За последние два года мы прошли знакомый цикл. Сначала все боялись, что искусственный интеллект изменит рынок. Потом появился страх — отстать от конкурентов. Компании начали массово подписываться на ИИ-сервисы, запускать пилоты, обучать сотрудников и объявлять о внедрении искусственного интеллекта. Но прошло немного времени, и всё чаще звучит другой вопрос: если ИИ уже внедрён, почему производительность почти не изменилась?
Во многих компаниях сценарий выглядит одинаково: руководство покупает платформу, ИТ-служба её внедряет, сотрудники проходят обучение, а дальше продолжают работать так же, как раньше. В результате появляется ещё один дорогой инструмент, который существует, но почти не влияет на бизнес.
Проблема в том, что ИИ сам по себе не создаёт ценность — она возникает, когда меняется процесс. Если процесс устроен плохо, ИИ лишь ускоряет неэффективные действия. Получается не цифровая трансформация, а автоматизированная дисфункция: старые проблемы с новым интерфейсом.
Кроме того, ИИ часто воспринимают как самостоятельного исполнителя. В промышленности процесс обычно выглядит как цепочка «человек — ИИ — человек»: кто запускает модель, кто проверяет её выводы и кто действует дальше? Если эта передача ответственности не продумана, автоматизация лишь ускоряет отдельный фрагмент работы, не меняя процесс целиком.
Поэтому главный вопрос перед внедрением ИИ должен звучать не «что можно автоматизировать?», а «как сегодня работают люди и где предприятие теряет деньги, время или устойчивость процесса?». Именно там обычно находится настоящее узкое место. И только разобравшись с ним, имеет смысл выбирать технологию. Иногда это будет искусственный интеллект. Иногда — математическая оптимизация, компьютерное зрение или цифровой двойник. А иногда выяснится, что проблему можно решить вообще без ИИ.
Самые успешные наши проекты в промышленности начинались не с выбора модели или платформы. Они начинались с понимания процесса. Например, на крупной табачной фабрике узким местом оказалось не оборудование, а производственное планирование. Вместо того чтобы просто «добавить ИИ», была пересмотрена сама логика построения производственного графика, а затем создана математическая модель, которая автоматически рассчитывает оптимальный план с учётом десятков технологических ограничений. Результатом стало сокращение объёма незавершённого производства с ожидаемым экономическим эффектом около 40 миллионов рублей и, конечно, более быстрое планирование.
Похожая история была и в металлургии. Цифровой двойник цеха рудоподготовки позволил прогнозировать химический состав шихты до загрузки в доменную печь, а система компьютерного зрения — непрерывно контролировать гранулометрический состав сырья прямо на конвейере. Искусственный интеллект и машинное зрение здесь были лишь частью инженерного решения. Проблемой оказался не недостаток данных, а невозможность использовать их для принятия решений в реальном времени. Настоящий эффект появился потому, что изменился сам процесс управления производством.
В этом сегодня и проходит граница между успешными и неудачными проектами. Главной новостью больше не является сам искусственный интеллект. Новостью становятся проекты, где инженеры смогли заставить ИИ работать в условиях реального производства: со старым оборудованием, непредсказуемой средой, людьми, ограничениями безопасности и нестандартными процессами. И этот переход от лабораторной модели к промышленной эксплуатации сегодня выглядит главным источником инженерных инноваций.