{"id": "P15-MFG-2-P01", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["E2E", "AGENTINFRA"], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Проверить, разворачивается ли PlantGPT за пределы Geismar; поискать количественные метрики эффекта (время, ошибки) в будущих публикациях BASF.", "organization": "BASF (BASF Intermediates, подразделение Intermediate business)", "org_type": "действующая компания", "process": "ИИ-ассистент (PlantGPT) для операционного и инженерного персонала завода: предоставление актуальной информации по конкретному производству (процедуры, знания площадки) в реальном времени, включая функцию обучения новых сотрудников", "period": "разработан к ноябрю 2025 (публикация от 24.11.2025); точная дата запуска не указана", "industry": "химическая промышленность", "function": "эксплуатация и обслуживание завода (plant operations & site services)", "b2b_b2c": "internal", "country": "США (завод по производству ацетилена в Geismar, Louisiana)", "country_basis": "«The tool was developed by BASF's Intermediate business at the Acetylene Plant in Geismar, Louisiana, in collaboration with the teams from the Digital Hubs in Ludwigshafen, Germany and Madrid, Spain.»", "before": "unknown — источник не описывает явно, как сотрудники получали производственную информацию до внедрения PlantGPT", "after": "Цифровой ассистент в реальном времени предоставляет знания по конкретному производству; используется командами завода и инженерами для повышения операционной эффективности и быстрого принятия решений; также применяется как инструмент обучения новых сотрудников.", "technologies": ["GenAI"], "human_role": "unknown в явном виде; из контекста — персонал завода и инженеры обращаются к ассистенту за информацией вместо (предположительно) поиска в документах/у коллег; новые сотрудники проходят обучение с его помощью", "agent_role": "Отвечает на вопросы о специфике конкретного производства на основе обучающего набора (тысячи документов, процедур безопасности и материалов); функционирует как справочный/обучающий инструмент", "authority": "unknown — источник не описывает, может ли ассистент выполнять действия в системах завода самостоятельно; судя по описанию, это информационно-справочный инструмент (вопрос-ответ), не система управления процессом", "change_depth": "operation", "deployment_stage": "limited_production", "stage_marker_quote": "«The tool was developed by BASF's Intermediate business at the Acetylene Plant in Geismar, Louisiana... With PlantGPT, BASF plant and engineering teams can improve operational efficiency and access reliable data to quickly inform their decision-making. The digital assistant can also be used as a training tool...»", "technology_basis": "«One of BASF's most recent AI innovations is an AI-powered digital assistant... To ensure quality responses, the digital assistant was trained with thousands of documents, safety procedures and materials.» Название инструмента (PlantGPT) и описание обучения на корпусе документов указывают на генеративную языковую модель.", "ai_native_label": "none", "ai_native_rationale": "BASF описывает PlantGPT как один из пяти примеров применения ИИ в компании, не заявляя о компании или продукте как «AI-native».", "effects": [], "outcome": "unknown", "uncertainty": "Нет количественных показателей эффекта (время, точность, охват); не указано, работает ли инструмент за пределами завода в Geismar; стадия внедрения определена по косвенным признакам (present tense описания использования), явного маркера «в производстве»/«pilot» в тексте нет.", "alternative_explanations": "unknown", "costs_side_effects": "Источник не упоминает затрат на внедрение, подрядчиков или побочных эффектов.", "transfer_limits": "Кейс описан для одного завода (Geismar) с участием двух цифровых хабов (Германия, Испания); перенос на другие площадки BASF источником не подтверждён.", "claims": [{"text_ru": "BASF разработала ИИ-ассистента PlantGPT для предоставления информации по конкретному производству в реальном времени сотрудникам завода в Geismar, Louisiana.", "status": "SOURCE_CLAIM", "verification_scope": "факт внедрения инструмента", "source_url": "https://www.basf.com/us/en/media/featured-articles/technology/ai-basf-success-stories", "locator": "раздел «1. PlantGPT»"}, {"text_ru": "Ассистент обучен на тысячах документов, процедур безопасности и материалов; также используется как инструмент онбординга новых сотрудников.", "status": "SOURCE_CLAIM", "verification_scope": "описание функциональности", "source_url": "https://www.basf.com/us/en/media/featured-articles/technology/ai-basf-success-stories", "locator": "раздел «1. PlantGPT»"}], "sources": [{"url": "https://www.basf.com/us/en/media/featured-articles/technology/ai-basf-success-stories", "title": "Putting AI to work: five BASF success stories", "publisher": "BASF", "author": "Mariana Licio", "date": "2025-11-24", "type": "company_blog", "locator": "раздел «1. PlantGPT»", "reading_scope": "full_text", "accessed_at": "2026-09-24T22:36:36Z", "file_id": "P15-MFG-2-F02"}]}
{"id": "P15-MFG-2-P02", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["AGENTINFRA"], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Отслеживать переход проекта в операционную стадию (координатору стоит поискать более поздние публикации BASF/Google о масштабировании на всю сеть, помимо тестовой value chain).", "organization": "BASF Agricultural Solutions (подразделение BASF SE)", "org_type": "действующая компания", "process": "Построение цифрового двойника сети поставок средств защиты растений (S&OP / управление запасами и производственным планированием) с помощью эволюционного ИИ-агента AlphaEvolve (Google DeepMind/Google Cloud) для поддержки решений планировщиков о том, что и когда производить и какой страховой запас держать", "period": "проект с Google Cloud и prognostica GmbH; последние результаты и публикация — май 2026", "industry": "агрохимия (средства защиты растений)", "function": "планирование цепочки поставок / S&OP / управление запасами", "b2b_b2c": "internal", "country": "Германия (проектная команда BASF SE и партнёр prognostica GmbH, Вюрцбург); сеть охватывает 180 производственных площадок по всему миру", "country_basis": "«BASF SE team including... as well as Manuel Doerr and Thomas Christ from Prognostica GmbH Würzburg»; «Planners at BASF Agricultural Solutions navigate this reality daily across 180 production sites.»", "before": "«Currently, human planners make thousands of local decisions every day. They decide what to produce, when to produce it, and how much safety stock to hold. Because the network is so large, a planner can't easily see how a localized decision affects the rest of the global supply chain. This scale can lead to additional working capital and inventory and or cause production imbalances.» Также: «We had several attempts to build a digital twin for our complex supply network using deterministic models, and all of them failed,» — Dr. Goetz Krabbe, BASF.", "after": "AlphaEvolve (агент, автономно генерирующий и эволюционирующий алгоритмы) на основе «seed»-программы и трёх лет исторических данных (запасы, спрос, фактическое производство) сгенерировал алгоритм планирования, который в последних прогонах показал более чем 80%-ное относительное улучшение точности по сравнению с исходной seed-моделью и автоматически выявил правила («консолидация производства», «динамические страховые запасы», «сетевая координация»). Цель проекта — не заменить планировщиков, а создать инструмент поддержки решений.", "technologies": ["agent", "optimization", "GenAI"], "human_role": "«BASF's objective was not to replace human decision-making, but to establish a new model for decision support that helps planners handle the real-world complexity of the production network.» Планировщики сохраняют решающую роль; инструмент — вспомогательный.", "agent_role": "AlphaEvolve автономно генерирует, тестирует и эволюционирует варианты алгоритма планирования на исторических данных, подбирая логику, максимально совпадающую с реальными историческими решениями и уровнями запасов.", "authority": "unknown в части реальных операций — по тексту, агент работает в режиме симуляции/оптимизации алгоритма на исторических данных для построения цифрового двойника; о самостоятельном исполнении реальных производственных или закупочных решений без человека речи не идёт (явно назван «decision support»).", "change_depth": "end_to_end_process", "deployment_stage": "pilot", "stage_marker_quote": "«It automatically discovered factually correct, domain-specific supply chain rules that explain the observed production outputs and inventory levels for the tested product value chain» и «The initial simulations showed that evolutionary AI can accurately model large-scale, dynamic supply chains... bringing the model to a level of accuracy not achieved with other approaches and making it actionable for operational use» (то есть на момент публикации ещё не «actionable for operational use»).", "technology_basis": "«AlphaEvolve is an evolutionary coding agent that generates and refines algorithms autonomously.» «AlphaEvolve then generated variations of the code, mutating the logic to see if it could simulate a supply chain that matched the real-world historical data.»", "ai_native_label": "none", "ai_native_rationale": "Публикация Google Cloud о клиентском кейсе BASF, без заявлений об «AI-native» компании или продукте.", "effects": [{"metric": "точность симуляции решений планировщиков (соответствие исторической реальности) относительно исходной seed-модели", "value": "80", "unit": "% относительного улучшения", "baseline": "исходная (seed) модель планирования", "period": "по состоянию на май 2026, «latest AlphaEvolve runs»", "claimed_by": "BASF / Google Cloud (совместная публикация)", "status": "SOURCE_CLAIM", "original_number": "80% relative improvement"}], "outcome": "uncertain", "uncertainty": "Метрика 80% — улучшение относительно примитивной seed-модели, а не сопоставление с прежними (по признанию BASF, провалившимися) детерминированными попытками построить цифровой двойник; не приведены бизнес-метрики (фактическая экономия оборотного капитала, снижение stockout); протестировано на «tested product value chain» (одна товарная цепочка), не на всей сети 180 площадок и 5000+ цепочек; собственные слова источника — модель ещё не «actionable for operational use».", "alternative_explanations": "По словам BASF, несколько предыдущих попыток построить цифровой двойник детерминированными методами провалились; часть улучшения может отражать переход к принципиально иному (эволюционному/агентному) методу моделирования как таковому, а не специфику именно ИИ-агента AlphaEvolve.", "costs_side_effects": "Прямых данных о затратах на проект источник не приводит. Указан факт нескольких предыдущих неудачных попыток (детерминированные модели цифрового двойника) — прямая цитата Dr. Goetz Krabbe, VP global supply chain, BASF: «We had several attempts to build a digital twin for our complex supply network using deterministic models, and all of them failed.»", "transfer_limits": "Результат получен на одной товарной цепочке (product value chain) в рамках BASF Agricultural Solutions с точным трёхлетним историческим набором данных; перенос на весь глобальный портфель BASF (180 площадок, 5000+ цепочек, до 30+ уровней спецификации) — заявленная цель проекта («What's next»), а не достигнутый факт на момент публикации.", "claims": [{"text_ru": "BASF Agricultural Solutions использует AlphaEvolve (Google DeepMind/Google Cloud) для построения цифрового двойника сети поставок и поддержки решений планировщиков по производству и запасам.", "status": "SOURCE_CLAIM", "verification_scope": "факт внедрения/пилота", "source_url": "https://cloud.google.com/blog/products/ai-machine-learning/how-basf-manages-thousands-of-supply-chain-decisions-with-alphaevolve", "locator": "весь текст"}, {"text_ru": "Последние прогоны AlphaEvolve показали более 80% относительного улучшения точности по сравнению с исходной seed-моделью.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта (техническая метрика, не бизнес-результат)", "source_url": "https://cloud.google.com/blog/products/ai-machine-learning/how-basf-manages-thousands-of-supply-chain-decisions-with-alphaevolve", "locator": "раздел «Measuring what good looks like in initial tests»"}, {"text_ru": "До AlphaEvolve BASF предпринимала несколько неудачных попыток построить цифровой двойник сети поставок с помощью детерминированных моделей.", "status": "SOURCE_CLAIM", "verification_scope": "факт прежних неудачных попыток", "source_url": "https://cloud.google.com/blog/products/ai-machine-learning/how-basf-manages-thousands-of-supply-chain-decisions-with-alphaevolve", "locator": "цитата Dr. Goetz Krabbe"}], "sources": [{"url": "https://cloud.google.com/blog/products/ai-machine-learning/how-basf-manages-thousands-of-supply-chain-decisions-with-alphaevolve", "title": "How BASF manages thousands of supply chain decisions with AlphaEvolve's agentic algorithms", "publisher": "Google Cloud Blog", "author": "Benjamin Priese (BASF Agricultural Solutions); Anant Nawalgaria (Google)", "date": "2026-05-07", "type": "company_blog", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-24T22:46:08Z", "file_id": "P15-MFG-2-F05"}]}
{"id": "P15-MFG-2-P03", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["AGENTINFRA", "E2E"], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Проверить после полного разворачивания (ожидался «в новом году», т.е. 2026): появились ли подтверждённые данные о реализованной экономии, а не только прогноз.", "organization": "Dow (Dow Inc.)", "org_type": "действующая компания", "process": "Аудит фрахтовых счетов в цепочке поставок: автоматическое извлечение данных из PDF-счетов и выявление аномалий/переплат с помощью двух ИИ-агентов на базе Microsoft Copilot Studio/Copilot («Freight Agent»)", "period": "Пилот/PoC начат после воркшопа в августе (год явно не указан, из контекста — 2025); полное развёртывание ожидалось «в новом году» на момент публикации", "industry": "химическая промышленность", "function": "логистика / закупки / финансовый контроль цепочки поставок (freight invoice auditing)", "b2b_b2c": "internal", "country": "США (штаб-квартира Dow, Midland, Michigan; область пилота — наземные перевозки Северной Америки)", "country_basis": "«On a sprawling operations floor at Dow headquarters in Midland, Michigan...»; «employees were using the agents to analyze thousands of invoices for outbound land-based shipping in North America»", "before": "«Dow receives 20 percent of its shipping invoices via PDF—more than 100,000 of them a year.» Сотрудники вручную сверяли многостраничные счета с контрактами: «We get these 20-page invoices, and there's often no way to tell if they've already been processed or if we're overpaying» (Tami Sowle, Logistics Operational Excellence Manager, Dow). «realizing we had people manually sifting through invoices, flagging discrepancies that AI could handle faster and without mistakes» (Mike Weideman, Senior IT Director, Dow).", "after": "Построены два агента: (1) автономный агент в Copilot Studio отслеживает входящую почту с PDF-счетами и структурирует данные; сканирует счета на предмет billing inaccuracies и выводит их в дашборд; (2) агент-собеседник в Copilot («Freight Agent») позволяет сотрудникам исследовать аномалии на естественном языке («dialoguing with the data»). За «несколько недель» PoC проанализированы тысячи счетов по наземным перевозкам Северной Америки.", "technologies": ["agent", "GenAI", "RPA_automation"], "human_role": "Сотрудники логистики переходят от ручной построчной сверки счетов к работе с дашбордом аномалий и диалогу с агентом на естественном языке; итоговое решение по счёту — за человеком. «It improves the way we're doing our jobs and are being productive» (Sowle).", "agent_role": "Первый агент — извлечение и структурирование данных из входящих PDF-счетов, обнаружение отклонений (сравнение ожидаемой и фактической стоимости), вывод в дашборд. Второй агент — интерактивный анализ данных по запросам сотрудника на естественном языке.", "authority": "Агент самостоятельно отслеживает почту, извлекает данные и помечает/выводит в дашборд обнаруженные несоответствия; согласно тексту, финальное решение по счёту и дальнейшие действия остаются за сотрудником, который «диалогизирует с данными» через второй агент — автономное исполнение действий (например, оспаривание счёта) не описано.", "change_depth": "operation", "deployment_stage": "pilot", "stage_marker_quote": "«Just a few weeks into the proof-of-concept phase, employees were using the agents to analyze thousands of invoices for outbound land-based shipping in North America, flagging anomalies and highlighting potential savings.» и «The full end-to-end system is expected to roll out in the new year.»", "technology_basis": "«the team built two types of AI agents. The first is an autonomous agent, created in Copilot Studio, that monitors incoming email for attached PDF invoices... employees can use the second agent—a prompt-and-response agent in Copilot that they call the Freight Agent—to investigate further by 'dialoguing with the data' in natural language.»", "ai_native_label": "none", "ai_native_rationale": "Материал — кейс поставщика (Microsoft WorkLab) о клиенте; ни Dow, ни Microsoft не называют Dow «AI-native».", "effects": [{"metric": "объём проверенных данных в PoC (не эффект, а масштаб теста)", "value": "43000", "unit": "отгрузок (8 месяцев данных 2024 года)", "original_number": "43,000 shipments", "baseline": "н/д", "period": "PoC, ~2025", "claimed_by": "Dow/Microsoft (материал поставщика)", "status": "SOURCE_CLAIM"}, {"metric": "пример обнаруженной аномалии (единичный случай из демо, не агрегированный эффект)", "value": "30000 против типовых 5000", "original_number": "$30,000 ... typical rate is $5,000", "unit": "USD (один surcharge; также «charges had spiked tenfold across multiple shipments»)", "baseline": "типовая ставка", "period": "демонстрация PoC", "claimed_by": "Dow/Microsoft", "status": "SOURCE_CLAIM"}, {"metric": "экономия после полного масштабирования в первый год (прогноз/план, не результат)", "value": "millions of dollars (без точной цифры)", "original_number": "\"should result in the company saving millions of dollars in shipping costs\" (should — прогноз)", "unit": "USD, прогноз", "baseline": "текущие расходы на фрахт (Dow тратит «several billion dollars annually» на outbound shipping)", "period": "прогноз на первый год после полного разворачивания", "claimed_by": "Dow (Melanie Kalmar, CIO/CDO) — модальность «should result», прогноз", "status": "SOURCE_CLAIM"}, {"metric": "отраслевой бенчмарк экономии на фрахт-аудите (не показатель Dow)", "value": "3", "unit": "% в среднем по отрасли", "original_number": "\"an average of 3 percent on freight expenses\"", "baseline": "н/д", "period": "общеотраслевая оценка, без указания года/источника", "claimed_by": "\"Industry sources\" (не названы, не Dow)", "status": "UNKNOWN"}], "outcome": "uncertain", "uncertainty": "Реализованная (а не прогнозная) денежная экономия не приведена; фраза «should result in... saving millions» (should — модальность прогноза) относится к ожиданиям после полного разворачивания, которое на момент публикации ещё не завершено («The full end-to-end system is expected to roll out in the new year» — тоже прогноз/план). Отраслевой бенчмарк «в среднем ~3% экономии на фрахте» — общеотраслевая оценка от неназванных «industry sources», не показатель, относящийся к Dow.", "alternative_explanations": "Материал подготовлен Microsoft WorkLab (поставщик технологии) о собственном клиенте — типичный кейс демонстрации успеха партнёра; независимого подтверждения эффекта нет.", "costs_side_effects": "Прямых данных о затратах на внедрение не приведено (кроме факта партнёрства с Microsoft). Отмечена организационная задача: «Introducing AI into a legacy organization as massive as Dow requires education and sometimes a bit of a push. Intentional upskilling and adoption programs are essential—deploying a tool like this is an organizational challenge, not just an IT challenge» (Melanie Kalmar).", "transfer_limits": "Пилот ограничен наземными перевозками Северной Америки; полное распространение на все виды транспорта по всему миру заявлено как план, не как факт на момент публикации материала.", "claims": [{"text_ru": "Dow совместно с Microsoft построила двух ИИ-агентов (Copilot Studio) для автоматизации аудита фрахтовых счетов и уже несколько недель использует их в PoC на данных по наземным перевозкам Северной Америки.", "status": "SOURCE_CLAIM", "verification_scope": "факт пилотного внедрения", "source_url": "https://www.microsoft.com/en-us/worklab/ai-impact-at-dow-copilot-identifies-millions-in-cost-savings", "locator": "середина статьи, раздел про построение Freight Agent"}, {"text_ru": "Компания ожидает после полного масштабирования системы на все виды транспорта экономию в миллионы долларов в первый год.", "status": "HYPOTHESIS", "verification_scope": "прогноз эффекта, не факт", "source_url": "https://www.microsoft.com/en-us/worklab/ai-impact-at-dow-copilot-identifies-millions-in-cost-savings", "locator": "цитата Melanie Kalmar, CIO/CDO Dow"}], "sources": [{"url": "https://www.microsoft.com/en-us/worklab/ai-impact-at-dow-copilot-identifies-millions-in-cost-savings", "title": "AI impact at Dow: Copilot identifies millions in cost savings", "publisher": "Microsoft WorkLab", "author": "unknown", "date": "unknown", "type": "company_blog", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-24T22:38:19Z", "file_id": "P15-MFG-2-F09"}]}
{"id": "P15-MFG-2-P04", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["E2E"], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Проверить, продолжает ли система контроля дефектов работать после банкротства/распродажи активов Northvolt; отделить эффект конкретной практики от общей судьбы компании при дальнейшем использовании кейса.", "organization": "Northvolt (Northvolt AB / гигафабрика Northvolt Ett)", "org_type": "действующая компания", "process": "Контроль качества электродных листов (обнаружение поверхностных дефектов) в производстве батарейных ячеек с помощью машинного зрения и моделей машинного обучения на гигафабрике Northvolt Ett", "period": "Внедрено к ноябрю 2023 (дата публикации собственного материала); компания подала на банкротство в Швеции в конце 2024 — начале 2025", "industry": "производство аккумуляторов для электромобилей", "function": "контроль качества / выход годного (quality control, yield)", "b2b_b2c": "B2B", "country": "Швеция (гигафабрика Northvolt Ett, Шеллефтео, северная Швеция)", "country_basis": "«At Northvolt Ett, our gigafactory in northern Sweden, we have implemented a new solution...»", "before": "«a difficult and time-consuming task performed by operators, requiring them to visually inspect material for various types of defects. Subject to the risk of human error, the time-consuming nature of this task can make it a bottleneck on the production line.»", "after": "«we have implemented a new solution, which couples sensing technology developed in-house by the Machine Vision team with machine learning algorithms developed by the ML algorithms team at Northvolt Labs. ...defects are identified at material processing speeds of up to 50-70 meters/min in electrode coating production and less than a second per sheet in stacking. The defective material is flagged and selected for manual inspection or scrapped... The material deemed perfect bypasses the human control altogether.»", "technologies": ["CV", "predictive_ML"], "human_role": "Операторы прежде вручную проверяли 100% материала; после внедрения — контроль остаётся только за помеченным (дефектным) материалом, годный материал проходит без участия человека. «returning time to our people, and allowing them to do more.»", "agent_role": "Система на скорости линии (50–70 м/мин на нанесении электродов; <1 сек/лист на стекинге) обнаруживает дефекты, помечает дефектный материал для ручной проверки или брака.", "authority": "Система самостоятельно пропускает признанный годным материал без контроля человека («bypasses the human control altogether»); дефектный материал маркируется и направляется на ручную проверку или в брак — в тексте не уточнено, кто (система или человек) принимает финальное решение о списании в брак.", "change_depth": "operation", "deployment_stage": "production", "stage_marker_quote": "«At Northvolt Ett, our gigafactory in northern Sweden, we have implemented a new solution... Using this new technology, defects are identified at material processing speeds of up to 50-70 meters/min in electrode coating production and less than a second per sheet in stacking.»", "technology_basis": "«couples sensing technology developed in-house by the Machine Vision team with machine learning algorithms developed by the ML algorithms team at Northvolt Labs»", "ai_native_label": "none", "ai_native_rationale": "Собственный материал компании описывает применение ML как отраслевую практику («machine learning is emerging as an invaluable asset» across industries), не заявляя Northvolt как «AI-native».", "effects": [{"metric": "скорость встроенного в линию обнаружения дефектов", "value": "50-70 м/мин (нанесение электродов); <1 сек/лист (стекинг)", "unit": "производственная скорость", "baseline": "100% ручной визуальный контроль оператором", "period": "на момент публикации, 30.11.2023", "claimed_by": "Northvolt", "status": "SOURCE_CLAIM", "original_number": "50-70 meters/min; less than a second per sheet"}], "outcome": "mixed", "uncertainty": "Нет количественных данных об итоговом изменении доли брака/выхода годного — эффект описан только в терминах скорости обнаружения дефектов на линии. Независимый источник (eeNews Europe, 15.03.2025) фиксирует, что уже в 2023–2024 Northvolt испытывала производственные срывы на Ett (задержки, невыполнение требований заказчиков) и в конце 2024 — начале 2025 подала на банкротство в Швеции; неясно, как эта конкретная система контроля качества соотносится с этими проблемами — данные о её судьбе после банкротства отсутствуют.", "alternative_explanations": "Крах Northvolt связан независимым источником (eeNews Europe) с падением спроса на электромобили, ценовым давлением азиатских конкурентов, отменой заказов клиентами и задержками на Ett — то есть с рыночными и финансовыми факторами, а не с эффективностью или неэффективностью данной ИИ-практики контроля качества. Нельзя приписывать банкротство компании работе этой конкретной системы.", "costs_side_effects": "Собственный материал Northvolt не упоминает затрат на внедрение. Независимый источник фиксирует последующий финансовый крах компании: чистый убыток $1,2 млрд в 2023 году, экстренное bridge-финансирование $154 млн (август 2024), обращение к Chapter 11 в США, банкротство в Швеции с $30 млн доступных денежных средств (хватало на неделю операций) — как общий фон, в котором работала описанная практика, а не как её прямое следствие.", "transfer_limits": "Результат описан для одной операции (инспекция электродных листов) на одной гигафабрике по состоянию до финансового краха компании; перенос на другие площадки Northvolt или сохранение практики после реструктуризации и распродажи активов источниками не подтверждены.", "claims": [{"text_ru": "Northvolt внедрила на гигафабрике Northvolt Ett систему контроля качества электродных листов на основе машинного зрения и ML, заменившую полностью ручную визуальную инспекцию.", "status": "SOURCE_CLAIM", "verification_scope": "факт внедрения и изменение процесса", "source_url": "https://northvolt.com/articles/northvolt-machine-learning/", "locator": "раздел «Machine learning in practice»"}, {"text_ru": "Northvolt подала на банкротство в Швеции в конце 2024 — начале 2025 года после чистого убытка $1,2 млрд в 2023 году, срывов производства на Ett и провала попытки Chapter 11-финансирования на $230 млн (реально осталось $30 млн, хватало на неделю).", "status": "SOURCE_CLAIM", "verification_scope": "факт банкротства и его финансовые обстоятельства", "source_url": "https://www.eenewseurope.com/en/the-sunset-of-northvolt/", "locator": "разделы о финансовом крахе и «Winding down»"}, {"text_ru": "Совмещение в этой карточке двух фактов — работающей в 2023 году практики контроля качества и последующего банкротства компании в 2024-2025 — авторская компоновка для иллюстрации разрыва между локальным техническим результатом и общей финансовой судьбой компании; сами источники (Northvolt и eeNews Europe) не связывают эти события причинно друг с другом.", "status": "HYPOTHESIS", "verification_scope": "интерпретация/компоновка автора карточки, не факт из источника", "source_url": "https://northvolt.com/articles/northvolt-machine-learning/", "locator": "сведение материалов F11 и F04 автором карточки"}], "sources": [{"url": "https://northvolt.com/articles/northvolt-machine-learning/", "title": "Northvolt's embrace of machine learning", "publisher": "Northvolt AB", "author": "Northvolt (без указания конкретного автора)", "date": "2023-11-30", "type": "company_blog", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-24T22:36:40Z", "file_id": "P15-MFG-2-F11"}, {"url": "https://www.eenewseurope.com/en/the-sunset-of-northvolt/", "title": "The sunset of Northvolt", "publisher": "eeNews Europe", "author": "Nick Flaherty", "date": "2025-03-15", "type": "media", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-24T22:40:40Z", "file_id": "P15-MFG-2-F04"}]}
{"id": "P15-MFG-2-P05", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "MFG", "tags": ["E2E"], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Не использовать эту карточку как доказательство эффекта ИИ — это показатель программы реструктуризации в целом (сокращения, закрытия активов, снабжение), где ИИ/автоматизация назван лишь одним из элементов без отдельной метрики. Отслеживать дальнейшие публикации о конкретных ИИ-системах в рамках Transform to Outperform.", "organization": "Dow (Dow Inc.)", "org_type": "действующая компания", "process": "Программа реструктуризации операционной модели «Transform to Outperform»: сокращение штата, закрытие части активов (в т.ч. в Европе), пересмотр снабжения и логистики, заявленное использование автоматизации и ИИ в сквозных процессах — как часть общего плана экономии $2 млрд EBITDA", "period": "Объявлено 29-30 января 2026; строится поверх более раннего плана на $1 млрд (объявлен ранее, ~1500 увольнений), расширенного до цели $6 млрд в апреле 2025", "industry": "химическая промышленность", "function": "операционная модель компании в целом (реструктуризация снабжения, логистики, обслуживания клиентов, сокращение штата)", "b2b_b2c": "B2B", "country": "США (штаб-квартира Midland, Michigan); часть закрываемых активов — в Европе, включая завод в Barry, Великобритания", "country_basis": "«Dow's other cost-saving efforts in 2025 include progressing its plans to shutter higher-cost upstream assets, including three in Europe... The company will begin profiting from the shutdown of its basic siloxanes capacity in Barry, UK, by mid-2026.»", "before": "unknown в деталях — источник не описывает исходные бизнес-процессы до программы; известен только финансовый и организационный контекст: более ранний план экономии $1 млрд (~1500 увольнений, объявлен ранее), расширенный в апреле 2025 до цели $6 млрд.", "after": "Объявлена новая программа «Transform to Outperform»: сокращение штата на 4500 человек, затраты на реализацию $1,1–1,5 млрд (включая до $800 млн на выходные пособия), цель — ближайшее улучшение EBITDA на $2 млрд. «The company intends to adopt 'new ways of working,' Carter said. This includes using automation and artificial intelligence throughout its end-to-end processes, which Dow expects will result in lower costs and improved efficiency across the company» (COO Karen Carter, модальность «expects» — прогноз/план, не результат).", "technologies": ["other"], "human_role": "Сокращение штата на 4500 человек в рамках программы; источник не детализирует, какие именно роли и функции трансформируются или замещаются ИИ/автоматизацией — формулировка на уровне намерения («new ways of working»), без описания конкретного процесса или должности.", "agent_role": "unknown — конкретная система, агент или ИИ-инструмент не назван; упоминание «automation and artificial intelligence» остаётся на уровне общего намерения программы.", "authority": "unknown", "change_depth": "operating_model", "deployment_stage": "plan", "stage_marker_quote": "«Chemical manufacturer Dow announced on Thursday the launch of a cost-savings program...» «The company intends to adopt 'new ways of working,' Carter said. This includes using automation and artificial intelligence throughout its end-to-end processes, which Dow expects will result in lower costs and improved efficiency across the company.»", "technology_basis": "Источник называет только обобщённо «automation and artificial intelligence» и «rapid advances in AI and automation» (цитата CEO James Fitterling) — без указания конкретной технологии (GenAI/agent/predictive_ML и т.п.), поэтому технология не детализируется точнее «other».", "ai_native_label": "none", "ai_native_rationale": "Источник не называет Dow или программу «AI-native»; ИИ упомянут как один из инструментов более широкой реструктуризации.", "effects": [{"metric": "сокращение штата (показатель программы Transform to Outperform в целом, не изолированный эффект ИИ)", "value": "4500", "unit": "сотрудников", "original_number": "4,500 employees", "baseline": "текущий штат Dow", "period": "программа объявлена 29-30.01.2026", "claimed_by": "Dow (пресс-релиз/earnings call, приведено по изложению Manufacturing Dive)", "status": "SOURCE_CLAIM"}, {"metric": "цель по улучшению EBITDA (near-term; показатель всей программы, включая закрытия активов и сокращения — не только ИИ) — модальность «achieve», план/цель", "value": "2", "unit": "млрд $ near-term EBITDA improvement", "original_number": "$2 billion", "baseline": "текущий EBITDA", "period": "цель программы, объявлена янв. 2026", "claimed_by": "Dow", "status": "SOURCE_CLAIM"}, {"metric": "затраты на реализацию программы (включая выходные пособия; показатель программы в целом)", "value": "1.1-1.5", "unit": "млрд $ (включая до $800 млн на выходные пособия)", "original_number": "$1.1 billion to $1.5 billion ... including up to $800 million on severance", "baseline": "н/д", "period": "оценка на момент объявления, янв. 2026", "claimed_by": "Dow (COO Karen Carter, earnings call 29.01.2026)", "status": "SOURCE_CLAIM"}, {"metric": "чистый убыток компании за 2025 год (финансовый показатель компании целиком, не связан напрямую с ИИ)", "value": "2.4", "unit": "млрд $ (рост ~304% г/г)", "original_number": "net income losses jumped nearly 304% year over year to $2.4 billion", "baseline": "чистый убыток за 2024 год", "period": "полный 2025 год", "claimed_by": "Dow (данные отчётности, по изложению Manufacturing Dive)", "status": "SOURCE_CLAIM"}], "outcome": "mixed", "uncertainty": "Все количественные показатели (сокращение штата, целевая EBITDA, стоимость реализации, чистый убыток) относятся к программе реструктуризации Dow в целом (закрытие активов, сокращения, пересмотр снабжения) — источник не приводит отдельной метрики, которую можно было бы приписать именно ИИ/автоматизации; фраза об ИИ («automation and artificial intelligence throughout its end-to-end processes») — заявление о намерении (модальность «intends», «expects»), а не описанный факт внедрения конкретной системы. Показатель EBITDA — целевой (модальность «to achieve»), не отчётный результат программы.", "alternative_explanations": "Финансовые трудности Dow (падение чистых продаж на 7% до ~$40 млрд, рост чистых убытков до $2,4 млрд, падение продаж в Q4 на 9,1%) источник объясняет геополитикой, торговыми конфликтами и рыночными условиями, а не эффективностью или неэффективностью ИИ. Сокращения и закрытия активов — самостоятельные меры реструктуризации; ИИ упомянут в числе элементов «новых способов работы», но без отдельного измеримого вклада.", "costs_side_effects": "Сокращение 4500 рабочих мест; затраты на реализацию $1,1–1,5 млрд (включая до $800 млн на выходные пособия); программа — уже вторая-третья волна сокращений с 2025 года (более ранний план $1 млрд/~1500 увольнений, затем расширенный до $6 млрд в апреле 2025); закрытие части активов, включая три в Европе (в т.ч. Barry, Великобритания, к середине 2026).", "transfer_limits": "Заявление корпоративного уровня о намерении использовать ИИ «throughout end-to-end processes» — без конкретики по системам, функциям или площадкам; нельзя переносить как практику конкретного процесса — это скорее сигнал риторики операционной модели на фоне масштабных сокращений и финансовых трудностей.", "claims": [{"text_ru": "Dow объявила программу реструктуризации «Transform to Outperform»: сокращение штата на 4500 человек и затраты на реализацию $1,1–1,5 млрд, с целью ближайшего улучшения EBITDA на $2 млрд.", "status": "SOURCE_CLAIM", "verification_scope": "факт объявления программы и её финансовые параметры", "source_url": "https://www.manufacturingdive.com/news/dow-q4-2025-job-layoffs-ai-transform-outperform-cost-savings-program/810878/", "locator": "Dive Brief"}, {"text_ru": "COO Dow Карен Картер заявила, что компания намерена использовать автоматизацию и ИИ в сквозных процессах, что, как ожидается, снизит издержки и повысит эффективность.", "status": "SOURCE_CLAIM", "verification_scope": "заявление о намерении/прогноз, не факт внедрения конкретной системы", "source_url": "https://www.manufacturingdive.com/news/dow-q4-2025-job-layoffs-ai-transform-outperform-cost-savings-program/810878/", "locator": "раздел «Dive Insight», цитата Karen Carter"}, {"text_ru": "Чистая прибыль Dow за 2025 год ушла в убыток $2,4 млрд (рост убытка почти на 304% г/г) при падении чистых продаж на ~7% до ~$40 млрд.", "status": "SOURCE_CLAIM", "verification_scope": "финансовые показатели компании за период, не эффект конкретной ИИ-практики", "source_url": "https://www.manufacturingdive.com/news/dow-q4-2025-job-layoffs-ai-transform-outperform-cost-savings-program/810878/", "locator": "раздел «Dive Insight»"}], "sources": [{"url": "https://www.manufacturingdive.com/news/dow-q4-2025-job-layoffs-ai-transform-outperform-cost-savings-program/810878/", "title": "Dow to cut 4,500 jobs as part of $2B savings plan", "publisher": "Manufacturing Dive (Informa TechTarget)", "author": "Sara Samora", "date": "2026-01-30", "type": "media", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-24T22:38:21Z", "file_id": "P15-MFG-2-F07"}]}
{"id": "P15-MFG-2-P06", "record_kind": "practice", "novelty": "updated", "prior_id": "IND-MANUFACTURING-CASE-001", "stream_primary": "MFG", "tags": ["AGENTINFRA", "E2E"], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Координатору: сверить с карточкой IND-MANUFACTURING-CASE-001 (Bosch Shopfloor Agent — диагностика остановок оборудования) на предмет слияния/разграничения. Эта карточка описывает другой набор процессов той же программы Bosch×Microsoft Manufacturing Co-Intelligence (компьютерное зрение для контроля качества, оптимизация цикла запуска линий, предиктивное обслуживание, GenAI-запросы к данным) с количественными метриками по конкретным заводам (Hildesheim, Stuttgart-Feuerbach) — возможно иное фактическое наполнение, чем в прежней карточке про диагностику простоев.", "organization": "Robert Bosch GmbH (Bosch)", "org_type": "действующая компания", "process": "Применение ИИ на производственных линиях примерно 50 заводов Bosch по всему миру: компьютерное зрение для контроля качества («zero-defect production»), оптимизация времени цикла при запуске новых линий, предиктивное обслуживание оборудования, генеративный ИИ для анализа производственных данных на естественном языке; с CES 2026 — открытие совместной с Microsoft платформы «Manufacturing Co-Intelligence» для внешних компаний", "period": "Цель «к 2025 году каждый продукт Bosch либо с поддержкой ИИ, либо произведён с помощью ИИ» (заявление компании); GenAI в производстве — с 2024 года; платформа для внешних компаний анонсирована на CES 2026 (январь 2026), открытие внешним компаниям — с осени 2025 (по формулировке статьи); статья опубликована 6 апреля 2026", "industry": "промышленное производство (многоотраслевой концерн; автокомпоненты и др.)", "function": "контроль качества, предиктивное обслуживание оборудования, оптимизация запуска производственных линий, аналитика производственных данных", "b2b_b2c": "internal (для собственных 50 заводов); B2B2C/B2B — платформа, открытая для внешних компаний с осени 2025", "country": "Германия (упомянутые заводы: Hildesheim, Stuttgart-Feuerbach); масштаб — около 50 заводов Bosch по всему миру", "country_basis": "«cycle times for new lines in Hildesheim dropped by 15 percent, and component inspection in Stuttgart-Feuerbach fell from three and a half to three minutes»; «Around 50 Bosch plants worldwide are already using AI in production»", "before": "«Rising quality requirements from automakers, shorter product life cycles, and a shortage of skilled workers in manufacturing made the previous approach – manual inspection, experience-based optimization, reactive maintenance – increasingly uneconomical.» В Hildesheim: «Instead of manually adjusting parameters for weeks» (ручная настройка параметров новых линий в течение недель). В Stuttgart-Feuerbach: компонентная инспекция выполнялась медленнее (3,5 минуты) человеком-инспектором.", "after": "Компьютерное зрение в Stuttgart-Feuerbach: инспекция компонента сократилась с 3,5 до 3 минут при более высокой (не оцифрованной в статье) точности обнаружения дефектов. В Hildesheim: ИИ анализирует данные новых линий при запуске и автоматически оптимизирует параметры вместо ручной настройки — время цикла запуска сократилось на 15%. Предиктивное обслуживание: датчики + ИИ прогнозируют отказы оборудования, снижая внеплановые простои. С 2024 года — генеративный ИИ отвечает на вопросы о производственных данных на естественном языке. С CES 2026 — платформа «Manufacturing Co-Intelligence» (Bosch + Microsoft), которая «enables agent-based manufacturing – i.e., autonomous AI systems that independently control and optimize production processes»; с осени 2025 доступна внешним компаниям для создания собственных мультиагентных систем без глубоких навыков программирования.", "technologies": ["CV", "predictive_ML", "GenAI", "agent"], "human_role": "Источник (в редакционном комментарии издания, не как прямая цитата Bosch) формулирует общий тезис отрасли: «AI takes over routine inspections – inspectors become data analysts and process optimizers. This pattern is repeated throughout the industry: AI doesn't replace humans but changes their tasks» — это интерпретация издания MyBusinessFuture, а не прямое заявление Bosch; прямых данных Bosch о трансформации ролей персонала на конкретных заводах текст не приводит.", "agent_role": "Компьютерное зрение инспектирует каждый компонент; предиктивные модели анализируют данные датчиков и прогнозируют отказы; GenAI отвечает на запросы о данных станков на естественном языке; в рамках Manufacturing Co-Intelligence заявлены «autonomous AI systems that independently control and optimize production processes» — агентная платформа.", "authority": "Для контроля качества, оптимизации цикла и предиктивного обслуживания источник описывает системы как обнаруживающие/рекомендующие (decision support), не упоминая самостоятельного исполнения действий без человека. Для платформы Manufacturing Co-Intelligence источник прямо цитирует формулировку «autonomous AI systems that independently control and optimize production processes» — то есть заявлена более высокая автономия именно для новой агентной платформы; как это реализовано на практике на конкретных линиях, в статье не детализировано.", "change_depth": "operation", "deployment_stage": "production", "stage_marker_quote": "«Around 50 Bosch plants worldwide are already using AI in production — with over 2,000 production lines are networked» и «~50 plants are already using AI in production – with over 2,000 connected lines worldwide (Source: Bosch Media Service, 2025).» Для внешней платформы: «From fall 2025, companies will be able to create their own multi-agent systems – without deep programming knowledge» (для внешних компаний — более новая, менее подтверждённая часть).", "technology_basis": "«Quality Control through Computer Vision: In Stuttgart-Feuerbach, AI-based image processing inspects components...»; «Predictive Maintenance: Sensors on critical machine components capture vibration, temperature, and performance data in real-time. AI models detect deviations...»; «Generative AI in Production: Since 2024, Bosch has also been using generative AI... Maintenance teams can ask questions about machine data in natural language»; «[Manufacturing Co-Intelligence]... enables agent-based manufacturing – i.e., autonomous AI systems that independently control and optimize production processes.»", "ai_native_label": "none", "ai_native_rationale": "Издание называет подход Bosch «role model», «not spectacular... systematic», но не использует термин «AI-native» ни само издание, ни (по тексту) сам Bosch.", "effects": [{"metric": "сокращение времени запуска (ramp-up) новых линий", "value": "15", "unit": "%", "original_number": "15 percent", "baseline": "ручная настройка параметров в течение недель", "period": "завод Hildesheim, данные Bosch за 2025", "claimed_by": "Bosch (Bosch, 2025) — пресс-релиз/данные компании, пересказанные изданием MyBusinessFuture; не независимая верификация", "status": "SOURCE_CLAIM"}, {"metric": "время инспекции компонента", "value": "с 3.5 до 3", "unit": "минут", "original_number": "reduced from three and a half to three minutes", "baseline": "3,5 минуты", "period": "завод Stuttgart-Feuerbach, данные Bosch Media Service", "claimed_by": "Bosch Media Service — пересказано изданием MyBusinessFuture; не независимая верификация", "status": "SOURCE_CLAIM"}, {"metric": "число заводов и линий, использующих ИИ в производстве", "value": "~50 заводов / 2000+ линий", "unit": "заводов / производственных линий", "original_number": "~50 plants ... over 2,000 connected lines worldwide", "baseline": "н/д", "period": "2025 (Bosch Media Service, 2025)", "claimed_by": "Bosch Media Service — пересказано изданием MyBusinessFuture", "status": "SOURCE_CLAIM"}], "outcome": "success", "uncertainty": "Все количественные показатели восходят к самим Bosch (Bosch Media Service / пресс-релизы Bosch, в т.ч. CES 2026), пересказанным вторичным изданием MyBusinessFuture (Evernine Media, DACH-журнал для среднего бизнеса) — это не независимая верификация, а пересказ пресс-релиза компании через СМИ. Не указано числовое значение «более высокой точности обнаружения ошибок» на Stuttgart-Feuerbach. Неясно, насколько формулировка «autonomous AI systems that independently control and optimize production processes» (платформа Manufacturing Co-Intelligence) отражает реально работающую автономию на практике, а не заявленную возможность платформы.", "alternative_explanations": "Сокращение времени инспекции и цикла запуска может частично объясняться и другими факторами модернизации линий (новое оборудование, стандартизация данных, которую сам источник называет необходимым предварительным шагом: «Bosch had to standardize and network its production data before AI models could be trained»), которые в статье не отделены от эффекта собственно ИИ.", "costs_side_effects": "Статья приводит ориентировочную стоимость пилота предиктивного обслуживания для среднего бизнеса (30 000–80 000 € на одну линию, включая датчики, интеграцию данных и обучение модели) — это оценка для внешних компаний-клиентов платформы, а не фактические затраты самого Bosch на его 50 заводов. Данных о численности персонала, задачах, вытесненных ИИ, о подрядчиках или скрытом труде на самих заводах Bosch источник не приводит, за исключением общей (не атрибутированной Bosch напрямую) формулировки издания об изменении роли инспекторов.", "transfer_limits": "Количественные оценки касаются двух конкретных заводов (Hildesheim — цикл запуска линии; Stuttgart-Feuerbach — инспекция компонента); прямой перенос этих цифр на все ~50 заводов Bosch или на предприятия среднего размера (аудитория статьи) источником не подтверждён количественно, хотя статья прямо адресована такой аудитории.", "claims": [{"text_ru": "Около 50 заводов Bosch по всему миру уже используют ИИ в производстве, с более чем 2000 подключённых производственных линий.", "status": "SOURCE_CLAIM", "verification_scope": "масштаб внедрения", "source_url": "https://mybusinessfuture.com/en/bosch-ai-zero-defect-production/", "locator": "Key Takeaways; врезка «Source: Bosch Media Service, 2025»"}, {"text_ru": "На заводе Hildesheim применение ИИ для анализа данных при запуске новых линий сократило время цикла запуска на 15%.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта на конкретном заводе", "source_url": "https://mybusinessfuture.com/en/bosch-ai-zero-defect-production/", "locator": "раздел «Cycle Time Optimization during Line Ramp-up»"}, {"text_ru": "На заводе Stuttgart-Feuerbach компьютерное зрение сократило время инспекции компонента с 3,5 до 3 минут.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта на конкретном заводе", "source_url": "https://mybusinessfuture.com/en/bosch-ai-zero-defect-production/", "locator": "раздел «Quality Control through Computer Vision»"}, {"text_ru": "С CES 2026 Bosch и Microsoft открывают платформу «Manufacturing Co-Intelligence» внешним компаниям для создания собственных мультиагентных систем без глубоких навыков программирования (с осени 2025).", "status": "SOURCE_CLAIM", "verification_scope": "факт анонса и заявленная функциональность платформы", "source_url": "https://mybusinessfuture.com/en/bosch-ai-zero-defect-production/", "locator": "раздел «CES 2026: Bosch Opens its AI Platform»"}, {"text_ru": "Утверждение «AI takes over routine inspections – inspectors become data analysts and process optimizers» — обобщение издания MyBusinessFuture об отрасли в целом, а не прямая цитата или отчётность Bosch по своим заводам.", "status": "HYPOTHESIS", "verification_scope": "атрибуция: интерпретация издания, не заявление компании", "source_url": "https://mybusinessfuture.com/en/bosch-ai-zero-defect-production/", "locator": "раздел «What Mid-Sized Businesses Can Learn from Bosch», пункт 4"}], "sources": [{"url": "https://mybusinessfuture.com/en/bosch-ai-zero-defect-production/", "title": "Bosch: How AI Drives Zero-Defect Production Across 50 Plants", "publisher": "MyBusinessFuture (Evernine Media GmbH)", "author": "Adrian Garcia-Kunz", "date": "2026-04-06", "type": "media", "locator": "весь текст", "reading_scope": "full_text", "accessed_at": "2026-09-24T22:36:39Z", "file_id": "P15-MFG-2-F10"}]}