ИИ на производстве: как давать автоматике больше самостоятельности по шагам и где оставить человека

Короткий ответ: 8 октября 2026 года MIT Technology Review выпустил подкаст с Арти Гарг, главным технологом компании AVEVA, которая делает программы для промышленности. Сразу оговорка: это заказной материал. Его подготовило подразделение Insights, а не редакция журнала, в партнёрстве с самой AVEVA. Поэтому всё ниже это слова представителя поставщика, а не независимое исследование. Главная мысль Гарг: в отличие от ИИ в офисе, промышленный ИИ действует на настоящее оборудование, и неожиданное решение может ударить по безопасности людей и надёжности работы. Путь, который она описывает: сначала ИИ собирает и сопоставляет данные и помогает человеку искать причину неполадки, потом советует настройку, которую ставит человек, и только потом подстраивает её сам. Успешные пилоты такой подстройки, по её словам, уже были, а в качестве ограничений она предлагает узкую разрешённую полосу значений или работу автоматики только на части оборудования. Человек при этом из оператора становится руководителем системы. Для небольшого производства я собрал из этого лестницу из четырёх ступеней: у каждой есть кто делает и чем проверить. Ниже что говорит Гарг, эта лестница и расчёт.

Что изменилось в промышленном ИИ

По словам Гарг, промышленный ИИ не новость: AVEVA работает над ним больше 20 лет, в том числе, по её словам, над собственной моделью поиска отклонений в работе оборудования. Изменился сам тип ИИ. Появились универсальные большие модели, которыми могут пользоваться гораздо больше людей, а за последние пару лет быстро развились так называемый физический ИИ, который управляет роботами и самостоятельными машинами, и ИИ-агенты, которые сами выполняют шаги в программах.

Чем это отличается от офиса, Гарг объясняет так. Промышленный ИИ взаимодействует с реальными физическими системами, часто в опасных условиях, и само оборудование может навредить людям. Раньше AVEVA подбирала для задачи модель, поведение которой хорошо понятно. Новые модели, по её словам, устроены так, что их поведение трудно объяснить, и оно может меняться со временем, когда их дообучают. Поэтому главный вопрос для неё: где компания готова доверить такой системе больше автоматизации.

С чего всё начинается: данные

Первым шагом Гарг называет не автоматизацию, а сбор и сопоставление данных из разных систем. Её пример: показания датчиков насоса или мешалки, журнал обслуживания, где видно, когда этот насос последний раз ремонтировали, и исходная документация по устройству и обслуживанию. Если всё это связано, при неполадке оператор с планшетом может попросить ИИ быстро собрать нужные сведения и помочь понять, что происходит. Дальше Гарг предлагает представить робота, который сам обходит опасную зону и собирает данные, чтобы человеку не нужно было туда идти. Это сценарий, а не описание конкретного внедрения.

Как пример заказчика Гарг приводит тайскую нефтехимическую компанию SCG Chemicals. Та сначала навела порядок в данных, соединив данные о работе оборудования с инженерными данными, а потом поставила поверх них поиск отклонений, чтобы раньше замечать риски и превращать внеплановые простои в плановые. По словам Гарг, компания нацелена на надёжность установок около 99%, а на раннем пилоте отдача на вложения (ROI) была почти девятикратной. Это цифры представителя поставщика из заказного материала, независимой проверки в нём нет.

Как переходят от советов к автоматике

Самая практичная часть разговора про уставки. Уставка это заданное значение, которое поддерживает автоматика: температура, давление, скорость. Гарг рассказывает о решении, которое AVEVA делает вместе с несколькими заказчиками: система берёт данные о работе установки и её модели и советует, например, перейти на другую уставку, потому что условия на заводе изменились. Есть большой интерес к тому, чтобы автоматика меняла уставку сама, и, по её словам, у них были успешные пилоты в реальных условиях.

Но менять уставки на промышленном оборудовании, признаёт Гарг, заставляет людей сильно нервничать. Поэтому, по её словам, можно сохранять ограничения: например, автоматика не может выйти за определённую полосу значений или работает только на части установки. Она сравнивает это с руководителем, который даёт сотрудникам свободу в одних решениях и жёсткие рамки в других. В отрасли, по её словам, говорят о переходе человека от оператора к руководителю систем, и как именно это устроить, честно признаёт она, ещё выясняют. ИИ не человек, и ограничения для него выглядят иначе.

Ещё две мысли Гарг, полезные для небольшого производства:

• Испытывать там, где безопасно. Отрасль, по её словам, хочет пробовать новое, но в средах, которые можно сделать более изолированными и безопасными для проверки.
• Модель под задачу. Более узкая модель, подобранная под задачу, по её мнению, с меньшей вероятностью поведёт себя непредсказуемо, если правильно выбрать её устройство, и к тому же тратит меньше ресурсов.

И личный пример Гарг: она собирала игрушечного робота, и ИИ очень помог разобраться в документации к его программам, но иногда давал плохие советы, с чего начать поиск неполадки. Человек, который понимает, где ИИ силён, а где нет, оставался нужен.

Лестница самостоятельности для небольшого производства

Это мой перенос мыслей Гарг на небольшое производство, а не её рекомендации. Подниматься на следующую ступень стоит только после того, как предыдущая проработала достаточно, чтобы вы видели, где ИИ ошибается.

1. ИИ собирает данные и отвечает на вопросы. Показания датчиков, журнал ремонтов и инструкции к оборудованию собраны в одном месте, и ИИ помогает оператору найти нужное. На оборудование ИИ не влияет никак.
   • Кто делает: главный инженер или технолог вместе с тем, кто ведёт журналы.
   • Чем проверить: возьмите пять прошлых неполадок, причина которых известна, и посмотрите, находит ли оператор с помощью ИИ нужные сведения и не уводит ли ИИ в сторону.
2. ИИ советует, человек решает. ИИ предлагает уставку и объясняет, почему. Предложение сначала проверяет ответственный специалист, а меняет уставку на работающем оборудовании уполномоченный сотрудник по утверждённой у вас процедуре.
   • Кто делает: оператор, а разбор ведёт главный инженер.
   • Чем проверить: за месяц записано, сколько советов приняли, сколько отклонили и почему. Если отклоняют часто, на следующую ступень рано.
3. ИИ меняет уставку сам, но в узкой полосе. Границы полосы держит система управления оборудованием, а не сама модель: если ИИ попросит значение за пределами, система его не примет. Аварийная защита оборудования от ИИ не зависит и работает как раньше.
   • Кто делает: наладчик системы управления; ширину полосы утверждает главный инженер.
   • Чем проверить: на изолированном стенде или в компьютерной имитации системы управления, не подключённой к оборудованию, подайте в систему от имени ИИ значение за пределами полосы и убедитесь, что оно не принято, и что аварийная защита в имитации срабатывает так же, как без ИИ. Имитация проверяет только ту логику, которая в ней воспроизведена, поэтому проверку настоящей аварийной защиты и любые проверки на настоящем оборудовании оставляют ответственным специалистам по утверждённой у вас процедуре.
4. Полосу расширяют только по данным и после отдельной проверки. История работы в прежней полосе нужна, но сама по себе не доказывает, что безопасна более широкая полоса или другое оборудование. Поэтому новые границы сначала оценивает главный инженер, а расширенный режим отдельно проверяют на изолированном стенде или в имитации до применения.
   • Кто делает: главный инженер, решение утверждает владелец.
   • Чем проверить: есть журнал всех изменений уставок ИИ за период с причиной каждого, ни одно изменение не потребовало вмешательства человека в аварийном порядке, а для новых границ есть письменная оценка главного инженера и результат проверки на стенде или в имитации.

Человек на любой ступени должен иметь возможность сразу вернуть ручное управление, и все об этом знают. Порядок такого возврата для конкретной установки определяют и проверяют специалисты.

Как ставить рамки ИИ-агентам в офисной работе, с почтой, документами и учётными записями, я разбирал в статье Когда ИИ-агент обходит правила: три случая 2026 года и шесть правил для компании.

Сколько это может сэкономить на первой ступени

Пример на условных числах, подставьте свои. На производстве 20 неполадок в месяц. Сейчас на каждую оператор тратит 40 минут, чтобы собрать показания, найти записи о прошлых ремонтах и нужную инструкцию: около 13,3 часа в месяц. Если с помощником на это уходит 10 минут, выходит около 3,3 часа, экономия 10 часов в месяц. При стоимости часа 1200 рублей это условно 12 000 рублей в месяц высвобожденного времени. Сокращение времени поиска само по себе не уменьшает расходы: польза появляется, если это время уходит на другую работу. Из этой суммы нужно вычесть стоимость помощника, его подключение и поддержку, время на проверку его ответов и работу по сбору данных в одно место. Если сбор данных требует месяцев работы, окупаемость нужно считать на год вперёд, а не на месяц.

Ещё большая польза на этой ступени может быть в простоях: если нужные сведения находятся быстрее, оборудование может раньше вернуться в работу. Сколько стоит час простоя у вас, посчитайте отдельно.

Когда это рано

Если показания датчиков нигде не сохраняются, а ремонты записываются в тетрадь, начинать с ИИ рано. Сначала придётся навести порядок в данных, и это, по словам самой Гарг, главное условие пользы в промышленности. А самым большим препятствием она называет даже не технику и не данные, а готовность менять сами рабочие процессы под то, что ИИ умеет и чего не умеет.

Итог

В заказном подкасте MIT Technology Review от 8 октября 2026 года главный технолог AVEVA Арти Гарг описывает путь промышленного ИИ к самостоятельности: сначала данные и помощь человеку в поиске причин, потом советы, потом автоматическая подстройка уставок, для которой она предлагает ограничения: узкую полосу значений или работу только на части оборудования. На заводе ошибка ИИ касается людей и оборудования, а поведение новых моделей труднее объяснить, поэтому рамки и испытания в безопасной среде для неё в центре. Небольшому производству из этого стоит взять лестницу: подниматься по ступеням только по данным, держать границы в системе управления, а не в модели, и не делать аварийную защиту зависимой от ИИ.

Я занимаюсь ИИ-агентами и автоматизацией. Если хотите посмотреть мои проекты или обсудить свою задачу, загляните в портфолио.

Источники

• MIT Technology Review, Business Lab (материал Insights, подготовлен в партнёрстве с AVEVA), 08.10.2026: Building a safer path to autonomous industrial AI, полная расшифровка. https://www.technologyreview.com/2026/10/08/1144020/building-a-safer-path-to-autonomous-industrial-ai/