Куда внедрять ИИ на производстве: с чего начать

Почему компании путаются с выбором задачи

На совещаниях по поводу ИИ обычно звучат формулировки вроде «снизить процент брака», «ускорить работу отдела продаж» или «оптимизировать логистику». Звучит разумно, но ни одна из этих фраз не говорит, куда именно нужно поставить ИИ, потому что все они описывают желаемый результат, а не конкретную задачу.

Проблема в уровне абстракции: «снизить брак» — это цель, а не задача, и чтобы превратить одно в другое, нужно ответить на три вопроса, которые определяют, годится ли процесс для ИИ в принципе.

Если процесс не структурирован, данных нет, а масштаб мал, перед вами не задача для ИИ, а задача для обычного регламента или автоматизации без нейросетей — и честный подрядчик скажет об этом прямо, вместо того чтобы продавать технологию ради самой технологии.

Почему первым делом стоит смотреть не в цех

Когда компания думает о внедрении ИИ на производстве, воображение обычно рисует роботов на линии, компьютерное зрение на конвейере и датчики, которые предсказывают поломку станка задолго до того, как она произойдёт. Это реальные и работающие сценарии: крупные предприятия действительно окупают такие проекты, снижая простои и брак за счёт предиктивной аналитики на оборудовании.

У этих сценариев, однако, есть общая черта — они требуют данных с самого оборудования, интеграции с производственными системами и, как правило, месяцев на пилот вместе с заметным бюджетом на инфраструктуру. Для крупного холдинга с собственным ИТ-отделом такой путь вполне подъёмен, а вот для среднего производственного бизнеса с командой в 50–150 человек это долгая дорога к результату, который трудно обосновать перед собственником прямо сейчас.

Есть блок задач, который при этом окупается заметно быстрее и требует куда меньше инфраструктуры, — коммерческий и операционный контур предприятия:

• Подготовка коммерческих предложений

  Менеджер получает запрос от клиента, открывает прайс-лист, ищет техническую информацию по продукту и вручную считает стоимость под нужную конфигурацию, тратя на одно КП час или два. Если таких запросов в день три-четыре, половина рабочего дня уходит не на продажи, а на документы. По открытым данным российских кейсов автоматизации продаж, время на подготовку КП при аккуратном внедрении сокращается со сравнимого порядка часов до 10–15 минут — не потому что ИИ «умный», а потому что рутинное сопоставление позиций и расчёт по прайсу перестают требовать участия человека на каждом шаге.

• Работа с номенклатурой и технической информацией

  На производстве с широкой линейкой продукции менеджеры и технологи регулярно ищут характеристики, аналоги и совместимость позиций, разбросанные по каталогам, 1С и памяти отдельных сотрудников. Это ровно тот случай неструктурированных, но существующих данных, где ИИ действительно полезен.

• Технические расчёты по техническому заданию

  Клиент присылает ТЗ, и кому-то нужно его прочитать, сопоставить с возможностями производства и прикинуть сроки со стоимостью. Часть этой работы — рутинное сопоставление параметров, которое можно ускорить, оставив итоговое решение за инженером, а не передавая его алгоритму целиком.

Логика здесь простая: коммерческий блок обычно не требует интеграции с оборудованием, данные там уже частично оцифрованы в CRM, 1С и переписке, а эффект — время менеджера — считается в рублях напрямую, без сложных косвенных допущений. Это не значит, что цех не нужен, — это значит, что на вопрос «с чего начать» не всегда стоит отвечать «с самого сложного и капиталоёмкого».

Если на этом этапе непонятно, какой из процессов у вас реально оцифрован, а какой существует только в голове у опытного сотрудника, — это нормальная ситуация для российского производственного МСБ, и решается она предпроектным аудитом, а не сразу покупкой готового решения.

Как выбрать первую задачу: план действий

Дальше — практическая последовательность для тех, кто уже решил разбираться предметно, а не просто присматриваться к теме.

1. 1

   Аудит, а не мозговой штурм

   Прежде чем обсуждать, куда внедрять ИИ, нужно описать, как реально устроены три-пять ключевых процессов компании: что происходит на входе и на выходе, сколько времени и людей это занимает и где чаще всего случаются ошибки или задержки. Без такой карты любое решение об ИИ превращается в ставку вслепую.

2. 2

   Приоритизация по трём критериям

   Из описанных процессов отбираются кандидаты, которые одновременно имеют понятный объём данных, повторяются регулярно, а не возникают разово, и приносят экономию в часах, а не в минутах. Как правило, из пяти процессов этим критериям соответствуют один-два, не больше.

3. 3

   Пилот на одном узком участке

   Правильная формулировка звучит не как «автоматизируем весь отдел продаж», а как «автоматизируем подготовку КП для одной товарной категории», потому что узкий периметр даёт быстрый и проверяемый результат, который либо подтверждает гипотезу, либо дёшево её опровергает.

4. 4

   Измерение до и после

   Пилот без замера базового уровня — это красивая презентация без доказательств, поэтому важно зафиксировать, сколько времени и денег процесс стоил компании до внедрения, а затем сравнить это с фактом после — не с ожиданием, которое было в презентации подрядчика.

5. 5

   Масштабирование только на основе результата

   Если пилот подтвердил эффект, его тиражируют на другие категории, отделы и участки; если нет — честно фиксируют причину и либо дорабатывают решение, либо переходят к следующему кандидату из второго шага.

Этот путь длиннее, чем «купить чат-бота за неделю», но он резко снижает риск потратить бюджет на решение, которым никто не будет пользоваться уже через три месяца.

Что в итоге

Путаница с выбором точки внедрения — не признак неготовности компании к ИИ, а нормальный этап, через который проходит почти каждое производственное предприятие, впервые всерьёз смотрящее в эту сторону. Разница между удачным и неудачным проектом обычно не в том, какую модель или платформу выбрали, а в том, насколько трезво была выбрана сама задача до старта.