ИИ пришёл на завод, а привычки остались

ИИ в промышленности внедряют быстрее, чем умеют использовать
Производителям давно не требовались сложные расчёты, чтобы понять цену аварийного обслуживания. Внеплановые остановки, сверхурочная работа, срочная доставка деталей, разрушение графиков и доверия клиентов годами съедали деньги. Изменилось другое: искусственный интеллект (ИИ) для обслуживания оборудования достаточно быстро прошёл путь от идеи до рабочего инструмента, и экономическое обоснование инвестиций стало почти очевидным.
Однако внедрение не превращается в результат с ожидаемой скоростью. Согласно исследованию авторов, около 78% всех названных препятствий связаны с персоналом. Доступ к ИИ расширился быстрее, чем способность сотрудников стабильно применять его в работе. Именно этот разрыв теперь ограничивает эффект.
Производители инвестируют в ИИ ради роста производительности, но многие по-прежнему сохраняют привычки, от которых и должно было избавить предиктивное обслуживание — ремонт по прогнозу, основанный на данных о состоянии оборудования.
Распространение предиктивного обслуживания за год выросло более чем вдвое. При этом доля аварийного обслуживания не изменилась, а проактивное обслуживание, то есть действия до появления неисправности, потеряло позиции. Вывод неприятно прост: новые методы приходят на завод, но старые не уходят. В итоге предприятие работает в двух режимах одновременно.
Это не обязательно провал. Пилотные проекты часто действительно работают на знакомом оборудовании и с небольшой подготовленной командой. Гораздо сложнее, когда модель должна помогать принимать решения на разных сменах и площадках, среди сотрудников с неодинаковым опытом.
Технология быстро попадает в бюджет. Рабочие привычки, доверие к рекомендациям, распределение ответственности и уверенность сотрудников на производственной линии меняются медленнее. Поэтому руководители не отказываются от ИИ, а становятся разборчивее: инвестиции смещаются от экспериментальных проектов к кибербезопасности, управлению данными, генеративному и промышленному ИИ.
Такой подход отражает более трезвое понимание цифровой зрелости. Компании направляют ИИ туда, где задержки, простои и плохие данные быстрее всего превращаются в реальные потери.
Меняется и взгляд на Industry 5.0 — концепцию промышленности, где автоматизация дополняется постоянным участием человека. Теперь 40% руководителей ожидают, что этот переход займёт от одного до четырёх лет.
Показатель 78% легко ошибочно принять за рассказ о нехватке людей. Но речь шире: о дефиците экспертизы, знаний, квалифицированных специалистов и общей способности персонала работать по-новому. Исследователи Cohen и Levinthal называют такую способность absorptive capacity — «способностью к усвоению»: умением заметить полезное знание, встроить его в организацию и превратить в практический результат.
В обслуживании оборудования результатом становится решение в реальных условиях. Например, начальник ночной смены должен понять, требует ли выявленная аномалия немедленного вмешательства, может ли ремонт подождать до плановой остановки или риск уже стал неприемлемым. Модель обнаруживает отклонение, но решение за человеком.
Для этого мало научиться нажимать кнопки. Отчёт правительства Великобритании об ИИ-навыках для работников указывает на необходимость понимать результаты работы ИИ, перестраивать процессы вокруг новых данных и объяснять изменения производственным командам. Именно эти навыки определяют, превратится ли предупреждение в действие или будет забыто.
Кадровая составляющая не может быть отдельным проектом HR. Она является частью системы, от которой зависит отдача от технологий. Если предиктивное обслуживание растёт, капиталовложения увеличиваются, а аварийный уровень не меняется, значит, между расходами и результатом сохраняется разрыв.
Исследование Siemens True Cost of Downtime за 2024 год оценивает ежегодные потери от незапланированных простоев у 500 крупнейших компаний мира в 1,4 трлн долларов — около 11% их совокупной выручки. Это цена неполного перехода от аварийной реакции к прогнозированию: деньги на технологии уже потрачены, но ежедневная работа ещё не перестроена.
Руководителям стоит проверять не только наличие ИИ, но и способность предприятия действовать по его сигналам. Какие активы всё ещё зависят от одного-двух опытных специалистов? Где слишком неполные истории ремонтов? Какие уведомления вызывают уверенное действие, а какие ждут нужного человека на смене?
Практические шаги очевидны: зафиксировать знания, которые пока хранятся только в головах сотрудников, улучшить историю работ, обучить операторов и ремонтников интерпретировать предупреждения, определить основания для вмешательства и порядок эскалации. Процессы нужно выстроить так, чтобы действие по данным стало обычным маршрутом, а не подвигом отдельно взятого энтузиаста.
Connected reliability — «связанная надёжность», объединяющая данные об оборудовании, историю обслуживания и решения сотрудников, — может стать мостом между технологиями и исполнением. Почти половина участников исследования планирует развивать такие инициативы в ближайшие 12 месяцев.
Главный вывод для промышленности: возможности персонала нужно проверять с той же строгостью, что и расходы на технологии. Важно спрашивать не только, какой ИИ внедрён, но и кто умеет действовать по его подсказкам, где тормозятся решения, какие знания не записаны и какие процессы снова затягивают людей в аварийный режим.