07:1113 июня 2026
Для чего петербургские предприятия используют ИИ на производстве и почему главным препятствием остаётся человеческий фактор.
ИИ уже достаточно широко заходит в промышленность, но важно различать два контура, отмечает инвестиционный аналитик SkCapital Алексей Филиппов. В первом случае речь идёт об универсальном бэк–офисе: CRM, продажи, поддержка клиентов, документооборот, HR и финансы, такие решения внедряются и пилотируются во многих секторах промышленности.
Однако тренд касается не только административных задач. Второй контур — это доменный ИИ в самих производственных процессах. Здесь искусственный интеллект активнее применяется в секторах с большим объёмом технологических данных и высокой ценой ошибки: металлургия, нефтегаз, химия, энергетика, машиностроение. При этом если предприятие слабо оцифровано, то внедрение объективно идёт медленнее.
"Подобных кейсов становится всё больше — от простых, уже устоявшихся сценариев для распознавания дефектов до технологического советчика: помощь в подборе составов и рецептур сплавов, моделирования новых материалов и молекул в фармацевтике, оптимизация режимов оборудования, расхода сырья и энергии, планирования загрузки и т. д.
Ключевое — это именно встраивание ИИ в бизнес–процессы. При этом основная сложность не просто "прикрутить" ИИ поверх существующих бизнес–процессов, но перестроить их таким образом, чтобы ИИ был неотъемлемой частью и органично встраивался в производство. При таком внедрении, как правило, и возникают самые интересные кейсы", — уточняет Филиппов.
Читайте также:
Навыки, ИИ, гибкость: как меняется рынок труда
Скрытное использование ИИ–инструментов на работе достигло небывалых масштабов
Беглов: стенд Петербурга на ПМЭФ-2026 отразит достижения в развитии ИИ
Жители юга Петербурга сообщили о взрывах в заливе после атаки БПЛА
Сигнал к действию: бизнес ждёт от ПМЭФ-2026 новых идей для оживления экономики
Где применяется и какие задачи решает
По словам главного инженера "Рокет Контрол" Павла Приходько, наиболее активно ИИ внедряется в добывающей и обрабатывающей промышленности — там, где производственный процесс непрерывен, данных много, а цена ошибки высока. В последние годы процесс активно идёт в горнорудной отрасли и металлургии. А машиностроение и лёгкая промышленность пока остаются на более ранней стадии — здесь ИИ больше начинает использоваться как контролёр качества процесса.
Нейрозавод
“
"Основной запрос — оптимизация технологических процессов в режиме реального времени. ИИ берёт на себя рутинные регулировки, которые оператор физически не успевает делать с нужной частотой, или пользуется тем преимуществом, что может смотреть сразу на всё и рано замечать, что скоро что–то изменится и режим надо регулировать. Второй массовый сценарий — предиктивная аналитика: система заранее видит отклонение и информирует о нём, когда оно стало проблемой. Третье направление, которое активно растёт прямо сейчас, — корпоративные ассистенты с доступом к производственным данным: вместо звонков по цепочке людей технолог просто задаёт вопрос системе и сразу узнаёт нужную информацию", — рассказывает эксперт.
Руководитель genAI–продуктов Just AI Андрей Грабарник выделяет три основных класса задач. Помимо предиктивной аналитики и управления оборудованием это контроль качества через компьютерное зрение и видеоаналитику, а также прогнозирование содержания и параметров сырья.
"Важный нюанс: сейчас мы наблюдаем стык классического ML (машинное обучение и генеративный ИИ). Производственный контур — это область классического ML, где нужна точность и воспроизводимость. GenAI заходит в непроизводственные зоны: документооборот, техподдержку, обучение персонала", — поясняет он.
Как посчитать эффективность
Эксперт перечисляет три критерия успешности проекта. Первый — это измеримый производственный эффект: рост выхода продукции, снижение брака, сокращение потребления энергии или простоев.
Во–вторых, это масштабируемость. Если решение работает на одной машине или одном переделе, но не может быть перенесено на соседний без полной переработки — это эксперимент, а не кейс, подчёркивает специалист.
Третий критерий — уровень встроенности в процесс, то есть насколько операторы и технологи реально используют систему в ежедневной работе, а не обходят её. "Это, пожалуй, самый недооценённый критерий: многие проекты технически работают, но организационно отторгнуты", — оговаривает Грабарник.
По словам Филиппова, в промышленности эффект от внедрения хорошо оценивается там, где есть привязка ИИ к конкретным бизнес–процессам и конкретным производственным KPI: брак, простои, расход сырья и энергии, выход годной продукции, скорость проектирования.
"В таком случае влияние считается достаточно точно. Но если говорить про эффект от “ИИ вообще”, на уровне всей компании он может быть размыт. Стоит понимать, что ИИ лишь один из факторов, а результат зависит ещё от загрузки, цен, оборудования и управленческих решений. Поэтому сейчас фокус смещается с общих тезисов про рост эффективности и т. д. в сторону точечных, но уже измеримых эффектов в отдельных производственных процессах", — добавляет эксперт.
А что в Петербурге
В условиях цифровой трансформации власти Петербурга рассматривают внедрение ИИ–технологий как один из ключевых факторов повышения эффективности. Искусственный интеллект оказывает существенное положительное влияние на производительность, отмечают в Смольном.
“
"Сегодня без ИИ невозможно развитие робототехники. Санкт–Петербург входит в число лидеров по роботизации в стране: на предприятиях города уже работают порядка 2 тыс. роботов. Глубокая степень роботизации достигнута в тяжёлом машиностроении (Обуховский завод, “Силовые машины”, Петербургский тракторный завод), на предприятиях “Росатома”, Объединённой судостроительной корпорации, ОДК “Климов” и у действующих автопроизводителей города. Высокую степень автоматизации демонстрируют также электроника, фармацевтика, пищевая промышленность и оборонно–промышленный комплекс. При этом модернизация основных средств предприятий остаётся ключевым инструментом повышения конкурентоспособности и производительности, а роботизация выступает катализатором технологической трансформации производственного сектора", — объясняет председатель комитета по промышленной политике, инновациям и торговле (КППИиТ) Александр Ситов.
Усилия города в том числе направлены на поддержку разработчиков. АО "Технопарк Санкт–Петербурга" оказывает поддержку малым инновационным компаниям, ориентированным на коммерциализацию разработок. Так, резидент парка "ЛМС" создал универсальную систему обмена данными между ИИ–агентами в автономных роботизированных системах. В перспективе это позволит разрабатывать автономные решения, способные делать оптимальные выводы в непрогнозируемых условиях.
"Сегодня экспорт цифровых решений из Санкт–Петербурга превышает 500 млн долларов США, и дальнейший рост продолжится за счёт адаптации продуктов под рынки Азии, Ближнего Востока и СНГ. Таким образом, комплексное внедрение искусственного интеллекта, цифровизация ключевых отраслей и поддержка инновационной экосистемы превращают Санкт–Петербург в один из главных промышленно–технологических центров страны, способный генерировать как внутреннюю эффективность, так и масштабный экспортный потенциал", — добавляет Ситов.
Кейсы петербургских промышленников
В начале мая на предприятии ОСК "Севмаш" запустили проект по анализу использования ИИ–технологий, который предполагает развёртывание нейросистемы во внутреннем контуре компании в рамках развития производственной системы на основе принципов процессного подхода.
Нейрозавод
"В настоящее время проводится перепроектирование процессов комплексной подготовки производства. На очереди процессы управления проектами и оперативного планирования работы цехов. Предполагается, что ИИ будет применяться также в области автоматизации нормирования труда, внутренней служебной переписки и других процессов. По мере накопления опыта сфера применения ИИ будет расширяться", — говорится в пресс–релизе.
Как отмечают на заводе, если за счёт обычной автоматизации процессов ожидалось повышение их эффективности на десятки процентов, то с использованием ИИ можно рассчитывать на кратные улучшения показателей. Можно предположить, что в случае успешности проекта его распространят на другие верфи ОСК, в том числе расположенные в Петербурге.
В Северной столице уже есть крупные промышленные предприятия, активно применяющие технологию. Так, Обуховский завод с 2025 года реализует проект "Гебион Д". Это система журналирования, позволяющая создать перечень событий (данных), которые возникли в зоне видеонаблюдения, и впоследствии выявить закономерность выполнения работ, ускорив и проконтролировав рабочий процесс.
"На основании данных, полученных по результатам ранее проделанных работ, составляется прогноз, демонстрирующий, сколько будет затрачено ресурсов и времени на выполнение новой задачи. При этом используются цифровые данные вместо эксплуатации физических объектов. Задача системы — выявить хронологическую последовательность процессов и внести её в архив данных для дальнейшего использования и анализа.
"Гебион Д" позволяет на основании имеющихся данных выявить, как выглядит типовой процесс и какие стадии должны быть пройдены для получения финального продукта. Он также анализирует данные, полученные с разных систем (оборудование, специальный источник, видеонаблюдение и события в других системах, например в системе документооборота), и структурирует информацию по времени в табличном формате", — рассказывают на предприятии.
Нейрозавод
Таким образом, система решает задачи контроля технологических процессов и отслеживания этапов создания финального продукта. При помощи неё предприятие фиксирует путь создания любого конечного изделия, учитывая различные аспекты — с помощью какого оборудования, из каких материалов, какова история поступления и т. д. Это даёт возможность повысить эффективность по целому ряду направлений: принятие управленческих решений, планирование производства, проектирование, модернизация, оптимизация и актуализация техпроцессов, экономические расчёты, расследование инцидентов качества и накопление информации по качеству, машинное обучение для дальнейшего использования ИИ.
Сейчас проект проходит стадию внедрения, система планируется для применения в виде компонента ситуационного центра или в качестве решения для наблюдения на промышленных предприятиях разных отраслей и на непромышленных объектах.
Производитель электроники и различного оборудования АО "Заслон" использует ИИ по нескольким направлениям. Одно из них — контроль качества изделий электронной промышленности, в том числе с выявлением дефектов печатных плат и электронных сборок.
"В таких задачах нейросетевые модели помогают автоматизировать первичный поиск отклонений, подсвечивать подозрительные зоны и снижать риск пропуска дефекта. Человек при этом остаётся в контуре принятия решений. Особенность таких задач в том, что дефекты могут быть редкими, а значит, не всегда есть возможность быстро собрать достаточный объём примеров брака для обучения модели. Поэтому перспективным является подход, при котором система обучается на “хороших” платах, то есть на эталонных изделиях, и далее ищет аномалии — отличия от нормы, которые требуют дополнительной проверки специалистом", — рассказывают в компании.
Кроме того, ИИ внедрён в цифровой инструмент "Табло", созданный для поиска и подбора электронных компонентов. Система позволяет повышать эффективность инженерной и закупочной работы, что напрямую влияет на производственный процесс.
Инструмент был разработан как маркетплейс электронных компонентов для инженеров и технологов в условиях усложнения логистики и поиска альтернативных компонентов. В дальнейшем для него был реализован чат–бот, который помогает пользователям искать компоненты по характеристикам и парт–номерам, проверять наличие и цены, формировать корзину и т. д.
Компания использует комбинированный подход к разработке ИИ–систем. Ко внутренней экспертизе предприятия относятся постановка задачи, понимание производственной и инженерной специфики, формирование требований к результату, проверка корректности работы системы.
Но отдельные программные компоненты, инструменты машинного зрения, семантического поиска или чат–боты могут разрабатываться с привлечением внешних технологических партнёров либо на базе готовых решений.
"Мы считаем технологию эффективной, но только при правильной постановке задачи и реалистичных ожиданиях. ИИ не заменяет полностью инженера, технолога или специалиста по качеству. Его задача — ускорить поиск, снизить рутинную нагрузку, обработать большой объём данных и подсветить варианты, на которые специалисту стоит обратить внимание. Внедрение ИИ на предприятии требует обучения персонала, но речь идёт не о полном переобучении, а о развитии дополнительных компетенций у специалистов. Сотрудники должны понимать, как работает система, какие у неё ограничения, как интерпретировать результаты, как проверять рекомендации ИИ и как действовать в спорных случаях", — подчёркивают в АО "Заслон".
