Производство: карта практики ИИ — от диспетчеризации до выхода годного

Главное. На 21 практике и четырёх подходах к организации производства (реестр итерации 2, поток MFG) видно, что машинное зрение и предиктивная аналитика в контроле качества, диагностике оборудования и оптимизации процессов — уже рутина эксплуатации на металлургических, химических и электронных заводах России, Китая, Японии и Европы; генеративный ИИ и агенты только входят в диспетчеризацию, обслуживание и планирование цепочки поставок, почти везде на стадии пилота, R&D или заявленного намерения. Количественный эффект почти всегда — самоотчёт компании или вендора: независимо подтверждённых цифр по производству в этой карте нет. Показательна пара случаев одной отрасли: система контроля качества Northvolt работала в 2023 году, а сама компания обанкротилась в 2025-м (I2-PR-0054): технический успех и судьба компании не совпадают. Индия в этой карте не представлена ни одним производственным кейсом — открытый пробел. Ниже: карта процесса, таблица практик, пять показательных случаев, региональное сравнение и то, что из этого следует для руководителя.

Карта процесса: от диспетчеризации до выхода годного

Мы разложили практику по шести точкам цепочки, которые задал бриф: планирование и диспетчеризация → контроль качества → обслуживание оборудования → энергия → запасы/S&OP → выход годного и безопасность. В каждой точке — своя зрелость.

Планирование и диспетчеризация. Здесь давно работает оптимизация (LP, эвристики) и всё активнее — ИИ поверх неё. В промышленной эксплуатации: единая система оптимизационного планирования по технологической цепочке на ММК с 2023 года (I2-PR-0029) и MOM-диспетчер «工厂大脑» на «маячном» заводе SANY, где резка металла передана AI-роботам с 3D-зрением (I2-PR-0036). BOE заявляет AI-планирование производства (排产) на нескольких заводах дисплеев, но без цифр эффекта (I2-PR-0035). На стадии R&D — научная работа Университета Цинхуа, где LLM-агент анализирует трассы симуляции и сам генерирует код правил диспетчеризации AGV, обгоняя MILP- и rule-based-политики на 100 синтетических сценариях (I2-SCI-0012); обзорная работа по LLM для исследования операций честно фиксирует потолок: точность LLM на сложных задачах планирования часто ниже 50%, бенчмарки в основном учебные, а не промышленные (I2-SCI-0015).

Контроль качества. Самый зрелый участок: компьютерное зрение инспектирует детали у Toyota (I2-PR-0009), шины у Michelin через систему IRIS (I2-PR-0012), полосу проката на ММК (I2-PR-0029), конвейерные ленты и сепараторы на НЛМК (I2-PR-0030), элементы аккумуляторов CATL с целевой скоростью ≥400 кадров/сек (I2-PR-0034), внешний вид холодильников на заводе Haier в Шанхэ с ростом точности с 0,5 до 0,1 мм (I2-PR-0032), компоненты Bosch на заводе Штутгарт-Фойербах со снижением времени инспекции с 3,5 до 3 минут (I2-PR-0056) и электродные листы Northvolt на скорости до 50–70 м/мин (I2-PR-0054). Это операция, а не сквозной процесс: почти везде «финальное решение остаётся за оператором» (дословно про Michelin, I2-PR-0012). GenAI здесь почти не встречается — исключение частичное: BOE заявляет, что AI-система управления дефектами «самостоятельно выполняет подавляющее большинство работы по контролю качества» (I2-PR-0035, без цифр).

Обслуживание оборудования. Здесь виден настоящий сдвиг от предиктивного ML к диалоговым GenAI-агентам. Классика — предиктивные модели: Норникель прогнозирует состояние мельницы на 5–15 минут вперёд с точностью 80% (I2-PR-0028); научная работа предлагает модель-фундамент для диагностики неисправностей по вибросигналам разной частоты дискретизации (99,2% точности на лабораторном датасете CWRU), но она не улучшает прогноз остаточного ресурса оборудования (I2-SCI-0011). Новое — GenAI-ассистенты: агент GearPal у Toyota в Северной Америке, по данным LangChain, сокращает диагностику поломки с 5–6 часов до 2–3 минут (I2-PR-0010, вендорский источник); PlantGPT у BASF на заводе в Джисмаре — цифровой ассистент для операторов и инженеров без единой количественной метрики (I2-PR-0051, стадия: ограниченная эксплуатация). Научная работа ConMem показывает вариант «человек в контуре»: 15-дневное полевое испытание на действующем сталелитейном заводе в Китае дало recall 78,7% против 53% у порогового метода, с предупреждением в среднем за 12 дней до планового осмотра. Правда, соавтор статьи работает на этом же заводе, и авторы прямо называют систему инструментом приоритизации для инспектора, а не заменой осмотра (I2-SCI-0013).

Энергия. Отдельной практики по энергетике предприятий в реестре MFG нет — это подтверждённый пробел (см. ниже). Единственный след — заявление белой книги «фабрик-маяков»: такие заводы вкладывают в людей, процессы и тиражирование решений примерно в четыре раза больше, чем в саму технологию (пропорция 2:3:5), тогда как у обычных предприятий это соотношение — лишь 1–2 к 1 (I2-OA-24) и упоминание экономии свыше 300 万 юаней (≈3 млн) в год на электроэнергии на заводе SANY — из источника пониженной надёжности (блог организатора экскурсий, не первичный источник компании) (I2-PR-0036).

Запасы и S&OP. Здесь больше всего разрыва между амбицией и практикой. BASF Agricultural Solutions строит цифровой двойник сети из 180 площадок с агентом AlphaEvolve (Google DeepMind): более 80% относительного улучшения точности по сравнению с примитивной seed-моделью, но только на одной тестовой товарной цепочке и явно «пока не готово к операционному использованию». При этом BASF прямо признаёт, что несколько прежних попыток построить такой двойник детерминированными методами провалились (I2-PR-0052). Dow тестирует двух ИИ-агентов для аудита фрахтовых счетов: за несколько недель PoC проверены 43 000 отгрузок, найдена аномалия $30 тыс. против типовых $5 тыс., но «экономия в миллионы долларов» — лишь прогноз на будущее (I2-PR-0053). Научная работа о генеративном планировании цепочки поставок JD.com — редкий случай реальной эксплуатации с декабря 2023 года, но статья сама себе противоречит дважды: в одном разделе заявлено сокращение времени обработки данных на «примерно 40%», в другом детально описано, что сокращается лишь часть 120-минутного недельного цикла, а час анализа сохраняется как сессия с агентом; рост выполнения заказов назван и «на 2%», и «на 2–3%» (I2-SCI-0014). Лабораторный эксперимент с LLM-переговорщиками по контрактам «количество-платёж» показывает: соглашение достигается в 98,9% случаев, но задержка в переговорах съедает 21–34% выигрыша, а слабые модели принимают невыгодные условия в 19,2% случаев против 0–0,6% у топовых; выбор вендора модели предсказывает, кому достанется выгода, сильнее, чем её возможности (I2-SCI-0037).

Выход годного и безопасность. Северсталь предлагает (как продукт, не обязательно только для себя) CV-контроль утечек коксового газа, СИЗ и опасных зон — без указания стадии внедрения и эффекта именно этих решений (I2-PR-0027). У Норникеля на Талнахской фабрике переработка выросла на 1,3%, критические превышения мощности мельницы сократились в 4 раза, доля времени в целевом диапазоне — с 49% до 83% (I2-PR-0028). POSCO уже установила робота удаления примесей на заводе Кванъян и роботов бэндинга на Пхохане, но цель довести автоматизацию грейферов до 80% — это заявленная исследовательская цель, а не результат, и обнаружение дефектов слябов явно названо стадией R&D (I2-PR-0011).

Практики: сводная таблица

Организация	Страна	Процесс	Технология	Стадия	Заявленный эффект (кто заявил)	Исход	ID
Toyota Motor Corporation	Япония	Self-service CV/ML-платформа контроля качества, 10 заводов	CV, predictive ML	эксплуатация	−20% времени создания модели (после GKE Image Streaming); >10 000 чел.-часов/год; ~10 000 моделей — Toyota/Google Cloud	success (вендорский блог)	I2-PR-0009
Toyota Motor North America	США	Агент GearPal — диагностика поломок оборудования	GenAI, agent	эксплуатация (маркер стадии — косвенный)	диагностика: 5–6 ч → 2–3 мин; развёртывание нового агента: 6 мес/6 инж. → 4 дня/1 инж. — Toyota/LangChain	success (вендорский блог)	I2-PR-0010
POSCO / POSCO DX	Юж. Корея	Роботизация кранов, грейферов, дефектоскопия слябов, автономные вагоны-тележки	CV, NLP, прочее	смешанная: экспл. (дросс-робот, бэндинг) / тест / R&D / план на 2П 2026	цель 80% автоматизации грейферов — заявленная цель, не факт; эффект уже установленных роботов не приведён	uncertain	I2-PR-0011
Michelin	не указана	IRIS — CV-контроль дефектов шин	CV	эксплуатация	эффект не приведён (>200 AI-кейсов компании в целом) — Michelin/MIT Sloan	unknown	I2-PR-0012
Северсталь (Северсталь Диджитал)	Россия	CV: утечки коксового газа, СИЗ, опасные зоны	CV	unknown	не приведён (агрегат >2 млрд руб./год относится ко всему цифровому портфелю)	unknown	I2-PR-0027
Норникель	Россия	Predictive ML + CV: флотация и измельчение, Талнахская фабрика	predictive ML, CV, optimization	эксплуатация (с 2020)	извлечение металлов +0,7–1% / +0,5–1%; переработка +1,3%; перегрузки мельницы ×4 меньше; целевой диапазон 49%→83%; вертикаль инноваций +1,5% EBITDA — Норникель (2 интервью)	success (самоотчёт)	I2-PR-0028
ММК	Россия	Оптимизационное планирование (LP+ML), качество кокса (DS), CV качества полосы	optimization, predictive ML, CV	эксплуатация (1–2 системы с 2023–2024)	эффект не приведён	uncertain	I2-PR-0029
НЛМК	Россия	CV: конвейерные ленты, сепарация руды	CV	эксплуатация (по формулировкам)	«выше»/«меньше» без цифр — НЛМК	uncertain	I2-PR-0030
Food Union / «Шин-Лайн»	Россия	ИИ-подбор сочетаний вкусов (хроматография+масс-спектрометрия) с Puratos	прочее	эксплуатация (выпущен продукт)	срок разработки 6→2 мес. — Food Union	success (1 пример)	I2-PR-0031
Haier (завод Шанхэ)	Китай	Гибкая сборка + CV качества + диагностика оборудования (COSMOPlat/天智)	CV, GenAI, predictive ML	эксплуатация (с дек. 2023)	+30% эффективности наклейки этикеток; точность 0,5→0,1 мм; потенциал (не факт): ремонт −3/4, обучение −9/10 стоимости — COSMOPlat/журналист	success (для CV-части завода)	I2-PR-0032
Baosteel (宝钢股份)	Китай	Большая модель прогноза уширения металла на стане 1880	predictive ML	эксплуатация (3 линии)	точность 78%→83% (факт); >10 млн юаней/год — прогноз; >100 млн юаней/год — оценка по расчётам	uncertain	I2-PR-0033
CATL	Китай	CV+DL+ML детекция дефектов аккумуляторов (облако-край-устройство), с Intel	CV, predictive ML	эксплуатация	≥400 кадров/сек, «нулевой пропуск» — достигнуты при тестовой проверке — CATL/Intel	success (совместный вендорский кейс)	I2-PR-0034
BOE	Китай	«AI工厂»: планирование, дефекты, выход годных, предиктивное обслуживание	GenAI, predictive ML	эксплуатация (неск. заводов)	«существенно» без цифр — BOE	uncertain	I2-PR-0035
SANY (завод №18)	Китай	3D CV резка/сортировка металла + MOM-диспетчеризация «工厂大脑»	CV, optimization, RPA	эксплуатация (WEF Lighthouse, 2022)	мощность +123%, эффективность персонала +98%, точность 1 мм, цикл −60%, автоматизация 76% — SANY	success (пресс-релиз + блог-2025)	I2-PR-0036
BASF Intermediates	США	PlantGPT — GenAI-ассистент операторов/инженеров завода Джисмар	GenAI	огранич. эксплуатация	эффект не приведён	unknown	I2-PR-0051
BASF Agricultural Solutions	Германия (сеть 180 площадок)	Цифровой двойник сети поставок, агент AlphaEvolve (Google)	agent, optimization	R&D	>80% относит. улучшения к seed-модели, 1 тестовая цепочка; «пока не готово к операционному использованию» — BASF/Google	uncertain	I2-PR-0052
Dow	США	Агенты аудита фрахтовых счетов (Copilot Studio)	agent, GenAI, RPA	пилот (PoC)	PoC: 43 000 отгрузок; пример аномалии $30 тыс. vs $5 тыс.; «экономия млн $» — прогноз	uncertain	I2-PR-0053
Northvolt	Швеция	CV+ML контроль качества электродных листов, гигафабрика Ett	CV, predictive ML	эксплуатация (до банкротства)	скорость обнаружения до 50–70 м/мин; брак/задержка — без цифр	uncertain (компания обанкротилась 2025)	I2-PR-0054
Dow	США/Европа	«Transform to Outperform» — реструктуризация с заявленным намерением внедрять ИИ	прочее (намерение)	план	объявленные цели программы — сокращение 4500 рабочих мест и +$2 млрд EBITDA (к ИИ не отнесены); убыток 2025 г. $2,4 млрд (+304%)	mixed	I2-PR-0055
Bosch	Германия (~50 заводов)	CV-контроль качества (Фойербах) + ИИ-настройка запуска линий (Хильдесхайм)	CV, predictive ML	эксплуатация	инспекция 3,5→3 мин; цикл запуска линии −15% — Bosch (через СМИ)	success (пересказ пресс-релизов)	I2-PR-0056
Toyota Motor Corporation	Япония	O-Beya — многоагентный RAG для инженерных знаний	GenAI	эксплуатация (с янв. 2024)	эффект не измерен («мы ещё не измерили точное время»); 800 пользователей, >100 запросов/мес.	uncertain	I2-PR-0065

Отдельно — операционные модели и подходы (не привязаны к одной практике): Kaizen Institute заявляет «симбиоз» ИИ и Kaizen-циклов, но без единого клиентского кейса с цифрами (I2-OA-10); российский нацпроект «Производительность труда» через ФЦК — работающая инфраструктура непрерывного улучшения, где ИИ вообще не упомянут в прочитанном источнике (I2-OA-12); Haier переопределяет 人单合一 под ИИ-агентов, объявив 2026 год «годом AI-нативной организации» (I2-OA-22); сеть «маячных заводов» выросла с 16 до 189 участников, и в топ-5 новых заводов 77% use-case’ов используют аналитический ИИ (рост с 62% в 2023-м) против 9% — генеративный (I2-OA-24).

Пять показательных случаев

Норникель, Талнахская обогатительная фабрика (Россия). Система-советчик, запущенная в 2020 году, к 2024 году выросла в систему управления реальным временем, анализирующую более 1000 параметров и управляющую более чем 100 из них (I2-PR-0028). Компания в двух разных интервью называет близкие, но не идентичные цифры прироста извлечения металла (0,5–1% и 0,7–1%) — оба источника аффилированы с компанией, независимой проверки нет. Это самый зрелый и самый детально описанный российский производственный кейс в реестре, но целиком самоотчёт.

SANY, завод №18 (Китай). Сертифицированный WEF «маячный завод» в тяжёлом машиностроении: резка стали передана AI-роботам с 3D-зрением, диспетчеризация — системе MOM «工厂大脑», заявленный рост мощности на 123% и эффективности персонала на 98% (I2-PR-0036). За этим — пять лет и 500 млн юаней инвестиций; источники не позволяют выделить, какая доля эффекта — от ИИ, а какая — от остальной модернизации.

Toyota, self-service AI Platform (Япония). Показывает не единичное внедрение, а тиражирование: рабочие цеха без AI-экспертизы сами обучают модели контроля качества, число моделей выросло с 8 000 до 10 000 за год (I2-PR-0009). Это пример того, как давно устоявшееся CV-применение (инспекция) масштабируется через платформу, а не через штат специалистов по ИИ — при этом ключевая цифра эффекта (−20%) относится не к платформе в целом, а к отдельному инфраструктурному ускорению.

Northvolt, гигафабрика Ett (Швеция) — неуспех/смешанный случай. Система машинного зрения и ML для контроля дефектов электродных листов работала на скорости до 50–70 м/мин уже к ноябрю 2023 года (I2-PR-0054). К началу 2025-го компания подала на банкротство в Швеции после чистого убытка $1,2 млрд за 2023 год и провала попытки экстренного финансирования. Источники не связывают эти события причинно — это оговорено прямо как собственное сопоставление авторов обзора, а не факт из источника. Это ключевой пример раздела «Европа»: локальный технический успех не спас компанию.

Dow, «Transform to Outperform» (США) — смешанный случай. Компания объявила сокращение 4500 сотрудников и затраты на реструктуризацию $1,1–1,5 млрд при чистом убытке 2025 года в $2,4 млрд (+304% год к году); часть закрываемых активов — в Европе (включая завод в Barry, Великобритания). Формулировка про «использование автоматизации и ИИ в сквозных процессах» — это заявленное намерение («intends», «expects»), а не описанный факт работающей системы (I2-PR-0055). Здесь риторика ИИ сопровождает реструктуризацию, а не заменяет её.

Региональное сравнение

Россия. Пять практик, все — компьютерное зрение и предиктивная аналитика на действующих металлургических и пищевых предприятиях (Северсталь, Норникель, ММК, НЛМК, Food Union), ни одной — с GenAI-агентами в производственном контуре. Количественные эффекты есть только у Норникеля; у ММК и НЛМК — подтверждённый факт внедрения без цифр. Государственная инфраструктура непрерывного улучшения (ФЦК/нацпроект) существует и работает отдельно от ИИ-повестки — источник ФЦК 2023 года ИИ не упоминает вовсе (I2-OA-12).

Китай. Самая насыщенная выборка (пять компаний, плюс два подхода на уровне операционной модели): от давно устоявшегося CV-контроля (Baosteel, CATL) до сквозных «AI工厂» (BOE) и организационной трансформации Haier под ИИ-агентов. Здесь же — наиболее выраженное смешение стадий в одном материале и склонность источников подавать план/оценку как факт (Baosteel: «据测算» — «по расчётам» — выдаётся за достигнутый эффект в 100+ млн юаней; понижено до uncertain при проверке).

Япония/Корея (в реестре — регион «другие»). Toyota в Японии ведёт производственный контур на площадке (self-service CV-платформа, I2-PR-0009) и инженерный R&D-контур (агентная система O-Beya, I2-PR-0065) — оба заявлены как действующая эксплуатация, но с разной измеримостью эффекта: у платформы контроля качества есть цифры, у O-Beya компания прямо признаёт, что «ещё не измерила точное время», которое система экономит. POSCO (Корея) — образцовый пример того, как нельзя писать один кейс: в одном материале смешаны уже установленные роботы, тестовая эксплуатация, R&D и план на второе полугодие 2026 года (I2-PR-0011); в этом обзоре эти уровни разведены раздельно по прямым цитатам источника. GearPal у Toyota (I2-PR-0010) формально — практика Toyota Motor North America, зарегистрирована по региону США, поэтому она разобрана ниже, а не здесь, хотя компания японская.

США. Три практики, две компании: GearPal Toyota (I2-PR-0010, диагностика оборудования агентом), PlantGPT BASF на заводе в Джисмаре (I2-PR-0051, ограниченная эксплуатация, без цифр эффекта) и Dow — сразу два разных случая: пилотные агенты аудита фрахтовых счетов (I2-PR-0053) и программа реструктуризации «Transform to Outperform» с заявленным (не описанным как факт) намерением внедрять ИИ в сквозных процессах на фоне сокращения 4500 рабочих мест и убытка $2,4 млрд за 2025 год (I2-PR-0055). Общая черта — самый агентный/GenAI-профиль региона в этой выборке и почти полное отсутствие количественных эффектов, кроме единичных демонстрационных примеров.

Европа. По уточнённому региону в реестр входят Германия (BASF Agricultural Solutions — R&D цифрового двойника с признанием прежних неудач, I2-PR-0052; Bosch — контроль качества и запуск линий, I2-PR-0056) и Швеция (Northvolt, I2-PR-0054). Ни одна из них не подтверждена независимым источником — все данные восходят к самим компаниям или к пересказывающим их пресс-релизы СМИ. Здесь же — единственный в разделе пример расхождения локального технического успеха и краха компании (Northvolt). Michelin (I2-PR-0012, система IRIS) в реестре помечена как страна внедрения «неизвестна» — компания французская, но по прочитанному источнику (интервью MIT Sloan Management Review) конкретная площадка не названа, поэтому кейс не отнесён ни к одному региону.

Индия. В реестре MFG не нашлось ни одной практики или подхода по Индии — открытый пробел, а не вывод об отсутствии практики в стране.

Пробелы

Именованные откаты именно в производстве (не считая Northvolt, где откат — не отдельной ИИ-практики, а всей компании) в реестре не найдены. Энергетика предприятий — отдельного трека нет: есть только косвенные упоминания (доля инвестиций «маячных» заводов, разовая цифра экономии на электроэнергии SANY из источника пониженной надёжности). Независимая (не вендорская и не корпоративная) проверка эффекта отсутствует практически везде — исключение составляют лишь научные полевые испытания вроде ConMem (I2-SCI-0013), но и там один из авторов — сотрудник предприятия-партнёра. Индия не представлена ни одной практикой. Европейская выборка ограничена шестью практиками трёх стран (Германия, Швеция, США со штаб-квартирой Dow) — обобщать на весь регион нельзя.

Что это значит для руководителя

Технологии распознавания дефектов и предиктивного обслуживания в производстве — зрелый рынок: почти в каждом изученном заводе они уже эксплуатируются, и решение чаще всего сформулировано конкретно (проценты точности, минуты, миллиметры). Генеративный ИИ и агенты в диспетчеризации, обслуживании и планировании цепочки поставок — это ещё пилоты, R&D или заявленные намерения даже у компаний с самой громкой риторикой (BASF признаёт провал прежних попыток цифрового двойника до AlphaEvolve; Dow называет ИИ частью программы, где реальный измеренный эффект — не в ИИ, а в сокращении штата). Прежде чем принимать цифру эффекта как основание для решения, стоит спросить: кто её заявил (сама компания, вендор или независимая сторона), относится ли она к конкретной технологии или ко всему цифровому портфелю сразу, и достигнута ли она уже или это цель/прогноз. Технический успех локальной практики не гарантирует финансовое здоровье компании — Northvolt тому прямое напоминание.

Откуда данные и границы

Раздел построен на 21 практике реестра (поток MFG или тег MFG) и четырёх подходах уровня операционной модели (Kaizen+AI, нацпроект «Производительность труда», Haier 人单合一+агенты, сеть «маячных заводов»), плюс девяти научных работах о производственных процессах и об ИИ-агентах. Почти все количественные эффекты — самоотчёт компаний или совместные вендорские публикации (Google Cloud, LangChain, Microsoft, Intel); независимых подтверждений (суд, регулятор, контролируемое исследование третьей стороны) в этой выборке нет, кроме отдельных научных полевых испытаний с оговоркой о заинтересованности соавторов. Это карта практики, а не проверенные исходы уровня A/B: для сравнения — в прежнем синтезе 125 проверенных случаев независимо подтверждены, из них 77 медицинских и ни одного российского (Главный обзор). См. также Каталог практик и изменения и Индекс оригиналов и профиль мониторинга.