ИИ‑агенты в промышленности: как перейти от хаоса пилотов к индустриальному стандарту

За последние десять лет в российской промышленности было несколько волн цифровизации. Некоторые IT‑решения, которые сначала внедряли в отдельных компаниях, превратились в отраслевой стандарт.

Сначала была предиктивная аналитика. Компании начинали с узких пилотов на отдельных промышленных агрегатах и ограниченных датасетах, часто дополненных синтетическими данными. Спустя несколько лет предиктив стал частью стандартных модулей АСУТП и MES, интегрированных с датчиками и журналами отказов.

Аналогичный сценарий произошёл с видеоаналитикой: от точечных тестов для распознавания СИЗ и нарушений промышленной безопасности к штатным системам контроля опасных зон, конвейеров, погрузки на открытых и подземных горных работах, мониторинга флотационных процессов. Эти решения работают на локальном оборудовании, устойчивы к промышленным условиям и дают измеримый эффект. Например, в НЛМК такие системы позволяют экономить до 115 млн рублей в год, а в «Норникеле» совокупный эффект от внедрения технологий компьютерного зрения оценивается более чем в 100 млн долларов в год.

Когда эти технологии только появились, предприятия пробовали примерить их к своим процессам, далеко не всегда успешно. Но сегодня они внедрены повсеместно, экономят сотни миллионов рублей и стали стандартным элементом цифровых ландшафтов.

Схожую траекторию сейчас повторяет генеративный искусственный интеллект. Можно предположить, что в ближайшие 1–2 года он перейдёт от этапа апробации к статусу индустриального стандарта. Вот несколько факторов, которые влияют на это.

Во‑первых, доступность технологий. Компаниям становятся доступны зрелые корпоративные стеки, отлаженные паттерны RAG, специализированные агенты и практики LLMOps. Всё это позволяет переходить от экспериментов к системному применению.

Во‑вторых, расширение возможных сценариев применения больших языковых моделей в задачах промышленности. Уже сегодня генеративный искусственный интеллект уверенно закрывает типовые административные и инженерные задачи:

• составление ТЗ,
• разбор инцидентов,
• анализ показателей,
• оптимизация процессов бэк‑офиса,
• поиск по регламентам с цитированием,
• подготовка черновиков технико‑экономических записок.

Что препятствует внедрению генеративного искусственного интеллекта в промышленности

Исторически внедрение инноваций в промышленности замедляли одни и те же факторы:

• разрозненные данные и версии документов,
• жёсткие требования информационной безопасности и комплаенса,
• отсутствие единого подхода к расчёту окупаемости,
• дефицит квалифицированных специалистов.

В случае с генеративным ИИ к этому добавляются риски галлюцинаций, а также необходимость контролировать доступ агентов к критичным системам (ERP, CRM, LIMS, MES, документооборот). Эти риски постепенно снимаются за счёт применения RAG‑подходов с обязательным обращением к первичным данным, механизмов проверки фактов, логирования всех действий агента, а также строгой настройки политик доступа и разграничения ролей при работе моделей внутри корпоративных систем.

Многие компании в итоге рискуют вновь застрять в режиме «вечных пилотов»: десятки разрозненных PoC‑проектов без масштабирования по предприятиям, единой платформы знаний, метрик качества и системы управления изменениями.

Агентные решения меняют парадигму. Они позволяют переосмыслить подход к проектированию технических и бизнес‑процессов, их выполнению и контролю. От контроля качества и безопасности до продаж и взаимодействия с клиентами — агенты способны брать на себя повторяемые задачи, ускорять принятие решений и помогать компаниям повышать эффективность без существенного роста штата и инфраструктуры.

Как перейти от локальных экспериментов к системной работе с ИИ‑агентами

Главный вопрос, который стоит перед промышленными компаниями сегодня: как ускорить внедрение генеративного ИИ и превратить набор локальных экспериментов в управляемую производственную систему агентов, дающую измеримый эффект уже через 6–12 месяцев.

Опыт рынка и результаты исследований показывают: переход становится возможным только тогда, когда компания опирается не на отдельные модели, а на зрелую технологическую среду, позволяющую агентам безопасно и эффективно работать в реальных производственных процессах.

Согласно данным McKinsey, применение генеративного ИИ в операциях — например, в автономной маршрутизации и планировании — уже позволило предприятиям снизить складские и логистические затраты более чем на 20%. Время транзакционных процессов сокращается с нескольких дней до часов или даже минут благодаря агентам, которые берут на себя рутинные операции и работают в цепочках от запроса до результата.

Ускорение агентного ИИ стало возможным благодаря пересечению трёх ключевых трендов:

1. Появление производительных GPU‑кластеров, которые позволяют выдерживать тяжелые ИИ‑вычисления. Эти кластеры эффективны благодаря способности GPU выполнять множество параллельных операций, что ускоряет процесс по сравнению с традиционными CPU.
2. Появление MCP, через который агенты подключаются к многоуровневым корпоративным системам. Цель MCP — унифицировать способ обмена контекстом между моделью, клиентом и сервером, упрощая подключение ИИ‑приложений к внешним системам без сложной индивидуальной настройки.
3. Качественный скачок больших языковых моделей, благодаря которому они стали более устойчивыми, интерпретируемыми и пригодными для многошагового планирования.

В результате ИИ перестал ограничиваться классическим анализом и простой генерацией — агентные решения уже сейчас могут самостоятельно ставить цели, принимать обоснованные решения и выполнять операции почти без участия человека.

Мы хотели ускорить поиск аналогов товарно‑материальных ценностей: процесс занимал много времени и не всегда приводил к корректному подбору замен. В итоге мы разработали прототип интеллектуальной системы на базе LLM. Инструмент автоматически находит и сравнивает аналоги товаров, снижая ручную нагрузку и ускоряя цикл принятия решений.

Вторая инициатива была связана с работой с технической документацией. Наши сотрудники тратили значительное время на поиск нужной информации в больших объёмах текстов. Для проверки гипотезы мы применили RAG‑подход на базе генеративной модели. В результате система стабильно отвечала на вопросы по сложным техническим документам, а точность в экспериментах составила около 80%.

Нам было нужно автоматизировать обработку входящего потока тендеров. Ежедневный разбор десятков документов — PDF, Excel и сканов — занимал очень много времени: приходилось вручную искать позиции, которые соответствуют нашей продукции.

В итоге мы внедрили решение на базе ИИ‑агента, который автоматически извлекает данные из загруженных файлов и сопоставляет их с нашим справочником номенклатуры. Система не только находит нужные товары и присваивает им коэффициент релевантности, но и распознаёт цены и привязывает их к позициям. В результате нам удалось отказаться от ручного просмотра файлов, снизить риск пропустить выгодное предложение и привести данные запросов к единому формату для дальнейшей аналитики.

При тестировании время обработки одного документа сократилось примерно на 70%.

Вторая инициатива касалась унификации входящих технико‑коммерческих предложений (ТКП) от поставщиков. Сводить спецификации разных производителей в единую таблицу было сложно из‑за отличий в структуре данных и форматах файлов. Мы разработали единый шаблон и подключили ИИ‑модель, которая обрабатывает документы: алгоритм извлекает характеристики, сопоставляет их с обязательными полями и автоматически заполняет сравнительную таблицу. Это устранило ошибки из‑за разницы в терминологии и позволило менеджерам быстрее находить оптимальные условия закупки по ключевым параметрам.

По итогам внедрения количество ошибок снизилось примерно на 10%, а время обработки одного ТКП — на 57%.

Сегодня около трети сотрудников «Норникеля» имеют доступ к внутренним ИИ‑продуктам. Например, корпоративный ассистент позволяет собирать «ассистентов профессий» — от инженеров до юристов и финансистов. Следующий шаг — наша доменная генеративная модель NNGen: ядро этих ассистентов и будущих цифровых сотрудников. Мы откроем её в опенсорсе, чтобы индустрия могла получать качество уровня крупных моделей на металлургических задачах при меньших вычислительных затратах.

Дальше наш фокус — агентские системы, под которые мы заново проектируем процессы: не просто ускоряем текущие, а собираем цепочки по‑новому.

Вывод

Большое количество доступных LLM‑моделей само по себе не решает задачи крупного бизнеса. По мере развития технологий становится очевидно, что ключевую роль играет не набор моделей, а инструменты вокруг них: интеграционные механизмы уровня MCP, возможности low‑code для оптимизации процессов, средства оркестрации и контролируемого доступа к корпоративным системам.

Инструменты Yandex AI Studio позволяют системно подходить к разработке и эксплуатации ИИ‑агентов и заметно ускоряют цифровую трансформацию. ML‑команды получают единое пространство для быстрой проверки гипотез, построения прототипов и ввода решений в эксплуатацию. Сроки разработки сокращаются с месяцев до недель, а в ряде сценариев — до нескольких дней. Это позволяет быстрее переходить от концепции к работающему продукту и сокращать цикл внедрения инноваций.

При этом платформа снижает издержки на инфраструктуру и разработку: доступ к парку моделей, инструментам интеграции и готовым компонентам уменьшает необходимость в масштабировании команд и инвестициях в поддерживающую среду. Для бизнеса это означает более предсказуемую экономику и возможность выстраивать контур генеративного ИИ без «раздувания» затрат.

Таким подходом мы стремимся сделать создание агентных решений доступным для широкого круга предприятий, снизить порог входа и устранить ключевые технологические барьеры, которые мешают компаниям переходить от пилотов к промышленному масштабу.