Представим два производственных участка.
На первом снабженец заказывает материал, когда остаток опускается ниже установленного уровня. Механик отправляет станок на обслуживание после заданного числа моточасов. Начальник цеха хочет видеть простои и причины остановок, а не собирать их по памяти в конце смены.
На втором нужно заметить дефект шпона по изображению, найти одинаковые по назначению позиции среди сотен тысяч наименований или распознать ошибку в сборке многослойной платы до того, как изделие отправится в печь.
Оба участка можно автоматизировать. Но на первом ИИ, скорее всего, будет переплатой. Условия уже известны, их можно записать и исполнять. Нужны нормальный учет, датчики, интеграция или система управления производством.
На втором жесткого правила недостаточно. Полезный признак находится в изображении, тексте или сочетании множества факторов. Здесь модель не украшает обычную автоматизацию новым названием, а решает ту часть задачи, для которой готового условия нет.
Главная граница проходит не между простыми и сложными проектами. Она проходит по одному вопросу:
Можно ли записать условие словами так, чтобы система каждый раз исполняла его одинаково?
Если да, сначала рассматривайте обычную систему. Если нет, проверяйте, сможет ли модель распознавать нужный признак на ваших данных.
Как за минуту отделить обычную автоматизацию от задачи для ИИ?
Можно ли заранее записать условие?
Правило выглядит примерно так:
- если остаток ниже X, создать заявку на закупку;
- если станок отработал N часов, поставить техническое обслуживание;
- если температура вышла за допустимый диапазон, отправить уведомление;
- если заказ перешел на следующий этап, изменить статус;
- если обязательное поле не заполнено, не проводить документ.
Такие задачи бывают крупными. В них могут участвовать несколько цехов, тысячи номенклатурных позиций и десятки интеграций. От этого они не становятся задачами для ИИ. Масштаб требует надежной архитектуры и дисциплины учета, но логика остается известной заранее.
И наоборот, небольшая операция иногда действительно требует модели. Одна камера над линией может решать задачу, которую невозможно свести к нескольким порогам и справочникам.
Поэтому слова «сложный процесс» еще ничего не говорят о технологии. Сначала нужно понять, известен ли признак, по которому система должна принять решение.
Где заканчивается правило и начинается модель?
У правила есть явное условие. Его можно проверить на бумаге до запуска системы.
У модели другая работа: она восстанавливает признак по примерам. Ей показывают изображения с дефектом и без дефекта, описания похожих деталей, историю работы оборудования или документы разных форматов. Затем проверяют, насколько хорошо она узнает нужные случаи на данных, которых не видела при обучении.
Модель обычно появляется там, где входом служит:
- изображение с изменчивым фоном, освещением, ракурсом или формой дефекта;
- свободный текст, в котором одно и то же изделие названо по-разному;
- звук или вибрация, где важен не один порог, а характер сигнала;
- сочетание множества параметров, каждый из которых сам по себе ничего не доказывает.
Это не означает, что модель должна управлять всем процессом. Часто она только распознает объект или предлагает вариант, а обычная система применяет правила, записывает результат и передает исключение человеку.
Где на производстве ИИ чаще всего оказывается переплатой?
Нужна ли модель, если проблема в разрозненном учете?
Если продажи, склад, закупки и производство ведут свои таблицы, нейросеть не устранит расхождения между ними. Она лишь получит несколько версий одного и того же факта.
В НПФ «Экопром» до проекта использовали самописные программы на устаревшей 1С и электронные таблицы. После внедрения 1С:ERP компания сообщила о снижении затрат на материалы на 17%, себестоимости на 10% и росте прибыли на 7%. Система развернута, но эти показатели назвал сам заказчик в материале вендора. Метод расчета не опубликован, поэтому это пример возможного эффекта учета, а не независимый замер.
Здесь не требовалось угадывать скрытый признак. Требовалось, чтобы подразделения работали с общими данными и единым движением документов. Добавление модели до наведения такого порядка только повысило бы стоимость проекта.
Нужен ли ИИ, чтобы увидеть простои станка?
Чтобы зафиксировать, работает станок или стоит, часто достаточно промышленного мониторинга. Система получает сигнал от оборудования, записывает продолжительность работы и остановок, а оператор указывает причину там, где ее нельзя определить автоматически.
Такой мониторинг внедрен на мебельном производстве SV-Мебель для станков с ЧПУ. До проекта управление опиралось на ручные отчеты, после него предприятие получило цифровой источник данных о загрузке, простоях и поломках. Публичного независимого замера экономического эффекта по этому внедрению нет.
Смысл такого проекта прост: сначала нужен измеритель. ИИ имеет смысл добавлять позже, если предприятие захочет не только фиксировать остановку, но и предсказывать ее по сложному рисунку вибрации, температуры и нагрузки. Сам факт простоя модель распознавать не обязана.
Нужен ли ИИ для закупок и обслуживания по порогу?
Заявка по минимальному остатку, календарный график обслуживания и ТО по моточасам исполняются по известному условию. Это работа ERP, системы управления ремонтами или обычного сценария автоматизации.
Публичный ценовой ориентир в сырье есть именно для такой задачи. Один поставщик облачной системы ТОиР указывает цену от 15 000 рублей за пользователя в год и около 300 000 рублей за настройку. Он же говорит о развертывании за один-три месяца и целевой окупаемости менее полугода. Это предложение конкретного вендора, а не средняя цена рынка и не обещание для любого предприятия.
Для промышленного машинного зрения сопоставимого публичного прайса в рублях найти не удалось. Поэтому честно сравнить две колонки по одной таблице цен нельзя. Стоимость камеры, освещения, разметки, интеграции и контроля качества модели зависит от линии и изделия. Если поставщик показывает точную вилку до осмотра процесса и данных, такая точность сама требует проверки.
Может ли обычная система закрыть очень сложное планирование?
Может. В одном из описанных практиком проектов межцеховое планирование с длинным производственным циклом и десятками тысяч этапов оставили в ERP. До отдельной MES-системы на большинстве проектов не дошли: по оценке интегратора, затраты на этом этапе были бы выше ожидаемого эффекта.
Это позиция интегратора 1С, а не независимое исследование. Но сам кейс полезен другим: сложность расчета не доказывает необходимость ни MES, ни ИИ. Иногда предприятие получает нужный результат за счет правильной структуры нормативно-справочной информации и типовой логики системы.
Где без модели задача действительно не складывается?
Как найти одинаковые по смыслу позиции, если они названы по-разному?
На складах одной компании одинаковые или взаимозаменяемые материалы могут оказаться под разными названиями. Точный поиск по справочнику не увидит сходство, а перечислить все варианты вручную невозможно.
«ЕвроХим» использовал модель для поиска аналогов среди сотен тысяч единиц хранения. По данным самой компании, точность предложений выросла примерно с 10% до 85%, решение развернули на восьми предприятиях, а эффект за 2025 год оценили в сотни миллионов рублей. Независимой проверки этих показателей и опубликованного метода расчета эффекта нет.
Это уже не заявка по порогу. Система должна понять, что разные описания относятся к одному назначению или совместимому оборудованию. Справочник все равно нужен: найденный аналог должен иметь карточку, остаток и место хранения. Но без модели поиск по смыслу не работает в том масштабе, о котором говорит компания.
Как заметить дефект, для которого нельзя задать один порог?
Дефект на поверхности редко выглядит одинаково. Меняются рисунок материала, освещение, положение детали и форма повреждения. Если попытаться записать все варианты вручную, число исключений быстро превратит правило в бесконечную инструкцию.
На петербургском комбинате «Свезы» умные сканеры работают на трех линиях лущения и распознают более 30 типов дефектов шпона. Компания заявляет точность 95%. Система внедрена и связана с управлением рубкой и стопоукладкой, но метод измерения точности не раскрыт. Неизвестно, считалась ли она по листам, по отдельным дефектам или по иному основанию.
На ОДК-Сатурн два роботизированных поста машинного зрения выявляют отклонения на полированных лопатках компрессоров. В сообщении компании говорится о дефектах от 40 микрон, которые не видит человеческий глаз. Посты функционируют, однако публичных данных о снижении брака, скорости контроля или денежном эффекте нет. Поэтому этот кейс подтверждает техническую возможность, но не окупаемость.
В обоих случаях модель нужна не потому, что контроль качества важен. Она нужна потому, что искомый признак находится в изображении и меняется от детали к детали.
Может ли модель предотвратить ошибку до того, как ее станет дорого исправлять?
На производстве YADRO SmartFab камера контролирует сборку пакетов печатных плат. Сборщик может выложить несколько слоев разом, ракурс меняется, а ошибка становится очевидной только через несколько дней, после запекания платы. Одним датчиком присутствия такую проверку не закрыть: системе нужно распознать, что именно сделал человек и в каком порядке.
Решение работает на производстве с сентября 2025 года. Компания опубликовала подробные метрики модели, включая долю ложных срабатываний в 10-15%. Это корпоративные данные, но редкий случай, когда вместе с высокой точностью показана и неудобная цифра.
Она важнее рекламного процента. Даже хорошая модель может останавливать процесс без причины. Поэтому промышленное решение включает не только распознавание, но и удобную проверку срабатывания, реакцию оператора и учет ошибок модели. Автоматизация не заканчивается обучением нейросети.
Почему крупная цифра эффекта еще не доказывает пользу ИИ?
Кто измерял результат и что именно попало в расчет?
Независимых замеров экономического эффекта ИИ на российских производствах в собранной фактуре почти нет. Показатели точности, экономии и эффекта дают сами предприятия или поставщики решений. Это не делает кейсы бесполезными, но меняет способ чтения.
Независимые данные здесь отвечают на другой вопрос: насколько технология распространена. Например, в опросе 150 представителей машиностроительных предприятий половина респондентов сообщила, что не применяет ИИ. Опрос охватывал несколько отраслей машиностроения, но не измерял прибыль или снижение брака от внедрений.
По официальной статистике за 2024 год ИИ использовали 6% российских организаций. Обследование охватило более 260 тысяч субъектов, но показатель относится ко всем организациям, а не отдельно к производству. Писать на его основании, что «ИИ есть на 6% заводов», было бы неверно.
Из этих данных следует спокойный вывод: предприятие, которое сначала приводит в порядок ERP, склад или мониторинг оборудования, не отстает от рынка. Оно решает базовую задачу подходящим инструментом.
Можно ли отделить эффект модели от всей цифровизации?
Не всегда. ЕВРАЗ сообщил о многомиллиардном эффекте от цифровых проектов и технологий ИИ за пять лет. В общий контур входят датчики, мониторинг агрегатов, удаленная диагностика, математическое моделирование и цифровые подсказчики. Компания не разделила вклад обычной автоматизации и вклад ИИ.
Поэтому относить весь заявленный результат к нейросетям нельзя. Крупные программы обычно состоят из обеих колонок: датчики собирают данные, учетные системы хранят события, правила управляют типовыми случаями, а модели распознают сложные состояния или строят прогноз. Экономический эффект создает весь процесс, а не одно слово в названии проекта.
Как выбрать технологию для конкретного участка?
Что именно должно измениться после автоматизации?
Начните не с перечня продуктов, а с наблюдаемого результата.
«Автоматизировать склад» слишком широко. «Не покупать новую позицию, пока на другом складе лежит подходящий аналог» уже позволяет проверить процесс.
«Внедрить ИИ в контроль качества» тоже слишком широко. «Обнаружить повреждение шпона до рубки и показать оператору место дефекта» задает вход, момент решения и действие после него.
Для выбранного участка зафиксируйте:
- какое событие запускает работу;
- какие данные система получает;
- какое решение или действие требуется на выходе;
- сколько сейчас стоят ожидание, ручная работа, брак или простой;
- в каком случае результат должен проверять человек.
Это не техническое задание на весь завод. Это граница одной задачи, без которой нельзя сравнивать решения по цене и эффекту.
Как применить проверку правилом на практике?
Попробуйте написать условие обычными словами.
Если получается фраза вида «если произошло A, сделать B», начните с обычной автоматизации. Проверьте, есть ли нужный факт в системе, кто его вводит и можно ли доверять записи. Возможно, задачу закроют настройка учета, датчик, интеграция или отчет.
Если условие превращается в «опытный контролер обычно видит», «снабженец понимает по описанию» или «механик слышит по звуку», найдите примеры, на которых можно проверить модель. Нужны реальные изображения, тексты или сигналы с вашего производства, включая редкие и неудобные случаи.
Иногда ответ будет смешанным. Модель распознает дефект, правило останавливает линию при высокой уверенности, а спорный случай отправляется контролеру. Модель предлагает складской аналог, но обычная система проверяет остаток и запрещает замену без согласования. Такое сочетание надежнее попытки заставить ИИ заменить весь контур.
Как не перепутать демонстрацию с рабочей системой?
Демонстрация отвечает на вопрос, может ли модель иногда получить правильный результат. Производственная система должна получать его устойчиво в реальных условиях.
Для обычной автоматизации проверяют полноту учета, корректность интеграций и исполнение правил. Для решения с ИИ к этому добавляются другие расходы и риски:
- сбор и разметка примеров;
- проверка качества на новых данных;
- ложные срабатывания и пропуски;
- изменение сырья, освещения, оборудования или документов;
- ручная обработка случаев, в которых модель не уверена;
- повторная проверка после обновления модели.
Поэтому сравнивать нужно не цену лицензии ERP с ценой разработки модели. Сравниваются два полных способа изменить один участок, включая оборудование, интеграцию, работу сотрудников и цену ошибки.
С чего начинать автоматизацию производства в 2026 году?
Какой порядок не заставит переплачивать за технологию?
Рабочая последовательность выглядит так:
- Выберите участок, где уже видна потеря: простой, брак, лишняя закупка, ожидание или ручной перенос данных.
- Зафиксируйте, как работа идет сейчас и на каком шаге возникает потеря.
- Попробуйте записать условие словами.
- Если условие известно, проверьте самый простой достаточный вариант: учет, датчик, интеграцию, ERP, ТОиР или MES.
- Если признак нельзя задать правилом, проверьте модель на реальных данных участка и заранее определите допустимые пропуски и ложные срабатывания.
- Считайте результат по данным своего предприятия, отдельно от заявлений поставщика и чужих кейсов.
Этот порядок не ставит ИИ последним по важности. Он ставит технологию после задачи. Там, где хватает справочника и дисциплины, предприятие не платит за модель. Там, где признак живет в изображении, тексте, звуке или сложном сочетании параметров, обычная система не маскируется под решение и уступает место ИИ.
На знакомом производстве не всегда легко отделить то, что можно поручить обычной системе, от того, что пока держится на опыте мастера. Если вы узнали в статье свой участок, но сомневаетесь в выборе технологии, оставьте заявку в форме ниже. Мы перезвоним в течение двух-трех часов и разберем с вами, какие операции закрываются правилами, а где стоит проверять модель. Так у вас появится ориентир, за что имеет смысл платить в автоматизации вашего участка, а за что нет.