Автономное планирование производства на базе ИИ: когда это станет реальностью?

Человек или машина: кто главнее?

Давайте сразу договоримся о терминах. «Автономное планирование» в воображении рисует чёрный ящик: на входе — заказ, на выходе — идеальный график работы станков и поставок материалов. В реальности картина иная.

Современные системы, даже самые передовые, — это сложный симбиоз человека и алгоритма. Их задача — не заменить диспетчера, а дать ему мощный инструмент для работы с огромными массивами информации.

Немецкие исследователи из Института Фраунгофера предложили концепцию «цифровой панели планирования». В ней искусственный интеллект выступает в роли строгого контролёра: он мгновенно проверяет тысячи скрытых ограничений — готовность станков, наличие материалов, квалификацию персонала, требования безопасности — и выдаёт оператору несколько оптимальных вариантов расписания. Окончательное решение и ответственность за него всегда остаются за человеком. Это принципиальный момент, который нельзя упускать из виду.

Российская практика

В российских реалиях путь к автономности уже начался, хотя и с оговорками. Согласно совместному исследованию Фонда «Сколково» и АНО «Цифровая экономика», промышленность демонстрирует сдержанный подход к внедрению генеративного ИИ. Компании активно тестируют решения, но не торопятся с масштабированием. Основные барьеры — отнюдь не технические.

• Кадровый вопрос. Около половины компаний указывают на сопротивление персонала и недоверие к ИИ. Люди боятся, что их заменят, а не того, что алгоритм может ошибиться.
• Качество данных. Искусственный интеллект учится на данных. Если ваша учётная система содержит ошибки, пропуски или противоречия, алгоритм будет строить планы на основе искажённой картины. Это приведёт не к оптимизации, а к сбоям в работе.
• Безопасность и стоимость. Треть компаний упираются в вопросы информационной безопасности и сложность оценки экономической эффективности. Внедрение ИИ — это инвестиция, отдачу от которой пока трудно просчитать заранее.

Вместо ожидания «волшебного» ИИ инженеры уже строят гибридные системы, которые дают реальные результаты.

1. Гибридные модели.

Исследователи комбинируют генеративные модели с графовыми представлениями производственной системы. Это позволяет ИИ «понимать» не просто последовательность операций, но и сложные взаимосвязи между станками, буферными зонами и роботами. Такой подход — уже не просто подбор расписания, а конструирование производственной конфигурации под конкретный спрос.

2. Большие языковые модели как аналитический центр.

Вместо того чтобы программировать каждый сценарий, модели используют для расшифровки неструктурированных требований: «сделать партию красных деталей срочно», «перенести заказ Иванова на утро». Система переводит такие запросы на язык, понятный станкам и диспетчерской службе. Эксперименты показывают, что она способна адаптироваться к новым продуктам, о которых не было данных при обучении.

3. Сценарное моделирование.

Уже сейчас существуют российские решения, использующие математический аппарат, заложенный ещё в 1939 году советским учёным Л.В. Канторовичем (впоследствии Нобелевским лауреатом). Например, система «ИИ-Канторович» в пилотных проектах на предприятиях косметической отрасли и газопереработки показала впечатляющие результаты: расчёт оптимального плана занимает 2–3 минуты, а экономия производственных затрат достигает 3% и более, что даёт сотни миллионов рублей в год. Это не автономность, но гигантский шаг к ней — переход от «планирования на месяц» к «перепланированию в моменте».

Реалистичные сроки

Когда же автономное планирование станет реальностью для обычного завода, а не для демонстрационного стенда?

Прогнозы исследователей из «Сколково» выглядят так:

• 1–2 года: широкое внедрение адаптированных моделей — как свободно распространяемых, так и отечественных. Их интеграция в уже работающие системы управления производством и ресурсами предприятия. Это позволит автоматизировать сценарное планирование: диспетчер сможет за секунды просчитать последствия любого изменения условий — смены приоритетов, поломки оборудования или срыва поставки.
• 2–3 года: появление высокоточных моделей, работающих в связке с цифровыми двойниками. ИИ сможет не просто предложить план, а предсказать его последствия в виртуальной копии цеха.
• 3–5 лет: формирование отраслевых решений, когда модели, обученные на данных одного предприятия, смогут адаптироваться для смежных производств. Появление центров компетенций, где будет накапливаться и проверяться качественная производственная статистика.

Кейсы внедрения генеративного ИИ в промышленности

Ниже — подборка кейсов из исследования Фонда «Сколково» и АНО «Цифровая экономика» (2025 г.). Материалы основаны на открытых данных и интервью с 15 компаниями.

Металлургия и горнодобывающая промышленность

• US Steel + Google (США) — обслуживание карьерных самосвалов

Внедрено приложение MineMind на базе Google Cloud. Технические специалисты могут запрашивать у ИИ информацию об устранении неисправностей, калибровке датчиков или замене конвейерных лент. Инструмент сокращает время выполнения заказов примерно на 20%.

• South32 (Австралия) — оптимизация производства марганца

ИИ-модель анализирует химический состав добываемой руды и выдаёт рекомендации по переработке. Это позволяет максимизировать выход марганца и минимизировать потери материалов. Рекомендации выдаются оператору в режиме, близком к реальному времени.

• Botswana Diamonds (Великобритания) — поиск алмазных месторождений

Компания внедрила генеративный ИИ для анализа 380 гигабайт геологоразведочных данных, включая 375 000 км аэрогеофизических исследований. ИИ выявил скрытые закономерности и сгенерировал гипотезы о потенциальных месторождениях. Результат: обнаружено семь новых кимберлитовых целей и поданы заявки на три лицензии для освоения высокоприоритетных аномалий.

• OreFox + Porphyry.Ai (Австралия) — помощь геологам

Разработана специализированная LLM PorphyryGPT для поддержки геологов в поиске месторождений порфира. Модель обучена на основе последних научных исследований и данных в области геологии, позволяет быстро извлекать информацию из огромного объёма специализированной литературы.

• Северсталь (Россия) — аудит ТОиР

Чат-бот на основе генеративного ИИ проводит автоматизированный анализ процессов технического обслуживания и ремонтов. Трудоёмкость оценки текущего состояния и отслеживания прогресса снизилась с 60 человеко-дней до одного.

• НЛМК (Россия) — ускорение разработки ПО

По итогам пилота прирост производительности по отдельным видам работ в SDLC составил 53%, а выполнение запросов на изменения ускорилось на 34%.

Химическая и нефтехимическая промышленность

• СИБУР (Россия) — моделирование полимеров

Совместно со Сбером и ЦРТ реализуется пилотный проект по моделированию полимеров и созданию материалов с новыми свойствами. Задача — прогнозировать процесс полимеризации, моделировать рецептуры и добавки, оценивать влияние на физико-механические характеристики. Это позволяет заменить часть лабораторных экспериментов цифровым моделированием.

• СИБУР (Россия) — мониторинг оборудования

Система предиктивной аналитики уже контролирует 200 критичных агрегатов с участием всего четырёх специалистов. В будущем модель на основе LLM обеспечит мониторинг 9 тысяч агрегатов без пропорционального увеличения персонала.

• СИБУР (Россия) — оптимизация закупок

Внедрён ИИ-советник, который помогает закупщикам работать с более чем 500 тысячами записей номенклатур. Решение быстро определяет наличие позиций на складах или рынке, предлагает альтернативы, позволяет укрупнять закупки и получать дополнительные скидки, а также предотвращает рост запасов неликвидных позиций.

• Honeywell + Alphabet (США) — помощь сотрудникам

Решение на основе генеративного ИИ уменьшает время на поиск информации в базе знаний компании.

• Газпромнефть + ИТМО (Россия) — поддержка принятия решений

Интеллектуальная агентная система на основе LLM предназначена для оптимизации планирования промышленных бизнес-процессов на больших временных горизонтах в условиях неопределённости и неполноты данных. Позволяет автоматизировать все шаги — от анализа сметной документации до валидации сгенерированных план-графиков и выдачи рекомендаций по выбору технологий.

• ПАО Татнефть + ИТМО (Россия) — цифровой корпоративный эксперт

Решение «Акела» позволяет создавать цифровых ассистентов для различных отраслевых областей на основе больших языковых моделей. Основные направления: ассистирование специалистам в бизнес-процессах, обучение и аудирование персонала, генерация синтетических данных. Повышение эффективности планов — до 30%, сокращение трудозатрат по планированию — в 16–20 раз.

Машиностроение

• Rolls-Royce (Великобритания) — разработка новых сплавов

Компания использовала софт Alchemite с элементами генеративного ИИ для создания моделей из реальных, разреженных и зашумленных экспериментальных данных. Нейросеть нашла взаимосвязи между свойствами и параметрами процессов, предложила новые рецептуры сплавов. Результат: Rolls-Royce разработал и проверил новый сплав, сократив количество экспериментов на 90%.

• LEAP 71 (ОАЭ) — проектирование ракетного двигателя

Компания успешно испытала клиновоздушный ракетный двигатель Aerospike, полностью спроектированный искусственным интеллектом за три недели. Нейросеть Noyron самостоятельно рассчитала оптимальную геометрию и параметры производства.

• General Electric Aviation + Autodesk (США) — генеративное проектирование деталей

В рамках трёхлетней программы НИОКР генеративный дизайн использовался для создания структурных усилений и линий охлаждения коллектора реактивного двигателя. Цель — повышение топливной и энергетической эффективности при снижении воздействия на окружающую среду.

• Bosch (Германия) — контроль качества

На заводе в Штутгарте-Фойербахе новые алгоритмы сократили процессы тестирования компонентов системы впрыска топлива с трёх с половиной до трёх минут. Ручная проверка заменена системой оптического контроля сложных изделий.

• Siemens — помощь в обслуживании

Промышленный копилот для обслуживания помогает экономить в среднем 25% времени реактивного обслуживания.

• Schneider Electric + Microsoft (Франция / США) — помощь оператору

Промышленный копилот в среде EcoStruxure Automation Expert Platform упрощает инженерные рабочие процессы и снижает нагрузку на рабочую силу за счёт доступа к данным в реальном времени, точных рекомендаций, предиктивного обслуживания и немедленного устранения неполадок.

Строительство

• Роснефть + Университет ИТМО (Россия) — проектирование портовых комплексов

Разработано решение для концептуального проектирования портовых промышленно-логистических комплексов в Арктической зоне. Оно позволяет сократить этап концептуального проектирования до 10 раз и повысить эффективность использования площадей до 45%.

• ДОМ.РФ + Rocket Group + ИТМО (Россия) — градостроительное проектирование

Разработана первая цифровая концепция застройки с помощью ИИ-платформы гТИМ. Платформа за несколько минут создала концепцию для территории 42 га, а команда проработала более 20 концепций за один рабочий день. Сроки этапа концептуального проектирования сократились в 2,5 раза.

• ICON (США) — проектирование доступного жилья

Платформа Vitruvius на основе генеративного ИИ позволяет создавать качественные и эстетически привлекательные проекты с минимальными затратами. Находится в стадии бета-тестирования.

• Obayashi Corporation + SRI International + Hypar (Япония / США) — проектирование фасадов

Решение AiCorb автоматически генерирует бесконечное количество проектов дизайна фасада на основе контура оболочки здания, позволяя архитекторам быстрее согласовывать требования клиентов.

Фармацевтика и биотехнологии

• Insilico Medicine (Китай) — разработка лекарственных препаратов

Платформа Chemistry42 на основе генеративного ИИ автоматически создаёт и оптимизирует молекулярные структуры. Китайские учёные открыли новое лекарство для лечения анемии. Нейросеть проанализировала различные варианты ингибиторов и определила оптимальную комбинацию.

• Р-Фарм + Сбер (Россия) — разработка антител

Разработано ИИ-решение для генерации антител. Обычно разработка структуры молекулы занимает около двух лет. С использованием ИИ этот этап удалось потенциально сократить до двух месяцев (ещё около 10 месяцев занимает синтез и подтверждение свойств в лаборатории).

Топливно-энергетический комплекс

• Westinghouse (США) — атомная энергетика

Компания представила Hive — первую в мире генеративную систему ИИ для атомной энергетики. Модель bertha обучена на столетнем массиве инженерных данных. Система автоматизирует создание технической документации, формирует предиктивные рекомендации и генерирует сценарии для обучения персонала.

• НОВАТЭК + Digital Petroleum (Россия) — бурение скважин

Использование системы AlDrilling позволило снизить аварийность на реальных скважинах на 15%, что составляет 50–60 инцидентов разного масштаба в год.

• Saudi Aramco (Саудовская Аравия) — полномасштабная модель

Компания представила Metabrain AI — модель с 250 миллиардами параметров, обученную на 7 триллионах единиц данных за 90-летнюю историю. Модель анализирует буровые планы, геологические данные и выдаёт рекомендации по оптимальным вариантам скважин. В переработке прогнозирует цены на нефтепродукты с учётом рыночной динамики.

Целлюлозно-бумажная промышленность

• Suzano + Google (Бразилия) — поиск материалов

Крупнейший производитель целлюлозы сократил время на запрос сырья и материалов ТОиР с 2 минут до 8 секунд — в 95 раз.

Транспорт и логистика

• Uber Freight (США) — оптимизация логистики

Платформа Insights AI на основе генеративного ИИ анализирует логистические данные в реальном времени, выявляет закономерности, автоматически генерирует отчёты, формирует персонализированные рекомендации по минимизации затрат и улучшению сроков доставки. Пользователи могут задавать сложные вопросы в естественном языке.

Разработка ПО (сквозная отрасль)

• IBM + AWS (США) — жизненный цикл разработки

Решение автоматизирует использование стандартов архитектуры, безопасности, доступных API и качества, обеспечивая соответствие утверждённым политикам. Разработчики создают приложения быстрее и эффективнее.

• Cognizant + Google (США) — интеграция Gemini

Компания планирует обучить более 70 000 сотрудников использованию Gemini для повышения эффективности разработки, тестирования и развертывания ПО. Ожидаемые эффекты: сокращение времени разработки до 30%, генерации тестов — до 25%, улучшение качества кода — до 25%.

• Т-Банк (Россия) — безопасность кода

Разработан инструмент Safeliner, который снижает затраты на устранение уязвимостей, уменьшает число ложных срабатываний SAST и сокращает «срок жизни» уязвимости в несколько раз.

От прогнозов — к действиям

Полная автономность, где человек только наблюдает, — это горизонт пяти и более лет. Но вот «интеллектуальный помощник», который берёт на себя рутину — это реальность, доступная уже сейчас.

Вопрос не в том, появится ли технология. Вопрос в другом: ваши данные и ваши люди к этому готовы? Те компании, которые начнут готовить почву сегодня — наводить порядок в учёте, обучать персонал, запускать пилоты, — получат преимущество, когда технология станет повсеместной.

Мы в Creative Way видим это в каждом втором проекте. Кто-то только начинает аудит данных, кто-то уже встраивает ИИ-модули в работающие системы. И почти всегда узким местом оказывается банальная нехватка компетенций и грязные данные. Хотя именно здесь — быстрее всего получить результат, который окупится в первые месяцы.