{"id": "X04-P01", "record_kind": "practice", "novelty": "new", "prior_id": null, "links_prior": [], "early_candidate_id": null, "stream_primary": "AGRO", "tags": ["historical_basis"], "organization": "Cargill, Incorporated — Cargill Primary Beef Facility (протеиновый сегмент, программа Facility of the Future)", "org_type": "company", "process": "Обнаружение посторонних предметов и сортировка сырья/продукции компьютерным зрением (Foreign Object Detection, FOD) на этапе переработки говядины", "period": "программа Facility of the Future заявлена как начатая «well before 2020», часть проектов запущена во время пандемии; технология FOD зафиксирована в состоянии на июнь 2023 г. (дата статьи); текущий статус после 2023 г. не подтверждён.", "industry": "мясопереработка (говядина)", "industry_std": "food_chain", "process_stage": "processing_quality_control", "role_in_chain": "processor", "function": "контроль качества/безопасности пищевой продукции", "b2b_b2c": "b2b_and_b2c (foodservice и retail)", "country": "США", "country_basis": "завод Cargill Primary Beef Facility, Dodge City, Kansas — назван в источнике", "before": "unknown — источник явно не описывает состояние процесса до внедрения FOD; известно только, что персонал производственной линии продолжает вести контроль параллельно с системой", "after": "Система компьютерного зрения на основе ИИ (FOD) применяется на всех этапах производства говяжьего фарша на заводе в Додж-Сити и в цехах готовых мясных изделий, дополняя обнаружение персоналом посторонних материалов; отдельно используется рентген-контроль.", "technologies": ["CV"], "technology_basis": "The company utilizes detection technology that specializes in providing computer vision systems using artificial intelligence technology to sort products and detect foreign material in the food supply.", "ai_component_established": true, "human_role": "Работники производственной линии продолжают вести контроль; FOD прямо описан как дополняющий («to supplement the detection efforts of people»), а не заменяющий их труд.", "agent_role": "Автоматический анализ изображения содержимого линии и классификация «не мясо»/посторонний материал", "authority": "unknown — источник не указывает, кто и как принимает финальное решение об отбраковке продукции", "change_depth": "operation", "deployment_stage": "production", "stage_marker_quote": "The FOD technology is used throughout the Dodge City plant and even in its cooked meats facilities to supplement the detection efforts of people working on the production line.", "ai_native_label": "none", "ai_native_label_basis": "Источник не использует такую самономинацию по отношению к Cargill", "effects": [{"metric": "обнаружение посторонних предметов/сортировка (качественный эффект, число не раскрыто)", "value": null, "unit": null, "baseline": "параллельный контроль персоналом производственной линии", "base_object": "линия производства говяжьего фарша и цеха готовых мясных изделий завода Dodge City", "period": "2023", "claimed_by": "Jeremy Burr (GM завода Dodge City), пересказ журналиста Joel Crews (meatpoultry.com); поставщик CV-системы FOD источником не назван", "status": "SOURCE_CLAIM", "original_number": null}], "outcome": "success (заявлено; количественно эффект именно FOD источником не раскрыт)", "uncertainty": "Отдельная цифра «41 предотвращённый инцидент безопасности пищевой продукции за полтора года» (Cargill Hazard Alert System, X04-F03) относится к другой, отдельно описанной системе компании и не привязана источником к FOD — не объединена с этой карточкой во избежание склейки разных технологий. Статья написана по туру, организованному Cargill («Source: Cargill», слова руководителей завода) — это пересказ слов компании, а не независимое расследование (interested_party источника — company). Прямой цитаты Burr именно о FOD нет — есть пересказ журналиста («Computer vision technology is effective… because it identifies what's not meat, Burr said»); поставщик CV-системы FOD не назван.", "alternative_explanations": "Часть эффекта может быть связана с параллельными мерами (рентген-контроль, общие инвестиции Facility of the Future в автоматизацию), не отделёнными источником от вклада именно CV/FOD.", "costs_side_effects": "Инвестиции в программу Facility of the Future в целом (не только FOD) превысят $100 млн в 2023 г.; в протеиновом сегменте компании ожидаются свыше $700 млн к 2026 г.", "pdca": null, "transfer_limits": "Кейс относится к крупнейшему заводу компании (900 000 кв. футов, >2600 занятых); источник переносит применение FOD на «throughout the Dodge City plant and even in its cooked meats facilities» — за пределы этого источник не утверждает.", "governance_change": {"established": false, "what_ru": "Источник не описывает изменения ролей/прав принятия решений; FOD дополняет контроль персонала, явного переопределения полномочий нет.", "basis_quote": "to supplement the detection efforts of people working on the production line", "locator": "meatpoultry.com (архивная копия), раздел о FOD"}, "effect_evidence": "source_claim", "effect_evidence_note": "Отраслевая пресса (meatpoultry.com, автор Joel Crews) по итогам тура по заводу, организованного Cargill; источник пересказывает слова представителей компании (interested_party: company), не проводит независимое измерение.", "claims": [{"text_ru": "Cargill использует технологию обнаружения посторонних предметов (FOD), основанную на системах компьютерного зрения с применением технологии искусственного интеллекта, для сортировки продукции и выявления посторонних материалов в пищевой продукции.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.meatpoultry.com/articles/28612-game-changing", "locator": "раздел «Testing ground», meatpoultry.com, 27.06.2023 (копия web.archive.org)", "original_number": null}, {"text_ru": "Технология FOD используется на всех этапах производства говяжьего фарша на заводе в Додж-Сити и в цехах готовых мясных изделий компании, дополняя контроль персонала на производственной линии.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.meatpoultry.com/articles/28612-game-changing", "locator": "раздел «Testing ground», meatpoultry.com, 27.06.2023 (копия web.archive.org)", "original_number": null}, {"text_ru": "Инвестиции в программу Facility of the Future в 2023 году превысят $100 млн; инвестиции в рамках программы в протеиновом сегменте компании ожидаются на уровне свыше $700 млн к 2026 году (относится ко всей программе — автоматизация, роботизация, аналитика, — а не только к FOD).", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.meatpoultry.com/articles/28612-game-changing", "locator": "начало статьи, meatpoultry.com, 27.06.2023 (копия web.archive.org)", "original_number": "$100 million / $700 million"}], "sources": [{"url": "https://www.meatpoultry.com/articles/28612-game-changing", "title": "Inside Cargill's Facility of the Future", "publisher": "meatpoultry.com (Sosland Publishing)", "author": "Joel Crews", "date": "2023-06-27", "type": "trade_press", "locator": "разделы «Beefed up», «Testing ground»", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F02", "is_primary": true, "interested_party": "company"}], "author_model": "claude-sonnet-5", "next_action": "При обновлении — поискать количественные данные о снижении числа инцидентов/брака именно по FOD у Cargill (не общий показатель Hazard Alert System). Уточнить текущий статус FOD после 2023 г. и название поставщика CV-системы."}
{"id": "X04-P02", "record_kind": "practice", "novelty": "new", "prior_id": null, "links_prior": [], "early_candidate_id": null, "stream_primary": "AGRO", "tags": ["historical_basis", "vendor_material", "RU"], "organization": "АО «ЭФКО Продукты Питания» (ГК ЭФКО)", "org_type": "company", "process": "Прогнозирование объёма продаж в период промоакций (promo forecasting) методом ансамблевого машинного обучения с детализацией до SKU на горизонте 1–6 месяцев (проект с GMCS на платформе IBM SPSS Modeler)", "period": "проект описан в материале, опубликованном 25.06.2021; исходное внедрение — до этой даты", "industry": "масложировая промышленность (переработка масличных, растительные масла и жиры, майонез, кетчуп)", "industry_std": "food_chain", "process_stage": "production_demand_planning", "role_in_chain": "processor", "function": "планирование продаж и трейд-маркетинга", "b2b_b2c": "b2b", "country": "Россия", "country_basis": "ЭФКО — российский производитель; конкретная площадка проекта в тексте не названа", "before": "До проекта ЭФКО использовала другие инструменты прогнозирования, которые перестали отвечать потребностям компании в части точности прогноза (по тексту источника).", "after": "Модель прогнозирования на базе IBM SPSS Modeler и open-source наработок с учётом свыше 50 факторов (ансамблевые методы машинного обучения); key account manager вносит данные о планируемой промоактивности, модель возвращает прогноз; ИТ-специалисты в рутинный процесс не вовлечены, требуются только при подключении новых источников данных.", "technologies": ["predictive_ML"], "technology_basis": "GMCS предложила реализовать модель прогнозирования с использованием IBM SPSS Modeler, а так же open source наработок. ... Учёт такого большого количества факторов возможен благодаря ансамблевым методам машинного обучения, заключающимся в объединении нескольких прогнозных моделей в одну.", "ai_component_established": true, "human_role": "Key account manager (КАМ) вносит данные о планируемой промоактивности; ИТ-специалисты подключаются только при добавлении новых источников данных.", "agent_role": "Модель самостоятельно строит прогноз спроса по регионам на период промоакции на основе исторических данных и более 50 факторов.", "authority": "unknown — источник не описывает, кто утверждает итоговый прогноз и имеет право его переопределить", "change_depth": "end_to_end_process", "deployment_stage": "production", "stage_marker_quote": "Ключевыми результатами проекта прогнозирования промо в ЭФКО стало: Достигнута точность прогноза 86% по ключевых SKU и 78% средней точности прогноза по всем SKU.", "ai_native_label": "none", "ai_native_label_basis": "Источник не использует такую самономинацию", "effects": [{"metric": "точность прогноза продаж в период промо, ключевые SKU", "value": 86, "unit": "%", "baseline": "прежние инструменты прогнозирования (точность числом не названа)", "base_object": "ключевые SKU, горизонт 1–6 месяцев", "period": "2021", "claimed_by": "vendor (GMCS)", "status": "SOURCE_CLAIM", "original_number": "86%"}, {"metric": "средняя точность прогноза продаж в период промо, все SKU", "value": 78, "unit": "%", "baseline": "прежние инструменты прогнозирования", "base_object": "все SKU", "period": "2021", "claimed_by": "vendor (GMCS)", "status": "SOURCE_CLAIM", "original_number": "78%"}, {"metric": "скорость построения прогноза", "value": "от нескольких часов до нескольких минут", "unit": null, "baseline": "несколько часов", "base_object": "процесс построения прогноза промо", "period": "2021", "claimed_by": "vendor (GMCS)", "status": "SOURCE_CLAIM", "original_number": null}], "outcome": "success (заявлено вендором; независимого подтверждения нет)", "uncertainty": "Единственный содержательный источник — материал GMCS, опубликованный «на правах рекламы»; независимого измерения нет. Дата публикации 2021 — до основного периода итерации (тег historical_basis), статус проекта после 2023 не подтверждён.", "alternative_explanations": "Часть заявленного эффекта (повышение уровня сервиса, снижение доли промо-объёма) может быть связана с организационными изменениями («подружили планировщиков и команду разработки»), а не только с самой моделью.", "costs_side_effects": "unknown — стоимость проекта источник не раскрывает", "pdca": null, "transfer_limits": "Кейс — один процесс (прогноз промо-продаж) ЭФКО; утверждения вендора о применимости схожих моделей к другим процессам ритейла (спрос, ценообразование, цепочки поставок) — общая реклама услуг GMCS, не факт о ЭФКО.", "governance_change": {"established": false, "what_ru": "Явного описания изменения ролей/прав принятия решений не приведено, кроме указания на роль КАМ и невовлечённость ИТ в рутинный процесс.", "basis_quote": "Специалисты по ИТ в этом процессе не задействованы и нужны лишь при подключении новых источников данных.", "locator": "retailer.ru, раздел «Как работает модель прогнозирования промо»"}, "effect_evidence": "source_claim", "effect_evidence_note": "Вендорский материал (GMCS), опубликован на правах рекламы на retailer.ru и переопубликован на сайте самого GMCS — тот же текст, не независимые источники.", "claims": [{"text_ru": "GMCS реализовала для ЭФКО модель прогнозирования промо-продаж с использованием IBM SPSS Modeler и open-source наработок, с учётом более 50 факторов на основе ансамблевых методов машинного обучения.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://retailer.ru/prognozirovanie-promo-na-baze-reshenij-ibm-prevratit-prognoz-v-realnost/", "locator": "раздел «Выгоды от использования», retailer.ru, 25.06.2021", "original_number": null}, {"text_ru": "Достигнута точность прогноза 86% по ключевым SKU и 78% средней точности прогноза по всем SKU, динамика точности варьируется от 1 до 6 месяцев.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://retailer.ru/prognozirovanie-promo-na-baze-reshenij-ibm-prevratit-prognoz-v-realnost/", "locator": "раздел «Ключевые результаты», retailer.ru, 25.06.2021", "original_number": "86%/78%"}, {"text_ru": "Процесс прогнозирования стал более прозрачным — не завязан на конкретных менеджеров и легко воспроизводим; скорость построения прогноза выросла с нескольких часов до нескольких минут.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://retailer.ru/prognozirovanie-promo-na-baze-reshenij-ibm-prevratit-prognoz-v-realnost/", "locator": "раздел «Ключевые результаты», retailer.ru, 25.06.2021", "original_number": null}], "sources": [{"url": "https://retailer.ru/prognozirovanie-promo-na-baze-reshenij-ibm-prevratit-prognoz-v-realnost/", "title": "Прогнозирование промо на базе решений IBM. Превратить прогноз в реальность", "publisher": "Retailer.ru", "author": "GMCS (материал на правах рекламы)", "date": "2021-06-25", "type": "vendor_material", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F07", "is_primary": true, "interested_party": "vendor"}, {"url": "https://www.gmcs.ru/press-center/press-about/prognozirovanie-promo-na-baze-resheniy-ibm-prevratit-prognoz-v-realnost/", "title": "Прогнозирование промо на базе решений IBM (GMCS)", "publisher": "GMCS", "author": "GMCS", "date": "unknown", "type": "vendor_material", "locator": "весь текст (идентичен X04-F07)", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F08", "is_primary": false, "interested_party": "vendor"}], "author_model": "claude-sonnet-5", "next_action": "Поискать более свежий (после 2023) источник о текущем статусе модели у ЭФКО, включая связь с новым юрлицом «Умные системы» (учреждено, по данным агрегатора platforms.su, в сентябре 2024)."}
{"id": "X04-P03", "record_kind": "practice", "novelty": "new", "prior_id": null, "links_prior": [], "early_candidate_id": null, "stream_primary": "AGRO", "tags": ["vendor_material", "RU"], "organization": "ООО «РУСАГРО-ЦЕНТР» — Знаменский сахарный завод, Тамбовская область (ГК «Русагро»)", "org_type": "company", "process": "Оценка качества сахарной свёклы в кузове грузового транспорта на этапе приёмки сырья и автоматическое назначение партии на хранение или переработку (система ВИСКОНТ.Свекла, разработчик — Малленом Системс)", "period": "кейс описан на сайте разработчика без даты публикации; упоминание в независимом обзоре — 11.01.2024", "industry": "сахарная промышленность (переработка сахарной свёклы)", "industry_std": "food_chain", "process_stage": "reception_storage", "role_in_chain": "processor", "function": "контроль качества сырья на приёмке", "b2b_b2c": "b2b", "country": "Россия", "country_basis": "Знаменский сахарный завод, Тамбовская область — назван в источнике", "before": "На странице продукта (не на странице кейса о Знаменском заводе) вендор описывает типовую проблему отрасли: в период уборки персонал агропредприятия оценивает сырьё в кузове вручную, точность решений в среднем 60–70%. Это общее описание продукта ВИСКОНТ.Свекла, а не измерение, прямо привязанное источником к Знаменскому заводу (HYPOTHESIS «по описанию продукта, не по кейсу»).", "after": "Система ВИСКОНТ.Свекла выполняет съёмку кузова грузовика и с помощью нейронных сетей оценивает содержимое по количеству сколов, объёму ботвы, загрязнённости и подмороженности; к показателям применяются весовые коэффициенты, итоговый показатель сравнивается с динамическим порогом, формируется назначение «Хранение» или «Переработка», результат передаётся в учётную систему предприятия.", "technologies": ["CV"], "technology_basis": "С помощью нейронных сетей выполняется локализация содержимого кузова и обнаружение грязи, ботвы, сколов, снега.", "ai_component_established": true, "human_role": "unknown — источник не описывает роль персонала после внедрения системы (сохраняется ли контроль/апелляция человеком не указано)", "agent_role": "По запросу от учётной системы предприятия анализирует кадр с камеры, формирует назначение «Хранение» или «Переработка» и передаёт результат в учётную систему предприятия; роль человека после формирования назначения источником не описана (unknown).", "authority": "unknown — источник не указывает, кто на предприятии утверждает или может отменить назначение системы", "change_depth": "operation", "deployment_stage": "production", "stage_marker_quote": "Система внедрена на Знаменском сахарном заводе в Тамбовской области (ООО «РУСАГРО-ЦЕНТР»).", "ai_native_label": "none", "ai_native_label_basis": "Источник не использует такую самономинацию", "effects": [{"metric": "точность классификации качества сырья при приёмке", "value": ">90", "unit": "%", "baseline": "60-70% (человек)", "base_object": "заявление вендора (Малленом Системс) о продукте ВИСКОНТ.Свекла в целом, на странице продукта; отдельное измерение точности именно на Знаменском сахарном заводе источником не описано (HYPOTHESIS «по описанию продукта, не по кейсу», а не факт о заводе)", "period": "unknown (дата кейса не указана)", "claimed_by": "vendor (Малленом Системс)", "status": "SOURCE_CLAIM", "original_number": "выше 90%"}], "outcome": "success (заявлено вендором; независимого измерения нет)", "uncertainty": "Единственный источник цифр — страницы продукта и кейса на сайте разработчика (Малленом Системс); даты публикации в разметке страниц нет, период внедрения не установлен. Независимый обзор (Хабр, 11.01.2024) повторяет те же цифры со ссылкой на «данные компании» — источник тот же (Малленом Системс), не независимое подтверждение. Числа 60–70%/выше 90% приведены на странице продукта как общее описание решаемой проблемы и заявленной точности системы, без прямой привязки к измерению на Знаменском заводе; страница кейса о заводе чисел не содержит. Хабр пересказывает эту же вендорскую цифру («Как утверждают в «Малленом Системс», она принимает решения с точностью выше 90%») со слов вендора — interested_party источника: vendor, не independent.", "alternative_explanations": "Заявленная точность >90% — цифра вендора без описания методики измерения (выборка, сравнение с чем именно); возможен эффект отбора демонстрационных случаев.", "costs_side_effects": "Цена лицензии ПО «ВИСКОНТ.Свекла» — от 1 600 000 руб. (прайс вендора на странице продукта; фактическая стоимость внедрения для ГК «Русагро»/Знаменского завода не раскрыта — unknown). Возможные ложные срабатывания источник не раскрывает.", "pdca": null, "transfer_limits": "Кейс относится к одному предприятию (Знаменский сахарный завод, ООО «РУСАГРО-ЦЕНТР»); о тиражировании на другие сахарные заводы ГК «Русагро» источник прямо не говорит.", "governance_change": {"established": false, "what_ru": "Источник описывает цель — «повышение точности и исключение влияния человеческого фактора в принятии решения о назначении транспортного средства на этапе приёмки», но не описывает, как формально изменились роли и полномочия персонала приёмки.", "basis_quote": "Повышение точности и исключение влияния «человеческого фактора» в принятии решения о назначении транспортного средства на этапе приемки.", "locator": "mallenom.ru, раздел «Цели внедрения системы»"}, "effect_evidence": "source_claim", "effect_evidence_note": "Вендорские страницы (Малленом Системс) о названном клиенте; независимый обзор (Хабр) повторяет вендорские цифры без самостоятельной проверки.", "claims": [{"text_ru": "Для оценки качества сахарной свёклы на этапе приёмки на Знаменском сахарном заводе (ООО «РУСАГРО-ЦЕНТР») специалистами «Малленом Системс» разработана автоматическая система классификации ВИСКОНТ.Свекла, использующая нейронные сети для локализации содержимого кузова и обнаружения грязи, ботвы, сколов, снега.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.mallenom.ru/vnedrenia/pmz/agroindustry2/", "locator": "страница кейса, mallenom.ru", "original_number": null}, {"text_ru": "Точность решений, принимаемых работником пункта приёмки, составляет в среднем 60–70%; система на основе искусственного интеллекта делает это с точностью выше 90%.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.mallenom.ru/products/proslezhivaemost/viscontsvekla/", "locator": "страница продукта, mallenom.ru", "original_number": "60-70% / выше 90%"}, {"text_ru": "Система работает на Знаменском сахарном заводе ГК «Русагро»; по данным компании-разработчика, она принимает решения с точностью выше 90%.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://habr.com/ru/articles/785768/", "locator": "раздел «Контроль качества сырья», habr.com, 11.01.2024", "original_number": "выше 90%"}, {"text_ru": "Цифры 60–70% (человек) и выше 90% (система) приведены на странице продукта ВИСКОНТ.Свекла как общее описание типовой проблемы отрасли и заявленной точности системы; страница кейса о Знаменском сахарном заводе (ООО «РУСАГРО-ЦЕНТР») этих чисел не содержит и не привязывает их прямо к этому заводу.", "status": "HYPOTHESIS", "verification_scope": null, "source_url": "https://www.mallenom.ru/products/proslezhivaemost/viscontsvekla/", "locator": "страница продукта vs страница кейса, mallenom.ru — сопоставление автором карточки", "original_number": null}], "sources": [{"url": "https://www.mallenom.ru/vnedrenia/pmz/agroindustry2/", "title": "Оценка качества сахарной свеклы в кузове транспортного средства для ГК «РУСАГРО»", "publisher": "Малленом Системс", "author": "Малленом Системс", "date": "unknown", "type": "vendor_case", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F12", "is_primary": true, "interested_party": "vendor"}, {"url": "https://www.mallenom.ru/products/proslezhivaemost/viscontsvekla/", "title": "ВИСКОНТ.Свекла — система оценки качества сахарной свеклы на этапе приемки", "publisher": "Малленом Системс", "author": "Малленом Системс", "date": "unknown", "type": "vendor_product_page", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F11", "is_primary": false, "interested_party": "vendor"}, {"url": "https://habr.com/ru/articles/785768/", "title": "ИИ-решения в российском пищпроме – от контроля качества до прогнозирования спроса", "publisher": "Habr", "author": "София Ованесова (MarketAnalyst)", "date": "2024-01-11", "type": "trade_press_digest", "locator": "раздел «Контроль качества сырья»", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F09", "is_primary": false, "interested_party": "vendor"}], "author_model": "claude-sonnet-5", "next_action": "Найти материал, где точность >90% измерена конкретно на Знаменском заводе (не как общее описание продукта); уточнить роль человека после формирования системой назначения; уточнить дату внедрения."}
{"id": "X04-P04", "record_kind": "practice", "novelty": "new", "prior_id": null, "links_prior": [], "early_candidate_id": null, "stream_primary": "AGRO", "tags": ["historical_basis", "RU"], "organization": "ГК «Дамате» — завод по убою и переработке индейки (крупнейший в Европе) и «Молочный комбинат «Пензенский»", "org_type": "company", "process": "Автоматический контроль санитарной обработки рук сотрудников на входе в производство с распознаванием лиц и видеоаналитикой (система «Direktiva: санитария», разработчик Connectome.ai)", "period": "система установлена и функционирует по состоянию на 15.05.2020; в 2020 году запланировано дополнительно 21 точка на строящемся заводе глубокой переработки мяса индейки в Пензенской области", "industry": "мясопереработка (индейка), молочная промышленность", "industry_std": "food_chain", "process_stage": "processing_quality_control", "role_in_chain": "processor", "function": "контроль соблюдения санитарных норм персоналом (пищевая безопасность/гигиена)", "b2b_b2c": "b2b", "country": "Россия", "country_basis": "завод по убою и переработке индейки «Дамате» и «Молочный комбинат «Пензенский» — названы в источнике (пресс-центр «Дамате»)", "before": "unknown — источник не описывает предыдущий (ручной/визуальный) порядок контроля мытья рук в явном виде, кроме общей формулировки о полной передаче контроля ИИ", "after": "20 точек контроля на заводе по переработке индейки и 3 точки на «Молочном комбинате «Пензенский» оснащены камерами наблюдения и распознавания лиц; во время мытья рук система показывает на дисплее последовательность и продолжительность движений, фиксирует длительность каждого действия и проверяет соответствие рекомендациям ВОЗ; переход к следующему этапу возможен только при выполнении условий текущего; статистика по каждому сотруднику сохраняется на серверах и отображается в личном кабинете.", "technologies": ["CV"], "technology_basis": "В основе разработки \"Direktiva: санитария\" лежат технологии машинного зрения и видеоаналитики.", "ai_component_established": true, "human_role": "Сотрудник выполняет мытьё рук под контролем системы; переход на производство возможен только после выполнения всех рекомендаций, зафиксированных системой.", "agent_role": "Идентификация сотрудника по лицу, распознавание и хронометраж действий при мытье рук, проверка соответствия стандарту EN-1500/рекомендациям ВОЗ, блокировка перехода при невыполнении условий.", "authority": "unknown — источник не называет, кто (мастер смены/служба качества) получает уведомления о нарушениях и что происходит при повторных нарушениях", "change_depth": "operation", "deployment_stage": "production", "stage_marker_quote": "На сегодняшний день система установлена и успешно функционирует на крупнейшем в Европе заводе по убою и переработке индейки \"Дамате\". 20 точек контроля за санитарной обработкой рук с использованием искусственного интеллекта контролируют 2250 сотрудников.", "ai_native_label": "none", "ai_native_label_basis": "Источник не использует такую самономинацию", "effects": [{"metric": "доля контролируемых ИИ-системой процедур мытья рук (передача контроля)", "value": "100", "unit": "% (заявлено разработчиком как гарантия)", "baseline": "ручной/самостоятельный контроль соблюдения гигиены сотрудниками", "base_object": "2250 сотрудников на 20 точках контроля завода по переработке индейки «Дамате» + 3 точки на «Молочном комбинате «Пензенский»", "period": "2020", "claimed_by": "company (пресс-центр «Дамате») и vendor (Connectome.ai)", "status": "SOURCE_CLAIM", "original_number": "100%"}], "outcome": "success (заявлено компанией; независимой оценки эффекта на заболеваемость/инциденты не найдено)", "uncertainty": "Оба найденных текстовых источника (пресс-центр «Дамате» и Агроинвестор) — идентичный текст пресс-релиза, перепечатанный на день позже; независимого подтверждения нет. Источник датирован 2020 годом (historical_basis), текущий статус системы после 2023 не подтверждён.", "alternative_explanations": "unknown", "costs_side_effects": "unknown — источник не раскрывает стоимость внедрения и возможные задержки на проходной из-за времени прохождения контроля", "pdca": null, "transfer_limits": "Кейс относится к конкретным точкам двух предприятий ГК «Дамате»; заявлено планов на 21 дополнительную точку на строящемся заводе (2020), но подтверждения фактического ввода источник не даёт.", "governance_change": {"established": true, "what_ru": "«Дамате» полностью передала контроль за санитарной обработкой рук сотрудников системе на основе искусственного интеллекта (по формулировке компании), заменив прежний порядок контроля.", "basis_quote": "Фактически \"Дамате\" стала первой российской компанией, которая полностью передала контроль за санитарной обработкой рук сотрудников искусственному интеллекту, снизив таким образом влияние человеческого фактора до минимума.", "locator": "пресс-центр «Дамате», acdamate.com, 15.05.2020"}, "effect_evidence": "source_claim", "effect_evidence_note": "Самоописание компании (пресс-релиз «Дамате») и вендора (Connectome.ai); перепечатка в Агроинвесторе не является независимым подтверждением (идентичный текст).", "claims": [{"text_ru": "В основе разработки «Direktiva: санитария» лежат технологии машинного зрения и видеоаналитики; продукт запатентован в России.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.acdamate.com/press-center/press/connectome-ai-i-damate-zapustili-proekt-po-sanitarnoy-obrabotke-ruk/", "locator": "пресс-центр «Дамате», 15.05.2020", "original_number": null}, {"text_ru": "Система установлена и функционирует на крупнейшем в Европе заводе по убою и переработке индейки «Дамате»: 20 точек контроля с использованием ИИ контролируют 2250 сотрудников; ещё 3 точки работают на «Молочном комбинате «Пензенский»; в 2020 году запланирована установка ещё 21 системы на строящемся заводе глубокой переработки мяса индейки.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.acdamate.com/press-center/press/connectome-ai-i-damate-zapustili-proekt-po-sanitarnoy-obrabotke-ruk/", "locator": "пресс-центр «Дамате», 15.05.2020", "original_number": "20 точек / 2250 сотрудников / 3 точки / 21 система"}, {"text_ru": "«Дамате» стала первой российской компанией, которая полностью передала контроль за санитарной обработкой рук сотрудников искусственному интеллекту.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.acdamate.com/press-center/press/connectome-ai-i-damate-zapustili-proekt-po-sanitarnoy-obrabotke-ruk/", "locator": "пресс-центр «Дамате», 15.05.2020", "original_number": null}], "sources": [{"url": "https://www.acdamate.com/press-center/press/connectome-ai-i-damate-zapustili-proekt-po-sanitarnoy-obrabotke-ruk/", "title": "Connectome.ai и «Дамате» запустили проект по санитарной обработке рук", "publisher": "ГК «Дамате» (пресс-центр)", "author": "ГК «Дамате»", "date": "2020-05-15", "type": "company_press_release", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F13", "is_primary": true, "interested_party": "company"}, {"url": "https://www.agroinvestor.ru/companies/article/33724-connectome-ai-i-damate-zapustili-proekt-po-sanitarnoy-obrabotke-ruk/", "title": "Connectome.ai и «Дамате» запустили проект по санитарной обработке рук", "publisher": "Журнал «Агроинвестор»", "author": "ГК «Дамате» (перепечатка пресс-релиза)", "date": "2020-05-16", "type": "trade_press_reprint", "locator": "весь текст (идентичен X04-F13)", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F14", "is_primary": false, "interested_party": "company"}], "author_model": "claude-sonnet-5", "next_action": "Найти более поздний (после 2023) материал о статусе системы у «Дамате»; поискать независимую (не пресс-релиз) оценку эффекта на санитарные показатели/заболеваемость."}
{"id": "X04-P05", "record_kind": "practice", "novelty": "new", "prior_id": null, "links_prior": [], "early_candidate_id": "I3-EC-030", "stream_primary": "AGRO", "tags": ["historical_basis", "vendor_material", "negative"], "organization": "Twiga Foods (операционная структура — GT Flow Limited, ранее Twiga Foods One Limited)", "org_type": "company", "process": "Прогноз ассортимента и объёма закупок продукции на неделю вперёд, динамическое ценообразование для фермеров и кредитный скоринг вендоров на основе анализа исторических данных о заказах (BigQuery/Data Studio, Google Cloud) в B2B-дистрибуции свежих продуктов", "period": "сотрудничество с Google Cloud объявлено 11.10.2022; головная операционная структура (GT Flow Limited) введена во внешнее управление с 17.08.2026", "industry": "оптовая дистрибуция свежих продуктов (овощи/фрукты), B2B e-commerce", "industry_std": "food_chain", "process_stage": "production_demand_planning", "role_in_chain": "other", "function": "планирование закупок/спроса, снижение потерь скоропортящейся продукции, кредитный скоринг вендоров", "b2b_b2c": "b2b", "country": "Кения", "country_basis": "Найроби, Кения — указано в источнике (PRNewswire)", "before": "unknown — источник не описывает количественно состояние планирования закупок до перехода на BigQuery/AI-инструменты; указано лишь, что переход начался в 2015 году при экспоненциальном росте клиентской базы (\"transformation from a manually driven company to a technology-enabled business\").", "after": "На основе исторических данных о покупках и объёмах, анализируемых в BigQuery и Data Studio, Twiga Foods определяет виды и количество продукции для закупки на каждый день недели и формирует недельный план; около 1000 фермеров получают динамическую цену через аналогичный инструмент; кредитный скоринг ~140 000 вендоров строится на анализе данных о заказах в BigQuery.", "technologies": ["predictive_ML"], "technology_basis": "This, in turn, led to the transformation from a manually driven company to a technology-enabled business that relies on artificial intelligence (AI) and machine learning (ML) tools—applied on top of the data warehouse—to make smart business decisions in real time.", "ai_component_established": true, "human_role": "unknown — источник не описывает роль сотрудников/закупщиков в принятии итогового решения о закупках после внедрения инструментов", "agent_role": "Анализ исторических данных о покупках и объёмах для определения ассортимента/количества закупки на день недели вперёд; формирование кредитного скоринга вендоров; расчёт динамической цены для фермеров", "authority": "unknown", "change_depth": "end_to_end_process", "deployment_stage": "production", "stage_marker_quote": "Today, there are approximately 1,000 farmers in Kenya who benefit from Twiga's dynamic pricing capability... Through analyzing historical data of product purchases and quantities on Big Query and Data Studio, Twiga Foods determines the types and quantities of produce that need to be purchased for each day of the week based on demand, and creates a weekly plan accordingly.", "ai_native_label": "none", "ai_native_label_basis": "Источник не использует такую самономинацию", "effects": [{"metric": "охват фермеров динамическим ценообразованием", "value": 1000, "unit": "фермеров (примерно)", "baseline": null, "base_object": "фермеры-поставщики Twiga Foods в Кении", "period": "на момент публикации (октябрь 2022)", "claimed_by": "company/vendor (Google Cloud пресс-релиз)", "status": "SOURCE_CLAIM", "original_number": "approximately 1,000 farmers"}, {"metric": "охват вендоров кредитным скорингом", "value": 140000, "unit": "вендоров (примерно)", "baseline": null, "base_object": "розничные вендоры/лотки, закупающие у Twiga Foods", "period": "октябрь 2022", "claimed_by": "company/vendor", "status": "SOURCE_CLAIM", "original_number": "140,000 vendors"}], "outcome": "mixed/negative — операционная модель (AI-платформа планирования закупок и ценообразования) описана компанией как успешная в 2022 году, но к сентябрю 2026 года головная операционная структура (GT Flow Limited) введена во внешнее управление после финансового давления и споров с кредиторами; независимого измерения эффекта AI-компонента на снижение потерь не найдено.", "uncertainty": "Основной источник эффекта (охват фермеров/вендоров) — пресс-релиз Google Cloud (вендор) о клиенте Twiga Foods, независимого подтверждения цифр нет. Часто цитируемая в прессе цифра «снижение постуборочных потерь с 30% до 4%» не была обнаружена автором карточки в дословном виде ни в одном из прочитанных и сохранённых источников — не включена в claims.", "alternative_explanations": "Более ранний источник (ImpactAlpha, 29.10.2019, до запуска AI/ML-платформы) фиксирует признание сооснователя Twiga Питера Нжонджо о том, что работа с большим числом мелких фермеров нерентабельна («It's not profitable business working with so many small farmers» / «The cost of aggregation from the long tail is high») — это утверждение относится к бизнес-модели работы с мелкими фермерами в целом, а не к эффективности AI-инструментов, и предшествует их внедрению; не переносится на оценку самой AI-системы.", "costs_side_effects": "К сентябрю 2026 года операционная структура компании (GT Flow Limited, бывш. Twiga Foods One Limited) помещена под внешнее управление (statutory administration) по решению совета директоров после месяцев финансового давления и споров с кредиторами; компания привлекла свыше $160 млн от институциональных инвесторов (Goldman Sachs, IFC, Creadev) за время существования (с 2014 года).", "pdca": null, "transfer_limits": "Кейс относится к операционной модели дистрибуции Twiga Foods в Кении на момент 2022 года; корпоративный кризис 2026 года не позволяет судить об устойчивости именно AI-компонента практики — рассматривать как открытый вопрос, а не подтверждённый провал технологии.", "governance_change": {"established": false, "what_ru": "Источники описывают технологическую трансформацию компании (переход от ручного управления к технологиям с ИИ/МО), но не формализованное изменение ролей/прав принятия решений у конкретных сотрудников.", "basis_quote": "the transformation from a manually driven company to a technology-enabled business that relies on artificial intelligence (AI) and machine learning (ML) tools", "locator": "PRNewswire, пресс-релиз Google Cloud, 11.10.2022"}, "effect_evidence": "source_claim", "effect_evidence_note": "Пресс-релиз вендора (Google Cloud) о клиенте; независимого измерения эффекта AI-компонента на потери/выручку не найдено. Финансовый кризис 2026 года подтверждён независимой прессой (Launch Base Africa), но не относится напрямую к оценке AI-функций.", "claims": [{"text_ru": "Переход Twiga Foods на облачную инфраструктуру Google Cloud и BigQuery с 2015 года привёл к трансформации из компании с ручным управлением в технологический бизнес, опирающийся на инструменты искусственного интеллекта и машинного обучения для принятия решений в реальном времени.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.prnewswire.com/news-releases/twiga-foods-taps-google-cloud-to-improve-food-security-and-reduce-waste-production-in-kenya-301643091.html", "locator": "PRNewswire, пресс-релиз Google Cloud, 11.10.2022", "original_number": null}, {"text_ru": "На основе анализа исторических данных о покупках и объёмах в BigQuery и Data Studio Twiga Foods определяет виды и количество продукции для закупки на каждый день недели и формирует недельный план, что должно снижать потери скоропортящейся продукции при дистрибуции.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.prnewswire.com/news-releases/twiga-foods-taps-google-cloud-to-improve-food-security-and-reduce-waste-production-in-kenya-301643091.html", "locator": "PRNewswire, пресс-релиз Google Cloud, 11.10.2022", "original_number": null}, {"text_ru": "Сооснователь Twiga Foods Питер Нжонджо признал в интервью ImpactAlpha (2019), что работа с большим числом мелких фермеров нерентабельна из-за высокой стоимости агрегации «длинного хвоста» поставщиков.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://impactalpha.com/twiga-foods-enlists-goldman-and-shifts-supply-away-from-africas-small-farmers/", "locator": "ImpactAlpha, 29.10.2019", "original_number": null}, {"text_ru": "Операционная структура GT Flow Limited (бывшая Twiga Foods One Limited) введена во внешнее управление (statutory administration) с 17 августа 2026 года по инициативе совета директоров после месяцев финансового давления и споров с кредиторами; ни одна прошлая процедура внешнего управления кенийского стартапа не завершалась возобновлением операционной деятельности компании.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://launchbaseafrica.com/2026/09/14/kenyan-agritech-giant-twiga-enters-statutory-administration-after-creditor-battles/", "locator": "Launch Base Africa, 14.09.2026", "original_number": null}], "sources": [{"url": "https://www.prnewswire.com/news-releases/twiga-foods-taps-google-cloud-to-improve-food-security-and-reduce-waste-production-in-kenya-301643091.html", "title": "Twiga Foods Taps Google Cloud to Improve Food Security and Reduce Waste Production in Kenya", "publisher": "PRNewswire / Google Cloud", "author": "Google Cloud (пресс-релиз)", "date": "2022-10-11", "type": "vendor_press_release", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F15", "is_primary": true, "interested_party": "vendor"}, {"url": "https://impactalpha.com/twiga-foods-enlists-goldman-and-shifts-supply-away-from-africas-small-farmers/", "title": "Twiga Foods enlists Goldman and shifts supply away from Africa's small farmers", "publisher": "ImpactAlpha", "author": "ImpactAlpha staff", "date": "2019-10-29", "type": "independent_press", "locator": "раздел «Smallholder challenge»", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F16", "is_primary": false, "interested_party": "independent"}, {"url": "https://launchbaseafrica.com/2026/09/14/kenyan-agritech-giant-twiga-enters-statutory-administration-after-creditor-battles/", "title": "Kenyan Agritech Giant Twiga Enters Statutory Administration after Creditor Battles", "publisher": "Launch Base Africa", "author": "Staff Writer", "date": "2026-09-14", "type": "independent_press", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-25", "file_id": "X04-F18", "is_primary": false, "interested_party": "independent"}], "author_model": "claude-sonnet-5", "next_action": "Найти первоисточник цифры «снижение потерь с 30% до 4%» (часто цитируется в СМИ без ссылки) и уточнить судьбу AI-платформы планирования после введения внешнего управления в 2026 году."}