ИИ на российских заводах: что уже работает, а что пока только в презентациях
·20 мин чтения
Короткий ответ: работает не «ИИ», а ответ на конкретный вопрос
Спор про искусственный интеллект на российских заводах обычно выглядит так: одни показывают слайды про цифровые двойники и предиктивную аналитику, другие отвечают, что «на нашем производстве это не работает». Обе стороны говорят о разном. Первые — о технологиях, которые действительно существуют. Вторые — о том, что ни одна из этих технологий не отвечает на вопрос, который задаёт конкретный клиент в 21:40 в пятницу.
Эта статья — попытка разложить тему на три части: что подтверждается данными, что подтверждается только отдельными проектами, и где публичных данных нет вообще. Последняя часть — не недостаток текста, а самое полезное, что можно сказать руководителю: она показывает, где заканчиваются чужие цифры и начинается ваша собственная задача.
Сразу договоримся о жанре. Здесь не будет ни «ИИ неизбежен», ни «ИИ — это хайп». Будут цифры с указанием источника и года, будут прямые оговорки о том, в каких границах эти цифры работают, и будут места, где мы честно напишем: сопоставимых российских данных нет.
Две цифры про Россию, которые противоречат друг другу только на первый взгляд
Начнём с главной цифры, которая чаще всего звучит в презентациях. Совместный отчёт «Якова и Партнёров» и «Яндекса», представленный в декабре 2025 года, даёт 71% крупных российских компаний, которые используют генеративный ИИ хотя бы в одной функции. Лидируют ИТ и телеком, медиа, электронная коммерция, банки и страхование: у них ИИ-решения занимают до 17% годовых ИТ-бюджетов против примерно 11% в среднем по рынку.
Второе число — из обзора ComNews за январь 2026 года: 39% российских компаний используют ИИ для автоматизации бизнес-процессов.
71% и 39% — это не противоречие, и важно понимать почему. Первая цифра отвечает на вопрос «применяется ли генеративный ИИ хотя бы где-то в компании». Вторая — на вопрос «используется ли ИИ именно для автоматизации процессов». Это разные выборки и разные вопросы. Если цитировать только одну из них, получится либо восторженная, либо унылая картина, и в обоих случаях неверная.
Для завода эта разница принципиальна. Генеративный ИИ «в одной функции» может означать, что юрист пользуется нейросетью для черновиков договоров, а маркетолог — для текстов. Это не имеет отношения к цеху. Вопрос, который стоит задавать, звучит иначе: где именно в производственном и коммерческом контуре ИИ отвечает на запрос клиента или снимает рутинную операцию, и как вы это измеряете.
Что подтверждается в самом производстве
Здесь придётся выйти за пределы России, потому что сопоставимых российских исследований по цеху в открытом доступе нет. Это первое место, где мы говорим «нет данных» прямо.
Самая цитируемая страна-ориентир — Германия. По опросу Bitkom (ноябрь 2025 года) 42% немецких промышленных компаний уже применяют ИИ в производстве, а 82% считают ИИ решающим для конкурентоспособности. Подчеркнём: это использование в производстве, а не «в одной функции».
Что это даёт на практике, видно по отдельным проектам. PwC описывает случай химической компании, где связка прогнозной аналитики и программ операционного совершенства сократила незапланированные простои примерно на четверть.
Есть и более плотные цифры. Рецензируемое исследование 2025 года (Edelweiss Applied Science and Technology, том 9, выпуск 10) моделирует на цифровом двойнике производственной системы три сценария: традиционный lean, обычная автоматизация и когнитивная робототехника. В третьем сценарии время выполнения заказа сократилось более чем на 30%, доля дефектов — более чем на 70%, энергопотребление на единицу продукции — примерно на 20%.
Три оговорки, без которых эти цифры превращаются в рекламу. Первая: это симуляция на модели, а не отчётность действующего цеха. Вторая: контекст исследования — украинские предприятия, и переносить его на российский завод можно только как ориентир, а не как обещание. Третья: это одна работа, а не отраслевая статистика.
Российских публичных кейсов с таким же уровнем детализации — с указанием методики замера, базы сравнения и периода — в открытом доступе мы не нашли. Это не значит, что их нет: большинство производственных проектов не публикуют ни цифры, ни методику. Но для читателя вывод простой: если вам показывают «−70% дефектов на российском заводе» без методики, это повод задать вопросы.
Одна производственная ситуация: откуда уходит заявка
Отвлечёмся от отраслей и посмотрим на одну сделку в промышленном сегменте — там, где продукт нестандартный, а решение принимает не один человек.
21:40, пятница. Сайт производителя металлоконструкций. Инженер по снабжению пишет через форму: «Нужны закладные детали по чертежу, 240 штук. Работаете по давальческому металлу? Какой срок и можно ли доставку на объект?» Он приложил бы чертёж, но форма не принимает файлы, поэтому он написал это текстом.
21:40. Ответ системы: «Спасибо за обращение! Мы свяжемся с вами в рабочее время». Заметим: это не ответ на вопрос. Это подтверждение факта.
21:55. Инженер находит ещё трёх производителей и отправляет тот же текст им. Он делает это не из вредности — он просто не хочет ждать до понедельника.
23:20. Один из трёх поставщиков отвечает ночью, потому что у них на линии дежурит консультант: «Давальческий металл берём, 240 штук — 12 рабочих дней, доставку на объект делаем. Пришлите чертёж на почту или сфотографируйте и прикрепите здесь — вернёмся с расчётом». Между вопросом и содержательным ответом — час сорок.
Понедельник, 09:20. Ваш менеджер открывает почту и видит пятничную заявку. Он звонит. Инженер отвечает вежливо: «Спасибо, мы уже определились».
В этой истории нет ни одного плохого сотрудника. Менеджер не был обязан работать в пятницу в 21:40. Проблема в другом: между вопросом и содержательным ответом прошло почти трое суток, и всё это время обращение было не заявкой, а строчкой в почте.
Дальше самое неприятное. Посчитайте, сколько таких обращений приходит вне рабочего времени и сколько из них получают ответ в первый час. Первый шаг, который стоит сделать руководителю, — выписать это по факту, а не на память. Как это сделать за один вечер, мы разберём ниже. Пока зафиксируем: потеря происходит не в момент, когда клиент выбрал другого, а в момент, когда ваш процесс не смог ответить на технический вопрос.
Что ИИ реально берёт на себя в промышленном обращении
Не «чат-бот на сайте вообще», а конкретный участок работы — первая линия типовых вопросов. Вот что имеет смысл отдавать машине и почему.
Ответ на вопрос по номенклатуре и условиям. Есть ли позиция, какие характеристики, какой материал, какие условия работы: отсрочка, предоплата, доставка, работа по давальческому сырью. Это информация существует в документах компании. Модель её не придумывает — она её находит.
Уточняющие вопросы до передачи человеку. Когда вопрос размытый («нужны металлоконструкции»), консультант помогает его конкретизировать: тип изделия, объём, материал, объект, срок. Цель — не собрать полный бриф, а превратить письмо в понятную строку для расчёта.
Извлечение требований из технического текста. Клиенты пишут параметры в свободной форме, и расшифровка такого сообщения — понятная задача для нейросети. Человеку потом остаётся проверить, а не разбирать.
Передача менеджеру с историей разговора. Менеджер должен получить не строчку «клиент, телефон», а всю картину: что спрашивали, что мы ответили, чего не хватает для расчёта. Иначе он начнёт разговор заново.
Стоп-слова и правила. Консультант не должен говорить от себя о сроках, которых нет в системе, и о ценах, которых нет в прайсе. Это настраивается: какие ответы разрешены, какие категорически нет, что сообщать вместо ответа.
А теперь то, что машина не берёт и не должна брать.
Чего ИИ не делает — и почему это нормально
Не определяет технологическую возможность изготовления. Много вопросов в производстве начинается со слов «а сможете ли». Проверить это должен конструктор или технолог, а не языковая модель. Консультант может принять вопрос и передать его со всеми деталями — и на этом его роль заканчивается.
Не обещает даты производственной поставки. Если в системе нет данных о загрузке цеха и остатках, любой названный срок — сгенерированный. Это прямое требование к настройке: срок либо берётся из вашей системы, либо не называется вовсе, а разговор уходит человеку.
Не ведёт торг. Скидки, условия оплаты для конкретного клиента, изменение спецификации — вне первой линии. Попытка автоматизировать торг на первом контакте почти всегда заканчивается либо испорченной сделкой, либо обещанием, которое производство не выполнит.
Не подменяет ответственность за конструкторские решения. Инженерные выводы, допуски, замена материала — это зона людей с квалификацией и с ответственностью.
Не отвечает по данным, которых у вас нет. Это самое важное ограничение, и оно не про технологию, а про вас. Нейросеть, работающая «по общим знаниям», будет уверенно выдумывать характеристики и сроки — не потому, что она плохая, а потому, что её нечем ограничить.
Главное препятствие на заводе — не бюджет на ИИ, а читаемые данные
Вот где производство отличается от розницы. В рознице есть карточки товаров: цена, остаток, характеристики — всё в учётной системе. На заводе цена часто живёт в Excel, который правит один человек, характеристики — в PDF-каталоге и в головах у технологов, срок изготовления знает начальник производства, а наличие материала — снабжение.
Из этого следует неприятный вывод. Проект внедрения ИИ на производстве — это на восемьдесят процентов проект по наведению порядка в данных и на двадцать процентов подключение технологии. Компании, которые начинают с выбора «умного» решения и только потом обнаруживают, что отвечать нечем, обычно получают бота, который выдумывает сроки.
Отсюда же и главная причина провалов, о которой говорят в мире. По сводке MIT (август 2025 года) около 95% пилотов генеративного ИИ не дают измеримого эффекта на финансовый результат. Читать это надо аккуратно: речь о том, что пилот не превратился в изменение процесса, а не о том, что технология бесполезна. Пилот без базы данных и без владельца процесса не может дать эффекта, потому что ему не на что опереться.
Практические шаги для руководителя: с чего начать, не покупая ничего
Предлагаем порядок, который не требует бюджета и не начинается с выбора подрядчика.
Шаг 1. Выпишите тридцать последних обращений за месяц. Не «интересных», а тридцать подряд — включая те, на которые вы не ответили содержательно. Возьмите обращения из всех каналов: форма на сайте, почта, мессенджеры, Авито, если он есть.
Шаг 2. Для каждого зафиксируйте два времени. Время прихода обращения и время первого содержательного ответа. Содержательный — это ответ на заданный вопрос, а не «спасибо, мы свяжемся». Разница между этими двумя моментами и есть ваша реальная скорость на первой линии.
Шаг 3. Отметьте, сколько из них пришло вне рабочего времени. По нашим наблюдениям на проектах, около половины обращений приходит вне рабочих часов, а отвечает в первый час лишь часть компаний — и именно эти обращения чаще всего теряются целиком. Российских сопоставимых данных по заводам в открытом доступе нет — поэтому считать надо по своим тридцати обращениям.
Шаг 4. Задайте пять самых частых вопросов. Почти наверняка туда попадут цена, срок, наличие, условия доставки и работа с давальческим материалом. По каждому ответьте себе на один вопрос: существует ли актуальный письменный ответ, и где он лежит.
Шаг 5. Настройте консультанта только на эти пять вопросов. Не на всё. Это важный момент: пилот, который пытается охватить всю номенклатуру, почти наверняка выдаст ошибку и будет выключен на второй день. Пилот, который уверенно отвечает на пять вопросов из тридцати обращений, сохраняет живые контакты и не портит репутацию.
Шаг 6. Назначьте владельца данных. Один человек, который отвечает за актуальность цен и условий, — иначе через месяц консультант будет с уверенностью называть позавчерашние цены. Это самая скучная часть проекта и самая частая причина, по которой он разваливается.
Где российских данных нет: список, который лучше знать заранее
Тема эта важная, и её почти всегда обходят в текстах про ИИ. Ниже — перечень того, чего мы не нашли в открытых источниках. Это не претензия к рынку; это указание на то, что здесь нельзя опираться на чужой опыт.
Нет публичного российского бенчмарка скорости ответа на первое обращение клиента. В США есть работы, на которые ссылаются все: например, Lead Response Management Study 2007 года (выборка свыше 15 000 веб-лидов и порядка 100 000 звонков) показала разницу примерно в 100 раз по шансам дозвониться и в 21 раз по шансам квалифицировать лид при ответе в пять минут против тридцати. Более поздняя работа в Harvard Business Review (март 2011 года, 2 241 американская компания) даёт разницу в семь раз при ответе в пределах часа и в шестьдесят раз при ответе через сутки. Российского аналога такого масштаба в открытом доступе нет.
Нет данных, какая доля российских производителей отвечает на обращения вне рабочего времени. По авторынку и домашним сервисам в США такие замеры публикуются; по российской промышленности сопоставимых замеров мы не нашли.
Нет публичной статистики, какая доля пилотов ИИ на российских производствах дошла до эксплуатации. Есть общемировые оценки (в частности, упомянутая сводка MIT про 95% пилотов без измеримого эффекта), но переносить их на российскую промышленность без оговорок нельзя.
Нет отраслевой статистики по эффекту от ИИ именно на российских заводах. Есть отдельные цифры по всем компаниям сразу: например, в упомянутом отчёте «Якова и Партнёров» и «Яндекса» системные пользователи ИИ оценивают его вклад в EBITDA до 8%, а ожидаемый экономический эффект от ИИ к 2030 году оценивается в 7,9–12,8 трлн рублей в год. Но это уровень компаний в целом, а не цеха.
Практический вывод из этих белых пятен простой. Если вы руководитель завода, вам не нужен российский или мировой бенчмарк, чтобы понять положение дел у себя. Вам нужны тридцать своих обращений и два времени по каждому. Это единственная цифра, которую невозможно оспорить, потому что она ваша.
FAQ
«У нас нет заявок на сайте, у нас звонки и менеджеры». Тогда вопрос не закрыт, а лишь переформулирован: сколько звонков приходит вне рабочих часов и что происходит с теми, на которые никто не ответил? По замерам в других отраслях значительная часть входящих звонков просто пропускается. Начните с того, чтобы посчитать, сколько раз телефон звонил, когда ответить было некому.
«Мы пробовали бота, он отвечал ерунду, мы его выключили». Это ожидаемый результат запуска без данных. Модель, которая отвечает не по вашему прайсу и не по вашим условиям, будет выдумывать: у неё нет другого источника. Порядок работ здесь обратный привычному: сначала база ответов и правила, потом консультант к живым посетителям.
«У нас всё нетиповое, шаблонами не отделаешься». Верно, и поэтому первая линия не должна пытаться закрывать сложное. Её задача — принять вопрос, уточнить параметры, собрать контекст и передать инженеру или менеджеру. Нетиповое всё равно уходит человеку; вопрос только в том, за сколько минут оно до него дойдёт.
«Кто отвечает, если консультант ошибётся?» Ответственность остаётся на компании — как и в случае ошибки менеджера. Поэтому и настраивают границы: перечень разрешённых ответов, стоп-темы, обязательная передача человеку в спорных случаях. И поэтому первые обращения стоит читать вручную.
«Сколько времени займёт запуск?» По-разному, и честно — зависит от состояния ваших данных. Подключение виджета занимает минуты, но до этого нужно собрать и утвердить материалы, по которым консультант имеет право отвечать. На производстве, где прайс и технические условия разбросаны по файлам и людям, сборка базы знаний занимает основную часть времени.
«С чего начать, если нет ни времени, ни бюджета?» С тридцати обращений и двух времён. Это бесплатно и делается за вечер. Полученная цифра сама покажет, есть ли задача, которую стоит автоматизировать, — или достаточно регламента дежурства и пяти шаблонов ответов.
Что вы можете сделать прямо сейчас: выписать тридцать последних обращений и посмотреть, сколько из них получили содержательный ответ в первый час. Если окажется, что большая часть — нет, это уже не гипотеза, а ваш собственный результат замера. С такой цифрой есть смысл обсуждать и автоматизацию.
Получить демо на своём сайте — покажем, как консультант отвечает на технические вопросы по материалам вашего сайта и передаёт диалог менеджеру с историей разговора. До оплаты и до каких-либо обещаний по цифрам. Как это работает на сайте целиком — на главной странице LeanAgent, а стоимость и состав тарифов — в разделе тарифы.
Пятнадцать лет в производстве и операционном управлении, в том числе в японской компании. Пишу о том, как бизнес теряет заявки на скорости ответа и что из этого реально исправить.