ГЛАВА 12

ИИ и генеративный ИИ на производстве

ИИ (искусственный интеллект) на производстве — самая «модная» тема 2025-2026. И, парадоксально, самая запутанная: за одним словом «ИИ» скрываются три совершенно разных мира с разной зрелостью, разными ROI (возврат на вложения) и разными рисками.

В этой главе я разделяю эти три мира, разбираю каждый, и честно говорю, где сейчас ИИ реально приносит деньги, а где это маркетинг. Главный тезис: GenAI (генеративный искусственный интеллект) лучше всего работает в back-office (документация, ТЗ, корпоративная база знаний), а не в цеху. Agentic AI на производстве в 2026 — это в основном маркетинг.

Три ИИ на производстве — карта

Когда вендор приходит и говорит «у нас ИИ-платформа для производства», он может иметь в виду три совершенно разные вещи. Прежде чем оценивать, надо понять, о каком из трёх ИИ идёт речь.

Три ИИ на производстве — карта — схема

1. Классический индустриальный ИИ — это машинное зрение, predictive maintenance, прогнозирование. Зрелая технология, реальные кейсы, измеримый эффект. Подробно — главы 09 и 10.

2. Генеративный ИИ (GenAI) — это LLM (большие языковые модели): ChatGPT, YandexGPT, GigaChat и аналоги. Они пишут тексты, отвечают на вопросы, переводят, реферируют. На производстве — главное применение в back-office и инжиниринге.

3. Agentic AI — автономные ИИ-агенты, которые сами планируют и выполняют задачи. Самая «продаваемая» тема 2025-2026. На производстве реальных кейсов с измеренным эффектом пока единицы.

Эта глава — про второй и третий мир. Первый разобран в главах 09 и 10.

GenAI на производстве — где реально работает

В отличие от классического индустриального ИИ, GenAI на 2026 — зрелая, готовая к промышленной эксплуатации технология. Но не везде. Главное место применения — не цех, а инжиниринг, документация, корпоративные знания.

1. Документация: ТЗ, регламенты, КД, ПД и т.д.

LLM (большая языковая модель) пишут черновики технических заданий, регламентов, должностных инструкций, рабочих процедур. Не «вместо инженера», а «вместо чистого листа». Инженер задаёт LLM контекст («регламент эксплуатации насосной станции, по шаблону ГОСТ X»), получает черновик, правит его.

Эффект: время подготовки документов −30-60 %.

Что подходит: типовые документы с понятной структурой. Регламенты, инструкции, шаблонные ТЗ, должностные.

Что не подходит: документы, требующие точных расчётов (LLM часто врёт в арифметике, это лечится, но требует опыта), юридически значимые документы без проверки экспертом, документы с уникальной творческой составляющей.

2. Корпоративный RAG: поиск по нормативной базе

RAG (Retrieval-Augmented Generation) — это связка «корпоративная база документов + LLM, отвечающая на вопросы по этой базе». Не «обучить LLM на корпоративных данных» (это сложно и дорого), а «дать LLM возможность найти нужный документ и сослаться на него».

Что лежит в базе:

  • ГОСТы и отраслевые стандарты.
  • Внутренние регламенты, СОП, инструкции.
  • Технические условия (ТУ) на продукцию.
  • Чертежи и КД (в виде PDF с распознанным текстом).
  • История переписки и решений.
  • Накопленные знания (лучшие практики, разборы инцидентов).

Пользователь задаёт вопрос: «какой допуск на отклонение от плоскости детали типа X по ТУ Y». LLM ищет в базе релевантные документы, возвращает ответ со ссылками. Не «обучилась один раз», а каждый раз заново ищет и отвечает.

Эффект: поиск в корпоративных знаниях из часов в секунды. Особенно полезен для:

  • Службы качества (быстрый поиск по ГОСТам).
  • ОТ и ТБ.
  • Кадров.
  • Сервисных инженеров.
  • Технологов (поиск по предыдущим решениям).

Зрелость: технология готова к промышленной эксплуатации. В РФ доступны:

  • RAGFlow и д.р. — open source платформа.
  • YandexGPT с фичей RAG (генерация с дополнением из базы знаний) — облачно.
  • GigaChat Pro — облачно, есть on-premise опции.
  • Локальные сборки на vLLM/Ollama с моделями Llama/Qwen/DeepSeek и базами знаний на эмбеддингах (nomic-embed-text, EmbeddingGemma, BGE-M3, E5).

3. Перевод и реферирование иностранной техдокументации

После ухода западных вендоров много документации осталась на английском без локализации (даташиты, инструкции, обновления стандартов). LLM переводят и реферируют это в темпе чтения.

Эффект: скорость работы инженера с иностранной документацией ×2-5.

4. ИИ-ассистенты для сотрудников

Внутренние чат-боты или голосовые помощники, отвечающие на типовые вопросы: «как оформить отпуск», «к кому обратиться по неисправности», «какой порядок согласования закупки». Снимают нагрузку с кадров, ИТ-поддержки, юристов.

Эффект: сокращение нагрузки на типовые вопросы −40-60 %.

GenAI на производстве — где НЕ работает

Создание КД с нуля

LLM может «придумать» чертёж, но не может его рассчитать инженерно. Современные модели не умеют точно работать с геометрией, прочностью, технологичностью. Это не вопрос «обучения побольше», это вопрос принципиального ограничения архитектуры LLM.

На 2026: эксперименты на 2D-эскизах, генерация по описанию (text-to-CAD) — да. Полноценная КД готового изделия — нет.

Точные расчёты

LLM не умеют надёжно считать арифметику и сложные расчёты. Они «галлюцинируют» в числах. Для расчётов нужны интегрированные с LLM вычислительные инструменты (function calling, tool use) — это работает, но требует аккуратной архитектуры.

Главный риск: пользователь спросил у LLM «какая масса детали по чертежу X», LLM ответил «47,3 кг» — звучит убедительно, но это просто «правдоподобное» число, не результат расчёта.

Юридические и финансовые решения с ответственностью

LLM может писать черновик договора, но подпись остаётся на юристе. LLM может писать черновик финансового отчёта, но ответственность — на CFO (финансовый директор). Никогда не отдавайте на LLM окончательные решения, имеющие юридические или финансовые последствия.

Производственное оперативное управление

«Поручить LLM управлять цехом» — это плохая идея в 2026. LLM не понимает физических процессов, не работает в реальном времени с миллисекундной точностью, не имеет встроенных механизмов безопасности.

Управлять должен MES (система оперативного управления производством) и АСУ ТП (автоматизированная система управления технологическим процессом). LLM может консультировать диспетчера, но не управлять.

Выбор LLM-платформы

Российский ландшафт 2026:

Платформа Особенности Когда выбирать
YandexGPT для бизнеса Облачная, российская, корпоративные SLA, цена низкая (копейки за токен) Не-КИИ задачи, документация, корпоративные ассистенты
GigaChat (Сбер) Облачная и есть on-premise опции, мощная модель, корпоративная поддержка Аналогично, плюс возможность on-premise для КИИ
ChatGPT (OpenAI) Недоступна для юрлиц РФ напрямую; параллельные пути есть, но юридически серая зона Только при отсутствии чувствительных данных, рекомендуется избегать для корпоративных задач
Claude (Anthropic) Сильнейшая модель для текстовой работы, недоступна для юрлиц РФ напрямую То же, что ChatGPT
Локальные модели Llama/Qwen/DeepSeek Open source, разворачиваются on-premise, можно использовать на значимых КИИ КИИ-периметр, чувствительные данные, корпоративный RAG
MTS AI, Naumen AI, T-Bank AI Российские отраслевые модели Узкоспециализированные задачи

Дерево решения LLM-платформы

Дерево решения LLM-платформы — схема

КИИ-периметр: что можно, что нельзя

Главное правило: данные значимых объектов критическая информационная инфраструктура (КИИ) нельзя гнать в обычные облачные LLM. Это нарушение Указа № 166 и требований ФСТЭК (Федеральная служба по техническому и экспортному контролю). Для значимых КИИ возможны два пути: либо собственный локальный контур, либо КИИ-аттестованное облако с индивидуальным согласованием с регулятором (подробно — глава 13). По умолчанию на практике 2026 — локальный контур.

Это значит:

  • Можно: общедоступные документы (открытые ГОСТы, общие нормативы) гнать в YandexGPT/GigaChat.
  • Нельзя: внутренние регламенты, чертежи, ТУ, описания технологий значимых КИИ — в облако.

Для серьёзной корпоративной работы — локальный контур с моделями Llama, Qwen, DeepSeek, развёрнутыми на собственной инфраструктуре через vLLM или Ollama.

CAPEX GenAI

Сценарий CAPEX (капитальные затраты) OPEX (операционные затраты) Окупаемость
Облачный LLM для несложных задач (YandexGPT / GigaChat) 0,1-0,5 млн ₽ (внедрение) 50-500 тыс. ₽/мес (токены) 3-6 мес
Корпоративный RAG на облачном LLM 1-3 млн ₽ 200-800 тыс. ₽/мес 6-12 мес
Локальный RAG для КИИ (Llama/Qwen + RAGFlow) 3-12 млн ₽ (включая GPU-серверы) 200-500 тыс. ₽/мес (поддержка) 12-18 мес
Корпоративная программа GenAI на холдинг 30-100 млн ₽ 1-5 млн ₽/мес 18-30 мес

Agentic AI на производстве: маркетинг vs реальность

Тема 2025-2026, которую активно продают Accenture, NVIDIA, Microsoft, IDC, Gartner. Идея: «автономные ИИ-агенты, которые сами планируют и выполняют задачи».

В офисе (2025-2026): первые работающие кейсы есть. В основном — в финтехе, технической поддержке, бухгалтерии, HR. Agentic AI-агенты обрабатывают типовые запросы, заполняют формы, отвечают на повторяющиеся вопросы.

На производстве (2026): практически нет публичных кейсов с измеренным эффектом. Барьеры:

  • Цена ошибки в реальном мире. Если ИИ-агент в офисе ошибся в письме — переделают. Если на производстве ошибся в команде на оборудование — авария.
  • Требования КИИ. Автономные действия от имени ИИ на значимых КИИ — большая регуляторная и архитектурная проблема.
  • Отсутствие зрелой инфраструктуры доверия. Кто отвечает за решение ИИ-агента? Как проверить? Как откатить?
  • Большинство «agentic AI» решений 2025 — переименованные чат-боты с function calling. Маркетинг существенно опережает реальные возможности.

Заявления о «250%+ ROI agentic AI на производстве за 24 месяца» — это маркетинг вендоров. Реальных независимых подтверждений на 2026 нет.

Совет CEO 2026: не покупайте «agentic AI for manufacturing» как стратегическую инвестицию. Можно делать пилоты на офисных задачах (закупки, обработка типовых обращений). На производстве — преждевременно.

2026 — год, когда станет видно реальное проникновение agentic AI. 2027-2028 — год, когда станут понятны реальные кейсы. До тех пор — не быть пионером.

ИИ-ассистенты для операторов и мастеров

Отдельный класс GenAI-приложений: чат-бот или голосовой помощник на планшете у мастера или оператора. Отвечает на вопросы по техкарте, по неисправностям, по регламентам.

KPI (ключевой показатель эффективности):

  • Время решения нестандартных ситуаций −20-40 %.
  • Время онбординга нового сотрудника −20-30 %.
  • Удовлетворённость сотрудников — обычно растёт.

Что внутри:

  • LLM (облачная или локальная).
  • RAG над корпоративной базой техкарт, регламентов, инструкций.
  • Интеграция с MES / EAM (создать заявку на ремонт, найти инструкцию).
  • Голосовой интерфейс (опционально).

CAPEX: 2-10 млн ₽ на пилот в одном цехе, 12-30 млн ₽ на масштабирование.

Зрелость: ранняя, но дёшево попробовать. На 2026 — рабочая технология, в производственной среде применяется выборочно.

Где работает:

  • Цеха с высокой текучкой и большим объёмом сменно-операционной документации.
  • Сложное оборудование с длинными чек-листами обслуживания.
  • Операции с пересечением многих регламентов (например, ОТ и ТБ + технология + качество).

Подводные камни:

  • Принятие. Мастера старой школы не доверяют ИИ-ассистенту, операторы (особенно молодые) — могут.
  • Галлюцинации. ИИ-ассистент уверенно врёт. Защита — обязательная привязка к источникам (RAG со ссылками).
  • Конфиденциальность. См. КИИ-параграф.

Главные риски GenAI

1. Галлюцинации

LLM уверенно врёт в технических деталях. Придумывает ГОСТы, нормы, ссылки на документы, цитаты. Особенно опасно, когда пользователь не имеет возможности проверить (например, в новой для него области).

Защита:

  • RAG со ссылками на исходные документы. Не «по моим данным, ГОСТ 12345 говорит...», а «согласно п. 3.2 ГОСТ 12345 (ссылка), требуется...».
  • Обязательная верификация важных ответов экспертом.
  • Метрики качества RAG (precision, recall) и регулярный аудит.

2. Конфиденциальность

Передача чувствительных данных в облачные LLM = нарушение Указа № 166 для значимых КИИ. Для не-КИИ — риск утечки коммерческой тайны.

Защита:

  • Для значимых КИИ — только локальный контур.
  • Для остальных — внимательно читать условия сервиса (YandexGPT и GigaChat для бизнеса декларируют не использовать корпоративные данные для обучения).

3. ROI «бумажный»

Заявленные выгоды от GenAI часто оказываются меньше реальных. «Время подготовки документов −60 %» в реальности оказывается −20 %, потому что не учли время на проверку и доработку черновиков LLM.

Защита:

  • Считать реальный TCO (совокупная стоимость владения) с учётом времени на верификацию.
  • Не верить вендорам, верить замерам.
  • Пилотный режим с измерением реального эффекта.

4. Зависимость от вендора

Облачные LLM могут менять цены, условия, доступность. Локальные модели требуют железа, поддержки и обновлений.

Защита:

  • Архитектура с возможностью смены LLM (абстракционный слой).
  • Документирование всех промптов и контрактов с LLM как кода.

Чек-лист: когда НЕ лезть в ИИ

10 признаков того, что конкретный ИИ-проект для вас сейчас преждевременен:

# Признак Что значит ✓
1 Нет ERP (система планирования ресурсов предприятия) или мастер-данные грязные Без чистых данных любой ИИ работает плохо
2 Нет EAM (система управления активами) с историей отказов Predictive maintenance не на чем учить
3 Нет IIoT-сбора с оборудования Без сигналов ML (машинное обучение) не имеет данных
4 Нет понимания, какой KPI ИИ должен двигать «Внедрим ИИ» — не цель
5 Бюджет требует окупаемости за 6 месяцев Большинство ИИ-проектов окупаются дольше, особенно с обучением модели
6 Нет ML-инженера или диагноста в штате Без них модель быстро деградирует или валит false positives
7 Вендор не отвечает конкретными числами на 7 вопросов из главы 09 См. чек-лист вендоров PdM (предиктивное обслуживание)
8 Объекты КИИ, а вендор предлагает облачное решение без локального контура Это либо нарушение КИИ, либо проект нельзя реализовать
9 Маркетинг «250% ROI за год» Маркер маркетинга, не инструмента
10 «ИИ on top» вместо реальной перестройки процесса ИИ — это часть процесса, не «надстройка»; без перестройки эффект минимален

Если 3+ признака — ИИ-проект сейчас преждевременен.

Антипаттерны

Антипаттерн 1. «Купим ИИ-платформу, потом решим, для чего». ИИ не работает «впрок». Без конкретной задачи и метрики — это бюджетная статья без эффекта.

Антипаттерн 2. «ИИ заменит весь ОТК (отдел технического контроля) / всех диагностов / всю смену». Замена возможна на 30-60 % типовых задач. На остальные нужен человек. И сам ИИ требует обслуживания — это не «уволили и забыли».

Антипаттерн 3. «Облачный LLM для значимых КИИ». Нарушение Указа № 166. Для КИИ — только локальный контур.

Антипаттерн 4. «Agentic AI на производстве в 2026 как стратегия». Маркетинг опережает реальность. Не быть пионером там, где нет публичных кейсов.

Антипаттерн 5. «Скачаем ChatGPT и сделаем сами». Корпоративный GenAI — это интеграция с RAG, контрактом по конфиденциальности, мониторингом качества, защитой от галлюцинаций. «Просто LLM» — это игрушка, не инструмент.

Связанные главы