ИИ в горной промышленности — какой контур процессов: часть 3

Бурение и взрывные работы

ИИ здесь работает по замкнутому циклу: анализирует геологию забоя, рассчитывает параметры взрыва, а по итогам корректирует модель — поэтому каждый следующий взрыв получается точнее предыдущего. Фракционный состав породы оценивает компьютерное зрение по видео с дрона, так что людям не нужно заходить в опасную зону. А до того, как реально бурить и взрывать, сотни вариантов параметров можно прогнать на модели мира — это особенно выручает на сложной геологии и нестандартных блоках.

Обогащение: замкнутый контур управления фабрикой

В переработке руды традиционный подход реактивен: параметры флотации подбираются по результатам лабораторного анализа, который приходит через 8 часов. За это время переработана партия с отклонением. ИИ переводит управление в предиктивный режим. Модели, обученные на исторических данных с датчиков (давление, плотность пульпы, показатели вибрации, ток двигателей), прогнозируют оптимальные параметры за час до поступления конкретной партии руды. Компьютерное зрение интегрируется непосредственно в технологический поток для мониторинга качества концентрата.

Сложность, которую не решает статистический ИИ, — смена типа руды. Когда минеральный состав выходит за пределы обучающей выборки, модель ухудшает рекомендации. Cosmos Reason (это семейство моделей ИИ от NVIDIA для физического ИИ) и специализированные LAM, обученные на физике флотационного процесса, решают эту проблему: система понимает кинетику и химию, а не только статистические зависимости.

Ранние AI/ML-системы уже демонстрируют измеримые результаты на обогатительных фабриках: увеличение производительности фабрики (2–5%), коэффициента извлечения (0,1–0,5%) и, как результат, дополнительные процентные пункты к общей маржинальности предприятия.

Техническое обслуживание: от плановых регламентов к предиктивному

Техническое обслуживание обычно строится по одной из двух логик: по времени (каждые X часов) или по факту поломки. И то, и другое ведет к потерям — в первом случае меняют еще исправные детали, во втором оборудование встает аварийно. Предиктивное обслуживание на основе ИИ работает иначе: оно анализирует временные ряды с датчиков вибрации, температуры, шума и тока двигателей и замечает признаки износа задолго до отказа. Так неисправности видно заранее, а ремонт можно планировать спокойно, а не в авральном порядке.

По данным производителей, если такие модели запускать прямо на оконечных устройствах — самих IoT-датчиках (технология TinyML), отказы можно предсказывать в реальном времени и снижать простои на 30%.

Безопасность и охрана труда

Горнодобывающая промышленность имеет показатель частоты несчастных случаев существенно выше среднего по промышленности, не говоря о непроизводственном секторе. ИИ-системы безопасности работают по нескольким направлениям.

Непрерывный мониторинг. Системы компьютерного зрения анализируют видеопотоки в реальном времени и фиксируют отклонения: отсутствие или неправильное использование СИЗ, пересечение границ опасных зон, а также аномалии в работе оборудования. Параллельно используются решения для оценки усталости персонала — например, Fatigue Science Readi, которые рассчитывают индивидуальный риск утомления на горизонте до 18 часов с почасовой детализацией.

Проактивное выявление рисков. Цифровые системы безопасности агрегируют данные из разных источников: GPS-позиционирование сотрудников, параметры откосов, сейсмическую активность после взрывных работ, погодные условия и показания газоанализаторов. На основе этих данных формируются прогнозы потенциально опасных ситуаций. Для инспекций в подземных и труднодоступных участках используются дроны, что позволяет минимизировать присутствие людей в зонах повышенного риска.

Анализ инцидентов. В случае происшествия система автоматически собирает и синхронизирует данные из различных источников — видеозаписи, показания датчиков, GPS-треки — и формирует последовательность событий. Это сокращает время анализа причин инцидента с недель до нескольких часов или минут.

Экологический мониторинг и ESG

Сенсорная сеть непрерывного мониторинга (содержание твердых частиц в воздухе, качество воды, уровень шума, вибрация от взрывов) в сочетании с прогностическими моделями переводит экологический контроль из реактивного режима в превентивный: система предупреждает «через 4 часа превысим норму по пыли», и оператор снижает обороты дробилки до нарушения нормативов, а не после.

Тема ESG усиливается с точки зрения регуляторного давления. Forrester прогнозирует, что к 2026 году половина поставщиков ERP-систем выпустит автономные модули управления с объяснимым ИИ, автоматическими аудиторскими следами и мониторингом соответствия в реальном времени. Аудиторский след из автоматизированных решений становится конкурентным преимуществом при прохождении экологических проверок и получении разрешений на разработку новых участков.

Финансовое управление и сценарное планирование

Агентный ИИ трансформирует финансовое планирование. ИИ-агент с нативным управлением компьютером может самостоятельно зайти в ERP, выгрузить данные, запустить сценарную модель и отправить результат с обоснованием нужным стейкхолдерам — без ручных операций. Компания, внедрившая ИИ-систему управления цепочкой поставок, получила возможность симулировать сценарии по источникам сырья, производству и дистрибуции в реальном времени, улучшив надежность поставок и контроль затрат.

Экономика: что подтверждено, что ожидается

Эффекты от внедрения зрелых ИИ-инструментов — предиктивной аналитики, оптимизации параметров, компьютерного зрения — уже отражаются в операционных показателях горных компаний. Речь не о кратном росте, а о системных улучшениях: производительность увеличивается на 2–5%, маржа — на 2–4 п. п., снижается объем незапланированных простоев.

Инвестиции в ИИ продолжают расти: по данным Deloitte, 85% компаний увеличили вложения за последние 12 месяцев, и 91% планируют наращивать их дальше. При этом ожидания от новых классов решений, в частности агентного ИИ, пока опережают фактическую отдачу. Только около 10% компаний, начавших такие внедрения, уже видят значимый ROI; еще примерно половина рассчитывает выйти на него в горизонте 1–3 лет.

На практике это означает, что ИИ-проекты остаются инвестициями со средним сроком окупаемости: обычно 2–4 года. Для менеджмента, рассчитывавшего на быстрый эффект, это оказывается холодным душем — особенно в случае агентных систем, вокруг которых сформировались завышенные ожидания.

71% CIO в недавнем опросе заявили, что ИИ-бюджеты будут заморожены или сокращены, если компании не продемонстрируют ценность в течение двух лет. Это указывает на критическую важность выбора первых пилотов с измеримым и быстрым результатом.

Управление ИИ: главный новый риск

Технологический порог входа в ИИ заметно снизился, и основной риск сместился в организационную плоскость. Проблема чаще не в том, что решения недоступны, а в том, что их внедряют без внятной системы управления — в результате оптимизируются процессы, которые изначально не были приоритетными.

Gartner относит платформы безопасности ИИ к числу ключевых технологических трендов 2026 года. Речь идет о централизованных решениях, которые дают сквозную видимость использования ИИ, обеспечивают соблюдение внутренних политик и снижают специфические риски: внедрение вредоносных инструкций, утечки данных, несанкционированные действия автономных агентов. По прогнозу компании, к 2028 году такие платформы будут использовать более половины предприятий.

Без базовых механизмов управления агентный ИИ скорее наращивает риски, чем создает ценность. Критичны четыре элемента.

Во-первых, четкое разграничение автономии агента: какие решения он принимает самостоятельно, какие — с уведомлением оператора, и какие требуют явного подтверждения человека.

Во-вторых, аудиторский след: фиксация каждого действия с привязкой ко времени, входным данным и логике принятия решения. Это необходимо и для регуляторных требований, и для разбора инцидентов.

В-третьих, объяснимость. Оператор должен понимать, на основании чего система выдала рекомендацию — иначе такие рекомендации просто игнорируются на уровне эксплуатации.

В-четвертых, заранее определенная метрика эффекта. Если вклад конкретного агента нельзя измерить, он быстро выпадает из приоритетов и теряет финансирование. Поэтому критерии ROI задаются до запуска, а не постфактум.

Стратегия внедрения: от пилота к масштабу

BCG фиксирует разницу между компаниями, которые получают реальный ROI от ИИ, и теми, кто остается на уровне пилотов. В первом случае речь идет о многолетних корпоративных программах с изменением бизнес-процессов. Во втором — об отдельных внедрениях без выхода на масштаб.

Данные Deloitte задают тот же контекст: быстрый эффект — редкость. Только 6% компаний получают ROI от ИИ менее чем за год. В большинстве случаев это проекты с более длинным горизонтом, и их имеет смысл рассматривать как стратегические инвестиции, а не как тактические инициативы.

На практике это означает, что внедрение ИИ разворачивается поэтапно: от инфраструктуры и данных — к прикладным сценариям и далее к масштабированию.

Этап 1 — Фундамент. Базовая задача — выстроить работу с данными и интеграциями. Потоковая архитектура (EDA, брокеры сообщений), объединение OT- и IT-контуров, API-интеграция SCADA, ERP, MES и диспетчерских систем. Параллельно — правила работы агентных систем (уровни автономии, аудиторский след, метрики эффекта) и обучение персонала, чтобы рекомендации ИИ корректно использовались в операционной работе.

Этап 2 — Первые внедрения. Запуск начинается с задач, где эффект можно быстро зафиксировать и измерить: предиктивное обслуживание оборудования, оптимизация транспортных маршрутов, управление технологическими параметрами. Это дает основу для последующего масштабирования.

Этап 3 — Оркестрация. От отдельных решений переходят к связанной системе. Агенты работают в едином контуре с общей целевой функцией, используются модели для симуляции и оптимизации, решения распространяются на весь операционный цикл.

Этап 4 — Цифровой двойник. Формируется модель предприятия, позволяющая симулировать операции вблизи реального времени и пересобирать планы на разных горизонтах. ИИ на этом этапе становится частью инфраструктуры.

Текущий эффект от внедрения ИИ остается умеренным: 2–5% по производительности и 1–2 п. п. по марже. Более высокие значения — на уровне прогнозов. При этом основное ограничение связано не с технологиями, а с управлением: без метрик, правил работы агентов и целостной архитектуры проекты не масштабируются. Стратегия в этой области начинается с данных, а не с моделей.

В 4-м материале — опыт внедрения ИИ-решений в российских компаниях: от заводов до логистики, с реальными примерами и типичными вызовами.