Половина российских промышленных компаний уже работала с отечественными системами автоматизации, а российское ПО используется более чем на 10 млн рабочих мест в авиа- и судостроении, железнодорожном машиностроении и других отраслях. Но когда речь заходит про ИИ в промышленной автоматизации, энтузиазм быстро упирается в вполне земные вещи: серверные мощности, качество данных, дефицит отраслевых датасетов и вопросы безопасности.
Об этом, по данным CNews, заявили эксперты Staq, которые перечислили четыре ключевых барьера для внедрения ИИ на промышленных предприятиях в 2026 году. Формулировка полезна уже тем, что возвращает дискуссию с презентационных слайдов в цех и серверную: проблема не в том, что заводы "не готовы к будущему", а в том, что у любой модели сначала должны появиться вычисления, нормальные данные и понятная роль в производственном контуре.
Главный тормоз не в алгоритмах
Первый барьер, который выделяют в Staq, это инфраструктура. Развернуть полноценный ЦОД под LLM внутри корпоративного контура крупного предприятия дорого, долго и не всегда просто даже для компаний с понятным бюджетом. Рынок перегрет спросом, комплектующие в дефиците, сроки поставок растянуты. Иначе говоря, промышленный ИИ начинается не с красивого интерфейса ассистента, а с тяжелой закупки, проектирования и интеграции. Хорошая новость в том, что это, по оценке компании, инженерная задача, а не тупик: предприятия уже находят рабочие модели развертывания.
Второй барьер куда менее зрелищный, но обычно именно он съедает первые месяцы проекта. Речь о данных. Пока телеметрия не описана, не нормализована, не структурирована и не собрана под конкретные сценарии, разговор об ИИ остается декларацией. Staq прямо называет стандарты вроде OPC UA не опцией и не приятным бонусом, а базовым условием цифровизации. Для IT-команд это звучит почти банально, но в промышленности банальность часто и есть самая дорогая часть проекта: данные с оборудования нужно сначала вытащить, привести в единый вид и только потом подключать к моделям. Поэтому в реальных внедрениях время уходит не на "обучение интеллекта", а на наведение порядка в источниках.
Третий барьер связан с датасетами. Здесь ситуация неоднородная. У крупных предприятий, как отмечают в Staq, проблемы обычно нет: масштаба накопленных данных хватает, чтобы обучать модели на собственном материале. А вот компаниям среднего размера сложнее. Качественный промышленный датасет "с улицы" почти не достать из-за специфики процессов, коммерческой тайны и требований безопасности. Это важный сигнал для рынка: если у среднего предприятия нет длинной истории цифрового следа, то готового универсального набора данных для предиктивной аналитики, рекомендаций оператору или оптимизации обслуживания ему никто не принесет. Придется искать партнерские схемы, отраслевые консорциумы или строить кооперацию вокруг обмена обезличенными сценариями.
Почему MES снова в центре разговора
Четвертый барьер касается безопасности, хотя здесь позиция Staq выглядит наиболее прикладной. Компания исходит из того, что риски снимаются архитектурой: ИИ должен быть развернут внутри корпоративного контура, не иметь прямого автоматизированного доступа к технологическому процессу и работать в рекомендательном режиме. То есть система видит отклонение, предлагает вариант действия, а решение по-прежнему принимает человек. Для промышленности это, по сути, компромисс между желанием получить эффект от аналитики и нежеланием превращать эксперимент с моделью в инцидент на производстве. Такой подход вряд ли устроит поклонников полной автономии, но для заводского контура он выглядит реалистично.
На этом фоне неудивительно, что в центре разговора снова оказывается MES. В Staq называют ее точкой, где сходятся данные с оборудования, операционная логика предприятия и человек, принимающий решение. Именно там, по версии компании, ИИ в промышленной автоматизации начинает приносить измеримый результат уже не в пилоте, а в рабочем процессе. Логика понятна: если телеметрия с датчиков, инциденты, сервисные заявки, ТОиР, производственные задания и выездное обслуживание живут в одном контуре, то модель получает не абстрактные сигналы, а контекст, на котором можно строить полезные рекомендации. Без этого ИИ остается надстройкой, которая красиво отвечает на вопросы, но не влияет на выполнение сменного плана.
Staq, разумеется, описывает этот рынок и через возможности собственной платформы. В компании говорят, что Staq.Bridge подключает промышленные датчики, а данные не просто складываются в хранилище, а запускают процессы. ИИ-ассистент, по замыслу разработчиков, позволяет описывать задачу на естественном языке и получать готовую логику процесса. Здесь важно не переоценить маркетинговую часть заявления: источник не приводит метрик внедрения, сокращения простоев или экономического эффекта. Но сама постановка вопроса показательна. Побеждать в промышленной автоматизации будут не те, кто добавил слово AI в презентацию, а те, кто встроил модель в существующий производственный цикл так, чтобы ею пользовались инженеры, диспетчеры и сервисные команды.
Косвенно этот тезис поддерживает и комментарий Никиты Кораблева из «Группы Астра», который ожидает серьезный скачок в сегменте программно-аппаратных комплексов в 2027–2029 годах. Это укладывается в более широкий тренд последних лет: после фазы экстренного импортозамещения рынок постепенно смещается от выбора между "российским" и "нероссийским" в сторону выбора между платформами, которые можно масштабировать вместе с предприятием. Для разработчиков это означает спрос на интеграцию промышленных протоколов, работу с потоками телеметрии, MLOps внутри закрытых контуров и интерфейсы, понятные не дата-сайентисту, а производственному персоналу. Для CIO и CTO вывод еще проще: если в компании хаос с данными, то закупка очередного AI-решения даст разве что красивую демонстрацию на совещании.
В этом и состоит главный вывод из оценки Staq: российская промышленность уже не спорит, нужен ли ей ИИ, она разбирается, при каких условиях он перестает быть пилотом ради пилота. Следующий этап конкуренции на рынке, похоже, пройдет не между самыми громкими AI-брендами, а между теми, кто быстрее соберет нормальную инфраструктуру, расчистит данные и встроит модель в производственную рутину без попытки отдать ей управление станком с первого дня.