Внедрение ИИ не гарантирует измеримого результата. Он зависит от качества модели, исходных данных и того, как инструмент встроен в рабочий процесс. Модели могут помогать с документами и кодом, но их ответы требуют проверки. Ниже - результаты исследований и сценарии применения, которые можно проверить на задачах производства.
Что ИИ умеет в производстве
Начинать стоит с направлений высокой зрелости, для которых у вас уже есть данные.
| Направление | Что делает | Зрелость | Что нужно |
|---|---|---|---|
| Работа с документами | читает ТЗ, КП, спецификации, письма; извлекает позиции и размеры; готовит черновики | высокая | сами документы, справочник номенклатуры, правила компании |
| Поиск и ответы по данным | «какие заказы застряли на покраске», «чем закончился похожий проект» | высокая | данные учётной системы, архив документов |
| Помощь в разработке систем | код, экраны, отчёты, интеграции, тесты | высокая для типовых задач | спецификация, архитектура, контроль качества |
| Прогноз спроса | прогноз продаж и потребления | высокая при истории | 2-3 года истории продаж |
| Машинное зрение в контроле качества | находит дефекты на изображениях | высокая для повторяющихся изделий | камеры, свет, сотни размеченных примеров |
| Предиктивное обслуживание | предсказывает отказ оборудования | средняя или высокая | датчики, история отказов |
| Анализ причин отклонений | ищет закономерности в простоях, браке, опозданиях | средняя | журнал событий с причинами |
| ИИ-агенты | выполняют цепочки действий: собрать данные, подготовить заказ, письмо, задачу | средняя, быстро растёт | чёткие права, подтверждение человеком, журнал |
Главное для заказного производства: документы
Один из полезных сценариев генеративного ИИ в производстве под заказ - превращать неструктурированные документы в данные. Типичная картина до ИИ: клиент присылает ТЗ в Word, КП в PDF, чертежи и переписку, а инженер часами перепечатывает позиции в спецификацию, смету и заказ в цех. Ошибки переноса превращаются в брак и перерасход.
В подходящих сценариях модель может подготовить черновик: читает все документы проекта, извлекает позиции, размеры и количества, сопоставляет со справочником номенклатуры, находит противоречия между документами (размер в ТЗ и в КП различается), помечает источник каждой позиции и формирует черновик. Решающее слово здесь: черновик.
Что показывают исследования
Массовое использование, редкий финансовый результат.
- McKinsey, 2025 (почти 2 000 руководителей из 105 стран): 88% организаций используют ИИ хотя бы в одной функции, но о любом влиянии на операционную прибыль сообщают 39%, и у большинства из них вклад ИИ составлял менее 5%. Около 6% респондентов относили к ИИ 5% операционной прибыли и больше; они втрое чаще перестраивают процессы.
- MIT NANDA, 2025: около 95% корпоративных пилотов генеративного ИИ не дали измеримого влияния на прибыль. Причина не в моделях, а в интеграции: универсальный чат-бот удобен одному человеку, но не встраивается в процесс и не учится на нём. Методику критикуют, но вывод совпадает с McKinsey.
Контролируемые эксперименты
| Исследование | Кто | Результат |
|---|---|---|
| Brynjolfsson, Li, Raymond, 2023 | 5 179 операторов поддержки | производительность +14% в среднем, +34% у новичков, почти 0 у опытных |
| Dell’Acqua и соавторы, HBS и BCG, 2023 | 758 консультантов | на задачах «внутри границы» ИИ: на 25% быстрее и с качеством выше более чем на 40%; на задаче «за границей» правильных ответов на 19 п. п. меньше |
| METR, 2025 | 16 опытных разработчиков, 246 задач | с ИИ на 19% медленнее, хотя сами считали, что ускорились на 20% |
Из экспериментов следуют три вывода. ИИ сильнее всего помогает новичкам и массовым операциям. У ИИ «неровная граница возможностей»: он блестяще решает одни задачи и уверенно ошибается в похожих. И ощущение пользы не равно измеренной пользе.
Ключевая мысль. ИИ - инструмент, эффект которого зависит от задачи и способа применения. Он усиливает хорошо устроенный процесс и хорошие данные, но так же эффективно усиливает хаос. Компания без системы управления получит от ИИ гораздо меньше, чем компания с ней.
Риски, которые нужно учитывать
- Галлюцинации. Модель может уверенно выдать правдоподобный, но неверный ответ: придумать позицию, перепутать единицы. Частота ошибок снижается, но не становится нулевой.
- Невоспроизводимость. Один запрос может дать разные ответы. Для остатков, денег и статусов это недопустимо.
- Конфиденциальность. Данные во внешнем сервисе покидают периметр компании; для персональных данных действует 152-ФЗ.
- Атаки через содержимое. Письмо или документ может содержать скрытые инструкции, которые модель воспримет как команду. Особенно опасно для агентов с правами на действия.
- Зависимость от поставщика и деградация навыков: если человек перестаёт проверять, он теряет способность заметить ошибку.
| Можно доверить ИИ с проверкой человеком | Должно оставаться точным правилом |
|---|---|
| черновики спецификаций, смет, КП, писем | расчёт остатков и движения запасов |
| извлечение данных из документов | финансовые расчёты и проводки |
| поиск, ответы на вопросы, сводки | права доступа |
| выявление противоречий и аномалий | критичные статусы: выпуск, приёмка, блокировка по качеству |
| прогнозы и рекомендации | итоговое решение о цене, сроке и обязательствах перед клиентом |
Принцип простой: ИИ предлагает, правила проверяют, человек решает. Ошибка модели не должна напрямую менять учётные данные или обязательства компании.
Как встраивать: черновик, проверка, знание
Для работы с документами полезна схема, в которой подготовка черновика отделена от проверки и подтверждения. Её можно реализовать с разными моделями, проверяя качество каждой на своих данных.
- Контекст. Помощник работает внутри конкретного заказа и видит его документы, данные учётной системы и похожие прошлые проекты.
- Только чтение. Помощник читает данные, но не меняет их.
- Черновик с источниками. У каждой позиции указан документ и страница, откуда она взята.
- Явные вопросы. Отдельным блоком: противоречия, отсутствующие данные, сделанные допущения.
- Подтверждение человеком. Без него черновик не становится документом.
- Накопление знаний. Подтверждённые правки и правила компании («наценка на модульные здания 25%») учитываются в следующих расчётах.
- Журнал и версии каждого черновика и подтверждения.
- Резервные модели на случай недоступности сервиса.
Этот паттерн решает главную проблему, найденную исследованием MIT: система учится на рабочих процессах компании, потому что знания накапливаются из реальных подтверждений.
Сколько это стоит
Пример расчёта. Предприятие готовит 40 спецификаций и КП в месяц по проектам с документацией около 30 страниц. Сейчас инженер тратит на черновик спецификации 3 часа. С учётом справочников, истории и повторных запросов на проект уходит около 150 000 входящих и 25 000 исходящих токенов. При условном тарифе $1 за миллион входящих и $5 за миллион исходящих токенов стоимость составит $0,275 на проект и $11 на 40 проектов. Расчёт не включает инфраструктуру, хранение, интеграцию и сопровождение; стоимость в рублях зависит от курса и условий оплаты. Если черновик готов за минуты, а проверка занимает час вместо трёх часов работы, экономия 80 часов инженера в месяц, около половины ставки.
В этом примере расходы на запросы к модели могут быть меньше стоимости рабочего времени специалистов; соотношение необходимо проверить на фактическом объёме обработки. Основные затраты: анализ процесса и эталонный набор примеров, интеграция с данными (как и в ERP-проектах, здесь главная сложность), удобный экран проверки, сопровождение и обучение людей. Это условный расчёт по заданным тарифам. Для бюджета проекта используйте актуальные цены выбранного сервиса и измеренный расход токенов.
Методика внедрения ИИ
- Начните с проблемы, а не с технологии: какое решение принимается поздно или вслепую и сколько это стоит.
- Выберите задачу на правильной стороне границы: много текста, повторяемость, ошибки ручного переноса, понятный эталон правильного результата.
- Соберите эталонный набор: 30-100 реальных примеров с правильными ответами. Это экзамен для любой модели.
- Измерьте, сколько времени и с какой точностью задача выполняется сейчас.
- Постройте прототип по паттерну «черновик, проверка, знание» и оцените на эталонном наборе.
- Запустите пилот на реальной работе с измерением времени и ошибок.
- Перестройте процесс: кто готовит черновик, кто проверяет, что происходит с исправлениями.
- При каждой смене модели повторяйте оценку на эталонном наборе.
Что сделать на своём производстве
- Выберите один тип документов, который чаще всего перепечатывают вручную: ТЗ, спецификации, заявки.
- Соберите 30-100 прошлых примеров с правильным результатом: это ваш эталонный набор.
- Измерьте текущее время и долю ошибок на этой задаче.
- Определите, что ИИ может только предлагать, а что остаётся точным правилом: остатки, деньги, статусы, обязательства.
- Запустите пилот по схеме «черновик, проверка, знание» и сравните время и ошибки с базовой линией.
Вопросы и ответы
С чего начать внедрение ИИ на производстве?
Можно ли доверить ИИ расчёт остатков или себестоимости?
Безопасно ли отправлять документы во внешнюю нейросеть?
Почему у большинства компаний ИИ не даёт результата?
Статья основана на книге «Управление производством»
В книге главы 30-35 разобраны подробнее: с формулами, примерами, шаблонами и полным списком источников.
Источники
- McKinsey. The State of AI in 2025: Agents, innovation, and transformation.
- MIT NANDA. The GenAI Divide: State of AI in Business 2025.
- Brynjolfsson E., Li D., Raymond L. Generative AI at Work. NBER Working Paper 31161, 2023.
- Dell’Acqua F. et al. Navigating the Jagged Technological Frontier. Harvard Business School, 2023.
- METR. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. 2025.
- Lewis P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS, 2020.
Опубликовано 7 октября 2026 г. Цифры о рынке и технологиях приведены по состоянию на 2025-2026 годы.