---
packet: P03-MFG-GLOBAL
date: 2026-09-24
author_model: claude-sonnet-5
---

# Заметки исследователя — P03-MFG-GLOBAL

## Сверка с реестрами дублей (до поиска)

Проверил `known-urls-v0.2-v1.0.txt`, `known-sources-v0.2.json`, `known-e4-cases.json` (grep по ключевым словам manufactur/factory/plant/production/завод/производство).

Уже известны (не трогал, чтобы не дублировать прежний корпус):
- Bosch Shopfloor Agent (собственные заводы; клиент SICK AG) — `known-e4-cases.json` CAND-406edc3bb1c7bfd2, известные URL bosch-presse.de, bosch.com/stories/agentic-ai-manufacturing-production/, manufacturing-co-intelligence.com/shopfloor-ai-agent.
- Schneider Electric × H2E Power (Индия, водородный завод) + Hannover Messe 2026 — CAND-604b6c58cc2e0651, известные URL se.com, manufacturingtomorrow.com.
- Airbus DDMS — CAND-7b30ad056a7b17f2.
- Siemens, завод в Нанкине (цифровые двойники, Lighthouse) — CAND-8bebfbc8c2b359aa.
- Siemens, завод в Цуге (Швейцария) — explainable AI в контроле качества (это `work`, не `practice`) — W8-FIELD-OPS-2-01.
- Rolls-Royce × Microsoft (Signature Analyzer, контроль лопаток турбин) — CAND-a1df755499c17233.
- Hitachi Vantara, завод в Нормане (Оклахома) — CAND-1a3d92edb411cd3e.
- Walmart Trend-to-Product — CAND-cdc5c779ee3f0cb1.
- adidas Speedfactory — помечен как out_of_scope (роботизация без заявленного ИИ) — не трогал.
- Samsung «AI-driven factories by 2030» (news.samsung.com) — уже в known-urls и known-sources (IND-MANUFACTURING-SRC-004).
- Tata Steel × 860 AI models (indiacsr.in) — уже в known-urls; это ДРУГАЯ статья/заявление, чем использованная мной Tata Steel × Google Cloud (agentic AI) — эту вторую пару URL в реестре не нашёл, поэтому создал по ней новую карточку P04.
- Foxconn (2 URL в known-urls), Hitachi (несколько URL в known-urls, включая HMAX/physical AI), Make UK — известные источники/публикации, не использовал повторно.
- WEF Global Lighthouse Network — оба профильных пресс-релиза (январь 2026 «23 new sites» и июнь 2026 «rewiring manufacturing») уже есть в `known-urls-v0.2-v1.0.txt`. Бриф разрешает не более 1 карточки WEF Lighthouse как SOURCE_CLAIM, но по правилу 11 WORKER.md («если материал уже был — карточку не создавай, если нет существенного дополнения») я НЕ стал создавать карточку по этим двум пресс-релизам: у меня нет доступа к содержимому прежних карточек по этим URL, чтобы доказать «существенное дополнение», а значит безопаснее не дублировать. Решение: WEF Lighthouse карточку в этом пакете не создал.

## Использованный бюджет

- Веб-поиски (WebSearch): 12 из 12 (использован весь лимiт).
- Открытия/загрузки (WebFetch + curl): 20 из 22 (10 WebFetch на этапе разведки + 5 curl на сохранение оригиналов + 2 доп. WebFetch по European-кандидатам (Siemens-Energy/BASF, tiretechnology) + 2 доп. WebFetch по Michelin (mobility intelligence) и Toyota chiefaiofficer (404) + 1 WebFetch по googlecloudpresscorner = итого 10 WebFetch содержательных попыток + 5 curl-сохранений оригиналов; подробный список — см. `files.jsonl`, включая недоступные/нерелевантные).

## Ход поиска по регионам

### Япония
Запросы: «Toyota OR Denso OR Fanuc AI production planning quality control 2025 factory», «Toyota Invisible AI computer vision quality control factory North America» (уточнение), «Yaskawa OR Komatsu OR Panasonic OR Nissan AI predictive maintenance quality factory Japan 2025».
- Toyota × Invisible AI (компьютерное зрение для безопасности/эргономики, 14 заводов Северной Америки) — первое партнёрство анонсировано в 2022 году (Forbes, invisible.ai) — сознательно НЕ стал делать карточку: событие 2022 года без свежего (2025-2026) подтверждения масштаба/эффекта, что требовало бы пометки `historical_basis`, а более свежий и живой материал (Toyota AI Platform, декабрь 2024, и GearPal, ноябрь 2025 — август 2026) оказался содержательнее и точнее по метрикам. Оставляю как находку на будущее: https://www.invisible.ai/news/invisible-ai-partners-with-toyota-to-install-ground-breaking-computer-vision-platform-across-north-america
- Yaskawa i3-Mechatronics (`www.yaskawa-global.com/product/i3-mechatronics/*`) — это страницы продукта поставщика без названного клиента/завода/периода с измеренным эффектом (в основном описание возможностей, не конкретный кейс внедрения) → по правилу 8 WORKER.md карточку не создал (нет названной организации-эксплуатанта с конкретным процессом/периодом за пределами самого Yaskawa как вендора). Не открывал страницы отдельным WebFetch — попал в снежинку без содержательного отдельного клиента, решил не тратить бюджет.
- Komatsu, Panasonic, Nissan — только общие описания в сниппетах поиска (не прочитано полностью), конкретных проверяемых кейсов с цифрами не нашёл за 2 запроса → недобор, причина в notes (не стал добивать третьим запросом).
- **Итог Япония**: карточка P01 (Toyota Motor Corporation, AI Platform для контроля качества, завод Takaoka + ещё 9 заводов).

### США
Запросы: «manufacturing plant AI agent predictive maintenance 2025 deployment case study» (общий), «Toyota "Gear Pal" generative AI factory workers downtime».
- Общий запрос по predictive maintenance дал в основном общеотраслевые блоги без названных компаний (assistents.ai, f7i.ai, masterofcode.com) и анонимные кейсы вендоров («один производитель автокомпонентов») — по правилу 8 такие не создаются как карточки.
- Makino Asia (IIoT predictive maintenance) — упомянут только в сниппете поиска (снипет ≠ чтение), полноценно не открывал за нехваткой бюджета и намерением сфокусироваться на более документированном кейсе Toyota GearPal; URL для будущего: см. поисковую выдачу «AI Agents in Manufacturing: Use Cases & ROI».
- **Итог США**: карточка P02 (Toyota Motor North America, GearPal — диагностический агент для обслуживания оборудования).

### Корея
Запрос: «POSCO OR "SK Hynix" OR "LG Electronics" AI factory 2025 smart plant production».
- SK Hynix — в основном инвестиции в фабы и AI-дата-центры (не про производственный процесс со сталью/памятью конкретно через ИИ-агента) — не набрал материала на отдельную карточку за пределами общих новостей о капвложениях.
- POSCO × LG Electronics smart factory (2023, KED Global) — старое партнёрство, отдельно не проверял глубину: сосредоточился на более свежем и детальном POSCO DX (июль 2026).
- **Итог Корея**: карточка P03 (POSCO DX — автоматизация кранов/грейферов и ИИ-мониторинг на заводах Кванъян и Пхохан).

### Индия
Запрос: «"Bharat Forge" OR "JSW Steel" OR "Mahindra" OR "Larsen & Toubro" AI manufacturing 2025 production quality» — не дал конкретных кейсов с процессом/периодом/эффектом (только общие профили компаний) → недобор по этой ячейке зафиксирован, не стал добивать третьим запросом (правило 13).
- Вместо этого использовал уже найденный по независимой ниточке источник о Tata Steel × Google Cloud (agentic AI, 300+ агентов) — организация и процесс достаточно конкретны, включает площадки Jamshedpur и Kalinganagar (Индия) и IJmuiden (Нидерланды).
- **Итог Индия**: карточка P04 (Tata Steel Limited).
- Недобор: Bharat Forge, JSW Steel, Mahindra & Mahindra, Larsen & Toubro — конкретных проверяемых ИИ-кейсов с процессом/периодом/эффектом за 1 запрос не нашлось; для повторной проверки в следующем цикле.

### Европа
Запросы: «Siemens OR BASF OR Continental OR ArcelorMittal AI agent factory Germany 2025 production energy», «ArcelorMittal OR Michelin OR Continental AI quality defect detection factory 2025 deployment», «Michelin IRIS tire inspection AI camera factory which plant location».
- Siemens × BASF (siemens-energy.com/global/en/home/stories/basf.html) — прочитан полностью: оказалось, что это модернизация газовой турбины BASF Schwarzheide (2020–2022) с использованием AR (дополненная реальность) для удалённого сопровождения обслуживания, БЕЗ элементов ИИ/цифровых двойников, вопреки ожиданию из заголовка поиска → карточка не создана, зафиксировано в `files.jsonl` (F07).
- Continental — только цитата в сниппете («Oliver Schramm... significant shift toward AI-driven inspection systems») без конкретики (завод/период/эффект), отдельную страницу не нашёл → недобор.
- ArcelorMittal — конкретных кейсов внедрения ИИ не нашёл за 2 запроса → недобор.
- Tire Technology International (machine vision, март/апрель 2025) — открыт (WebFetch), но контент статьи оказался недоступен (пустое тело при рендеринге, вероятно закрыт подпиской) → зафиксировано как paywall (F08).
- Michelin Mobility Intelligence «Automated Tire Inspection» — прочитан полностью; выяснилось, что это ДРУГОЙ продукт (QuickScan для осмотра шин Б/У автомобилей на 20 площадках ремаркетинговых компаний в Европе), не тот же IRIS, который упоминается в MIT Sloan про контроль качества НОВЫХ шин на производстве — и это скорее постпродажный ремаркетинг, а не производственный процесс из предмета пакета → карточку по этому продукту не делал (F10).
- **Итог Европа**: карточка P05 (Michelin, система IRIS для контроля качества шин) — единственная содержательная находка, но со СЛАБОЙ географической атрибуцией: в прочитанной статье MIT Sloan Management Review не назван конкретный завод/страна внедрения IRIS. Указал `country: unknown` честно, не стал угадывать (Франция — штаб-квартира компании, но это не то же самое, что страна внедрения конкретной линии).
- **Гэп по Европе**: не нашёл кейс с ясной страной внедрения (Германия/Франция/etc.) и одновременно измеримым эффектом за отведённый бюджет поисков. Оставляю как приоритетный пробел для следующего цикла: ArcelorMittal, Continental, BASF (именно ИИ, не AR), Bosch (за пределами уже известного Shopfloor Agent).

## WEF Lighthouse — решение не создавать карточку
См. раздел «Сверка с реестрами дублей» выше. Прочитан (через WebSearch, не WebFetch — то есть не в статусе «прочитано») сниппет с примерами: сингапурская компания промышленной автоматизации (анонимная — не подходит по правилу 8) и Siemens Nanjing (уже известен по `known-e4-cases.json`). Ни один новый, проверяемый, атрибутируемый пример из этой сети не нашёл, помимо уже известного. Карточку не создал.

## Источники (`record_kind: source`) — решение не создавать
Рассмотрел добавление source-карточек для: MIT Sloan Management Review, worldsteel.org (агрегатор новостей металлургической отрасли), Seoul Economic Daily. Решил не создавать: для каждого из этих изданий у меня есть только 1 прочитанная публикация (не 2, как требует лучшая практика правила про `relevant_publications`), а бюджет открытий (WebFetch/curl) почти исчерпан (20/22) — расширять его ради source-карточек в ущерб точности практик не стал. Это отмечено как next_action в report.json.

## Итог по покрытию регионов
US ✓ (Toyota GearPal), Japan ✓ (Toyota AI Platform), South Korea ✓ (POSCO DX), India ✓ (Tata Steel), Europe — частично ✓ (Michelin IRIS, но страна внедрения неизвестна) — честно отражено в карточке P05 и в gaps report.json.

## Доработка (rework по независимой проверке V1-M1, 2026-09-24)

Прочитано: `W/findings/V1-M1.json` (пункты P03-MFG-GLOBAL-P03 и P03-MFG-GLOBAL-P04, verdict `major` по обоим, плюс `pattern_notes_ru`), раздел «Калибровка 2» в `W/WORKER.md`, новые поля `deployment_stage`/`stage_marker_quote`/`technology_basis` в `W/SCHEMA.md`. Бюджет доработки (до 3 поисков / 6 открытий) не понадобился — все правки основаны на повторном локальном чтении уже сохранённых `raw/*.html` (0 новых WebSearch, 0 новых WebFetch/curl).

Прежняя версия карточек сохранена как `cards.jsonl` → `cards.v1.jsonl` (5 карточек). Новая `cards.jsonl` — 4 карточки (P04 снята).

### P03-MFG-GLOBAL-P03 (POSCO DX) — исправлено по finding major
- Перечитал `raw/posco-dx-sedaily.html` локально и выписал дословные маркеры: «is currently going through test operations» (грейферы/реклаймеры/краны для плит), «is currently conducting research to make 80% of grab operations unmanned» (цель, не факт), «has secured technologies ... as part of its manufacturing-specialized AI research and development» (обнаружение дефектов слябов, автономное вождение TLC — R&D), «is installed at the Gwangyang steel mill» (дросс-робот — уже установлен), «successfully achieving automation» (бэндинг/дебэндинг на Пхохане — уже работает), «An unmanned crane installed at a POSCO steel mill warehouse» (завод не назван).
- `organization` разделена на оператора (POSCO, заводы Пхохан/Кванъян) и интегратора (POSCO DX); отмечен интерес POSCO DX в демонстрации готовности к внешней коммерциализации.
- `after`/`claims`/`effects` переписаны с явным разделением на: уже установлено (дросс-робот, бэндинг/дебэндинг, беспилотный кран) / test operations (грейферы, реклаймеры, краны) / R&D (CV дефектов слябов, автономное вождение TLC, квадрупеды, гуманоид) / план на 2П 2026 (формальное внедрение). Убрано смешение «внедрено» и «R&D», на которое указал проверяющий.
- `technologies` сужены до `[CV, NLP, other]`; в `technology_basis` явно указано, что уже установленные физические роботы источником НЕ названы «ИИ» (это отдельная категория «industrial robots» в тексте) — эффект ИИ для них не заявляется.
- `change_depth`: end_to_end_process → operation (набор точечных автоматизаций разной зрелости, не сквозной процесс).
- `deployment_stage: "R&D"` — выбран по наиболее предметному ИИ-элементу (CV-обнаружение дефектов/автономное вождение), как наиболее осторожная оценка для карточки в целом; `stage_marker_quote` — цитата про «secured technologies ... research and development».
- `sources[0].author` исправлен на Kim Tae-ho (было «редакция»); добавлена пометка «AI-translated from Korean … may not reflect exact original wording» — цитаты в статье не обязательно дословны по отношению к корейскому оригиналу.
- Добавлен пропущенный робот удаления дросса на Кванъяне (был упущен в первой версии).

### P03-MFG-GLOBAL-P04 (Tata Steel) — снята (дубль)
- Finding: `CAND-3f3804e42ec716a0` в `known-e4-cases.json` — «Tata Steel Limited — Мультиагентная платформа Zen AI: Asset Sphere, Safety EyeQ, анализ жалоб, HR-helpdesk…» — тот же набор компонентов, что и в моей карточке.
- Дополнительно проверил `known-url-map.jsonl`: URL `googlecloudpresscorner.com/2026-04-22-Tata-Steel-...` уже был проиндексирован ДО начала этой сессии (файлы `known-sources-v0.2.json`/`known-url-map.jsonl` датированы раньше старта работы) как материал `IND-MANUFACTURING-SRC-003-MAT-01` источника `IND-MANUFACTURING-SRC-003`, привязанного к кейсу `IND-MANUFACTURING-CASE-003` «Tata Steel Limited». Это значит, что цифры из этого же пресс-релиза (300+ агентов, >70%, 50%, дата 22.04.2026) с высокой вероятностью уже есть в прежней записи, так как источник — один и тот же документ.
- Решение по указанию координатора («updated… только если есть существенно новое, иначе снять»): полного текста прежней карточки у меня нет для точного сравнения, но совпадение организации, процесса и первичного источника делает вероятность «существенно нового» низкой → карточка **снята** из `cards.jsonl` (осталась в `cards.v1.jsonl` для истории). Итог: 4 практики вместо 5, что по-прежнему в границах ориентира брифа «4–6».
- `files.jsonl`: записи F04/F06 (тот же пресс-релиз и его недоступное зеркало на tatasteel.com) оставлены как история сохранённых материалов, но `linked_ids` очищены (карточки P04 больше нет).

### P03-MFG-GLOBAL-P01 (Toyota AI Platform, Япония) — самопроверка по 10 пунктам, findings не было
- Перечитал `raw/toyota-google-cloud-ai-platform.html` локально: подтверждена цитата «AI Platform is already in use at all of our car and unit manufacturing factories (total 10 factories)» и «the AI Platform has now become an indispensable part of our manufacturing operations» → `deployment_stage: "production"`.
- `technology_basis`: «empowers factory workers to develop and deploy machine learning models…», «we use up to 10,000 images when creating the learning model» — CV/predictive_ML по изображениям, подтверждено дословно.
- Автор (Kohdai Gotoh) и дата (2024-12-10) — сверены по `datePublished`/`author` в JSON-LD страницы, совпадают с тем, что было в карточке. Расхождений с исходным текстом не найдено, добавлены только новые обязательные поля.

### P03-MFG-GLOBAL-P02 (Toyota GearPal, США/TMNA) — самопроверка по 10 пунктам, findings не было; найдена и исправлена ошибка
- **Ошибка обнаружена и исправлена**: в первой версии карточки было указано «GearPal запущен в ноябре 2025» — эта дата была взята из синтезированной выдачи WebSearch по странице `chiefaiofficer.com`, которая при попытке открыть дала HTTP 404 (см. `files.jsonl` F09) — то есть источник факта НЕ был прочитан, только снипет. Это прямое нарушение правила «снипет — не чтение». Дата удалена, `period` переформулирован честно.
- **Вторая ошибка**: показатель «прогнозируемая экономия от шестизначной суммы» был подан как проекция эффекта GearPal; в прочитанном тексте LangChain это на самом деле управленческий норматив одобрения новых AI-проектов вообще («a mandate to clear a 6-to-7-figure annual ROI threshold for each project»), а не измеренный/спрогнозированный эффект конкретно GearPal. Переформулировано как норматив, не эффект.
- `deployment_stage: "production"` подтверждён цитатой «to ensure GearPal is reliable enough to deploy on a live production line» + «run 50+ production agents» (описание статьи).
- `authority` смягчена до `unknown` — в первой версии было прямое утверждение «агент не управляет оборудованием», хотя источник этого прямо не говорит (только косвенно, через глагол «surfaces»).
- `sources[0].author` уточнён: структурные данные страницы дают автора «LangChain Accounts» (корпоративный аккаунт), а не персону; Kordel France и Ravi Chandu Ummadisetti — цитируемые лица внутри статьи, не авторы публикации.

### P03-MFG-GLOBAL-P05 (Michelin IRIS) — самопроверка по 10 пунктам, findings не было; найдена и исправлена ошибка
- **Ошибка обнаружена и исправлена**: дата публикации источника была ранее помечена как `unknown`, хотя при повторном локальном чтении `raw/michelin-mitsloan.html` дата явно присутствует в тексте байлайна — «Thomas H. Davenport and Randy Bean, August 25, 2025». Это нарушение правила 7 («дата — из byline, не «не найдено» без повторной проверки»); исправлено на `2025-08-25`.
- Добавлено имя цитируемого спикера — Ambica Rajagopal, group chief data and AI officer, Michelin (ранее в карточке фигурировала только фамилия из фрагмента цитаты).
- `deployment_stage: "production"` подтверждён цитатой «Michelin uses AI-augmented machines it calls IRIS to partially automate the manufacturing defect inspection process. The technology has improved both the efficiency and the experience of inspectors» (IRIS подана как отлаженная практика, а не пилот; фраза о «piloting AI across business lines» в статье относится к ДРУГИМ, не названным инициативам компании).
- `country: unknown` — оставлен без изменений: в тексте по-прежнему не назван конкретный завод/страна внедрения IRIS, угадывать не стал.

### Проверка схемы
`python3 W/scripts/validate_cards.py W/packets/P03-MFG-GLOBAL` → **0 проблем** на итоговых 4 карточках.

## Доработка 2 (раунд 2, точечная — по W/findings/V2-M1-closure.json и W/findings/V2-summary.txt, 2026-09-24)

Прочитано: `W/findings/V2-M1-closure.json` (4 пункта пакета: P01 minor, P02 major, P03 minor, P05 minor), `W/findings/V2-summary.txt`, конец `W/WORKER.md` (в т.ч. новое правило: пейволл-контент, видимый только в разметке/JSON, но не показанный странице без подписки, использовать нельзя — это обход ограничения; каждая деталь — только из прочитанного и указанного в `sources` материала). Бюджет 0 поисков / до 2 открытий — фактически новых открытий не понадобилось: все правки — по повторному локальному чтению уже сохранённых `raw/*.html` (grep). Прежняя версия сохранена как `cards.v2-before.jsonl`.

- **P02 (TMNA GearPal, major)**: детали «поиск в тысячах страниц руководств, старых сервисных журналах, тикет-системах, оцифрованных VHS-записях» и формулировка «машинный эксперт по запросу» — проверил локально `raw/toyota-langchain-gearpal.html` (grep vhs/manual/ticket/machine expert/on demand): ни одного совпадения по этим деталям. Удалены из `before`/`after`; оставлено только то, что подтверждается текстом: диагностика могла занимать «5 to 6 hours», проблема ухода опытных техников на пенсию («as veteran technicians retire…»), результат — «now resolves in 2 to 3 minutes». `stage_marker_quote` заменён с придаточного цели («to ensure GearPal is reliable enough to deploy…») на утверждение в настоящем времени о фактическом результате + общее «50+ production agents»; `claims[2]` смягчена (использование подтверждено, число площадок — нет). Убрано слово «RAG» в `agent_role` — источник его не использует.
- **P05 (Michelin)**: «15 камер высокого разрешения» удалено — деталь была из `Tire Technology International`, который не прочитан (пейволл, F08). Цитата «One hundred percent of our tires are controlled manually and visually» перенесена из `after`/`authority` в `before` — по контексту (`raw/michelin-mitsloan.html`) это описание задачи/проблемы, которую решает IRIS, а не утверждение, что контроль остаётся 100% ручным после внедрения. `authority`/`human_role` переписаны на цитате «Operators remain accountable for the final decision». Устранено внутреннее противоречие дат публикации (оставлена только 2025-08-25).
- **P03 (POSCO DX)**: из `tags` убраны `agent` и `RPA_automation` (technologies уже были исправлены в раунде 1, но в tags забыли), добавлен `robotics`. Из `transfer_limits` убрано упоминание партнёрства с Mobilint/NPU — в сохранённой статье Seoul Economic Daily этих слов нет (перенесено из v1 без источника, ошибка размножилась).
- **P01 (Toyota AI Platform, minor)**: `effects[0].baseline` и `claims[0]` уточнены — источник относит сокращение времени создания модели на 20% конкретно к включению GKE Image Streaming (ускорение инициализации подов), а не к платформе в целом («до платформы» было некорректной базой). «Дефекты литья под давлением» исправлено на «аномалии в работе машин литья пластмасс (бамперы)» — дословно «abnormalities in injection molding machines used for manufacturing bumpers». «6 разработчиков поддерживают платформу» исправлено на «команда из 6 разработчиков построила платформу за ~1,5 года» (источник говорит о разработке, не о текущей поддержке). `b2b_b2c`: B2C → `internal` (это внутренний контроль качества, не B2C-продукт); `country`: `Japan` → `JP` (код, как в других пакетах).
- **P04 (Tata Steel)**: подтверждено координатором как закрытый пункт (`removed_cards_check`, status: closed) — карточки нет и не восстанавливалась.

### Проверка схемы
`python3 W/scripts/validate_cards.py W/packets/P03-MFG-GLOBAL` → **0 проблем** на итоговых 4 карточках (после раунда 2).