие владельца задачи или отсутствие даты выхода в боевой контур. Чаще всего дело оказывается не в модели.

Чек-лист: первые шаги

• Выбрана одна задача с измеримым показателем, без списка из десяти пожеланий.
• Названо, кто из сотрудников владеет задачей и принимает решения по спорным случаям.
• Выгружены данные за 6-12 месяцев: заявки, номенклатура, прайсы, сделки.
• Проверены справочники: дубли найдены, наименования приведены к одному виду.
• Описано, что модель делает сама, а что обязательно подтверждает человек.
• Назначена дата выхода из пилота в боевой контур и показатель, по которому решают.
• Проверено, попадает ли решение под требования к происхождению ПО, если планируется господдержка.