{"id": "P03-MFG-GLOBAL-P01", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["CV", "predictive_ML", "quality_control", "japan", "vendor_publication", "low_code_mlops"], "organization": "Toyota Motor Corporation", "org_type": "действующая компания", "process": "Создание и развёртывание ML-моделей машинного зрения для контроля качества (обнаружение брака нанесения клея при сборке дверей, обнаружение аномалий в работе машин литья пластмасс при изготовлении бамперов, инспекция готовых деталей) силами работников цеха через внутреннюю low-code AI-платформу на базе Google Cloud", "period": "инициатива запущена в 2022 (Production Digital Transformation Office); платформа уже в эксплуатации на момент публикации 2024-12-10 ('AI Platform is already in use'); приведённые числовые данные — по состоянию на декабрь 2024", "industry": "Автомобилестроение", "function": "Контроль качества / производство", "b2b_b2c": "internal", "country": "JP", "country_basis": "в материале явно назван завод Takaoka (г. Тойота, преф. Айти); платформа развёрнута на 10 заводах Toyota по производству автомобилей и агрегатов, конкретная география прочих 9 заводов не уточнена (код страны: JP)", "before": "Модели машинного зрения для инспекции мог создавать только узкий круг специалистов по AI; дефицит таких кадров сдерживал масштабирование; часть инспекций выполнялась вручную", "after": "Работники цеха без AI-экспертизы создают и обучают ML-модели через self-service платформу (до 10 000 изображений на модель); к 2024 году создано около 10 000 моделей (рост с 8 000 в 2023); модели используются для инспекции нанесения клея на дверь-багажник и обнаружения аномалий в работе машин литья пластмасс (бамперы и другие детали) на заводе Takaoka; платформу построила команда из 6 разработчиков примерно за 1,5 года ('Completed Large-scale Development in 1.5 Years with 6 Members')", "technologies": ["CV", "predictive_ML"], "human_role": "Работники цеха — авторы и операторы моделей после обучения (~1200 активных пользователей, 400+ в год проходят обучение); платформу построила команда из 6 разработчиков (не 'поддерживают' на постоянной основе — источник говорит о разработке за ~1,5 года)", "agent_role": "Автоматизация обучения и развёртывания ML-моделей инспекции; инструмент поддержки решений, не автономный агент", "authority": "unknown — в материале не указано, может ли система автоматически останавливать линию или браковать деталь без подтверждения человека", "change_depth": "operation", "ai_native_label": "none", "ai_native_label_basis": "Материал описывает платформенное тиражирование ML-инспекции на уровне отдельных операций (конкретные виды брака на конкретных постах), а не сквозную перестройку производственного процесса или операционной модели; термин 'AI-native' в материале не используется", "effects": [{"metric": "сокращение времени создания learning-модели", "value": "-20%", "unit": "%", "baseline": "до включения GKE Image Streaming (не 'до платформы' в целом)", "period": "2023-2024", "claimed_by": "Toyota Motor Corporation / Google Cloud", "status": "SOURCE_CLAIM"}, {"metric": "экономия времени персонала", "value": ">10000", "unit": "человеко-часов/год", "baseline": "unknown", "period": "2024", "claimed_by": "Toyota Motor Corporation", "status": "SOURCE_CLAIM"}, {"metric": "число созданных ML-моделей", "value": "8000 -> 10000", "unit": "моделей", "baseline": "2023", "period": "2023-2024", "claimed_by": "Toyota Motor Corporation", "status": "SOURCE_CLAIM"}], "outcome": "success", "uncertainty": "Материал — блог поставщика (Google Cloud) при участии сотрудника Toyota как соавтора; цифры (>10000 часов, -20% времени создания модели) не подтверждены независимым источником; неясна методология подсчёта базовой линии и число моделей, реально работающих в проде против тестовых; ДОРАБОТКА (раунд 2): источник относит 20%-е сокращение конкретно к включению GKE Image Streaming (ускорение инициализации подов), а не к появлению платформы в целом — это исправлено в claims/effects[0].baseline", "alternative_explanations": "Сокращение времени создания моделей могло частично отражать общее созревание команды платформы и рост числа готовых шаблонов, а не только эффект AI-инструментов как таковых", "costs_side_effects": "Изначальный дефицит AI-экспертизы у персонала стал причиной инициативы (скрытая стоимость обучения ~400 человек в год); время создания модели варьируется от 10 минут до 10 часов (нестабильность результата); стоимость перехода на гибридную облачную архитектуру не раскрыта", "pdca": null, "transfer_limits": "Требует зрелой цифровой инфраструктуры (Google Cloud, GKE Enterprise), устоявшейся культуры Toyota Production System и значительных инвестиций в обучение персонала; прямой перенос в компании без такой базы затруднён", "claims": [{"text_ru": "Ускорение инфраструктуры (GKE Image Streaming, ускорение инициализации подов) сократило время создания ML-модели на 20%", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта — не проверялась независимо", "source_url": "https://cloud.google.com/blog/topics/hybrid-cloud/toyota-ai-platform-manufacturing-efficiency", "locator": "раздел о GKE Image Streaming ('resulting in a 20% reduction in learning model creation time')"}, {"text_ru": "Платформа развёрнута на 10 заводах Toyota, включая завод Takaoka, где применяется для инспекции нанесения клея и литья под давлением", "status": "SOURCE_CLAIM", "verification_scope": "факт внедрения и масштаб — со слов Toyota/Google Cloud, не проверено независимо", "source_url": "https://cloud.google.com/blog/topics/hybrid-cloud/toyota-ai-platform-manufacturing-efficiency", "locator": "описание кейса"}, {"text_ru": "AI Platform уже эксплуатируется во всех 10 заводах Toyota по производству автомобилей и агрегатов", "status": "SOURCE_CLAIM", "verification_scope": "факт масштаба внедрения — со слов Toyota/Google Cloud (дословно 'already in use... total 10 factories'), независимо не подтверждено", "source_url": "https://cloud.google.com/blog/topics/hybrid-cloud/toyota-ai-platform-manufacturing-efficiency", "locator": "раздел 'Expanding Impact'"}], "sources": [{"url": "https://cloud.google.com/blog/topics/hybrid-cloud/toyota-ai-platform-manufacturing-efficiency", "title": "How Toyota is revolutionizing manufacturing with AI", "publisher": "Google Cloud (материал поставщика, соавтор — сотрудник Toyota)", "author": "Kohdai Gotoh (Toyota Motor Corporation, AI Group, Production Digital Transformation Dept.) / Google Cloud blog", "date": "2024-12-10", "type": "vendor_blog", "locator": "вся статья", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P03-MFG-GLOBAL-F01"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Найти независимое (не вендорское) подтверждение масштаба внедрения (10 заводов, >10000 моделей); уточнить полномочия системы (authority). Доработка 2026-09-24: добавлены deployment_stage/stage_marker_quote/technology_basis по точным цитатам из сохранённого raw; самопроверка по 10 пунктам калибровки — расхождений с исходным текстом не найдено. ДОРАБОТКА раунд 2 (V2-M1-closure, verdict minor): baseline эффекта -20% уточнён (относится к GKE Image Streaming, не к платформе целиком); 'дефекты литья' исправлены на 'аномалии работы машин литья пластмасс' (bumpers); '6 разработчиков поддерживают' исправлено на '6 разработчиков построили платформу за ~1.5 года'; b2b_b2c: B2C -> internal; country: Japan -> JP.", "deployment_stage": "production", "stage_marker_quote": "AI Platform is already in use at all of our car and unit manufacturing factories (total 10 factories), and its range of applications is expanding. ... the AI Platform has now become an indispensable part of our manufacturing operations.", "technology_basis": "\"Toyota turned to Google Cloud's AI Infrastructure to build an innovative AI Platform that empowers factory workers to develop and deploy machine learning models across key use cases\"; \"we use up to 10,000 images when creating the learning model\" — модели создаются на основе изображений (CV) для задач инспекции (адгезив, литьё под давлением)."}
{"id": "P03-MFG-GLOBAL-P02", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["GenAI", "agent", "predictive_maintenance", "north_america", "vendor_publication", "AGENTINFRA"], "organization": "Toyota Motor North America (TMNA)", "org_type": "действующая компания", "process": "Диагностика неисправностей производственного оборудования и промышленных роботов на конвейере с помощью ИИ-агента GearPal — запрос на естественном языке к истории обслуживания, тикетам и оцифрованным инструкциям по ремонту", "period": "публикация LangChain — 2026-08-24 ('datePublished': '2026-08-24'); в прочитанном материале точная дата запуска GearPal не названа (ранее в карточке ошибочно указывался ноябрь 2025 — это было взято из поисковой выдачи по URL, который при открытии дал HTTP 404, то есть фактически не прочитан; дата удалена как неподтверждённая)", "industry": "Автомобилестроение", "function": "Обслуживание оборудования / устранение простоев производственной линии", "b2b_b2c": "internal", "country": "US", "country_basis": "материал описывает 'North American manufacturing footprint' Toyota Motor North America; конкретные заводы не названы", "before": "Диагностика поломки техником вручную могла занимать до 5-6 часов ('What previously could take 5 to 6 hours of diagnosis'); отдельная системная проблема — уход опытных техников на пенсию и риск потери институциональных знаний ('as veteran technicians retire, newer employees need tools that surface institutional expertise'). Детали про поиск в руководствах, тикет-системах и оцифрованных VHS-записях, присутствовавшие в первой версии карточки, удалены: они отсутствуют в прочитанном материале LangChain (grep по vhs/manual/ticket пуст) и, по всей видимости, были взяты из непрочитанного источника chiefaiofficer.com (HTTP 404).", "after": "Техник задаёт вопрос агенту GearPal на естественном языке; GearPal 'surfaces the relevant diagnostics, historical service records, and repair guidance' — то есть подаёт диагностику, исторические сервисные записи и рекомендации по ремонту; диагностика теперь занимает 2-3 минуты ('now resolves in 2 to 3 minutes'). Формулировка 'машинный эксперт по запросу' удалена — она также не найдена в прочитанном тексте LangChain.", "technologies": ["GenAI", "agent"], "human_role": "Технический специалист задаёт вопрос и выполняет ремонт; из текста прямо следует, что GearPal 'surfaces the relevant diagnostics, historical service records, and repair guidance' — то есть подаёт информацию, а не действует сам; явного описания роли человека в принятии решения в тексте нет, вывод сделан по смыслу глагола 'surfaces'", "agent_role": "Агент с естественноязыковым интерфейсом: поиск и синтез диагностической информации по запросу техника (термин 'RAG' в тексте не используется — не приписываю)", "authority": "unknown — источник не утверждает и не отрицает прямо, может ли GearPal сам управлять оборудованием; по описанию функции ('surfaces diagnostics... guidance') это, по всей видимости, справочный/рекомендательный инструмент, но явного заявления об отсутствии исполнительных полномочий в тексте нет (ранее в карточке это было сформулировано как факт — исправлено на unknown/осторожную формулировку)", "change_depth": "operation", "ai_native_label": "none", "ai_native_label_basis": "GearPal — точечный диагностический инструмент для конкретной операции (устранение простоя); материал (блог поставщика LangChain) описывает его как часть более широкой платформы ToyotaGPT (50+ агентов в разных функциях), но сам этот процесс не описан как трансформация операционной модели", "effects": [{"metric": "время диагностики неисправности", "value": "5-6 часов -> 2-3 минуты", "unit": "время", "baseline": "до внедрения GearPal", "period": "2025-2026", "claimed_by": "Toyota Motor North America / LangChain", "status": "SOURCE_CLAIM"}, {"metric": "скорость развёртывания нового AI-агента на платформе ToyotaGPT", "value": "6 месяцев/6 инженеров -> 4 дня/1 инженер", "unit": "время/люди", "baseline": "до платформы Deep Agents/LangSmith", "period": "2026", "claimed_by": "Toyota Motor North America / LangChain", "status": "SOURCE_CLAIM"}, {"metric": "минимальный порог ROI для одобрения нового AI-проекта (управленческий норматив, не измеренный эффект GearPal)", "value": "6-7-значная сумма (USD) в год", "unit": "USD/год", "baseline": null, "period": "2026", "claimed_by": "Toyota Motor North America (команда AI Engineering) / LangChain", "status": "SOURCE_CLAIM"}], "outcome": "success", "uncertainty": "Источник — блог поставщика инфраструктуры (LangChain), заинтересованного в продвижении своего фреймворка; не названо число реальных инцидентов, на которых измерено сокращение времени диагностики с 5-6 часов до 2-3 минут; финансовые прогнозы — экстраполяция, а не измеренный факт; при первичном составлении карточки дата запуска GearPal (ноябрь 2025) была взята из непрочитанного источника (HTTP 404 при попытке открыть), это исправлено — дата удалена как неподтверждённая; порог '6-to-7-figure annual ROI' в источнике — это управленческое требование к одобрению новых AI-проектов ('a mandate to clear a 6-to-7-figure annual ROI threshold for each project'), а не измеренный или спрогнозированный эффект именно GearPal — в первой версии карточки это было representано как проекция экономии, что являлось завышением; ДОРАБОТКА (раунд 2): удалены детали 'before' (руководства, тикет-системы, VHS-записи) и формулировка 'машинный эксперт по запросу' — они отсутствовали в прочитанном тексте LangChain и, вероятно, попали из непрочитанного источника (chiefaiofficer.com, 404); stage_marker_quote заменён с придаточного цели ('to ensure GearPal is reliable enough to deploy...') на утверждение в настоящем времени о фактическом результате ('now resolves in 2 to 3 minutes') и общее описание платформы ('50+ production agents')", "alternative_explanations": "Показательный кейс мог быть отобран как наиболее успешный пример из портфеля агентов для маркетингового материала поставщика", "costs_side_effects": "Риск неточных рекомендаций агента при нетиповых/редких поломках не обсуждается; описан риск потери институциональных знаний по мере ухода опытных техников на пенсию — GearPal позиционируется как ответ на этот риск, а не как его причина; стоимость лицензирования LangSmith/Deep Agents не раскрыта", "pdca": null, "transfer_limits": "Эффективность сильно зависит от полноты и качества накопленных исторических сервисных данных завода; для площадок без развитого цифрового архива обслуживания результат может быть существенно ниже", "claims": [{"text_ru": "GearPal сокращает время диагностики поломки оборудования с 5-6 часов до 2-3 минут", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта — со слов Toyota/LangChain, независимо не проверена, выборка инцидентов не названа", "source_url": "https://www.langchain.com/blog/how-toyota-north-america-put-enterprise-ai-on-the-balance-sheet-with-deep-agents-and-langsmith", "locator": "раздел о GearPal"}, {"text_ru": "На платформе ToyotaGPT работает более 50 специализированных агентов в разных функциях компании", "status": "SOURCE_CLAIM", "verification_scope": "факт масштаба платформы — со слов поставщика, не проверено независимо", "source_url": "https://www.langchain.com/blog/how-toyota-north-america-put-enterprise-ai-on-the-balance-sheet-with-deep-agents-and-langsmith", "locator": "описание платформы ToyotaGPT"}, {"text_ru": "GearPal описан как используемый техниками для диагностики (настоящее время: 'now resolves in 2 to 3 minutes'); точное число площадок/линий, где он работает, источник не называет", "status": "SOURCE_CLAIM", "verification_scope": "стадия использования — по совокупности косвенных признаков (настоящее время глаголов, упоминание LLM-gateway 'to ensure GearPal is reliable enough to deploy on a live production line', общее описание платформы как '50+ production agents'); прямого утверждения 'уже развёрнут, не пилот' в тексте нет — смягчено по итогам доработки", "source_url": "https://www.langchain.com/blog/how-toyota-north-america-put-enterprise-ai-on-the-balance-sheet-with-deep-agents-and-langsmith", "locator": "раздел про GearPal"}], "sources": [{"url": "https://www.langchain.com/blog/how-toyota-north-america-put-enterprise-ai-on-the-balance-sheet-with-deep-agents-and-langsmith", "title": "How Toyota North America Put Enterprise AI on the Balance Sheet with Deep Agents and LangSmith", "publisher": "LangChain (материал поставщика)", "author": "LangChain (структурированные данные страницы: author = 'LangChain Accounts', т.е. корпоративный аккаунт, не персональный автор); в тексте цитируются Kordel France (Director of AI Engineering, Toyota Motor North America) и Ravi Chandu Ummadisetti (Director of Agentic AI and Product Research, Toyota Motor North America) как источники внутри статьи", "date": "2026-08-24", "type": "vendor_blog", "locator": "вся статья", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P03-MFG-GLOBAL-F02"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Найти независимое подтверждение (не от Toyota/LangChain) масштаба и эффекта GearPal; проверить реальную дату запуска (в прочитанном материале не названа). Доработка 2026-09-24: убрана неподтверждённая дата запуска (ноябрь 2025, источник которой дал 404 и не был прочитан); исправлена трактовка порога ROI (это управленческий норматив, не измеренный эффект); authority смягчена до unknown; добавлены deployment_stage/stage_marker_quote/technology_basis по точным цитатам. ДОРАБОТКА раунд 2 (V2-M1-closure, verdict major по before/process; minor по stage_marker_quote): недостоверные детали (VHS, руководства, тикеты, 'машинный эксперт по запросу') удалены как не подтверждённые прочитанным источником; stage_marker_quote и claims[2] переформулированы точнее по фактическому тексту.", "deployment_stage": "production", "stage_marker_quote": "What previously could take 5 to 6 hours of diagnosis now resolves in 2 to 3 minutes. ... [платформа ToyotaGPT в целом] run 50+ production agents (из описания статьи)", "technology_basis": "\"the enterprise AI team built GearPal, an application that gives any machine technician a natural-language interface to diagnose issues with any manufacturing robot or asset on the line\" — естественноязыковой интерфейс поверх LLM/агентного фреймворка (GenAI, agent); дословно технология самого GearPal (RAG/векторный поиск и т.п.) в тексте не детализирована глубже этого"}
{"id": "P03-MFG-GLOBAL-P03", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["CV", "NLP", "robotics", "safety", "korea", "steel"], "organization": "POSCO (заводы Пхохан и Кванъян); разработчик и интегратор технологий — POSCO DX (SI-подрядчик группы POSCO Group)", "org_type": "действующая компания (металлургический комбинат POSCO); технологический партнёр POSCO DX — внутригрупповой SI-интегратор, заинтересован в демонстрации готовности решения для внешней коммерциализации", "process": "Разноуровневый набор автоматизаций на металлургических комбинатах POSCO под эгидой 'интеллектуальной фабрики' POSCO DX: (а) уже установлено — робот удаления примесей (дросса) на заводе Кванъян, роботы бэндинга/дебэндинга стальных рулонов на заводе Пхохан, беспилотный склад­ской кран (завод не назван в подписи к фото); (б) испытания (test operations) — автоматизация грейферов разгрузки сырья, реклаймеров и кранов для стальных плит; (в) R&D — CV-обнаружение дефектов на стальных слябах, автономное вождение вагонов-тележек (TLC), голосовое управление на естественном языке, квадрупед- и гуманоид-роботы для мониторинга опасных зон", "period": "пресс-конференция POSCO DX — 29 июля 2026 (KST); элементы (а) действуют на момент публикации, (б) — в тестах, (в) — в разработке; формальное внедрение промышленных роботов заявлено на 2-е полугодие 2026", "industry": "Металлургия (сталь)", "function": "Логистика сырья / производство / безопасность", "b2b_b2c": "B2B", "country": "South Korea", "country_basis": "в материале явно названы заводы Кванъян (Gwangyang) и Пхохан (Pohang); склад с беспилотным краном — 'a POSCO steel mill warehouse', конкретный завод в подписи к фото не назван", "before": "Ручное управление грейферами, реклаймерами и кранами; ручной контроль поверхностных дефектов слябов; ручное выполнение бэндинга/дебэндинга рулонов и удаления дросса при травлении/цинковании", "after": "Уже действует: робот удаления дросса на Кванъяне — 'a robot that removes impurities generated during the plating process is installed at the Gwangyang steel mill'; роботы бэндинга/дебэндинга на Пхохане — 'robots have been deployed for the repetitive work of rolling steel coils into circles (banding) or unrolling them flat (debanding), successfully achieving automation'; беспилотный складской кран — фото с подписью 'An unmanned crane installed at a POSCO steel mill warehouse loads steel coils onto a vehicle', завод не назван. В тестах: роботизация грейферов/реклаймеров/кранов для плит — 'is currently going through test operations'; цель 80% автоматизации грейферов — 'is currently conducting research to make 80% of grab operations unmanned' (не достигнутый результат). В R&D: обнаружение дефектов слябов и автономное вождение TLC — 'has secured technologies ... as part of its manufacturing-specialized AI research and development'; ИИ-панель мониторинга логистики в реальном времени представлена как текущая возможность — 'AI monitors operating conditions in real time and shows the flow of logistics ... on an intuitive screen' (масштаб/завод не указаны); голосовое управление на естественном языке — 'we are also developing a conversational AI control system that inputs commands in natural language' (в разработке); квадрупед- и гуманоид-роботы — 'conducting advance research'. Формальное внедрение промышленных роботов в целом заявлено на 2-е полугодие 2026 — 'plans to formally introduce its industrial robot technology into POSCO steel mills during the second half of this year'.", "technologies": ["CV", "NLP", "other"], "human_role": "Операторы кранов/грейферов — целевая зона автоматизации в опасных зонах; для уже роботизированных участков (Кванъян, Пхохан) источник не описывает, что стало с функциями операторов (сокращение, переквалификация, надзор — не сказано)", "agent_role": "Для R&D-элементов — обнаружение дефектов по изображениям слябов и автономное вождение спецтехники; для уже установленных роботов роль ИИ как таковая источником не детализирована (это физическая роботизация, категориально отделённая в тексте от 'manufacturing-specialized AI')", "authority": "unknown — источник не детализирует полномочия систем по каждому элементу; общая рамка инициативы — 'operates large equipment without human workers', но это формулировка цели программы POSCO DX в целом, а не подтверждённый факт по каждой конкретной технологии", "change_depth": "operation", "ai_native_label": "none", "ai_native_label_basis": "Источник не использует термин 'AI-native'. Наша интерпретация: это набор точечных автоматизаций на разных стадиях зрелости (от действующих физических роботов, чья связь с ИИ не установлена источником, до чисто R&D CV/автономного вождения) на отдельных участках нескольких заводов — не декларируемая целиком новая операционная модель", "effects": [{"metric": "доля операций грейфера без оператора", "value": "80%", "unit": "% (исследовательская цель, НЕ достигнутый результат)", "baseline": "текущая ручная работа", "period": "цель на будущее, дата не названа", "claimed_by": "POSCO DX", "status": "SOURCE_CLAIM"}, {"metric": "количественный эффект уже установленных роботов (дросс-удаление, бэндинг/дебэндинг)", "value": null, "unit": null, "baseline": null, "period": null, "claimed_by": null, "status": "UNKNOWN"}], "outcome": "uncertain", "uncertainty": "Смешаны минимум 4 стадии зрелости в одном материале (действующая эксплуатация / test operations / R&D / план на 2П 2026), их важно не смешивать — это отражено в 'after' с дословными маркерами. Статья — AI-перевод с корейского: редакционная пометка 'AI-translated from Korean. Quotes from foreign sources are based on Korean-language reports and may not reflect exact original wording' — прямые цитаты могут не быть дословными по отношению к оригиналу. POSCO DX анонсировал намерение выйти с этой технологией на внешний рынок ('we will then enter external businesses'), что создаёт стимул представлять решения более зрелыми, чем они есть. Нет количественных данных о снижении травматизма, простоев или экономическом эффекте уже установленных роботов.", "alternative_explanations": "Пресс-конференция могла быть рассчитана на демонстрацию инвесторам/потенциальным внешним клиентам готовности решения к коммерциализации, что стимулирует представлять НИОКР как близкое к внедрению", "costs_side_effects": "Замена ручного труда операторов кранов в опасных зонах позиционируется как мера безопасности, но кадровые последствия (сокращение/переобучение операторов) не обсуждаются; стоимость внедрения не раскрыта; качество перевода статьи (AI-translation) — дополнительный источник неточности цитат", "pdca": null, "transfer_limits": "Специфично для крупных металлургических комбинатов с капиталом на роботизацию тяжёлого оборудования. Упоминание партнёрства с Mobilint (NPU) удалено: в прочитанной статье Seoul Economic Daily Mobilint и NPU не упоминаются — эта деталь была перенесена из версии v1 без опоры на сохранённый источник.", "claims": [{"text_ru": "На заводе Кванъян уже установлен робот удаления примесей (дросса), на заводе Пхохан — роботы для бэндинга/дебэндинга стальных рулонов, оба работают в производстве", "status": "SOURCE_CLAIM", "verification_scope": "факт установки — дословно 'is installed' / 'successfully achieving automation', независимо не подтверждено; связь именно с ИИ (а не просто роботизацией) источником не установлена", "source_url": "https://en.sedaily.com/technology/2026/07/29/posco-dx-automates-giant-cranes-to-build-smart-steel-mills", "locator": "раздел про заводы Кванъян и Пхохан"}, {"text_ru": "Обнаружение дефектов слябов и автономное вождение вагонов-тележек (TLC) — это технологии на стадии R&D, а не внедрённая практика", "status": "SOURCE_CLAIM", "verification_scope": "стадия внедрения — дословно 'has secured technologies ... as part of ... research and development'", "source_url": "https://en.sedaily.com/technology/2026/07/29/posco-dx-automates-giant-cranes-to-build-smart-steel-mills", "locator": "раздел про manufacturing-specialized AI"}, {"text_ru": "POSCO DX ставит целью довести долю операций грейферов без оператора до 80%; на момент публикации это цель исследования, не достигнутый факт", "status": "SOURCE_CLAIM", "verification_scope": "заявленная цель, не результат", "source_url": "https://en.sedaily.com/technology/2026/07/29/posco-dx-automates-giant-cranes-to-build-smart-steel-mills", "locator": "цитата о доле автоматизации грейферов"}], "sources": [{"url": "https://en.sedaily.com/technology/2026/07/29/posco-dx-automates-giant-cranes-to-build-smart-steel-mills", "title": "POSCO DX Automates Giant Cranes to Build Smart Steel Mills", "publisher": "Seoul Economic Daily", "author": "Kim Tae-ho (Reporter, Seoul Economic Daily); статья — AI-перевод с корейского ('AI-translated from Korean'), редакция предупреждает, что цитаты из корейских материалов могут не быть дословными", "date": "2026-07-29", "type": "media", "locator": "вся статья", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P03-MFG-GLOBAL-F03"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Проверить в следующем цикле мониторинга (после 2-го полугодия 2026), что из R&D/test operations реально перешло в production; поискать оригинал на корейском или официальный пресс-релиз POSCO/POSCO DX для кросс-проверки цитат Cho Seok-ju; уточнить, относится ли беспилотный складской кран к Кванъяну или Пхохану. Доработка 2026-09-24 по независимой проверке (V1-M1, verdict: major): организация разделена на оператора (POSCO) и интегратора (POSCO DX); 'after' и claims переписаны с разделением на production/test operations/R&D/план и дословными маркерами (stage_marker_quote); technologies сужены до CV/NLP/other с явной оговоркой, что уже установленные роботы не названы источником 'ИИ'; change_depth понижен с end_to_end_process до operation; ai_native_label обоснование уточнено; deployment_stage=R&D (по самому предметному ИИ-элементу — CV/автономное вождение — как наиболее осторожная оценка); добавлен пропущенный робот удаления дросса на Кванъяне и уточнено, что кадр беспилотного крана не привязан к конкретному заводу; отмечена заинтересованность POSCO DX в демонстрации готовности к внешним продажам; добавлена пометка об AI-переводе статьи. ДОРАБОТКА раунд 2 (V2-M1-closure, verdict minor, статус partial/closed по прежним пунктам): из tags убраны 'agent' и 'RPA_automation' (источник их не подтверждает), добавлен 'robotics'; из transfer_limits убрано упоминание Mobilint/NPU — не подтверждено сохранённым источником.", "technology_basis": "CV — обнаружение дефектов слябов: 'a system for detecting surface defects on carbon steel slabs' (стадия R&D, дословно 'secured technologies ... as part of ... research and development'); NLP — 'developing a conversational AI control system that inputs commands in natural language' (в разработке, не развёрнуто); other — автономное вождение TLC и промышленные роботы; ВАЖНО: уже установленные физические роботы (дросс-робот, бэндинг/дебэндинг, складской кран) в тексте отнесены к отдельной категории 'industrial robots' и НЕ названы явно 'ИИ' — их привязка к ИИ источником не установлена, это осторожно отражено в change_depth/ai_native_label и не выдаётся за доказанный ИИ-эффект", "deployment_stage": "R&D", "stage_marker_quote": "As part of its manufacturing-specialized AI research and development, POSCO DX has secured technologies such as a system for detecting surface defects on carbon steel slabs and autonomous driving technology for torpedo ladle cars (TLC)"}
{"id": "P03-MFG-GLOBAL-P05", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["CV", "quality_control", "europe_unclear_geo", "patents"], "organization": "Michelin (Compagnie Générale des Établissements Michelin)", "org_type": "действующая компания", "process": "Финальный визуальный контроль качества шин с помощью собственной ИИ-системы IRIS (машина с несколькими камерами и AI-анализом изображений)", "period": "статья MIT Sloan Management Review опубликована 2025-08-25 (byline: Thomas H. Davenport and Randy Bean); IRIS описана как уже действующая практика на момент публикации; год запуска самой системы IRIS в тексте не назван (в первой версии карточки было внутреннее противоречие — 'опубликована 2026' рядом с датой 'August 25, 2025' — исправлено)", "industry": "Шинное производство", "function": "Контроль качества", "b2b_b2c": "B2B2C", "country": "unknown", "country_basis": "конкретный завод/страна внедрения IRIS в статье не названы; штаб-квартира Michelin — Франция, но это не равно стране внедрения конкретной инспекционной линии; отдельно найденный продукт Michelin Mobility Intelligence 'Automated Tire Inspection' (20 площадок в Европе) — это ДРУГОЙ продукт (QuickScan для б/у автомобилей у ремаркетинговых компаний), не тот же IRIS, и не был использован для атрибуции страны", "before": "Финальный контроль качества шин на конвейере описан компанией как \"One hundred percent of our tires are controlled manually and visually\" — ёмкая, эргономически тяжёлая задача ('a complex ergonomic task, from a physical and concentration point of view', Rajagopal). Именно эту проблему частично решает IRIS.", "after": "IRIS (AI-augmented machine) частично автоматизирует процесс визуального контроля дефектов — 'Michelin uses AI-augmented machines it calls IRIS to partially automate the manufacturing defect inspection process'; по словам компании, технология улучшила эффективность и опыт работы инспекторов ('The technology has improved both the efficiency and the experience of inspectors'). Деталь '15 камер высокого разрешения' из первой версии карточки удалена: она была взята из статьи Tire Technology International, которую не удалось прочитать из-за пейволла (пустое тело страницы при открытии) — недоступный материал не может быть источником детали.", "technologies": ["CV"], "human_role": "Операторы сохраняют финальную ответственность за решение по подозрительным шинам ('Operators remain accountable for the final decision'); их квалификация направлена на ключевые/сложные случаи, а не на повторяющиеся задачи ('Their skills and expertise are mobilized on the core issues rather than on repetitive tasks')", "agent_role": "Первичное автоматическое обнаружение дефектов на изображениях с камер", "authority": "Финальное решение по потенциально дефектной шине остаётся за оператором: 'When IRIS identifies a potentially defective tire, it is human know-how that makes the difference: Operators remain accountable for the final decision.' (Это исправленное основание для authority; цитата про '100% control manually and visually' относится к описанию проблемы/задачи, которую решает IRIS, а не к заявлению о том, что контроль остаётся 100% ручным ПОСЛЕ внедрения IRIS — так она ошибочно использовалась в первой версии карточки.)", "change_depth": "operation", "ai_native_label": "none", "ai_native_label_basis": "Узкая, давно применяемая в промышленности задача компьютерного зрения для контроля качества; ни компания, ни авторы статьи не используют термин 'AI-native', трансформация операционной модели не описана", "effects": [{"metric": "количественный эффект IRIS (скорость/точность контроля, экономия)", "value": null, "unit": null, "baseline": null, "period": null, "claimed_by": null, "status": "UNKNOWN"}], "outcome": "unknown", "uncertainty": "Статья MIT Sloan Management Review не приводит ни одной количественной метрики по IRIS (скорость, точность, охват брака); неизвестно, на скольких заводах и с какого года используется система; страна/площадка внедрения не названа; дата публикации ранее была ошибочно помечена как unknown — на самом деле указана в тексте статьи ('August 25, 2025'), это исправлено; ДОРАБОТКА (раунд 2): удалена деталь '15 камер' (источник — недоступная из-за пейволла Tire Technology International, не прочитано); исправлено смысловое использование цитаты про '100% ручной и визуальный контроль' (она о проблеме/задаче, а не о состоянии после IRIS); устранено внутреннее противоречие в датах публикации (оставлена только 2025-08-25)", "alternative_explanations": "unknown — эффект не заявлен количественно, обсуждать альтернативные объяснения нечему", "costs_side_effects": "Не раскрыты; отмечено, что технология защищена более чем 20 патентами (собственная разработка, значимые инвестиции в R&D)", "pdca": null, "transfer_limits": "Собственная запатентованная разработка Michelin (20+ патентов) — прямой перенос технологии в другие компании юридически затруднён; перенос самого подхода (человек проверяет только то, что выделил алгоритм) более универсален", "claims": [{"text_ru": "Michelin использует ИИ-систему IRIS для частичной автоматизации визуального контроля дефектов шин (действующая практика, не пилот); финальное решение по подозрительной шине остаётся за оператором ('Operators remain accountable for the final decision')", "status": "SOURCE_CLAIM", "verification_scope": "факт использования системы — со слов компании в интервью MIT Sloan Management Review, независимо не подтверждён; количественный эффект не заявлен", "source_url": "https://sloanreview.mit.edu/article/accelerating-manufacturing-innovation-at-michelin-with-data-and-ai/", "locator": "раздел про IRIS и контроль качества"}, {"text_ru": "У Michelin более 200 действующих AI-кейсов применения в разных бизнес-функциях", "status": "SOURCE_CLAIM", "verification_scope": "общее число кейсов — со слов компании, независимо не проверено, IRIS — лишь один из них", "source_url": "https://sloanreview.mit.edu/article/accelerating-manufacturing-innovation-at-michelin-with-data-and-ai/", "locator": "общий обзор портфеля AI-кейсов Michelin"}], "sources": [{"url": "https://sloanreview.mit.edu/article/accelerating-manufacturing-innovation-at-michelin-with-data-and-ai/", "title": "Accelerating Manufacturing Innovation at Michelin With Data and AI", "publisher": "MIT Sloan Management Review", "author": "Thomas H. Davenport, Randy Bean; в статье цитируется Ambica Rajagopal (group chief data and AI officer, Michelin)", "date": "2025-08-25", "type": "media", "locator": "вся статья", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P03-MFG-GLOBAL-F05"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Уточнить страну/завод и точный год запуска IRIS (в статье не названы); при появлении данных — обновить country и period. Доработка 2026-09-24 (самопроверка по 10 пунктам калибровки, карточка не входила в findings V1-M1): найдена и исправлена дата публикации источника (2025-08-25, ранее ошибочно unknown), добавлено имя цитируемого спикера (Ambica Rajagopal, group chief data and AI officer), добавлены deployment_stage=production/stage_marker_quote/technology_basis по точным цитатам из сохранённого raw; country оставлен unknown — в тексте действительно не назван завод/страна внедрения IRIS, это не изменилось. ДОРАБОТКА раунд 2 (V2-M1-closure, verdict minor по всем 3 пунктам): убрана деталь '15 камер' из недоступного источника; квота про '100% manually and visually' перенесена в before и переосмыслена как описание проблемы, а не результата; authority переписана на основании 'Operators remain accountable for the final decision'; устранено противоречие в датах (только 2025-08-25).", "deployment_stage": "production", "stage_marker_quote": "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.", "technology_basis": "\"Michelin uses AI-augmented machines it calls IRIS to partially automate the manufacturing defect inspection process\" — прямое указание на ИИ (CV для визуального контроля); отдельно источник упоминает, что Michelin 'is currently ... piloting AI across business lines' — но это сказано про другие, не названные по имени инициативы компании, а не про IRIS, которая в тексте подана как уже отлаженная практика"}