Внедрение ИИ на производстве: с чего начать компании среднего размера, у которой нет датчиков на каждом станке

Два ИИ на производстве: индустриальный и офисный

Индустриальный ИИ работает с сигналами оборудования: вибрация, температура, изображения с камер. Он прогнозирует поломки, находит дефекты на линии, оптимизирует режимы. Для него нужны датчики, история за годы, инженеры данных и бюджет, который окупается при масштабе крупного предприятия. У компании среднего размера этих данных обычно нет, а их сбор — отдельный многолетний проект.

Офисный ИИ работает с тем, что у среднего производства уже есть: заявки, спецификации, письма поставщиков, накладные, акты, журналы в таблицах, отчёты мастеров. Это текст и документы, и языковые модели забирают эту работу без датчиков. Именно с неё разумно начинать, и именно о ней эта статья. Состав решения для отрасли — на странице ИИ для производства.

Что подходит для первого шага

Что пока не подходит и почему

• Предиктивное обслуживание. Нужны датчики и история отказов за годы. Начать можно с журнала обслуживания в таблице и напоминаний по регламенту, это даёт часть эффекта без датчиков.
• Компьютерное зрение на линии. Оборудование, разметка, отдельная команда. Для среднего производства раньше окупается контроль качества по журналам и рекламациям.
• Оптимизация планирования. Требует чистых данных о мощностях, заказах и ограничениях. Сначала порядок в данных, потом оптимизация; агент помогает навести этот порядок.
• Прогноз спроса. История за годы и стабильный ассортимент. У среднего производства опытный плановик точнее модели.

Признаки задачи, которая не подходит для ИИ сейчас, собраны в статье «Когда AI-агент не нужен».

Шаг 1. Аудит: где теряются часы и деньги

Аудит производства отличается от офисного тем, что часть процессов живёт в цехах и не оцифрована. Поэтому он начинается с обхода: как заявка попадает из отдела продаж в производство, как цех заказывает материалы, как оформляется приёмка и брак, как мастер отчитывается о выпуске. По каждому процессу считаем объём, время, ошибки и спрашиваем, есть ли данные в цифровом виде. Результат — карта процессов с эффектом по каждому и список того, что нужно оцифровать до внедрения. Как проходит аудит и что он даёт, описано на странице ИИ-консалтинг.

Шаг 2. Первый процесс: заявки и спецификации

У большинства производств первым выбирают разбор заявок клиентов и спецификаций: объём большой, данные есть, цена ошибки контролируется подтверждением. Клиент присылает запрос в свободной форме или спецификацию в таблице; агент сопоставляет позиции с каталогом и синонимами, проверяет остатки и сроки, выделяет нестандартные позиции и готовит заявку в 1С или заказ на расчёт. Менеджер проверяет и подтверждает. Метрика: время от запроса до заявки в системе и доля заявок с ошибками в позициях. Словарь номенклатуры и синонимов, который рождается в этом проекте, пригодится во всех следующих.

Шаг 3. Снабжение

Второй шаг использует тот же словарь. Заявки цехов в свободной форме превращаются в позиции, проверяются на лимиты и остатки, рассылаются поставщикам из утверждённого списка, а их ответы с прайсами в разных форматах сводятся в одну таблицу по единым позициям. Снабженец выбирает из подготовленной таблицы. Контроль сроков поставок и напоминания — в том же агенте. Подробно: AI-агент для закупок. Проверка новых поставщиков по правилам компании — ИИ для проверки контрагентов.

Шаг 4. Документы и склад

Накладные, акты, сертификаты на материалы, документы приёмки: распознавание, сверка с заказами и поставками, расхождения в список, комплектность к закрытию периода. На складе — сверка приёмки с заказом по документам и фотографиям, разбор заявок на отгрузку, контроль зависших остатков. Эти сценарии описаны на страницах AI для документооборота и AI-агент для склада.

Шаг 5. Качество по данным, а не по камерам

Журналы брака, рекламации клиентов, акты о несоответствии часто ведутся в таблицах и в свободной форме и не анализируются вместе. Агент собирает их, классифицирует причины по вашему справочнику, находит повторяющиеся: конкретная смена, партия материала, поставщик, операция. Технолог получает список гипотез с данными, а не ощущение «в последнее время больше брака». Это не заменяет контроль на линии, но часто находит причины, которые контроль на линии не видит, потому что они в закупках или в смене.

Шаг 6. Сводки и регламенты

Когда данные из предыдущих шагов накоплены, появляется возможность собирать сводки без ручной работы: план-факт выпуска, просроченные заказы, остатки под риском, отклонения с причинами. Руководитель получает их утром в мессенджере. Параллельно агент отвечает рабочим и мастерам по технологическим картам и регламентам со ссылкой на пункт, если они оцифрованы; это снимает с технологов роль справочной. Как устроены сводки для руководителя, описано на странице AI-ассистент руководителя.

Данные и контур

Производственные компании часто имеют требования к данным: чертежи, рецептуры, условия с клиентами. Агент для таких данных работает в контуре компании на открытой модели; для заявок и документов допустимо российское облако с поимённым перечнем передаваемых полей. Интеграция идёт через 1С (УПП, ERP, УНФ, отраслевые конфигурации) штатными механизмами обмена, почту, мессенджеры и таблицы. Варианты размещения — на странице ИИ в контуре компании.

Типичные ошибки при внедрении ИИ на производстве

• Начинать с индустриального ИИ без данных. Проект по предиктивному обслуживанию без датчиков и истории заканчивается на этапе сбора данных.
• Нет словаря номенклатуры. Цеха, продажи и снабжение называют одно и то же по-разному; агент честно переспрашивает. Словарь — первый результат проекта.
• Регламенты не оцифрованы. Технологические карты в головах и на бумаге; агенту нечего читать.
• Пропустить цех. Внедрять только в офисе, не спросив мастеров, как на самом деле идут заявки и приёмка.
• Не измерять до. Время на заявку и долю ошибок нужно замерить до запуска.
• Ожидать, что ИИ наведёт порядок сам. Он покажет, где беспорядок; наводить его придётся людям, и это нормальная часть проекта. Подробнее: «Подготовка данных перед внедрением ИИ».

Пример: завод металлоконструкций

Завод среднего размера получал заявки от клиентов письмами со спецификациями в разных форматах, иногда фотографиями чертежей с размерами. Менеджер переносил позиции в 1С вручную, сверялся с технологом по нестандарту, запрашивал у снабжения материалы, и всё это занимало дни. Первый пилот — разбор спецификаций: агент извлекал позиции, сопоставлял с номенклатурой и синонимами, проверял типовые размеры по справочнику, выделял нестандарт для технолога и готовил заявку в 1С. Через месяц — снабжение: заявки на металл и расходники от цехов и сравнение предложений поставщиков. Через три — сводка директору по заказам, срокам и остаткам.

Самым заметным результатом оказалось не время, хотя оно сократилось с дней до часов, а словарь: впервые продажи, технологи и снабжение стали называть позиции одинаково. Компьютерное зрение для контроля сварных швов, с которого директор хотел начать, отложили: данных для него не было, а эффект от трёх офисных процессов оказался больше, чем ожидали.

Порядок и сроки

1. Аудит с обходом, 5-7 рабочих дней. Карта процессов, объёмы, данные, список для оцифровки.
2. Словарь и правила, одна-две недели. Номенклатура, синонимы, критерии нестандарта, списки поставщиков.
3. Пилот на заявках, 3-4 недели. Замер до и после, порог ошибок, подтверждение человеком.
4. Снабжение, документы, качество, сводки — по одному процессу с интервалом в месяц.

Как считается окупаемость каждого шага, описано в статье «Расчёт окупаемости AI-агента».

Если кратко: сначала словарь и заявки, потом снабжение и документы, потом качество и сводки, и только с накопленными данными — разговор об индустриальном ИИ.

На среднем производстве ИИ начинается не с датчиков, а со словаря номенклатуры. Как только продажи, цех и снабжение заговорили на одном языке, агент становится полезным, а потом и незаменимым.