Скованные единой нейросетью
Как российская промышленность внедряет и оценивает ИИ-агентов
Более 50% российских промышленных предприятий уже утвердили стратегию по внедрению искусственного интеллекта (ИИ) в прошлом году. Дальше компании планируют масштабировать технологию, переходя к концепции агентов, способных взять на себя значительную часть операционной нагрузки. «Ъ-Технологии» разобрались, где промышленные компании уже внедрили ИИ-агентов и какие метрики используются для оценки их эффективности.
Фото: Пресс-служба Норникеля
Фото: Пресс-служба Норникеля
«Ъ-Технологии» ознакомились с исследованием Strategy Partners «Использование генеративного искусственного интеллекта (GenAI) в крупных промышленных компаниях в России», опубликованном в начале 2026 года. Из него следует, что 63% опрошенных предприятий уже утвердили стратегию по внедрению ИИ. Уже сейчас происходит сдвиг от пилотных проектов к промышленной эксплуатации, «включая внедрение референтных архитектур и кейсов, адаптированных под особенности промышленного масштаба и специфику производственных систем», говорят в Strategy Partners. Кроме того, будут развиваться отраслевые платформы с готовыми доменными моделями, обеспечивающие более быструю интеграцию GenAI в конкретные операционные процессы.
Внедрение на экономных основаниях
Впрочем, большинство промышленных российских компаний уже используют ИИ-агентов в ряде бизнес-процессов. Например, «Газпром нефть» применяет технологию в интерпретации геофизических данных на стадии поиска и оценки новых месторождений и участков, уточнил начальник отдела по цифровой трансформации разведки и добычи ПАО Вячеслав Захаров: «Здесь ИИ помогает нам точнее определять аномальные зоны и тектонические разломы, для корректной локализации запасов». Также агенты помогают анализировать и систематизировать проектную документацию предприятия. Так, организация сокращает срок освоения актива в два раза. «На этапе разработки месторождения ИИ-агенты помогают в реальном времени прогнозировать возможные аварийные ситуации в процессе бурения и регулировать режимы работы насосного оборудования в действующих скважинах, что в конечном счете позволяет увеличить добычу до 2% в среднем ежегодно»,— уточнили в компании.
В «Еврохиме» заверяют, что уже давно прошли этап точечных экспериментов с ИИ: «За нашими плечами уже более 60 внедренных проектов, которые доказали свою состоятельность экономическим эффектом, выраженным в миллиардах рублей». Так, компания масштабирует применение машинного обучения и генеративных технологий, последовательно переходя к концепции агентского ИИ, способного взять на себя значительную часть операционной нагрузки, отмечает руководитель департамента индустрии 4.0 предприятия Александр Котельников. В производственном контуре «Еврохима» системы мониторинга на основе ИИ в реальном времени выявляют отклонения, рекомендации помогают операторам оптимизировать технологические режимы, а предиктивная аналитика позволяет перевести обслуживание оборудования на модель предсказательного сервиса. В корпоративном блоке компания фокусируется на автоматизации работы с дебиторской задолженностью, внедрении интеллектуальных консультантов по нормативной документации и юридическим вопросам на базе больших языковых моделей (LLM), создании «более прозрачных» процессов закупок и логистики.
В «Норникеле» рассматривают агентов как последовательный шаг к интеграции ИИ в процессы компании, говорит директор по внедрению GenAI организации Наталья Артамонова. По ее словам, 80% основного технологического оборудования уже управляется технологией. «В генеративном ИИ мы перешли от пилотов к масштабированию: уже сейчас у нас развернуто более 100 ИИ-агентов, интегрированных в 30 бизнес-процессов, в том числе в проектировании, управлении запасами, финансово-экономических контролях»,— уточнила госпожа Артамонова.
Активно внедряет решения на базе генеративного ИИ и «Русал»: компания развивает собственную LLM-платформу, развернутую в инфраструктуре предприятия, рассказал директор департамента технологий ИИ ПАО Михаил Граденко. Среди одного из примеров разработанных мультимодельных сервисов топ-менеджер назвал корпоративный транскрибатор, который автоматически преобразует аудио- и видеозаписи рабочих встреч в структурированный текст, идентифицирует спикеров и формирует краткие отчеты с ключевыми решениями и задачами для участников. «Это существенно экономит время сотрудников на документирование итогов совещаний и повышает прозрачность принятия решений»,— считает господин Граденко.
В АЛРОСА рассматривают ИИ-агентов как следующий этап цифрового развития компании, в котором система помогает сотруднику не только получить ответ, но и пройти часть пути к результату в рамках конкретной бизнес-задачи. Свои первые пилоты в этом направлении предприятие запустило в конце первого квартала. «Это были сценарии для операционной поддержки и для управления капитальным строительством. Нам было важно не столько сразу масштабировать решение, сколько проверить саму гипотезу: могут ли механизмы на базе ИИ-агентов действительно приносить пользу в живых корпоративных процессах»,— уточнил директор по информационным технологиям АЛРОСА Вадим Желтухин. По его словам, в операционной поддержке такие инструменты позволяют быстрее находить и сверять информацию, в капитальном строительстве — анализировать большие массивы сметной документации.
Смета для заводов
Эффект от ИИ не всегда отражается в P&L (Profit and Loss Statement, показывает эффективность работы компании) мгновенно, указывают в «Еврохиме», однако именно операционные метрики — снижение вариативности процессов, рост выхода продукции и точность планирования — становятся фундаментом для долгосрочной экономики. «Уже сейчас мы видим двузначное снижение внеплановых простоев в предиктивных кейсах и значительную экономию сырья за счет оптимизаторов»,— заверил Александр Котельников. Цель предприятия — управляемая отдача: пилоты занимают три-шесть месяцев, а для тиражируемых решений мы ориентируемся на двузначный ROI (Return on Investment, коэффициент рентабельности инвестиций).
В проектах с ИИ-агентами итоговая экономическая эффективность оценивается на стыке различных метрик, иногда конфликтующих между собой, считает операционный директор Yandex Cloud (входит в Yandex B2B Tech) Александр Черников: «В таких проектах важно учитывать не только целевой эффект, но и влияние на смежные показатели, так как улучшение одной метрики может сопровождаться частичным ухудшением другой». Среди примеров топ-менеджер называет внедрение ИИ-агентов в автоматизацию клиентской поддержки. По его словам, в таких проектах важно сохранять баланс между тремя метриками: стоимость и время ответа должны уменьшаться, при этом не должен снижаться уровень удовлетворенности пользователя. Второй аспект связан с тем, что агент работает в постоянно изменяющихся условиях, отмечает он: «Это значит, что качество работы агента, значение метрик и необходимость донастройки агента важно отслеживать регулярно. Без этого эффекты, предполагаемые на этапе пилота, могут не проявиться при полноценном внедрении».
Экономический эффект от внедрения ИИ-агентов, как и от любого технологического инструмента, зависит в первую очередь от глубины внедрения и качества его использования в бизнес-процессах, напоминает Вячеслав Захаров: «Наша основная задача — это повышение эффективности основного бизнеса, следовательно, и эффект от внедрения ИИ мы рассматриваем совместно с изменением бизнес-процессов, операционной модели, качества и логики принимаемых решений. В такой постановке эффект очевиден, и мы его уже сейчас видим на нашем бизнесе». Например, после внедрения инструментов предиктивной аналитики аварийных ситуаций в бурении компания отметила снижение удельного числа происшествий на сложных скважинах до 12%: «Предотвращение конкретной аварии при бурении скважины может принести эффект в сотни миллионов рублей, что сразу окупит все инвестиции на создание ИИ-агента».
«В части эффектов: на этом этапе для нас важно не переусложнить старт избыточными расчетами. Мы только начали переносить ИИ-агентов в реальные корпоративные процессы, и сейчас ключевая задача — не потерять темп, проверить работоспособность подхода на практике и понять, где именно он дает наибольший эффект»,— говорят в АЛРОСА. Следующий этап, как отмечают в компании,— переход от пилотов к более широкому внедрению. Здесь для крупной промышленной компании принципиально важно опираться уже не на демонстрационные примеры, а на реальные данные из действующих корпоративных систем, заверяет ее представитель: «С технологической точки зрения сегодня мы строим работу на базе Yandex Cloud, используя готовую платформенную основу и создавая поверх нее собственные прикладные решения. После того как будут последовательно решены вопросы информационной безопасности и инфраструктуры, мы рассчитываем до конца 2026 года запустить уже десятки агентных сценариев — прежде всего в тех бизнес-вертикалях, где данные находятся в достаточно зрелом и структурированном состоянии».
В «Русале» при оценке эффективности ориентируются на операционные показатели, в частности на экономию времени сотрудников на выполнение рутинных задач и количество автоматически обработанных запросов, уточнил Михаил Граденко. На их основании предприятие может определить снижение стоимости обработанных запросов с помощью сервисов в сравнении с ручной обработкой и общее снижение операционных издержек. По словам Натальи Артамоновой, в «Норникеле» ожидают, что эффект от внедрения генеративного ИИ в течение нескольких лет достигнет уровня, сопоставимого с эффектами от машинного обучения и компьютерного зрения, которые уже приносят компании более $100 млн «новых дополнительных эффектов каждый год».