ВЗГЛЯД / #7_2026
ИИ: преодолеть «долину смерти»
Записала Надежда ФЕТИСОВА / Фото: Siemens, LEGO, Getty Images
95 % ИИ-инициатив не становятся промышленными решениями. 95 % бюджетов тратятся на эксперименты без масштаба. 95 % руководителей разочаровываются в ИИ после первого же проекта. Руководитель направления продуктовой аналитики и исследований АО «НПО „КИС“» Алексей Мартынов рассказывает о том, как не попасть в эти 95 %.
В начале XX века над сибирской тайгой взорвался Тунгусский метеорит. Мощность взрыва — 40−50 мегатонн. Поваленный лес на 2 тыс. км2. Сейсмическая волна по всему миру. Самого метеорита не нашли. Ни осколков, ни кратера, ни вещества. Примерно так сегодня выглядят 95% пилотных проектов по внедрению ИИ: презентации есть, а внедрений нет.
За последние три года искусственный интеллект перешел из категории технологических экспериментов в разряд стратегических приоритетов.
Но за амбициозными цифрами скрывается системная проблема — так называемая «долина смерти» ИИ-проектов. Данные по мировому и российскому рынкам сопоставимы: только 20% ИИ-решений дошли до стадии пилота, 5−7% — до промышленной эксплуатации.
За последние три года искусственный интеллект перешел из категории технологических экспериментов в разряд стратегических приоритетов.
Но за амбициозными цифрами скрывается системная проблема — так называемая «долина смерти» ИИ-проектов. Данные по мировому и российскому рынкам сопоставимы: только 20% ИИ-решений дошли до стадии пилота, 5−7% — до промышленной эксплуатации.
Рынок ИИ в России: сегменты и прогнозы до 2030 г., млрд руб.
Российский рынок: эффект низкой базы
Оценить реальный объем российского рынка ИИ в промышленности — задача нетривиальная. Аналитические цифры включают затраты на оборудование, ПО и услуги интеграторов. Однако «под капотом» остается огромная масса сопутствующих расходов: перестройка бизнес-процессов, переобучение персонала, адаптация инфраструктуры и, самое важное, изменение культуры принятия решений.
По оценке автора, рынок ИИ в России, очищенный от неосновных затрат, в 2026 году составляет 222 млрд руб. с прогнозом роста до 679 млрд руб. в 2030 году. Однако эти цифры отражают не столько созданную ценность, сколько объем инвестиций в эксперименты. В целом эффекты не аллоцированы.
В отраслевой структуре рынка ИИ промышленность (обрабатывающие производства, добыча полезных ископаемых, обеспечение электричеством, газом, водоснабжение) занимает около 6%.
Оценить реальный объем российского рынка ИИ в промышленности — задача нетривиальная. Аналитические цифры включают затраты на оборудование, ПО и услуги интеграторов. Однако «под капотом» остается огромная масса сопутствующих расходов: перестройка бизнес-процессов, переобучение персонала, адаптация инфраструктуры и, самое важное, изменение культуры принятия решений.
По оценке автора, рынок ИИ в России, очищенный от неосновных затрат, в 2026 году составляет 222 млрд руб. с прогнозом роста до 679 млрд руб. в 2030 году. Однако эти цифры отражают не столько созданную ценность, сколько объем инвестиций в эксперименты. В целом эффекты не аллоцированы.
В отраслевой структуре рынка ИИ промышленность (обрабатывающие производства, добыча полезных ископаемых, обеспечение электричеством, газом, водоснабжение) занимает около 6%.
Рынок ИИ в России: отраслевая структура в 2026 г., %
В структуре внедрения ИИ лидируют IT-компании, телекоммуникации, торговля, финансы. Промышленность в целом пока остается зоной пилотов. При этом большинство промышленных предприятий запрещают использование публичных ИИ-сервисов. Это означает, что массового, дешевого и быстрого ИИ в промышленности не будет — каждая компания вынуждена создавать собственные закрытые контуры, что резко удорожает и замедляет внедрение.
По оценке автора, средняя стоимость проверки одной гипотезы в части технологий ИИ — реализации пилотного проекта — 10−20 млн руб. Масштабирование, если эффективность по пилотному проекту подтверждается, обходится дороже.
По оценке автора, средняя стоимость проверки одной гипотезы в части технологий ИИ — реализации пилотного проекта — 10−20 млн руб. Масштабирование, если эффективность по пилотному проекту подтверждается, обходится дороже.
Распределение рыночных долей и эффективность ИИ-решений по группам промышленного применения
Анализ структуры проектов показывает: основная масса практических применений сконцентрирована на задачах с измеримой отдачей от инвестиций (ROI) и низкой ценой ошибки на старте.
Основной объем решений сосредоточен на задачах оптимизации, обслуживания и контроля, где технологии уже достигли высокого уровня зрелости. Рисковый профиль распределен неравномерно и не привязан жестко к уровню готовности, что делает каждое направление самостоятельным объектом для оценки целесообразности внедрения.
Основной объем решений сосредоточен на задачах оптимизации, обслуживания и контроля, где технологии уже достигли высокого уровня зрелости. Рисковый профиль распределен неравномерно и не привязан жестко к уровню готовности, что делает каждое направление самостоятельным объектом для оценки целесообразности внедрения.
Анатомия успешного внедрения
Показательный пример эффективного внедрения ИИ в производственные процессы — немецкий завод Siemens в Амберге (EWA). Это предприятие серийно выпускает широкий ассортимент средств промышленной автоматизации для глобального рынка, обеспечивая беспрецедентный уровень контроля: 99% прослеживаемости продукции на всех этапах — от цепочки поставок до конечного потребителя.
Однако поддержание высоких стандартов качества в условиях роста объемов производства стало упираться в физический и финансовый потолок традиционных методов, что послужило стимулом для поиска альтернативного решения на базе ИИ. Формально речь шла о замене рентгеновской установки стоимостью € 0,5 млн, фактически — о необходимости быстрее интерпретировать снимки без расширения штата инспекторов.
Хронология проекта показательна. Первые три месяца команда анализировала процесс контроля, формулировала бизнес-задачу, выбирала архитектуру модели и рассчитывала необходимую вычислительную мощность. Затем 11 месяцев ушло на работу с данными: сбор и разметку 50 тыс. архивных рентгеновских снимков, настройку модели, снижение количества ложных срабатываний, обучение и убеждение сотрудников. Этот этап оказался самым длительным: для написания кода потребовалось меньше времени, чем для преодоления скепсиса, организации сбора данных и борьбы с дрейфом модели.
Следующие пять месяцев ушли на интеграцию системы в производственный контур. Здесь руководство столкнулось с сопротивлением операторов: они опасались, что потеряют свои рабочие места. В результате ИИ работал в режиме подсказок параллельно с операторами: модель не заменила людей, а превратила их в верификаторов своих решений. После этого систему начали переносить на другие продуктовые линейки и дообучать для выявления новых классов дефектов. Результатом стала экономия € 1,2 млн.
Кейс Siemens показывает, что успешные организации применяют поэтапный подход: совершенствуют производственные процессы, модернизируют и защищают инфраструктуру, структурируют данные — нормализуют и контекстуализируют их, — а затем масштабируют сценарии использования, связанные с конкретными бизнес-результатами.
Анализ пилотных внедрений ИИ в промышленности выявляет системное расхождение между декларируемыми эффектами и операционной реальностью. Точечные примеры в автомобилестроении и передовой электронике демонстрируют высокую экономическую эффективность за счет масштаба и повторяемости операций. Но эти успехи нельзя экстраполировать на всю промышленность. Например, в отраслях со штучным или мелкосерийным производством такой математики просто не существует.
Для промышленного предприятия среднего размера средневзвешенные параметры могут выглядеть так:
Показательный пример эффективного внедрения ИИ в производственные процессы — немецкий завод Siemens в Амберге (EWA). Это предприятие серийно выпускает широкий ассортимент средств промышленной автоматизации для глобального рынка, обеспечивая беспрецедентный уровень контроля: 99% прослеживаемости продукции на всех этапах — от цепочки поставок до конечного потребителя.
Однако поддержание высоких стандартов качества в условиях роста объемов производства стало упираться в физический и финансовый потолок традиционных методов, что послужило стимулом для поиска альтернативного решения на базе ИИ. Формально речь шла о замене рентгеновской установки стоимостью € 0,5 млн, фактически — о необходимости быстрее интерпретировать снимки без расширения штата инспекторов.
Хронология проекта показательна. Первые три месяца команда анализировала процесс контроля, формулировала бизнес-задачу, выбирала архитектуру модели и рассчитывала необходимую вычислительную мощность. Затем 11 месяцев ушло на работу с данными: сбор и разметку 50 тыс. архивных рентгеновских снимков, настройку модели, снижение количества ложных срабатываний, обучение и убеждение сотрудников. Этот этап оказался самым длительным: для написания кода потребовалось меньше времени, чем для преодоления скепсиса, организации сбора данных и борьбы с дрейфом модели.
Следующие пять месяцев ушли на интеграцию системы в производственный контур. Здесь руководство столкнулось с сопротивлением операторов: они опасались, что потеряют свои рабочие места. В результате ИИ работал в режиме подсказок параллельно с операторами: модель не заменила людей, а превратила их в верификаторов своих решений. После этого систему начали переносить на другие продуктовые линейки и дообучать для выявления новых классов дефектов. Результатом стала экономия € 1,2 млн.
Кейс Siemens показывает, что успешные организации применяют поэтапный подход: совершенствуют производственные процессы, модернизируют и защищают инфраструктуру, структурируют данные — нормализуют и контекстуализируют их, — а затем масштабируют сценарии использования, связанные с конкретными бизнес-результатами.
Анализ пилотных внедрений ИИ в промышленности выявляет системное расхождение между декларируемыми эффектами и операционной реальностью. Точечные примеры в автомобилестроении и передовой электронике демонстрируют высокую экономическую эффективность за счет масштаба и повторяемости операций. Но эти успехи нельзя экстраполировать на всю промышленность. Например, в отраслях со штучным или мелкосерийным производством такой математики просто не существует.
Для промышленного предприятия среднего размера средневзвешенные параметры могут выглядеть так:
- Бюджет на ИИ: 0,1% выручки/7% IT-бюджета. Однако в этой сумме не учтены скрытые затраты на подготовку данных и модернизацию инфраструктуры.
- Структура затрат: 50−75% — на общекорпоративные функции (маркетинг, продажи). Между тем 60% потенциального роста производительности сконцентрировано в рабочих процессах, специфичных для конкретной отрасли.
- Приоритеты инвестирования при масштабировании: компании, направляющие 60−70% бюджета на инфраструктуру данных и интеграционные фреймворки (а не на доработку алгоритмов), добиваются в 3−4 раза более высокой успешности развертывания, чем те, кто фокусируется исключительно на качестве модели.
- Средние затраты на одну неудачную попытку применения ИИ: $ 2,3 млн.
- Срок окупаемости: 2−4 года для проектов, преодолевших «долину смерти».
- Таким образом, экономика ИИ копирует логику управления. Компании, которые не готовы пересмотреть способы управления, не получат от ИИ ничего, кроме убытков.
Жизненный цикл ИИ-проекта на примере Siemens EWA
Кейсы неудачных пилотов и внедрений ИИ в промышленности
«Долина смерти»: почему 9 из 10 проектов не масштабируются
Большинство пилотных проектов в сфере промышленного ИИ терпят неудачу не из-за самого ИИ, а потому, что для работы с ним не была создана соответствующая организационная среда.
Технология оказывается несовместимой с реальным производством, инфраструктурой или ожиданиями сотрудников. Показателен пример General Motors: генеративный ИИ помог создать кронштейн сиденья, который был на 40% легче и на 20% прочнее исходного. Однако сложная геометрия детали не соответствовала возможностям действующего производства. Чтобы внедрить разработку, компании пришлось бы перестраивать цепочки поставок и технологические процессы, поэтому проект не получил продолжения.
Другой типичный барьер — качество данных. Одна из компаний в области композитов несколько лет развивала систему прогнозируемого обслуживания оборудования. В лаборатории модель работала успешно, но в производственных условиях датчики предоставляли ненадежные данные, и система не могла строить точные прогнозы. Ford столкнулся с другой проблемой: сеть из 900 ИИ-камер не смогла заменить опытных специалистов по контролю качества. Компании пришлось вернуть более 300 инспекторов-ветеранов, чтобы обучить систему и исправить ее ошибки.
ИИ-агенты для мониторинга кибербезопасности могут демонстрировать высокую точность на тестовых наборах, но в эксплуатации генерировать сотни ложных срабатываний из-за устаревших протоколов.
Большинство пилотных проектов в сфере промышленного ИИ терпят неудачу не из-за самого ИИ, а потому, что для работы с ним не была создана соответствующая организационная среда.
Технология оказывается несовместимой с реальным производством, инфраструктурой или ожиданиями сотрудников. Показателен пример General Motors: генеративный ИИ помог создать кронштейн сиденья, который был на 40% легче и на 20% прочнее исходного. Однако сложная геометрия детали не соответствовала возможностям действующего производства. Чтобы внедрить разработку, компании пришлось бы перестраивать цепочки поставок и технологические процессы, поэтому проект не получил продолжения.
Другой типичный барьер — качество данных. Одна из компаний в области композитов несколько лет развивала систему прогнозируемого обслуживания оборудования. В лаборатории модель работала успешно, но в производственных условиях датчики предоставляли ненадежные данные, и система не могла строить точные прогнозы. Ford столкнулся с другой проблемой: сеть из 900 ИИ-камер не смогла заменить опытных специалистов по контролю качества. Компании пришлось вернуть более 300 инспекторов-ветеранов, чтобы обучить систему и исправить ее ошибки.
ИИ-агенты для мониторинга кибербезопасности могут демонстрировать высокую точность на тестовых наборах, но в эксплуатации генерировать сотни ложных срабатываний из-за устаревших протоколов.
И наконец, кейс The LEGO Group — пример проблемы совсем из другой области, репутационной. Компания разместила на сайте изображения персонажей, созданные с помощью ИИ, но столкнулась с резко негативной реакцией: поклонники увидели в этом прямую противоположность ценностям LEGO — человеческому творчеству и принципу «лучшее — это достаточно хорошо». В результате все изображения, созданные с помощью ИИ, были удалены.
Успешный переход от пилотного проекта к промышленной эксплуатации ИИ в реальном секторе экономики сдерживается не качеством алгоритмов, а комплексом системных факторов. Анализ рыночных данных и отраслевых кейсов позволяет выделить несколько барьеров, каждый из которых делает масштабирование либо невозможным, либо экономически нецелесообразным.
Успешный переход от пилотного проекта к промышленной эксплуатации ИИ в реальном секторе экономики сдерживается не качеством алгоритмов, а комплексом системных факторов. Анализ рыночных данных и отраслевых кейсов позволяет выделить несколько барьеров, каждый из которых делает масштабирование либо невозможным, либо экономически нецелесообразным.
Барьер 1: данныеПромышленность требует физической верификации. Первый год работы над проектом уходит не на создание нейросети, а на формирование дата-сета: сотни замеров, синхронизация временны́х меток с работой оборудования, перекладывание данных из бумажных журналов, разметка данных. При этом собранные данные быстро устаревают, а ошибки разметки (особенно при разметке дефектов) напрямую снижают качество модели. Стоимость привлечения отраслевых экспертов для разметки часто превышает затраты на вычислительные ресурсы.
Барьер 2: физическая уникальность средыКлючевое препятствие для тиражирования промышленного ИИ — невоспроизводимость условий. Однотипные линии на разных заводах функционируют как самостоятельные физические системы: разный возраст оборудования, индивидуальные калибровки датчиков, локальные логики управления. Модель, обученная на выборке с одного предприятия, при переносе на другое неизбежно теряет предсказательную силу. Для восстановления качества приходится собирать новый размеченный дата-сет и проводить полный цикл дообучения для каждого конкретного контура. В итоге затраты на тиражирование приближаются к затратам на разработку с нуля, а обещанный эффект масштаба остается недостижимым.
Барьер 3: инфраструктура и архитектураИнтеграция ИИ-решений с устаревшими системами управления становится серьезным технологическим препятствием. Большинство промышленных предприятий эксплуатируют оборудование с морально устаревшими контроллерами, не поддерживающими современные API и протоколы передачи данных. Пропускная способность промышленных сетей часто недостаточна для передачи «сырых» данных в реальном времени. Попытки установить «прокладки» между ИИ и оборудованием приводят к задержкам, потере пакетов и, как следствие, к неадекватной работе модели. Модернизация же всей инфраструктуры «под ИИ» требует значительных инвестиций, сопоставимых с полным перевооружением производства.
Барьер 4: регуляторные и правовые ограниченияПромышленное внедрение ИИ сталкивается с отсутствием нормативной базы. Если ИИ-система принимает решение, приведшее к аварии или браку, кто несет за это ответственность? Разработчик, владелец оборудования или оператор, доверившийся алгоритму?
Промышленные данные часто содержат коммерческую тайну или сведения о критической инфраструктуре. Их передача в облачные ИИ-платформы запрещена или жестко регламентирована, а создание собственных защищенных вычислительных мощностей требует лицензий ФСТЭК и ФСБ, что удорожает проект в 2−3 раза.
В атомной, авиационной и других чувствительных отраслях любое изменение алгоритма управления должно проходить длительную сертификацию. Без сертификата модель не имеет права вмешиваться в управление, оставаясь лишь «советчиком», что снижает ее ценность.
Барьер 5: культурный разрывСамый глубокий барьер находится вне технологий — в организационной неготовности компании.
Прежде всего, это размытие ответственности: организационная принадлежность ИИ-проекта не определена, и он «зависает» между отделами-функциями, не имея ни владельца, ни бюджета, выделенного на его развитие.
К этому добавляется попытка менеджмента встроить ИИ в старые бизнес-процессы без их пересмотра, без закладывания бюджетов на дообучение и сопровождение. В результате после пилота выясняется, что масштабирование требует ресурсов, сопоставимых с новой разработкой, а обещанный ROI оказывается недостижимым.
Отдельная патология — запуск проектов ради громких PR-кампаний, а не для решения реальных проблем производства. Когда шум затихает, внедрять в промышленность оказывается нечего.
Барьер 2: физическая уникальность средыКлючевое препятствие для тиражирования промышленного ИИ — невоспроизводимость условий. Однотипные линии на разных заводах функционируют как самостоятельные физические системы: разный возраст оборудования, индивидуальные калибровки датчиков, локальные логики управления. Модель, обученная на выборке с одного предприятия, при переносе на другое неизбежно теряет предсказательную силу. Для восстановления качества приходится собирать новый размеченный дата-сет и проводить полный цикл дообучения для каждого конкретного контура. В итоге затраты на тиражирование приближаются к затратам на разработку с нуля, а обещанный эффект масштаба остается недостижимым.
Барьер 3: инфраструктура и архитектураИнтеграция ИИ-решений с устаревшими системами управления становится серьезным технологическим препятствием. Большинство промышленных предприятий эксплуатируют оборудование с морально устаревшими контроллерами, не поддерживающими современные API и протоколы передачи данных. Пропускная способность промышленных сетей часто недостаточна для передачи «сырых» данных в реальном времени. Попытки установить «прокладки» между ИИ и оборудованием приводят к задержкам, потере пакетов и, как следствие, к неадекватной работе модели. Модернизация же всей инфраструктуры «под ИИ» требует значительных инвестиций, сопоставимых с полным перевооружением производства.
Барьер 4: регуляторные и правовые ограниченияПромышленное внедрение ИИ сталкивается с отсутствием нормативной базы. Если ИИ-система принимает решение, приведшее к аварии или браку, кто несет за это ответственность? Разработчик, владелец оборудования или оператор, доверившийся алгоритму?
Промышленные данные часто содержат коммерческую тайну или сведения о критической инфраструктуре. Их передача в облачные ИИ-платформы запрещена или жестко регламентирована, а создание собственных защищенных вычислительных мощностей требует лицензий ФСТЭК и ФСБ, что удорожает проект в 2−3 раза.
В атомной, авиационной и других чувствительных отраслях любое изменение алгоритма управления должно проходить длительную сертификацию. Без сертификата модель не имеет права вмешиваться в управление, оставаясь лишь «советчиком», что снижает ее ценность.
Барьер 5: культурный разрывСамый глубокий барьер находится вне технологий — в организационной неготовности компании.
Прежде всего, это размытие ответственности: организационная принадлежность ИИ-проекта не определена, и он «зависает» между отделами-функциями, не имея ни владельца, ни бюджета, выделенного на его развитие.
К этому добавляется попытка менеджмента встроить ИИ в старые бизнес-процессы без их пересмотра, без закладывания бюджетов на дообучение и сопровождение. В результате после пилота выясняется, что масштабирование требует ресурсов, сопоставимых с новой разработкой, а обещанный ROI оказывается недостижимым.
Отдельная патология — запуск проектов ради громких PR-кампаний, а не для решения реальных проблем производства. Когда шум затихает, внедрять в промышленность оказывается нечего.
Пять уровней ИИ-зрелости: от хаоса до трансформации
Инструмент преодоления: пять уровней ИИ-зрелости
Неудачи пилотов ИИ в промышленности — это не просто технические сбои, а системная проблема на стыке технологий, физических процессов и человеческого опыта.
Практика показывает: успешное масштабирование происходит в тех компаниях, где выстроена системная зрелость — от управления данными до готовности персонала и юридической проработки сценариев использования.
Для диагностики этой готовности и построения дорожной карты предлагаем модель «Пять уровней зрелости промышленного ИИ», где каждый следующий уровень требует не столько новых алгоритмов, сколько преодоления описанных выше барьеров на организационном, инфраструктурном и регуляторном уровнях.
Большинство провалов происходят потому, что компания пытается перепрыгнуть уровни, пропуская критически важные этапы-изменения.
Чтобы перейти с уровня 1 (хаос) на уровень 4 (управляемое масштабирование), компании нужно от 3 до 5,5 лет. Это означает, что к 2030 году до уровня 4 дойдут только те, кто начал (или начнет) трансформацию в 2024−2027 годах. Остальные увидят результат только после 2030 года. Полагаю, что к 2030 году на российском рынке не останется ни одной крупной компании, которая бы не внедряла ИИ-агенты. Но массовое внедрение не означает массовой эффективности. Масштабная ИИ-трансформация российской промышленности — горизонт 2035−2040 годов.
Неудачи пилотов ИИ в промышленности — это не просто технические сбои, а системная проблема на стыке технологий, физических процессов и человеческого опыта.
Практика показывает: успешное масштабирование происходит в тех компаниях, где выстроена системная зрелость — от управления данными до готовности персонала и юридической проработки сценариев использования.
Для диагностики этой готовности и построения дорожной карты предлагаем модель «Пять уровней зрелости промышленного ИИ», где каждый следующий уровень требует не столько новых алгоритмов, сколько преодоления описанных выше барьеров на организационном, инфраструктурном и регуляторном уровнях.
Большинство провалов происходят потому, что компания пытается перепрыгнуть уровни, пропуская критически важные этапы-изменения.
Чтобы перейти с уровня 1 (хаос) на уровень 4 (управляемое масштабирование), компании нужно от 3 до 5,5 лет. Это означает, что к 2030 году до уровня 4 дойдут только те, кто начал (или начнет) трансформацию в 2024−2027 годах. Остальные увидят результат только после 2030 года. Полагаю, что к 2030 году на российском рынке не останется ни одной крупной компании, которая бы не внедряла ИИ-агенты. Но массовое внедрение не означает массовой эффективности. Масштабная ИИ-трансформация российской промышленности — горизонт 2035−2040 годов.
Диагностика: «Где мы сейчас?»
Для определения уровня компании нужно ответить на три вопроса:
1. Есть ли хотя бы один завершенный пилот по ИИ, который задокументирован, проанализирован и результаты которого зафиксированы в письменном виде? (Да → вы как минимум на уровне 2).
2. Есть ли письменно зафиксированный и утвержденный регламент запуска пилотов, которому следуют при старте новых проектов? (Да → вы как минимум на уровне 3).
3. Есть ли система непрерывного сопровождения моделей (MLOps) и выделенный на нее ежегодный бюджет (не менее 30% от бюджета разработки)? (Да → вы как минимум на уровне 4).
Если на все вопросы ответ «нет" — вы на уровне 1. Начинайте с чек-листа 1→2.
Для определения уровня компании нужно ответить на три вопроса:
1. Есть ли хотя бы один завершенный пилот по ИИ, который задокументирован, проанализирован и результаты которого зафиксированы в письменном виде? (Да → вы как минимум на уровне 2).
2. Есть ли письменно зафиксированный и утвержденный регламент запуска пилотов, которому следуют при старте новых проектов? (Да → вы как минимум на уровне 3).
3. Есть ли система непрерывного сопровождения моделей (MLOps) и выделенный на нее ежегодный бюджет (не менее 30% от бюджета разработки)? (Да → вы как минимум на уровне 4).
Если на все вопросы ответ «нет" — вы на уровне 1. Начинайте с чек-листа 1→2.
Чек-лист: «Как перейти на следующий уровень зрелости?»
Уровни зрелости — это не абстрактная теория. Они напрямую отражают способность компании преодолевать описанные барьеры.
Чек-лист — это не "сделать всё и сразу", это расстановка приоритетов. На каждом уровне есть критический минимум — то, без чего переход невозможен.
Нужно помнить, что компания может не только переходить на следующий уровень, но и откатываться назад, например, из-за ухода ключевого специалиста, смены руководства или сокращения бюджетов.
Уровни зрелости — это не абстрактная теория. Они напрямую отражают способность компании преодолевать описанные барьеры.
Чек-лист — это не "сделать всё и сразу", это расстановка приоритетов. На каждом уровне есть критический минимум — то, без чего переход невозможен.
Нужно помнить, что компания может не только переходить на следующий уровень, но и откатываться назад, например, из-за ухода ключевого специалиста, смены руководства или сокращения бюджетов.
Чек-лист восхождения: что делать на каждом уровне
Переход 1→2: от хаоса к пилотному проекту
Цель: запустить первый контролируемый пилот, который либо подтвердит гипотезу, либо даст понятный отрицательный результат без критических потерь.
Критический минимум:
Требует преодоления:
Переход 2→3: от пилотного проекта к повторяемому процессу.
Цель: перейти от разового эксперимента к стандартизированному процессу пилотирования, который можно воспроизводить, решая различные задачи.
Критический минимум:
Требует преодоления:
Переход 3→4: от повторяемого процесса к управляемому масштабированию.
Самый сложный переход.
Цель: перейти от отдельных пилотов к масштабированию внутри завода/предприятия, обеспечить управляемость и сопровождение моделей в промышленной среде.
Критический минимум:
Требует преодоления:
Переход 4→5: от управляемого масштабирования к трансформирующему предприятию.
Цель: ИИ становится основой бизнес-модели, данные — конкурентным преимуществом, а культура компании перестраивается вокруг ИИ.
Критический минимум:
Требует преодоления:
Цель: запустить первый контролируемый пилот, который либо подтвердит гипотезу, либо даст понятный отрицательный результат без критических потерь.
Критический минимум:
- бизнес-задача с KPI,
- владелец из бизнеса,
- доступ к данным,
- бюджет до 20 млн руб.
Требует преодоления:
- барьера 1 (данные): на уровне 1 данных либо нет, либо они разрознены и неструктурированы;
- барьера 5 (культура): на уровне 1 ИИ воспринимается как модная игрушка.
Переход 2→3: от пилотного проекта к повторяемому процессу.
Цель: перейти от разового эксперимента к стандартизированному процессу пилотирования, который можно воспроизводить, решая различные задачи.
Критический минимум:
- отчет по первому пилоту,
- реестр задач,
- кросс-функциональная группа,
- типовой процесс.
Требует преодоления:
- барьера 5 (культура): организационный аспект. (На уровне 2 успех держится на энтузиастах. Нет стандартов, нет регламентов, нет системного подхода.)
- барьера 2 (физическая уникальность среды). (На уровне 2 данные собираются «под задачу» для одной линии. При переходе к повторяемости нужно создать шаблон разметки данных, единый для всех будущих пилотов. Это закладка фундамента.)
Переход 3→4: от повторяемого процесса к управляемому масштабированию.
Самый сложный переход.
Цель: перейти от отдельных пилотов к масштабированию внутри завода/предприятия, обеспечить управляемость и сопровождение моделей в промышленной среде.
Критический минимум:
- владелец на уровне топ-менеджмента,
- единый репозиторий,
- MLOps,
- бюджет на сопровождение.
Требует преодоления:
- барьера 3 (инфраструктура): интеграция с производственными системами (MES, SCADA) на уровне API, а не "прокладок". (Создание контура промышленной эксплуатации [Prod-среда], отдельной от dev/тестовой.)
- барьера 5 (культура): руководитель производства должен быть включен в еженедельные статусы по ИИ-проектам. Операторы должны быть обучены работе с ИИ-интерфейсом и понимать, когда доверять рекомендациям, а когда — нет.
Переход 4→5: от управляемого масштабирования к трансформирующему предприятию.
Цель: ИИ становится основой бизнес-модели, данные — конкурентным преимуществом, а культура компании перестраивается вокруг ИИ.
Критический минимум:
- ИИ-стратегия синхронизирована с бизнесом,
- CDAO,
- ИИ — часть ДНК компании,
- участие в отраслевых стандартах.
Требует преодоления:
- барьера 4 (регуляторные и правовые ограничения). На уровне 4 модели работают в промышленной эксплуатации, но часто — в режиме «советчика». Чтобы перейти на уровень 5, компания должна участвовать в разработке отраслевых стандартов по ИИ, обеспечить юридическую проработку ответственности.
- Барьера 5 (культура).
Прогноз распределения промышленных предприятий России по уровням ИИ-зрелости, 2026−2030 гг., %
Прогноз‑2030
Сегодня развитие технологии ИИ сфокусировано на автоматизации, а не на росте продуктивности работников.
А если учесть, что в первую очередь решаются самые легкие задачи, и лишь затем принимаются сложные, контекстно-зависимые решения, реальный эффект от ИИ к 2030 году вряд ли окажется оглушительным.
Прогноз основан на анализе темпов экономического развития России и практики внедрения ИИ в российской промышленности. Дополнительный фактор — инерционность крупных промышленных предприятий: средний срок принятия решений о масштабных технологических изменениях в российской промышленности — два-три года.
С высокой долей вероятности, резкого «взлета» применения ИИ в российской промышленности не будет. Но в условиях глобальных вызовов XXI века даже «ползучий» рост — ресурс, который нельзя упустить.
Чтобы перейти с уровня 1 (хаос) на уровень 4 (управляемое масштабирование), компании нужно от 3 до 5,5 лет. Это означает, что к 2030 году до уровня 4 дойдут только те, кто начал (или начнет) трансформацию в 2024−2027 годах. Остальные увидят результат только после 2030 года. Полагаю, что к 2030 году на российском рынке не останется ни одной крупной компании, которая бы не внедряла ИИ-агенты. Но массовое внедрение не означает массовой эффективности. Масштабная ИИ-трансформация российской промышленности — горизонт 2035−2040 годов.
Сегодня развитие технологии ИИ сфокусировано на автоматизации, а не на росте продуктивности работников.
А если учесть, что в первую очередь решаются самые легкие задачи, и лишь затем принимаются сложные, контекстно-зависимые решения, реальный эффект от ИИ к 2030 году вряд ли окажется оглушительным.
Прогноз основан на анализе темпов экономического развития России и практики внедрения ИИ в российской промышленности. Дополнительный фактор — инерционность крупных промышленных предприятий: средний срок принятия решений о масштабных технологических изменениях в российской промышленности — два-три года.
С высокой долей вероятности, резкого «взлета» применения ИИ в российской промышленности не будет. Но в условиях глобальных вызовов XXI века даже «ползучий» рост — ресурс, который нельзя упустить.
Чтобы перейти с уровня 1 (хаос) на уровень 4 (управляемое масштабирование), компании нужно от 3 до 5,5 лет. Это означает, что к 2030 году до уровня 4 дойдут только те, кто начал (или начнет) трансформацию в 2024−2027 годах. Остальные увидят результат только после 2030 года. Полагаю, что к 2030 году на российском рынке не останется ни одной крупной компании, которая бы не внедряла ИИ-агенты. Но массовое внедрение не означает массовой эффективности. Масштабная ИИ-трансформация российской промышленности — горизонт 2035−2040 годов.
Избежать крушения
Пилоты не становятся промышленными решениями не потому, что ИИ не работает, а потому, что компании пытаются встроить новую технологию в старую организацию. Причина — в системных барьерах: данные, уникальность сред, инфраструктура, регуляторика, культура. Эти барьеры не преодолеваются с наскока, они требуют последовательных переходов между уровнями зрелости.
Компании, которым удается закрепиться в заветных 5%, не внедряют ИИ как надстройку. Они пересобирают организационную архитектуру: формируют кросс-функциональные «гильдии», где инженеры, производители, дата-сайентисты и бизнес-спонсоры работают в едином ритме. Они меняют культуру принятия решений, переходя от интуитивных данных к подтвержденным, и пересматривают бизнес-модель не постфактум, а на старте — с четким пониманием того, для какой бизнес-задачи создается решение.
Если вы входите в проект и вкладываете ресурсы, вы обязаны с первого дня заниматься не только разработкой, но и трендвотчингом, маркетингом и работой со стейкхолдерами. Иначе вы гарантированно пополните 95% — не потому, что решение плохое, а потому, что о нем никто не узнал, его не приняла среда или оно не попало в рыночное окно.
Сегодня главный вызов — не технологический, а гуманитарный. И ключевой вопрос: хватит ли нам воли, критического мышления и осознанности, чтобы в погоне за эффективностью не начать действовать как машины? Успех промышленного ИИ будет определяться не мощностью GPU, а качеством управленческих решений, доверием между людьми и их способностью учиться на ошибках.
В начале статьи мы сравнили ИИ-пилоты с падением Тунгусского метеорита.
Но в этой аналогии есть одна важная неточность. Тунгусский метеорит был природным явлением — его нельзя было предотвратить. А 95% провалов ИИ-проектов — это рукотворная катастрофа, которой можно избежать. Инструменты для этого есть. Осталось только начать их использовать.
Пилоты не становятся промышленными решениями не потому, что ИИ не работает, а потому, что компании пытаются встроить новую технологию в старую организацию. Причина — в системных барьерах: данные, уникальность сред, инфраструктура, регуляторика, культура. Эти барьеры не преодолеваются с наскока, они требуют последовательных переходов между уровнями зрелости.
Компании, которым удается закрепиться в заветных 5%, не внедряют ИИ как надстройку. Они пересобирают организационную архитектуру: формируют кросс-функциональные «гильдии», где инженеры, производители, дата-сайентисты и бизнес-спонсоры работают в едином ритме. Они меняют культуру принятия решений, переходя от интуитивных данных к подтвержденным, и пересматривают бизнес-модель не постфактум, а на старте — с четким пониманием того, для какой бизнес-задачи создается решение.
Если вы входите в проект и вкладываете ресурсы, вы обязаны с первого дня заниматься не только разработкой, но и трендвотчингом, маркетингом и работой со стейкхолдерами. Иначе вы гарантированно пополните 95% — не потому, что решение плохое, а потому, что о нем никто не узнал, его не приняла среда или оно не попало в рыночное окно.
Сегодня главный вызов — не технологический, а гуманитарный. И ключевой вопрос: хватит ли нам воли, критического мышления и осознанности, чтобы в погоне за эффективностью не начать действовать как машины? Успех промышленного ИИ будет определяться не мощностью GPU, а качеством управленческих решений, доверием между людьми и их способностью учиться на ошибках.
В начале статьи мы сравнили ИИ-пилоты с падением Тунгусского метеорита.
Но в этой аналогии есть одна важная неточность. Тунгусский метеорит был природным явлением — его нельзя было предотвратить. А 95% провалов ИИ-проектов — это рукотворная катастрофа, которой можно избежать. Инструменты для этого есть. Осталось только начать их использовать.
ДРУГИЕ МАТЕРИАЛЫ