Как внедрить ИИ на производстве: пошаговый план для руководителя

Начальник смены Ленинградского металлургического завода тратит 40 минут каждое утро на заполнение сменного отчёта. Вручную переносит показатели оборудования в шаблон Word, описывает инциденты своими словами, сверяет с журналом ОТБ. Эта работа существует с 1970-х и не изменилась ни на минуту. ИИ может сократить её до десяти минут. Сложная часть – не технология. Сложная часть – с чего начать.

Почему ИИ на производстве – не роботы и не IoT

Когда топ-менеджеры промышленных предприятий слышат «ИИ на производстве», первая мысль – автоматизация линий, компьютерное зрение на контроле качества, предиктивное обслуживание оборудования. Это существует и работает, но требует от 6 до 24 месяцев внедрения, интеграции с PLС, иногда замены оборудования и серьёзных бюджетов.

Генеративный ИИ – принципиально другой разговор. Он работает с текстом, а производство утопает в тексте. Сменные отчёты. Рекламации поставщикам. Заявки на ремонт. Карты дефектов. Журналы ОТБ. Протоколы оперативок. Ни один из этих документов не управляет конвейером напрямую – но каждый требует времени инженера или руководителя, которое тот тратит на структурирование информации, а не на решение технических задач.

По данным McKinsey, около 25% ожидаемой экономической ценности от генеративного ИИ приходится на производство и цепочки поставок. В программе Lighthouse – фабрики-образцы, которые McKinsey сертифицирует как наиболее передовые в мире – каждый новый участник сейчас пилотирует GenAI именно для этого слоя: авто-генерация PFMEA, «советник технолога», помощник конструктора.

Идея простая: ИИ берёт на себя бумажный слой вокруг производственных операций. Не управляет станком – но помогает описать, что с ним случилось.

Это означает, что порог входа значительно ниже, чем принято считать.

Кто уже это делает: кейсы российских заводов

Удивительно, но пионерами оказались именно российские промышленные компании – во многом потому, что развитие GigaChat дало готовый корпоративный инструмент с поддержкой on-premise развёртывания.

СИБУР в партнёрстве со Сбером запустил два направления. Первое – диагностический ИИ-ассистент для инженеров по обслуживанию: специалист описывает симптомы оборудования в текстовом чате, система предлагает гипотезы неисправностей и шаги ремонта. Второе – оптимизатор закупок: ИИ подбирает аналоги деталей из доступного ассортимента поставщиков, что стало критически важным после 2022 года. Оба инструмента построены на GigaChat.

ГК Цифра – один из крупнейших разработчиков промышленного ПО в России – интегрировала GigaChat в свою платформу ZIIoT. Результат: производственный персонал может задавать вопросы о данных оборудования на естественном языке, не зная SQL и не обращаясь в ИТ-отдел. Система автоматически генерирует дашборды и отчёты по текстовому запросу. По данным разработчиков, это дало плюс 20% к операционной эффективности и минус 15% времени на аварийный ремонт.

Северсталь – самый показательный пример масштаба. Больше тысячи сотрудников использует генеративный ИИ ежедневно, за восемь лет компания запустила более 60 AI-решений. Включая цифровые тренажёры для обучения персонала.

Это не пилоты в лаборатории. Это работающие системы на живых заводах. И все они начались с одной простой задачи.

Компании, которые начали внедрение системно, а не хаотично, видят принципиально другие результаты. Как показывает исследование MIT о разрыве между организациями в GenAI, разрыв между лидерами и отстающими определяется не бюджетом и не технологиями – он определяется наличием структуры.

Парадокс, не правда ли? Заводы с жёсткими регламентами и стандартами ТБ часто внедряют ИИ менее системно, чем стартапы без единого процесса.

Шаг 1. Выберите одну задачу из «бумажного слоя»

Правило первого шага жёсткое: одна задача, не пять. Производственные руководители часто думают масштабно – хочется сразу автоматизировать и ОТБ-документацию, и закупочные заявки, и отчётность для холдинга. Это путь к тому, что ничего не заработает.

Вот задачи, которые хорошо работают в качестве старта:

• Сменный отчёт – голосовая заметка или черновые записи -> структурированный документ с разделами по оборудованию, инцидентам, качеству, незакрытым вопросам. Идеально для первого опыта: повторяется ежедневно, результат виден сразу.
• Еженедельная сводка по ОЭО (общая эффективность оборудования) – экспорт из MES или SCADA -> причинный анализ трёх главных простоев с предложениями по устранению.
• Рекламация поставщику – описание дефекта + паспорт изделия -> черновик официальной претензии в нужном формате.
• Карта дефектов – словесное описание контролёра ОТК + фотография -> структурированная запись для PFMEA.
• Оперативка в понедельник – данные производства за прошлую неделю -> повестка встречи с ключевыми цифрами и вопросами.
• Акт расследования происшествия – собранные факты в произвольном порядке -> структурированный отчёт по форме.

Полезный тест для выбора: задача должна повторяться минимум раз в неделю и занимать больше 20 минут механической работы. Это значит, что улучшение будет ощутимо уже через несколько дней.

Шаг 2. Выберите инструмент с учётом требований безопасности

Производство – это не офис. Здесь действуют требования к хранению данных, соответствию ФЗ-152, часто – режим коммерческой тайны. Поэтому выбор инструмента начинается не с функциональности, а с вопроса о данных.

Для большинства российских производственных предприятий правильный выбор – GigaChat. Сбер предоставляет бесплатный веб-доступ для тестирования (gigachat.ru), 15 тысяч бизнес-клиентов включают СИБУР, Уралхим, ФосАгро. При необходимости – on-premise развёртывание на серверах предприятия, данные вообще не уходят за периметр.

Отдельный разговор – DeepSeek. Модель с открытым кодом, которую можно запустить через Ollama на любом сервере предприятия, даже без интернета. Подходит для объектов с полным изолированием сети. Наш подробный разбор DeepSeek поможет оценить возможности модели на управленческих задачах.

Обзор GigaChat и его возможностей – а также YandexGPT – читайте в отдельных статьях. Для первого шага достаточно бесплатной веб-версии GigaChat. ИТ-отдел не нужен.

Шаг 3. Напишите первый запрос – на примере сменного отчёта

Это самый важный раздел статьи. Всё остальное – контекст. Здесь – то, что можно сделать сегодня.

Представьте: конец смены на механообрабатывающем участке. Начальник смены Алексей наговорил в телефон голосовую заметку и набросал несколько строк в блокноте. Вот что у него есть:

«Смена 2, 22 мая. Токарный станок DMG CTX420 – с 09:30 до 11:00 простой из-за замены инструмента Т3, раньше срока износился. Потеря 12 деталей плана. Фрезерный ОЦ Haas VF-2 работал штатно весь день. Обнаружили задиры на партии 40 валов (зав. номера 2241–2280) – передали в ОТК, ждём решения. Выработка – 87% от плана. Бригадир Петров жалуется на вибрацию шпинделя на токарном ЧПУ Mazak QT-350, надо проверить завтра. Всё нормально, без происшествий по ОТБ.»

Теперь промпт для GigaChat. Хороший промпт для производственной задачи состоит из пяти элементов: роль исполнителя, контекст (специфика производства), задача, формат вывода, ограничения.

Ты – опытный начальник цеха на машиностроительном предприятии.

Контекст: Механообрабатывающий участок, трёхсменный режим. Станочный парк включает токарные и фрезерные обрабатывающие центры. Отчёт идёт начальнику цеха и в систему 1С:Производство.

Задача: Преобразуй мои черновые записи о смене в структурированный сменный отчёт.

Формат:
1. Сводка смены (3–4 предложения: дата, смена, итог по выработке)
2. Состояние оборудования (список с кодами станков, статус, проблемы, необходимые действия)
3. Качество (инциденты, переданные в ОТК, номера партий)
4. Незакрытые вопросы (что нужно сделать в следующую смену)
5. ОТБ (происшествия или их отсутствие)

Ограничения: используй только факты из моих записей, не додумывай. Если информация неполная – укажи «требует уточнения».

Мои записи:
[вставить голосовую заметку / черновые записи]

Что получается на выходе – структурированный отчёт минут за 2–3 вместо 30–40. Важно: результат надо прочитать. Если ИИ что-то додумал или перепутал цифры – исправьте и обновите промпт. Со второй-третьей попытки шаблон становится точным.

Вот что стоит проверить в первом результате:

• Все ли номера оборудования совпадают с тем, что в записях?
• Не добавил ли ИИ «несуществующих» деталей в раздел качества?
• Соответствует ли формат тому, что принято в компании?

Принцип промпта – тот же, что работает на управленческих задачах в IT: чёткая роль, конкретный контекст, явный формат. Разница только в содержании – вместо спринта и Jira здесь смена и станочный парк.

Структуру эффективного промпта подробнее разбираем в основах построения запросов.

Шаг 4. Преодолейте сопротивление на площадке

Здесь производство отличается от IT-компании принципиально. Сопротивление другое по природе и требует других ответов.

«ИИ заменит рабочих» – самое распространённое опасение. Важно понимать, откуда оно берётся: за последние 30 лет автоматизация на многих предприятиях действительно означала сокращение. Доверия к новым технологиям немного.

Ответ здесь не убеждение, а демонстрация. Попросите начальника смены попробовать инструмент на одном отчёте – не рассказывайте, что произойдёт. Когда он видит, что 40 минут превратились в 10, а «думать» всё равно пришлось ему – реакция меняется. ИИ берёт на себя набор текста, а не производственное суждение.

«Наши данные конфиденциальны» – законное беспокойство, и оно закрывается выбором инструмента. GigaChat в cloud-версии хранит данные в российских ЦОД, подписан под ФЗ-152. DeepSeek через Ollama не отправляет данные вообще никуда – сервер на предприятии, интернет не нужен.

«У нас нет ИТ-отдела для этого» – хорошая новость: для первого шага ИТ не нужен. Веб-браузер, учётная запись в GigaChat, промпт. Больше ничего. ИТ понадобится позже – когда результат докажет ценность и придёт время интегрировать с 1С или SAP.

«Наши люди не освоят» – интересно, что данные не подтверждают этот страх. BCG в 2025 году зафиксировал, что использование GenAI среди линейных сотрудников остановилось на 51% против 78% у менеджеров. Главная причина – недостаточное качество обучения, не отсутствие способностей. Те, кого нормально учат, осваивают инструмент.

Практическая рекомендация: начните с одного начальника смены, которому вы доверяете и который сам немного интересуется технологиями. Не объявляйте корпоративный проект, не проводите обязательный тренинг для всех. Дайте одному человеку попробовать месяц – и потом покажите его результаты коллегам. Горизонтальное распространение работает лучше директивного.

Это же наблюдение подтверждает анализ того, почему трансформации с ИИ не дают результата: организационные и культурные барьеры, как правило, важнее технических.

Шаг 5. Измерьте и масштабируйте

Без измерений внедрение остаётся экспериментом. С измерениями – превращается в аргумент для следующего шага.

Метрики, которые имеют смысл на производстве:

• Время подготовки сменного отчёта (до / после) – легко измерить, результат очевиден
• Количество рекламаций поставщикам в месяц (быстрее оформляем = больше отправляем = быстрее решаем проблему)
• Время от инцидента до оформленного акта (фиксирует скорость бумажного процесса)
• Субъективная оценка руководителя смены по пятибалльной шкале – проще, чем кажется, и достаточно информативна

Через 3–4 недели после того, как одна задача заработала стабильно, берёте вторую. Хорошая последовательность для производства:

1. Сменный отчёт (неделя 1–2 на отработку промпта)
2. Рекламация поставщику или акт дефекта (неделя 3–4)
3. Еженедельная сводка по ОЭО (месяц 2)

На этом этапе стоит подумать, нужна ли деловая обоснование для ИТ-бюджета – скажем, для интеграции с 1С:Производство через API. Три работающих кейса с измеримой экономией времени – достаточный аргумент для такого разговора.

Вот тут начинается самое интересное. Скрытый эффект – не только время. Когда начальник смены перестаёт тратить 40 минут на набор текста, он тратит эти 40 минут на обход участка или разговор с бригадиром. Это качественный сдвиг, который не всегда виден в цифрах, но ощущается на площадке.

Чек-лист: первые 30 дней на производстве

Неделя 1 – разведка:

• Выбрать одну задачу из «бумажного слоя» (идеально: сменный отчёт)
• Открыть gigachat.ru, создать учётную запись
• Написать первый промпт по шаблону из шага 3
• Попробовать на реальных данных одной смены

Неделя 2 – отработка:

• Уточнить промпт по результатам первой попытки (обычно нужна одна-две правки)
• Замерить время: сколько занимало раньше, сколько сейчас
• Записать наблюдения: что ИИ делает хорошо, где нужна ручная правка

Неделя 3 – расширение:

• Показать инструмент двум-трём коллегам (без обязаловки)
• Собрать их промпты и сравнить подходы
• Если задача работает – зафиксировать шаблон промпта письменно

Неделя 4 – решение о следующем шаге:

• Оценить результат: есть ли измеримая экономия времени?
• Выбрать вторую задачу из списка
• Решить: нужен ли разговор с ИТ-отделом об интеграции?

По оценкам, скрытый «налог» на неэффективность съедает до 40% потенциальной экономии от ИИ там, где внедрение идёт хаотично. Структура первых 30 дней – это и есть защита от этого эффекта.

Промпты для производственных задач следуют той же логике, что и для сравнения инструментов в общем: важна не модель, а качество формулировки задачи.

Производство отличается от офиса темпом, условиями и культурой – но не природой «бумажного слоя» вокруг операций. Начальник смены тратит столько же времени на отчётность, сколько менеджер проекта – на статусы. ИИ одинаково хорошо работает в обоих случаях, если задача сформулирована чётко.

Самое неожиданное, что я слышу от производственных руководителей, которые уже попробовали: главная ценность – не сэкономленные минуты. Главная ценность – что документ получается одинакового качества, независимо от того, устал человек в конце смены или нет.

Читайте также

$20 или $400 в месяц: сколько реально стоит AI для dev-команды

Как внедрить ИИ в работу команды: пошаговый план для IT-менеджера

GigaChat для работы: как выжать максимум из того, что есть

Microsoft WTI 2026: сотрудники готовы к ИИ, а компании – нет