Как внедрить ИИ в производственные процессы и не пожалеть

Текущая обстановка

На российском рынке в сфере FMCG и производителей наблюдается переход ИИ от «хайпа» к «жесткому прагматизму». Если 3–4 года назад компании запускали пилоты ради инновационного имиджа, то в 2024–2025 годах ключевым драйвером стал кадровый голод и оптимизация процессов. ИИ внедряют там, где не хватает людей, или там, где нужно радикально снизить издержки.

• Статус рынка РФ: объем рынка ИИ-решений в производстве и FMCG растет на ~30% ежегодно.
• Главный тренд: переход от разрозненных пилотов к платформенным решениям (масштабирование на все заводы/линии холдинга).

Оценить «успешность» таких проектов сложно, так как компании редко публикуют данные о провалах. Однако, анализируя воронку от «пилота» до «промышленной эксплуатации», можно выделить следующие цифры:

• Процент успешных пилотов: по данным мировых агентств (Gartner, Capgemini), около 54% проектов застревают на стадии пилота («Pilot Purgatory») и не масштабируются.
• Удовлетворенность внедрением в РФ: среди тех российских компаний, которые уже внедрили ИИ и вывели его в эксплуатацию, 70–97% подтверждают положительный экономический эффект (данные T1 и TAdviser).
• Проникновение:
  • В тяжелой промышленности РФ: ~31–39% крупных предприятий используют ИИ.
  • В пищевой промышленности (FMCG): ~23% предприятий. Это ниже, так как маржинальность в этой сфере меньше, и цена ошибки (простоя линии) выше.

Вывод №1: Россия отстает от мировых лидеров по внедрению ИИ, несмотря на то что отечественные вендоры умеют делать бизнес-эффективные решения. Это может стать хорошим драйвером роста, особенно в FMCG сфере, из-за отставания относительно других отраслей. 

Вывод №2: если проект прошел стадию пилота, вероятность его успеха (ROI) крайне высока. Основной риск — не техническая ошибка, а невозможность масштабировать решение на все предприятие.

Часто проблемой является то, что топ-менеджмент часто воспринимает ИИ как «волшебную таблетку»: купили, включили, и прибыль выросла. На практике ИИ — это мощный усилитель. Если наложить его на эффективный процесс, результат улучшится кратно. Если наложить ИИ на хаос, вы получите автоматизированный и очень дорогой хаос.

Эта статья — дорожная карта для тех, кто хочет перейти от разговоров об инновациях к реальным бизнес-результатам, используя ИИ как прагматичный инструмент.

1. С чего начать: диагноз перед лечением

Самый частый вопрос от бизнеса: «Где нам применить ИИ?». Правильный ответ: «Нигде, пока вы не провели аудит процессов». Внедрение ИИ ради ИИ — прямая дорога к потере бюджета.

Начинать нужно не с выбора технологии (нейросети, машинное обучение или компьютерное зрение), а с поиска «болей» бизнеса. ИИ лучше всего работает там, где есть три составляющие:

1. Массовая повторяемость и рутина. Процессы, которые происходят тысячи раз в день. Например: диспетчер вручную распределяет 500 заказов по машинам, закупщик каждый вторник формирует заказ на пополнение стока в 10 РЦ, оператор сверяет сканы накладных с данными в ERP.
2. Высокая цена человеческой ошибки. Где усталость или недостаточная квалификация сотрудника стоят компании денег? Недогруженная фура, просроченный товар на складе из-за неверного прогноза, штрафы от ритейлера за срыв временного окна доставки.
3. Накопленные данные. ИИ не умеет фантазировать, он учится на истории. Если у вас нет цифровых логов процесса хотя бы за 1-2 года, обучать модель не на чем.

Экспертный совет: проведите «Process Mining» (интеллектуальный анализ процессов). Часто менеджмент видит процесс «как должно быть» по регламенту, а рядовые сотрудники делают «как быстрее». ИИ нужно внедрять в реальный, а не выдуманный процесс.

2. Жесткая логика или ИИ: когда нужен «Квантовый скачок»

Это ключевой раздел для понимания. 80% задач в FMCG сегодня можно решить классической автоматизацией («Жесткая логика» или Hard Logic). Это системы правил: «ЕСЛИ остаток на складе меньше 10 паллет, ТО заказать еще 20». Это отлично работает в стабильной среде.

ИИ нужен там, где правил слишком много, они противоречат друг другу или постоянно меняются. Там, где человек уже не способен учесть все факторы в голове.

Давайте разберем на примерах реальных процессов цепочки поставок (Supply Chain), в чем разница между просто хорошей IT-системой и системой с ИИ.

Сценарий 1: Транспортная логистика и маршрутизация

• Базовая автоматизация (Классическая TMS): Система строит маршрут по статичным геозонам и фиксированным нормативам скорости. Главная цель алгоритма — минимизировать километраж.
• Продвинутый уровень (ИИ/ML): Система перестает смотреть на карту как на статичную картинку. Она учитывает исторические данные о пробках в конкретный день недели и час, прогноз погоды, персональный профиль водителя (кто-то ездит быстрее, кто-то медленнее) и вероятность задержки на конкретной точке разгрузки.
• Когда переходить: Когда у вас более 50 машин в рейсе ежедневно, а ручная «доводка» маршрутов за роботом занимает у логистов часы рабочего времени.

Сценарий 2: Управление запасами и пополнение стока

• Базовая автоматизация (ERP/OMS): Расчет заказа на основе средних продаж за прошлый период (метод Min/Max). Это работает для товаров со стабильным спросом, но часто приводит либо к перезатариванию, либо к дефициту (Out-of-Stock) при любых колебаниях рынка.
• Продвинутый уровень (Demand Sensing): Предиктивная аналитика, которая «чувствует» спрос. ИИ учитывает сотни неочевидных факторов: сезонность, календарь промо-акций конкурентов, резкие изменения погоды, инфляционные ожидания и даже тренды в соцсетях.
• Когда переходить: Критично для категорий «Фреш» (скоропорт) или когда цена ошибки в прогнозе даже на 10% съедает всю маржу.

Сценарий 3: Складская логистика

• Базовая автоматизация (WMS): Статичное закрепление ячеек. Условно: «Молоко всегда хранится в зоне А, а вода — в зоне Б».
• Продвинутый уровень (Динамическое слотингование): ИИ анализирует заказы и предсказывает, какие товары будут в высоком спросе завтра. Система заранее рекомендует переместить эти паллеты ближе к зоне отгрузки, сокращая время пробега погрузчиков.
• Когда переходить: При огромной номенклатуре (SKU) и высоких требованиях к скорости сборки заказа (актуально для e-grocery и распределительных центров).

Экспертный совет: промышленные IT-решения (современные TMS, WMS, OMS, TPM системы) уже содержат в себе модули ИИ или подготовлены для их подключения. Не пытайтесь строить ИИ в вакууме — он должен быть надстройкой над надежным фундаментом учетных систем.

3. Подготовка фундамента: данные — новая нефть, но часто «грязная»

Самый скучный, но самый критичный этап. По опыту, в проектах внедрения ИИ 70% времени уходит не на обучение нейросетей, а на чистку данных.

ИИ работает по принципу GIGO (Garbage In, Garbage Out — «Мусор на входе, мусор на выходе»). Если в одной системе ваш товар называется «Йогурт 100г», в другой «Йогурт клубничный 0.1кг», а в третьей используются разные единицы измерения, модель не всегда сможет найти корреляции.

Чек-лист готовности данных к старту:

• Единая версия наименований: внедрена система управления мастер-данными (MDM). Все справочники (товары, клиенты, адреса) унифицированы.
• Историческая глубина: данные оцифрованы и доступны за период минимум 12-24 месяца. Данные в блокнотах супервайзеров или в разрозненных Excel-файлах на личных ноутбуках — это не данные.
• Чистота: устранены дубликаты, заполнены пропуски.
• Внешние факторы: вы готовы обогащать свои данные внешней информацией (погода, трафик, макроэкономические показатели), если они влияют на процесс.

Если этот этап пропустить, вы получите дорогостоящий генератор случайных чисел.

4. Танго для двоих: роли Заказчика и Исполнителя

Внедрение ИИ — это не покупка лицензии на софт, это проект изменения бизнеса. И это всегда командная игра, где участвуют две стороны: Бизнес (функциональный заказчик) и Технологический партнер (внутренний IT или внешний вендор/интегратор).

Главная ошибка — отдать проект целиком на откуп «айтишникам». IT-специалисты могут построить гениальную математическую модель, которая будет абсолютно бесполезна в реальной жизни, потому что не учитывает нюанс, известный только главному логисту.

• Зона ответственности Бизнеса (Заказчика):
  • Четкая постановка бизнес-цели в деньгах или процентах (например: «Сократить холостой пробег на 7%», а не «Внедрить ИИ в транспорт»).
  • Выделение Владельца Продукта (Product Owner) — человека из бизнеса, который глубоко знает процесс и будет валидировать результаты модели.
  • Готовность менять регламенты работы людей под новые инструменты.
• Зона ответственности Технологического Партнера:
  • Выбор правильной архитектуры и алгоритмов.
  • Интеграция модели в текущий IT-ландшафт (результат прогноза должен появляться в привычном интерфейсе сотрудника (логиста, закупщика, бухгалтера и т.д.), а не в отдельном «черном окне»).
  • Обеспечение масштабируемости решения.

5. Гайд по этапам: не пытайтесь съесть слона целиком

Попытка внедрить ИИ сразу на всю федеральную сеть — верный способ похоронить проект. Двигайтесь итерациями (agile-подход).

1. PoC (Proof of Concept / Проверка гипотезы).
   Берем один узкий сегмент. Например, прогнозируем спрос только на одну категорию «Напитки» в одном регионе. Задача этапа — не получить идеальный результат, а понять: в принципе наши данные позволяют строить прогнозы? Модель работает лучше, чем простой Excel?
2. MVP (Minimum Viable Product / Минимально жизнеспособный продукт).
   Если PoC успешен, создаем работающий прототип. Внедряем его в одном филиале или на одном распределительном центре. На этом этапе модель интегрируется с реальными системами (например, TMS), а пользователи начинают с ней взаимодействовать.
3. Тюнинг и дообучение.
   Первые результаты будут неидеальны. Логисты будут ругаться, что система «ведет машину через лес». Это нормально. Модель должна получить обратную связь от людей и дообучиться на своих ошибках.
4. Масштабирование (Rollout).
   Только после подтверждения экономического эффекта на MVP решение раскатывается на всю компанию и вводим в промышленную эксплуатацию.

6. Ошибки и ловушки: почему не стоит изобретать велосипед

Рынок ИИ-специалистов (Data Scientists, ML-инженеров) перегрет. Их зарплаты огромны, а их удержание — головная боль HR-директора. В этих условиях попытка FMCG-компании создать собственную (in-house) разработку ИИ-решений с нуля часто становится стратегической ошибкой.

Основные риски «самостроя»:

• Зависимость от «звезд»: ушел ключевой дата-сайентист — проект встал, потому что никто не может разобраться в его коде.
• Изобретение велосипеда: ваша команда будет тратить месяцы на решение задач, которые уже давно решены в специализированных отраслевых платформах.
• Фокус не на том: производитель йогуртов должен фокусироваться на качестве йогуртов и дистрибуции, а не на разработке нейросетей.

Резюме эксперта

Для большинства задач в производстве и FMCG оптимальный путь — использование промышленных решений (TMS, OMS, SCM систем) от профильных вендоров. В эти продукты уже «под капотом» встроены проверенные алгоритмы ИИ, обученные на опыте десятков компаний отрасли. Вы покупаете не просто софт, а лучшие практики (Best Practices). Оставьте чистый R&D (исследования и разработку) технологическим гигантам, а сами используйте прикладные инструменты для повышения эффективности здесь и сейчас. Однако, это не исключает активного участия Заказчика в процессах внедрения — роль владельца процесса (Заказчика) является ключевой для успешного запуска.