ИИ в производстве: где это реально работает, а где пока презентация

Про ИИ в производстве последние два года говорят так, будто на каждом заводе уже стоят нейросети, которые сами планируют смены и предсказывают поломки. На практике за красивым словом чаще всего скрываются три конкретные задачи: находить брак на линии, предсказывать, когда сломается станок, и раскладывать заказы по цехам так, чтобы оборудование не простаивало.

Дальше: что из этого реально работает у российских вендоров, что стоит и почему часть проектов буксует ещё на пилоте.

Три задачи, под которые продают ИИ на производстве

Контроль качества через компьютерное зрение. Камера смотрит на деталь или изделие на конвейере и сравнивает с образцом брака: царапина, скол, неровный сварной шов, смещённая деталь. Если находит, линия останавливается или деталь уходит в отбраковку. Этим занимаются Cubic CV, ПИМТЕХ, интеграторы вроде Delaweb. Задача у всех одна и та же, различаются они тем, под какое именно производство настраивают модель.

Точность здесь никто не публикует в общем доступе, ни один из проверенных вендоров не называет цифру распознавания брака на своей странице. Отвечают одинаково: зависит от освещения на линии, качества камеры и того, сколько размеченных примеров брака есть у заказчика для обучения модели. Это не отговорка. Без большого числа фотографий именно вашего брака модель обучить не на чем.

Предиктивное обслуживание оборудования. Датчики на станке пишут вибрацию, температуру, ток двигателя. Модель запоминает, как выглядит нормальная работа, и сигналит, когда показания начинают от неё отклоняться, раньше, чем сломается что-то видимое. У Zyfra это часть комплекса «Цифра.ТОиР», у 1С есть отдельный сервис предиктивной аналитики поверх 1С:ТОИР. Оба работают по одной логике: сначала система какое-то время учится на данных именно вашего оборудования, потом начинает предупреждать об аномалиях.

Планирование и загрузка производства. Тут стоит сразу предупредить: то, что продаётся под вывеской «интеллектуальное планирование» (APS-системы), часто вообще не использует машинное обучение. У Adeptik APS, одного из немногих российских решений с открытой ценой, на сайте прямо написано: это алгоритмическая оптимизация по правилам, а не нейросеть. Работает она хорошо и решает реальную задачу, раскладывает заказы по станкам с учётом ограничений, но называть это ИИ, значит путать маркетинг с технической точностью. Если вендор предлагает «ИИ для планирования производства», первый вопрос: что именно там обучается на данных, а не просто считается по формулам.

Что показывают реальные заводы

Публичных кейсов российских предприятий немного, и почти все со слов самих компаний, без независимой проверки цифр. Четыре примера ниже взяты из одной статьи на vc.ru (март 2025), где собраны сразу несколько отраслевых кейсов.

Магнитогорский металлургический комбинат внедрил систему контроля качества проката, которая анализирует температуру, состав сплава и скорость прокатки. По заявлению компании, брак снизился на 17%, а первый этап цифровизации должен дать экономический эффект в 6,8 млрд рублей к концу 2025 года. Цифра большая, но и завод такого масштаба: тысячи работников, десятки производственных линий. Эффект размазан по всему предприятию, а не по одному участку.

«Северсталь» говорит про AI-модули для логистики и производственных потоков в реальном времени, с заявленным эффектом в виде сокращения простоев и оптимизации затрат, без точных цифр. У Курского электроаппаратного завода и завода «Электрощит» в Чебоксарах в той же статье фигурируют одинаковые цифры: снижение цикла производства на 25% и брака на 30% у обеих компаний. Такое совпадение больше похоже на общий шаблон, которым автор описал оба кейса, чем на два независимых результата, поэтому эти цифры стоит воспринимать с осторожностью.

Что по деньгам

Здесь рынок ведёт себя так же, как и во всех остальных нишах ИИ для бизнеса, которые я разбирал: цену почти никто не публикует. Из шести вендоров, проверенных на 23.08.2026, цену на сайте называет один, и тот не про ИИ, а про APS-планирование: у Adeptik лицензия на одну производственную площадку до 50 рабочих центров стоит 15 миллионов рублей.

У Cubic CV, ПИМТЕХ, Zyfra, 1С:ТОИР и интеграторов компьютерного зрения цены на сайте нет, только форма заявки. Дело не в скрытности, а в том, что цена компьютерного зрения зависит от количества камер и линий, а предиктивной аналитики от числа станков и датчиков, которые нужно к ней подключить: без осмотра конкретного производства даже сам вендор её не назовёт.

Почему такие проекты не взлетают

Самая частая причина: на производстве нет данных, на которых можно учить модель. Для компьютерного зрения нужны фотографии именно вашего брака, а не абстрактного. Если раньше брак просто выбрасывали, не фотографируя, начинать приходится со сбора датасета, а это месяцы, а не недели.

Вторая причина: датчики есть, а истории показаний нет. Предиктивная аналитика учится на том, как оборудование вело себя раньше. Если станок подключили к системе мониторинга неделю назад, ей просто не на чем строить прогноз.

Третья: пилот считают на бумаге до того, как он запущен. У ROI со слайда презентации вендора и ROI на реальной линии с реальным освещением и реальным браком мало общего. Пилот стоит закладывать не как формальность перед покупкой, а как этап, на котором цифры могут не подтвердиться.

Кому пока рано

Если на производстве ещё не ведётся систематический учёт брака и простоев хотя бы в таблице, рано браться за ИИ: сначала стоит навести порядок в этом учёте, модели физически не на чем обучаться без истории. То же самое с малыми партиями и частой сменой номенклатуры: чем чаще меняется, что именно производится, тем меньше однородных данных набирается на каждый вид брака или каждый тип детали.

Что спросить у вендора до подписания

На какой именно выборке обучена модель: вашей или чужой похожей. Кто размечает датасет брака и сколько это займёт по времени. Что происходит, если освещение на линии меняется в течение смены (для компьютерного зрения это частый источник ложных срабатываний). Какая точность на пилоте, а не в презентации, и что вендор считает приемлемым процентом ложных остановок линии. Что именно входит в стоимость поддержки, если она оплачивается отдельно от внедрения.

Частые вопросы

Нужен ли ИИ маленькому производству?

Зависит от объёма однородной продукции. ИИ на производстве требует данных для обучения, а на мелкосерийном производстве с постоянно меняющейся номенклатурой их часто просто неоткуда взять в нужном количестве.

Чем ИИ отличается от обычной автоматизации линии?

Обычная автоматизация работает по жёстким правилам: если размер детали не в допуске, это брак. ИИ ищет закономерности, которые заранее правилом не опишешь: например, сочетание микроцарапин и цвета поверхности, которое человек-контролёр видит интуитивно, а формулой не задашь.

Можно ли начать без датчиков и камер?

Нет, и камеры, и датчики это не опция, а обязательное условие. Без потока данных с оборудования модели физически не на чем работать, не говоря уже об обучении.

Сколько времени занимает внедрение?

Заранее не скажет ни один вендор: срок зависит от того, есть ли уже история данных с оборудования или её только предстоит накопить. Если датасет брака нужно собирать с нуля, это добавляет месяцы к любому плану, который вендор покажет на первой встрече.

Правда ли, что ИИ заменяет ОТК?

Нет. Ни один из проверенных вендоров не позиционирует систему как замену отдела контроля качества, везде это инструмент, который ускоряет и удешевляет часть его работы, а решения на спорных случаях остаются за человеком.