66% производителей уже используют или планируют использовать агентный ИИ в операционных процессах, а 40% ждут хотя бы частичной автономии фабрик к 2030 году. Но промышленный ИИ пока не получает ключи от завода: его подключают к цифровым двойникам, ограничивают правилами и оставляют человека в контуре управления. Для российских разработчиков индустриальных платформ и ИТ-директоров это важный сигнал: ценность будет не в самом «агенте», а в способности безопасно связать данные, модели, АСУ и ответственность за решение.
Новый подход к цифровым двойникам описывает MIT Technology Review: вместо статичной модели оборудования компании строят «живой» цифровой двойник. Он непрерывно получает телеметрию от датчиков, IoT-устройств и систем управления, сверяет её с инженерными, физическими и прогнозными моделями, а затем не только сообщает об отклонениях, но и может участвовать в корректирующих действиях. Идея звучит знакомо любому, кто видел дашборд с красной лампочкой: теперь система должна не просто заметить, что лампочка загорелась, а предложить или выполнить безопасный шаг до того, как линия остановится.
Раньше цифровые двойники в основном использовали для моделирования, наблюдения и сценариев «что будет, если». Они часто отставали от реального производства и не были соединены с исполнительными системами. Новая архитектура строится вокруг цифровой нити — связанного набора данных об активе на протяжении его жизненного цикла. Инженерные сведения, история обслуживания, потоки датчиков и параметры технологического процесса оказываются в одном контуре. Это позволяет смотреть на одну и ту же установку с разных сторон: по выбросам, энергопотреблению, надёжности или выпуску продукции.
Следующий уровень — агентный ИИ, которому разрешают выполнять часть действий в заданных границах. Главный продуктовый директор AVEVA Роб Макгриви считает, что в ближайшей перспективе такой ИИ будет развиваться по логике SCADA: система наблюдает и рекомендует, а оператор сохраняет надзор. Полную автономию разумно оставлять только для узких и повторяемых операций. Это менее эффектно, чем обещания «завода без людей», зато соответствует реальности промышленной безопасности: ошибка модели в рекламном баннере раздражает, ошибка в управлении технологическим процессом может остановить производство или создать риск для людей.
На практике степень самостоятельности уже различается от площадки к площадке. На нефтеперерабатывающем предприятии Saudi Aramco в Янбу алгоритмы оптимизации корректируют производство в замкнутом контуре, а операторы подключаются по необходимости. На заводе компании в Рас-Таннуре система лишь рекомендует изменения, окончательное решение принимают люди. Nestlé применяет ИИ-оптимизацию на площадках Nesquik для настройки промышленных сушилок; в одном из тестов энергопотребление сократилось на 16% при одновременном улучшении качества и выхода продукции. В SCG Chemicals в Таиланде цифровой двойник, охватывающий проектирование, эксплуатацию и обслуживание, отслеживает состояние активов и предупреждает о возможных отказах. Компания заявляет о 99% надёжности предприятия и девятикратной окупаемости за шесть месяцев.
Эти примеры не означают, что промышленный ИИ уже стал универсальным автопилотом. По данным исследования AVEVA и IMD, 43% организаций говорят, что ИИ лишь незначительно изменил или вовсе не изменил принятие решений и распределение ответственности между партнёрами по экосистеме. Существенно или радикально изменившими эти процессы назвали только 23% респондентов; заметно или широко делиться данными с партнёрами готовы 27%. Иными словами, датчики и модели внедряются быстрее, чем договорённости о том, кто отвечает за последствия решения алгоритма.
Именно поэтому роль оператора не исчезает, а меняется. Вместо согласования каждого рутинного действия он задаёт допустимые пределы, проверяет качество входных данных и разбирается с ситуациями, когда оптимизация формально верна, но противоречит производственному контексту. Для команд разработки это означает спрос на объяснимость, журналирование действий, разграничение прав и удобные интерфейсы для подтверждения или отмены команд. Для бизнеса — необходимость заранее определить, какие решения можно автоматизировать, как их аудировать и по какому сигналу система должна передать управление человеку.
Регуляторы тоже движутся в эту сторону: EU AI Act относит некоторые ИИ-компоненты безопасности в критической инфраструктуре к высокорисковым и требует человеческого надзора. Даже там, где формально действие может выполнить алгоритм, компаниям придётся доказать, что оно было ограничено правилами, наблюдаемо и воспроизводимо. Ближайшая гонка в промышленной автоматизации, похоже, будет идти не за максимальной автономностью, а за наиболее надёжным режимом совместной работы человека и машины. Вопрос не в том, сможет ли ИИ нажать кнопку, а в том, кто и на каких данных решил, что её вообще можно нажимать.
