Нейросеть не остановит брак на линии, не предскажет поломку пресса и не оптимизирует загрузку станков, если у вас нет датчиков, размеченных данных за годы и людей, которые умеют с ними работать. Об этом честно не пишут ни вендоры промышленных платформ, ни статьи про «ИИ на производстве» — там показывают цифровые двойники заводов, где уже есть всё перечисленное. Для производства на пятьдесят или триста человек это чужие истории. Своя история у него другая, и она тоже про деньги: между заказом клиента и отгрузкой лежит офис при цехе, и в нём работа с документами занимает больше времени, чем в цехе работа с металлом.
Разбираю два класса проектов раздельно: что даёт эффект за недели без датчиков и дата-сайентистов, и что требует другого проекта. Если про агентов ничего не известно, сначала что такое ИИ-агент, потом сюда.
Два класса проектов, которые нельзя смешивать
| Агент для офиса при цехе | Промышленный ИИ | |
|---|---|---|
| Что делает | заявки, спецификации, документация, отчёты, ответы | предсказание отказов, контроль качества по видео, оптимизация загрузки |
| Что нужно | доступ к письмам, файлам и учётной системе | датчики, история данных, размеченные примеры, команда |
| Срок до эффекта | недели | месяцы, часто год |
| Цена ошибки | обратимая: черновик, который проверит человек | дорогая: остановка линии, брак, ложные тревоги |
| Кто делает | разработчик агентов | интегратор с отраслевым опытом плюс своя команда |
| Технология | языковые модели с функциями и файлами | машинное обучение на числовых рядах и изображениях |
Оба класса называют «ИИ для производства», и это главный источник разочарований: компания ждёт первого, покупает второе, через год имеет пилот и ту же ручную работу. Или наоборот: хочет предсказывать поломки и получает чат-бота. Дальше — про первый класс, потому что он доступен любому производству сегодня; про второй — коротко и честно, чтобы было с чем сравнивать.
Где уходит время между заказом и отгрузкой
Если посмотреть на неделю отдела продаж, снабжения и технолога небольшого производства, картина повторяется от предприятия к предприятию.
Заявка от клиента приходит письмом со спецификацией в таблице или PDF, иногда с чертежом. Менеджер перебивает позиции в учётную систему, уточняет у технолога, можно ли сделать, считает срок. Дилер спрашивает про совместимость и параметры — менеджер ищет в паспорте изделия. Снабжение сверяет счёт поставщика со спецификацией. Мастер пишет сменный отчёт в таблице, начальник производства сводит их в один. Технолог отвечает на вопросы, ответы на которые есть в инструкциях, но их никто не читает.
Всё это — чтение, извлечение, сопоставление, ответы по документам. То, что языковая модель умеет, и то, ради чего её стоит подключать на производстве.
Четыре задачи, которые закрываются за недели
Разбор заявок и спецификаций. Письмо со спецификацией превращается в структурированный список позиций: наименование, параметры, количество, срок. Модель читает файл напрямую — хранилище GigaChat принимает pdf, doc, docx, xlsx и изображения (работа с файлами, проверено 8 сентября 2026 года) — и заполняет карточку по JSON-схеме с обязательными полями (структурированный вывод, проверено 8 сентября 2026 года). Дальше код сверяет позиции с номенклатурой и создаёт заказ черновиком в учётной системе; менеджер проверяет и подтверждает. Перебивка исчезает, ошибки перебивки тоже.
Ответы по технической документации. Паспорта изделий, инструкции, регламенты, каталоги — база, по которой модель отвечает сотрудникам и дилерам: «какой момент затяжки», «совместимо ли с такой-то серией», «какой срок хранения». Ответ только по найденным фрагментам со ссылкой на документ и страницу; чего в документах нет, модель не знает и говорит об этом. Устройство — в статье про RAG. Для дилеров это ещё и канал: бот в мессенджере, который отвечает по документации круглосуточно, снимает с технолога половину звонков.
Сверка документов. Счёт поставщика со спецификацией закупки, акт отгрузки с заказом, две версии спецификации от клиента. Модель находит расхождения по позициям, количествам, ценам и срокам, код формирует отчёт, человек решает. Механика та же, что для любых документов компании, разобрана в статье ИИ для документов.
Отчёты и черновики. Сменный отчёт из данных учётной системы и записей мастера, сводка для начальника производства, письмо клиенту о статусе заказа по данным из системы. Черновик, который человек правит, а не финал. Для 1С это подключение по OData и HTTP-сервисам платформы — разобрано в статье про ИИ-агента для 1С.
Общее правило всех четырёх: модель нигде не принимает решений и не пишет в систему без подтверждения. Ошибка модели остаётся в черновике; ошибка процесса, где проверки нет, попадает в заказ.
Где языковая модель не работает на производстве
Три задачи, которые просят чаще всего и которые не решаются агентом.
Расчёты. Модель не считает надёжно: складывает двадцать позиций с ошибкой в одной. Себестоимость, нормы расхода, загрузку считает учётная система или таблица, модель только формулирует ответ по готовому числу. Как модели ошибаются в расчётах, показано на примерах в статье про ИИ в финансовой аналитике.
Технологические решения. «Можно ли сделать эту деталь из другого сплава» — вопрос технологу. Модель может найти в документации, что написано про сплав, но не может оценить, выдержит ли деталь. Ответ по памяти будет уверенным и может быть неверным.
Всё, что требует данных с оборудования. Об этом отдельно.
Промышленный ИИ: что нужно, чтобы он заработал
Предиктивное обслуживание. Предсказание отказа по данным датчиков: вибрация, температура, ток. Работает, когда есть датчики на оборудовании, история показаний и отказов за годы, и команда, которая строит модель и следит за ней. На производстве, где датчиков нет, проект начинается не с ИИ, а с них — и первые данные, пригодные для обучения, появляются через год. Это честная оценка, а не отговорка.
Контроль качества по видео. Камеры на линии, размеченные примеры брака в тысячах, освещение, дообучение под ваш продукт. Для крупных серий окупается, для мелкосерийного и позаказного производства обычно нет: продукт меняется быстрее, чем накапливаются примеры.
Оптимизация загрузки и планирование. Требует чистых данных о заказах, операциях, ресурсах и времени — то есть работающей учётной системы с дисциплиной ввода. Если сменные отчёты пишутся в тетради, оптимизировать нечего; и вот здесь агент из первого класса становится первым шагом ко второму: он делает данные, которых потом хватит для планирования.
- Заявки и спецификации в учёт
- Ответы по документации дилерам и сотрудникам
- Сверка счетов, актов, спецификаций
- Сменные отчёты и сводки
- Побочно: чистые данные в системе
- Предсказание отказов по датчикам
- Брак по видео на линии
- Оптимизация загрузки по чистым данным
- Интегратор с отраслевым опытом
- Отдельный бюджет и отдельный проект
Данные производства: чертежи, рецептуры, права
Чертежи, рецептуры, технологические карты, спецификации — коммерческая тайна первого порядка, и часто под соглашением с заказчиком. Отправлять их в сервисы с хранением за рубежом или обучением на данных нельзя; персональные данные сотрудников и контрагентов в документах регулирует ещё и закон (152-ФЗ, проверено 8 сентября 2026 года).
Два рабочих варианта: российское облако по договору с юрлицом — GigaChat или Yandex AI Studio — и модель в контуре предприятия. Для производств с секретами второй вариант часто не выбор, а условие; что он даёт и чего стоит, разобрано в статье про локального ИИ-агента.
Права. Агент работает под отдельной учёткой с доступом только к нужным документам и объектам учёта, читает сам, записывает с подтверждением. Он читает письма от контрагентов, и в письме может стоять инструкция для модели; пока модель только извлекает и отвечает, инъекция даёт неверный черновик, который заметит человек. Подробно — в статье про атаки на ИИ-агентов.
Сколько стоит
Агент под одну задачу. Разбор заявок, или ответы по документации, или сверка — недели разработки: схема, подключение к почте и учётной системе, база документов, отдельная учётка, прогон на архиве. Вилка и состав — в статье сколько стоит ИИ-агент.
Модель. У GigaChat для юрлиц Lite стоит 0,065 ₽ за тысячу токенов, Pro — 0,5 ₽, Max — 0,65 ₽ при минимальном платеже 600 ₽ в месяц (тарифы, проверено 8 сентября 2026 года). Спецификация на две страницы — две-три тысячи токенов, разбор стоит рубли на старшей модели. Ответ дилеру по документации — копейки.
Промышленный ИИ. Считается отдельно и не в этой статье: оборудование, сбор данных, команда, интегратор. Единственное, что стоит сказать здесь: не смешивать бюджеты. Агент для заявок не должен ждать, пока купят датчики, а датчики не оправдываются экономией на перебивке заявок.
С чего начать
- 1Неделя наблюденийзаявки, документы, вопросы технологу и продажам: что руками и сколько раз
- 2Одна задачаразный вход, обратимая ошибка: разбор заявок или ответы по документации
- 3Доступ и правапочта, файлы, учётная система под отдельной учёткой; модель в РФ или в контуре
- 4Прогон на архиве30–50 прошлых заявок: сходится ли с тем, что ввели люди
- 5Часть потоказапуск на доле заявок, журнал, правила дописываются; данные копятся для второго класса
Как выбирать процессы и считать эффект в компании вообще — в статье как автоматизировать бизнес-процессы; как уложить первый и второй класс проектов в план на год, не смешивая бюджеты, — в стратегии внедрения ИИ.
Сценарии по типам производств
Где именно уходит время, зависит от того, как устроено производство: позаказное или серийное, с дилерами или с прямыми клиентами.
| Тип производства | Где уходит время в офисе | Первый сценарий | Второй сценарий |
|---|---|---|---|
| Позаказная металлообработка | разбор чертежей и спецификаций из писем, расчёт срока | заявка со спецификацией в учёт с пометкой позиций вне номенклатуры | ответы клиентам о статусе заказа по данным системы |
| Мебельное производство | замеры и пожелания в свободной форме, согласование эскизов | извлечение параметров заказа из переписки в карточку | напоминания клиенту об этапах и сроках |
| Пищевое производство | заявки от сетей в таблицах, сверка с отгрузками | сверка заявки с отгрузочными документами | ответы по срокам годности и составу из спецификаций |
| Полиграфия и упаковка | техтребования к макетам, тиражи, повторные заказы | чек-лист требований из письма клиента, «как в прошлый раз» по истории | сверка счёта с заказом |
| Серийная сборка с дилерами | вопросы дилеров по документации, гарантийные обращения | бот для дилеров по паспортам и инструкциям со ссылкой на страницу | разбор гарантийных обращений в заявку |
| Строительные материалы | запросы КП с объёмами, сертификаты по запросу | заявка на КП в CRM с извлечёнными объёмами, отправка сертификатов по номенклатуре | сверка накладных с заказами |
Ни в одной строке нет станков. Это не значит, что в цехе нечего улучшать, — это значит, что первые эффекты от ИИ на производстве без своей команды по данным лежат в офисе, и они измеримы в часах за первую неделю. Как строительная компания работает со сметами и документацией — тема отдельного разбора; принцип тот же, что и здесь.
Как считать эффект до внедрения
Две цифры, которые есть у любого производства, и они честнее любых обещаний.
Часы на перебивку и сверку. Сколько времени в неделю менеджеры и снабжение тратят на перенос заявок и спецификаций в систему и на сверку документов глазами. Считается по журналу за неделю, не по ощущениям. Агент забирает большую часть, и это прямая экономия, которую легко проверить через месяц.
Скорость ответа клиентам и дилерам. Сколько проходит от письма с заявкой до ответа с подтверждением, и сколько от вопроса дилера до ответа технолога. Заявка, на которую ответили через час, а не через день, — это не экономия, а выручка, и её тоже видно через месяц по журналу.
Если обе цифры маленькие — производство работает с десятком постоянных клиентов по телефону, — агент не нужен, и я скажу об этом на разборе. Если большие — первый сценарий окупается за месяцы, и с него начинается накопление данных для всего остального.
Что делаю я
Делаю для производственных компаний агентов первого класса: разбор заявок и спецификаций в учётную систему, ответы дилерам и сотрудникам по технической документации, сверку документов, отчёты по данным систем — с российской моделью по договору или в контуре, отдельной учёткой и записью только с подтверждением. Промышленный ИИ с датчиками и видео не продаю и честно говорю, когда до него ещё нужно собрать данные. Это часть работы по внедрению ИИ в бизнес: найти рутину в офисе при цехе и снять её, оставив людям цех.
Техническое задание не нужно. Скажите, что производите, в чём ведёте учёт и где теряется время между заказом и отгрузкой, — этого хватит, чтобы назвать первую задачу и срок.
