ИИ в промышленности: 17 российских кейсов с эффектом в рублях и что из них подойдет среднему заводу
Институт искусственного интеллекта МФТИ выпустил альманах о применении ИИ в российской промышленности: 41 страница, по слайду на кейс, у каждого кейса эффект в рублях. Мы собрали все цифры в одну таблицу и разобрали, что из опыта Северстали, НЛМК и Норникеля реально повторить на заводе с выручкой в несколько миллиардов, где нет своей команды data science.
- В альманахе 17 кейсов в четырех направлениях: предиктивная аналитика, машинное зрение, роботы и генеративный ИИ.
- Эффект в кейсах от 11,5 млн до 9,6 млрд рублей в год, самые крупные цифры дает планирование производства и цепочек поставок.
- Большинство кейсов крупных холдингов опираются на датчики и годы накопленных данных, у среднего завода такой базы обычно нет.
- Для среднего завода быстрее всего окупаются три вещи: планирование по данным 1С, поиск по документации и машинное зрение на одном участке.
- Начинать стоит не с модели, а с цифрового контура: данные из учетной системы и с участков в одном месте.
Что это за документ
Альманах «Искусственный интеллект» выпускает Институт ИИ МФТИ. Выпуск 2026 года посвящен промышленности: добыче сырья и обрабатывающим производствам, от металлургии до пищевой и легкой промышленности. Главный редактор Игорь Пивоваров, часть кейсов и данных предоставила Северсталь.
Формат удобный для руководителя: один кейс на одном слайде, у каждого описаны проблема, решение, ключевые функции и бизнес-эффект в рублях. Авторы собирали публичные кейсы и отдельно оговаривают, что не все заявленные цифры смогли проверить независимо. Часть кейсов это реальные проекты компаний, часть это оценки самого МФТИ для типового предприятия. В таблице ниже мы это различаем.
Какие технологии ИИ работают в промышленности
Альманах раскладывает промышленный ИИ на восемь слоев, как сборочный чертеж. Внизу поддерживающие технологии: датчики и камеры, цифровые двойники, интеграция с АСУ ТП, MES и ERP. Сверху четыре направления, где и появляется эффект:
- Предиктивная аналитика. Модели находят закономерности и отклонения в данных с датчиков и в учетных данных: предсказывают поломки, подбирают режимы оборудования, планируют загрузку и закупки.
- Машинное зрение. Камеры и нейросети контролируют качество продукции, соблюдение техники безопасности, состав сырья на конвейере.
- Роботы. Беспилотные погрузчики на складах, автономные самосвалы и буровые установки.
- Генеративный ИИ. Ассистенты на больших языковых моделях: проверяют проектную документацию и отвечают на вопросы по регламентам и инструкциям.
Вывод из схемы: ИИ стоит на платформе. Если внизу нет данных с участков и интеграции с учетной системой, верхним слоям не на чем работать.
Все 17 кейсов в одной таблице
Сначала масштаб: сколько каждый кейс приносит в рублях.
Подробности по каждому кейсу:
| Задача | Где | Эффект по данным альманаха |
|---|---|---|
| Интегрированное планирование: спрос, производство, логистика | Северсталь | рост EBITDA до 7%, 9,63 млрд ₽ |
| Оптимизация цепочек поставок | оценка МФТИ, производство рулонной стали | −20% складских издержек, 2,76 млрд ₽ в год |
| Автономные буровые установки | Норникель, оценка МФТИ | +2% объема добычи, 457 млн ₽ в год на площадку |
| Оптимизация технологического процесса, контроль гранулометрии | Северсталь, линия окомкования | +11,4% производительности, 254 млн ₽ в год |
| Оптимизация добычи через цифровой двойник месторождения | Роснефть, Самотлорское месторождение | около +0,5% суточной добычи, более 214 млн ₽ |
| Проверка BIM-моделей и спецификаций | оценка МФТИ, строительная отрасль | до 40% ошибок в документации предотвращено, 158 млн ₽ в год |
| Складские автономные роботы | оценка МФТИ для кейса X5 | −20% персонала, 154 млн ₽ в год на склад |
| Мониторинг факелов и утечек | оценка МФТИ, нефтегаз | −20% аварийных остановок, 148 млн ₽ в год |
| Автономные карьерные самосвалы | Цифра для СУЭК, оценка МФТИ | +20% производительности, 137 млн ₽ в год |
| Анализ и сортировка руды на конвейере | НЛМК, Стойленский ГОК, ССГПО | около 115 млн ₽ в год, +20 тыс. т концентрата, 98% точность гранулометрии |
| Энергетическая оптимизация установки | оценка МФТИ, обрабатывающее предприятие | до 5% экономии энергии, 90 млн ₽ в год |
| Поиск месторождений | оценка МФТИ, золотодобыча | более 80% точность прогноза, 90 млн ₽ в год |
| Предсказание поломок оборудования | Северсталь, ЧерМК, конвейеры горячекатаных рулонов | простой короче на 7 часов, 65 млн ₽ |
| Поиск по технической документации (RAG) | промышленная компания | поиск быстрее в 5 раз, 43 млн ₽ в год |
| Контроль качества машинным зрением | оценка МФТИ, металлургия | −10% брака, 24 млн ₽ в год на один участок |
| Сортировщик отходов | мусороперерабатывающее предприятие | 11,5 млн ₽ в год на линию |
| Контроль СИЗ и безопасности | Росэнергоатом, Кольская АЭС | 95–98% нарушений СИЗ выявляется, несчастных случаев в 8 раз меньше |
Три вывода из таблицы
Самые большие деньги не в «умных камерах», а в планировании. Два верхних кейса таблицы про то, сколько и когда производить и закупать. Это не про датчики на станках, а про данные о спросе, остатках, мощностях и логистике, которые есть почти у любого завода.
Машинное зрение окупается локально. 24 млн рублей в год на одном участке контроля качества означает, что можно начать с одной камеры над одной линией и масштабировать, когда эффект подтвердится.
Генеративный ИИ на заводе работает с документами. Поиск по регламентам, чертежам и инструкциям ускорился в 5 раз. Для этого не нужно оборудование, нужен порядок в документах.
Что из этого подойдет среднему заводу
Почти все кейсы альманаха из крупных холдингов: у них годы телеметрии, своя команда данных и бюджеты на инфраструктуру. Мы сейчас работаем с тремя производствами другого масштаба: лакокрасочным заводом, бетонным заводом и производством колготок. На их примере видно, что переносится, а что нет.
Переносится сразу: планирование на данных из 1С
Кейс Северстали про интегрированное планирование работает и в меньшем масштабе. На производстве колготок мы строим алгоритм производственного плана: порядок выпуска с учетом стоимости переналадок и сроков заказов. Каждая лишняя переналадка это простой машин и брак на старте партии, а данные для оптимизации уже есть в учетной системе.
На бетонном заводе та же логика в логистике: загрузка миксеров, маршруты, контроль отгрузок по GPS водителей. Бетон нельзя держать на складе, поэтому ошибка в планировании сразу превращается в потери.
Переносится после наведения порядка в данных: машинное зрение и качество
Контроль качества камерой окупается, когда понятно, сколько стоит брак сейчас. Пример расчета: если брак съедает 3% выручки завода в 2 млрд рублей, это 60 млн рублей в год. Снижение брака на 10%, как в оценке МФТИ, дает 6 млн рублей в год с одного направления. Это ориентир для пилота на одной линии, а не обещание.
Требует подготовки: предсказание поломок и оптимизация режимов
Предиктивное обслуживание и энергооптимизация в альманахе дают десятки и сотни миллионов, но им нужны данные с датчиков оборудования за длительный период. Если телеметрии нет, первый шаг это ее сбор, а модель появляется позже. Честно говорить об этом заказчику до старта важнее, чем продать красивый пилот.
Подходит любому заводу: ассистент по документации
Регламенты, техкарты, рецептуры, инструкции к оборудованию лежат в разных папках и называются по-разному. Ассистент на базе RAG отвечает на вопрос сотрудника со ссылкой на конкретный документ. Это быстрый проект без железа, и он хорошо показывает коллективу, что ИИ помогает, а не заменяет.
С чего начать: порядок для среднего производства
- Выбрать один процесс, где потери уже видны в деньгах: переналадки, брак, простои, лишние запасы, ошибки в отгрузках.
- Собрать цифровой контур: данные из 1С и с участков в одном месте, отчеты и KPI без ручной сборки. На лакокрасочном заводе мы начали именно с этого, без контура любая модель работает вслепую.
- Посчитать эффект до старта и зафиксировать показатель, по которому будем сравнивать «было» и «стало».
- Запустить пилот на одном участке. Срок фиксируем после разбора, он зависит от данных и интеграций.
- Масштабировать только то, что подтвердило эффект в цифрах.
Главная ошибка, которую мы видим на заводах: начинать с технологии («давайте внедрим нейросеть») вместо потерь («где мы теряем деньги и сколько»). Альманах МФТИ хорош тем, что у каждого кейса сначала проблема в деньгах, а потом технология.
Ограничения, о которых стоит помнить
- Часть цифр в альманахе это оценки МФТИ для типового предприятия, а не фактический результат конкретной компании.
- Эффект крупных холдингов не делится пропорционально выручке: у них другие объемы и масштаб потерь.
- Авторы собирали публичные кейсы, поэтому неудачные проекты в выборку не попали. На практике не каждый пилот окупается, и это нормально, если эффект посчитан заранее и пилот небольшой.
Частые вопросы
С чего начать внедрение ИИ на производстве?
С выбора одного процесса, где потери уже посчитаны в деньгах: простои, брак, лишние запасы, переналадки. Дальше проверить, какие данные по нему уже есть в 1С, MES или таблицах, и посчитать эффект до старта. Пилот начинают с одного участка, срок фиксируют после разбора.
Нужны ли датчики и IIoT, чтобы внедрить ИИ на заводе?
Не всегда. Предсказание поломок и оптимизация режимов действительно требуют телеметрии с оборудования. А планирование выпуска, прогноз спроса, поиск по документации и контроль отгрузок работают на данных, которые у завода уже есть: учетная система, заказы, нормативы, документы.
Сколько дает ИИ на производстве в деньгах?
В кейсах альманаха МФТИ от 11,5 млн рублей в год на одной линии сортировки отходов до 9,6 млрд рублей роста EBITDA от интегрированного планирования в Северстали. Для среднего завода корректнее считать от собственных потерь: какая доля выручки уходит в брак, простои и лишние запасы и какую часть из этого можно вернуть.
Можно ли внедрить ИИ без своей IT-команды?
Да. От завода нужен владелец процесса, который знает, где теряются деньги, и доступ к данным. Разработку, интеграцию с 1С и обучение сотрудников берет на себя подрядчик.
Насколько точны цифры эффекта в альманахе?
Авторы прямо пишут, что часть показателей основана на данных, публично заявленных участниками проектов, и не все из них удалось независимо проверить. Часть кейсов это оценки МФТИ, а не фактический результат. Цифры полезны как ориентир масштаба, но эффект для своего завода нужно считать отдельно.
Разберем ваш процесс на встрече и посчитаем эффект в рублях до старта пилота.
20 лет в создании и развитии бизнеса: логистика, федеральные торговые сети, маркетплейсы, онлайн-сервисы. С 2023 года внедряет ИИ в компаниях.