{"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, дефектов литья под давлением, 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), внедрение платформы завершено к началу 2024, приведённые данные — по состоянию на декабрь 2024", "industry": "Автомобилестроение", "function": "Контроль качества / производство", "b2b_b2c": "B2C", "country": "Japan", "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", "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 литья под давлением на заводе Takaoka", "technologies": ["CV", "predictive_ML"], "human_role": "Работники цеха — авторы и операторы моделей после обучения (~1200 активных пользователей, 400+ в год проходят обучение); 6 разработчиков поддерживают платформу", "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 платформы", "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", "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": "Платформа сократила время создания ML-модели инспекции 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 результатах внедрения"}, {"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"}], "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) — например, отчётность Toyota или отраслевые обзоры; уточнить полномочия системы (authority)."}
{"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": "GearPal запущен в ноябре 2025; данные о масштабировании платформы ToyotaGPT (50+ агентов) — по состоянию на август 2026", "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 занимала 5-6 часов: поиск в тысячах страниц руководств, старых сервисных журналах, тикет-системах и оцифрованных VHS-записях ремонта", "after": "Техник задаёт вопрос агенту GearPal на естественном языке ('машинный эксперт по запросу'); агент агрегирует диагностику, исторические сервисные записи и рекомендации по ремонту; диагностика занимает 2-3 минуты", "technologies": ["GenAI", "agent"], "human_role": "Технический специалист сохраняет функцию принятия решения и выполнения ремонта; агент — источник рекомендаций, а не исполнитель", "agent_role": "RAG-агент: поиск и синтез диагностической информации по естественноязыковому запросу техника", "authority": "По материалу, агент не управляет оборудованием и не имеет полномочий останавливать/перезапускать линию — только информационная поддержка человека; решение остаётся за техником", "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": "прогнозируемая экономия на линию/цех/завод в год", "value": "от шестизначной суммы (USD), проекция", "unit": "USD/год", "baseline": "unknown", "period": "2026", "claimed_by": "Toyota Motor North America / 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", "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"}], "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 blog; цитируются Kordel France (Director of AI Engineering) и Ravi Chandu Ummadisetti (Director of Agentic AI and Product Research), Toyota Motor North America", "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, есть ли публичные данные о числе инцидентов, на которых измерено сокращение времени диагностики."}
{"id": "P03-MFG-GLOBAL-P03", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["CV", "agent", "RPA_automation", "safety", "korea", "steel"], "organization": "POSCO DX (входит в POSCO Group)", "org_type": "действующая компания", "process": "Автоматизация грузоподъёмного оборудования (грейферы разгрузки сырья, реклаймеры, мостовые краны для стальных плит) и ИИ-мониторинг производственных/логистических процессов на металлургических комбинатах", "period": "пресс-конференция и анонс — 29 июля 2026; коил-бэндинг/дебэндинг на заводе Пхохан и беспилотные складские краны — уже внедрены на момент анонса; внедрение промышленных роботов запланировано на 2-е полугодие 2026; цель по автономности грейферов (80%) — исследовательская задача, не достигнутый результат", "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)", "before": "Ручное управление грейферами разгрузки сырья, реклаймерами и мостовыми кранами операторами; ручной контроль поверхностных дефектов стальных слябов; логистика площадки отслеживалась без единого интуитивного интерфейса", "after": "ИИ обнаруживает поверхностные дефекты слябов; внедрено автономное вождение вагонов-тележек (торпедо-ковшей) для чугуна; работает коил-бэндинг/дебэндинг на заводе Пхохан и беспилотная загрузка рулонов на складе; интуитивные экраны логистики в реальном времени; ведётся разработка голосового управления; цель — довести долю операций грейфера без оператора до 80% (не достигнуто на момент публикации)", "technologies": ["CV", "agent", "RPA_automation"], "human_role": "Операторы кранов/грейферов — целевая зона замены автоматикой в опасных зонах; конкретные изменения их функций (надзор, переквалификация, сокращение) в материале не описаны", "agent_role": "Обнаружение дефектов, автономное вождение спецтехники, управление логистическим потоком, квадрупед-роботы для мониторинга опасных зон, гуманоидные роботы для операций тестирования материалов", "authority": "Часть процессов (коил-бэндинг/дебэндинг, складские краны) уже работает без оператора; для грейферов автономность на уровне 80% — заявленная цель на будущее, а не факт; уровень самостоятельности решений системы (может ли она сама останавливать операции) не детализирован", "change_depth": "end_to_end_process", "ai_native_label": "none", "ai_native_label_basis": "Материал не использует термин 'AI-native'; наша интерпретация — это последовательная автоматизация нескольких логистическо-производственных функций (разгрузка, перемещение, часть контроля качества) в рамках отдельных площадок, а не декларируемая целиком новая операционная модель", "effects": [{"metric": "доля операций грейфера без оператора", "value": "80%", "unit": "% (целевой показатель, не достигнутый результат)", "baseline": "текущая ручная работа", "period": "цель на будущее, дата не названа", "claimed_by": "POSCO DX", "status": "SOURCE_CLAIM"}], "outcome": "uncertain", "uncertainty": "Часть заявленного (коил-бэндинг/дебэндинг, беспилотные склады) уже работает, часть (общее внедрение промышленных роботов, 80% автономности грейферов) — план на 2-е полугодие 2026 и далее; нет количественных данных о снижении травматизма, простоев или экономическом эффекте уже внедрённых элементов", "alternative_explanations": "Пресс-конференция может отражать демонстрацию готовности решения перед его внешней коммерциализацией (POSCO DX заявляет о планах внешней экспансии бизнеса после внутреннего внедрения), что создаёт стимул представлять разработки более зрелыми, чем они есть", "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", "pdca": null, "transfer_limits": "Специфично для крупных металлургических комбинатов с капиталом на роботизацию тяжёлого оборудования; часть технологии (роботы, NPU) разрабатывается в партнёрстве (например, с Mobilint) и может быть неприменима без сопоставимой интеграции", "claims": [{"text_ru": "На заводе Пхохан уже внедрена автоматизация коил-бэндинга/дебэндинга и беспилотная загрузка рулонов на складе", "status": "SOURCE_CLAIM", "verification_scope": "факт внедрения (не масштаб эффекта) — со слов POSCO DX на пресс-конференции, независимо не подтверждено", "source_url": "https://en.sedaily.com/technology/2026/07/29/posco-dx-automates-giant-cranes-to-build-smart-steel-mills", "locator": "раздел о заводе Пхохан"}, {"text_ru": "POSCO DX ставит целью довести долю операций грейферов без оператора до 80%", "status": "SOURCE_CLAIM", "verification_scope": "заявленная цель, не достигнутый факт", "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"}], "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": "Seoul Economic Daily редакция; цитируется Cho Seok-ju", "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 плана POSCO DX реально введено в эксплуатацию, а что осталось анонсом; поискать официальный пресс-релиз POSCO/POSCO DX для кросс-проверки цитат."}
{"id": "P03-MFG-GLOBAL-P04", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["agent", "GenAI", "CV", "predictive_ML", "RPA_automation", "india", "AGENTINFRA", "vendor_publication"], "organization": "Tata Steel Limited", "org_type": "действующая компания", "process": "Развёртывание флота специализированных ИИ-агентов (300+) на платформе Google Cloud для HR-хелпдеска, back-office (счета, GST-классификация, анализ контрактов), видеоаналитики безопасности (соблюдение СОП), проактивного планирования обслуживания активов и обработки клиентских обращений; сотрудники без опыта в data science создают агентов через low-code платформу Zen AI", "period": "развёрнуто за 9 месяцев, анонс партнёрства — 22 апреля 2026", "industry": "Металлургия (сталь)", "function": "HR / безопасность / обслуживание оборудования / клиентский сервис / back-office", "b2b_b2c": "B2B", "country": "India", "country_basis": "штаб-квартира и основные площадки — Индия; в материале явно названы заводы Jamshedpur и Kalinganagar (Индия); также назван завод IJmuiden (Нидерланды, подразделение Tata Steel Europe) — практика охватывает несколько стран", "before": "Рутинные HR-обращения, обработка счетов и GST-классификация — вручную сотрудниками back-office; контроль соблюдения техники безопасности на площадках — вручную; обслуживание оборудования — по графику/реактивно; работу с ИИ-инструментами могли вести только специалисты по данным", "after": "70% рутинных HR-тикетов закрывается автономно агентами; агент Safety EyeQ анализирует видеопоток на соответствие СОП и выявление опасностей; агенты Asset Sphere дают проактивные рекомендации по обслуживанию активов; среднее время обработки жалоб клиентов сократилось на 50%; сотрудники разных функций создают собственных агентов через low-code платформу Zen AI (Google Agent Development Kit + BigQuery + Cloud Storage), внутренний портал Tata Steel Digital Assistant (TDA) агрегирует публичные, корпоративные и пользовательские данные для поддержки решений", "technologies": ["agent", "GenAI", "CV", "predictive_ML", "RPA_automation"], "human_role": "Сотрудники не-датасаентисты — авторы и операторы собственных агентов через Zen AI; решения по безопасности и обслуживанию, судя по всему, остаются за людьми, но степень автономии агентов Safety EyeQ и Asset Sphere в материале не детализирована", "agent_role": "Автономное закрытие рутинных HR-тикетов (без участия человека в 70% случаев), анализ видео на нарушения СОП, рекомендации по обслуживанию оборудования, обработка счетов и контрактов, ответы на обращения клиентов", "authority": "Явно указано, что 70% HR-тикетов агенты закрывают автономно, без участия человека; для агентов Safety EyeQ (безопасность) и Asset Sphere (обслуживание) полномочия не детализированы — по формулировкам материала это, вероятно, рекомендательные функции, а не исполнительные", "change_depth": "operating_model", "ai_native_label": "author_claim", "ai_native_label_basis": "Tata Steel и Google Cloud прямо характеризуют инициативу как 'unified agentic AI across its global value chain' (единая агентная ИИ-система для всей глобальной цепочки создания стоимости) — это самоописание компании и поставщика, не наша независимая оценка; фактическое покрытие (HR, back-office, часть безопасности и обслуживания) уже, чем заявленный охват всей цепочки создания стоимости", "effects": [{"metric": "доля HR-тикетов, закрываемых автономно", "value": 70, "unit": "%", "baseline": "до внедрения агентов", "period": "9 месяцев до апреля 2026", "claimed_by": "Tata Steel / Google Cloud", "status": "SOURCE_CLAIM"}, {"metric": "сокращение среднего времени обработки жалоб клиентов", "value": 50, "unit": "%", "baseline": "до внедрения", "period": "9 месяцев до апреля 2026", "claimed_by": "Tata Steel / Google Cloud", "status": "SOURCE_CLAIM"}, {"metric": "число развёрнутых специализированных ИИ-агентов", "value": "300+", "unit": "агентов", "baseline": "0", "period": "9 месяцев до апреля 2026", "claimed_by": "Tata Steel / Google Cloud", "status": "SOURCE_CLAIM"}], "outcome": "success", "uncertainty": "Источник — совместный пресс-релиз Tata Steel и Google Cloud, обе стороны заинтересованы в позитивном представлении результата; не раскрыта база сравнения для 70% и 50% (объём и состав выборки тикетов/жалоб до и после), нет данных о доле ошибочных решений агентов или эскалаций к человеку", "alternative_explanations": "Улучшение показателей могло частично отражать параллельные организационные изменения (реорганизация HR/клиентского сервиса), а не исключительно эффект ИИ-агентов", "costs_side_effects": "Не раскрыты затраты на внедрение и лицензирование Google Cloud (Agent Development Kit, Cloud Run, 200+ моделей платформы); не обсуждается судьба сотрудников, чьи рутинные задачи теперь закрывает ИИ (сокращение штата, переобучение, перераспределение нагрузки)", "pdca": null, "transfer_limits": "Требует зрелой цифровой инфраструктуры (интеграция с ERP, BigQuery, корпоративными системами) и значительного капитала; специфично для организации масштаба глобальной металлургической группы с собственной low-code платформой разработки агентов", "claims": [{"text_ru": "Tata Steel развернула более 300 специализированных ИИ-агентов за 9 месяцев на платформе Google Cloud", "status": "SOURCE_CLAIM", "verification_scope": "факт и масштаб внедрения — со слов Tata Steel и Google Cloud (совместный релиз), независимо не подтверждено", "source_url": "https://www.googlecloudpresscorner.com/2026-04-22-Tata-Steel-Partners-with-Google-Cloud-To-Deploy-a-Unified-Agentic-AI-Across-its-Global-Value-Chain", "locator": "вводный раздел релиза"}, {"text_ru": "70% рутинных HR-тикетов Tata Steel закрываются агентами автономно", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта — со слов компании и поставщика, база сравнения не раскрыта", "source_url": "https://www.googlecloudpresscorner.com/2026-04-22-Tata-Steel-Partners-with-Google-Cloud-To-Deploy-a-Unified-Agentic-AI-Across-its-Global-Value-Chain", "locator": "раздел про HR-агентов"}], "sources": [{"url": "https://www.googlecloudpresscorner.com/2026-04-22-Tata-Steel-Partners-with-Google-Cloud-To-Deploy-a-Unified-Agentic-AI-Across-its-Global-Value-Chain", "title": "Tata Steel Partners with Google Cloud To Deploy a Unified Agentic AI Across its Global Value Chain", "publisher": "Google Cloud Press Corner (материал поставщика; зеркало совместного пресс-релиза с Tata Steel)", "author": "Google Cloud / Tata Steel; цитируется Jayanta Banerjee, CIO Tata Steel", "date": "2026-04-22", "type": "vendor_press_release", "locator": "вся статья", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P03-MFG-GLOBAL-F04"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Попытаться получить оригинал релиза с tatasteel.com напрямую (curl без WebFetch дал бы иной результат — не проверено, см. F06); поискать независимое освещение (не перепечатку релиза) в отраслевых СМИ для кросс-проверки цифр 70%/50%."}
{"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": "unknown — статья MIT Sloan Management Review описывает практику как действующую на момент публикации; год запуска IRIS и период измерений не указаны", "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": "100% шин проходят визуальный контроль вручную сотрудником-инспектором", "after": "IRIS выполняет первичное автоматическое обнаружение дефектов по изображениям с 15 камер высокого разрешения (по данным другого источника — Tire Technology International, не прочитанного полностью из-за пейволла); человек-инспектор сохраняет финальное решение по сомнительным случаям; компания подчёркивает, что контроль остаётся '100% ручным и визуальным' в смысле обязательного участия человека", "technologies": ["CV"], "human_role": "Инспекторы сохраняют финальную власть принятия решений по потенциально бракованным шинам; переключение с рутинного сканирования на разбор сложных случаев", "agent_role": "Первичное автоматическое обнаружение дефектов на изображениях с камер", "authority": "Система не имеет полномочий окончательно браковать шину без участия человека — по прямой цитате компании контроль остаётся 'на 100% ручным и визуальным'", "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", "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 систему IRIS для первичного автоматического обнаружения дефектов на шинах, при этом финальное решение остаётся за инспектором", "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", "date": "unknown (дата публикации на странице не извлечена явно)", "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 внедрения IRIS и дату запуска (например, через пресс-релизы Michelin или отраслевые издания без пейволла, включая Tire Technology International, недоступный в этом заходе); при появлении данных — обновить country и period."}