Excel-таблицы, интуиция опытного диспетчера и авральные совещания по пятницам. Знакомая картина для любого производственного предприятия? Вопрос о переходе к автономному планированию сегодня звучит уже не как «когда-нибудь», а как «сколько можно ждать».

Давайте разберёмся, где мы находимся на этом пути — от ручного управления к заводу, который планирует сам.

Человек или машина: разрушаем мифы

В массовом сознании «автономное планирование» — это чёрный ящик: на входе заказ клиента, на выходе — идеальный график работы станков без участия человека. В реальности всё прозаичнее и сложнее.

Современные системы планирования — это не замена специалиста, а его усиление. Искусственный интеллект здесь выступает в роли сверхмощного аналитика, способного переварить терабайты данных за секунды.

Концепция «цифровой панели планирования», предложенная немецкими исследователями из Института Фраунгофера, отлично иллюстрирует этот подход. Алгоритм мгновенно проверяет тысячи скрытых ограничений (готовность оборудования, наличие сырья, квалификацию персонала) и предлагает оператору несколько оптимальных вариантов графика. Но финальное решение и ответственность всегда остаются за человеком. Это принципиально важный момент, который снимает главную фобию индустрии — страх перед полной заменой людей машинами.

Российская специфика: между желанием и реальностью

В России путь к интеллектуальной автоматизации уже начался, но идёт с присущей нам осторожностью. Согласно совместному исследованию Фонда «Сколково» и АНО «Цифровая экономика», промышленность демонстрирует сдержанный интерес к генеративному ИИ. Компании активно пилотируют решения, но тормозят их масштабирование. И дело тут вовсе не в технологиях.

Главные барьеры внедрения:

  • Кадровый вопрос

Около половины компаний называют главной проблемой сопротивление персонала. Люди боятся не того, что алгоритм ошибётся, а того, что их заменят. Преодолеть этот психологический барьер сложнее, чем настроить нейросеть.

  • Качество данных

Если ваша учётная система содержит ошибки и пропуски, то самый умный ИИ построит идеальные планы на основе искажённой картины мира. Результат будет прямо противоположным ожидаемому.

  • Экономика и безопасность

Треть компаний упираются в вопросы информационной безопасности и сложность оценки ROI. Внедрение ИИ — серьёзная инвестиция, отдачу от которой трудно просчитать заранее.

Тем не менее, инженеры не ждут «волшебной таблетки» и строят гибридные системы, которые дают результат здесь и сейчас.

  • Гибридные модели: сочетание генеративных моделей с графовыми представлениями производственной сети. Такой ИИ понимает не просто последовательность операций, а всю топологию завода со связями между цехами, складами и логистикой.

  • Большие языковые модели (LLM): вместо жёсткого программирования каждого сценария LLM используются для перевода неструктурированных запросов («сделать партию красных деталей срочно») на язык производственных систем.

  • Сценарное моделирование: российские решения, основанные на математическом аппарате линейного программирования Л.В. Канторовича, уже показывают впечатляющие результаты. Например, система «ИИ-Канторович» в пилоте на косметическом производстве сократила время расчёта оптимального плана до 2–3 минут, дав экономию свыше 3% в затратах. Это сотни миллионов рублей в год для крупного предприятия.

Когда наступит завтра?

По оценкам исследователей из «Сколково», массовый переход выглядит так:

  • 1–2 года: широкое внедрение адаптивных моделей для сценарного анализа. Диспетчер сможет за секунды просчитывать последствия любой поломки или срыва поставки.

  • 2–3 года: появление высокоточных моделей, работающих в паре с цифровыми двойниками производств. ИИ сможет предсказывать эффект от изменений ещё до их реального воплощения.

  • 3–5 лет: формирование отраслевых решений и центров компетенций, где будет накапливаться качественная производственная статистика для обучения новых поколений моделей.

Кейсы: кто и что уже делает

Теория теорией, но самое интересное — практика. Вот краткая выжимка из исследования Фонда «Сколково» и АНО «Цифровая экономика» (2025 г.) и открытых источников.

Металлургия и добыча

  • US Steel + Google: приложение MineMind помогает техникам устранять неисправности карьерных самосвалов, сокращая время простоя на 20%.

  • South32 (Австралия): ИИ анализирует состав руды в реальном времени, максимизируя выход марганца и минимизируя отходы.

  • Botswana Diamonds: генеративный ИИ проанализировал 380 ГБ геологических данных и нашёл семь новых перспективных участков для поиска алмазов.

  • Северсталь (Россия): чат-бот на базе ИИ проводит аудит процессов ТОиР. Время анализа сократилось с 60 человеко-дней до одного.

  • НЛМК (Россия): использование ИИ-помощников ускорило разработку ПО на 53%, а выполнение запросов на изменения — на 34%.

Химия и нефтехимия

  • СИБУР (Россия): совместно со Сбером проектирует новые полимеры через цифровое моделирование, заменяя часть лабораторных экспериментов.

  • Газпромнефть + ИТМО: интеллектуальная агентная система автоматизирует бизнес-планирование на больших горизонтах в условиях неопределённости.

  • Татнефть + ИТМО: цифровой ассистент «Акела» повышает эффективность планов на 30% и сокращает трудозатраты на планирование в 16–20 раз.

Машиностроение

  • Rolls-Royce: с помощью ИИ разработал новый сплав, сократив количество натурных экспериментов на 90%.

  • LEAP 71 (ОАЭ): спроектировала и успешно испытала ракетный двигатель Aerospike, созданный нейросетью с нуля за три недели.

  • Siemens: промышленный копилот для инженеров по обслуживанию экономит до 25% времени на ремонтные работы.

Строительство

  • Роснефть + ИТМО: решение для проектирования арктических портовых комплексов сокращает этап концептуального проектирования в 10 раз.

  • ДОМ.РФ + Rocket Group: ИИ-платформа генерирует концепции застройки территорий в десятки гектаров за минуты, позволяя прорабатывать более 20 вариантов в день.

Мы в Creative Way видим эту картину каждый день. Кто-то только начинает аудит данных, кто-то уже встраивает ИИ-модули в работающие ERP-системы. И почти всегда главным узким местом оказывается нехватка компетенций и грязные данные. Хотя именно здесь лежит самая быстрая точка роста, которая окупается в первые же месяцы после проекта.