Модуль p.1 · Урок 5
Урок 5: Что уже внедрено в РФ-промышленности — ориентиры, куда можно дорасти
Чему вы научитесь
- Держать в голове реальные российские бенчмаркs по AI в промышленности, а не абстрактные зарубежные истории
- Видеть, какие типы эффектов уже публично подтверждены у крупнейших российских компаний
- Отделять ориентир по амбиции от шаблона «сделаем так же, как у крупняка»
- Понимать, в какие отраслевые модули идти дальше за глубиной по каждому кейсу
- Формулировать для своего предприятия не завышенную мечту, а реалистичную планку следующего шага
Слушателю трека нужен не мотивационный спич про то, что «AI важен», а внятный список: кто уже сделал, что именно сделал и какие цифры раскрыл публично. По состоянию на 2024–2026 годы российская промышленная фактура уже достаточна, чтобы говорить не про единичные пилоты, а про формирующийся бенчмарк layer: ЕВРАЗ — 5,8 млрд ₽ эффекта за 2024 год, Северсталь — более 1 млрд ₽, Норникель — публично подтверждённые AI-проекты роста извлечения на флотации без детализированного годового EBITDA-эффекта в свежих отчётах, Газпром нефть — более 6 млрд ₽ в год с 2025, Роснефть — 97% тяжёлых буровых с AI-контуром (metalinfo.ru EVRAZ; metalinfo.ru Северсталь; Норникель, 28.03.2024; Газпром нефть; Роснефть).
При этом часть финансовых оценок в открытых источниках носит исторический или оценочный характер, поэтому для управленческой сверки важнее факт устойчивого industrial use case и понятный физический KPI, чем попытка механически перенести чужую цифру в свой P&L.
Это ещё не означает, что любой средний завод должен копировать архитектуру крупняка. Но это уже означает другое: стадия «в промышленности никто ничего не внедрил» закончилась.
Восемь якорных российских кейсов
| Компания | Что уже в проде | Публичная метрика | Управленческий вывод | Где читать глубже |
|---|---|---|---|---|
| ЕВРАЗ | Портфель 100+ цифровых проектов, включая 15 GenAI-проектов в 2024 году | 5,8 млрд ₽ подтверждённого эффекта за 2024 год; около 60% эффекта на производстве дали AI-инициативы (metalinfo.ru, 25.03.2025) | Большой эффект даёт не один «суперпроект», а портфель решений | будущий p.5 |
| Северсталь | 60+ ML/CV-решений, платформа «ДаВинчи» | Совокупный эффект за 2024 год — более 1 млрд ₽ (metalinfo.ru, 24.01.2025); эффект от новых и усовершенствованных решений за 2023 год — 960 млн ₽ (CNews, 12.02.2024) | Портфельная модель и внутренняя AI-платформа дают повторяемость эффекта | будущий p.5 |
| Норникель | Цифровой помощник флотации Талнах, платформенный подход к AI | Проекты по росту извлечения через AI-модели и CV; точные финансовые эффекты в публичных отчётах 2024–2025 не детализированы (Норникель, 28.03.2024; отчёт об устойчивом развитии 2024) | Небольшая прибавка в технологическом показателе может давать большой экономический вес в капиталоёмкой отрасли, но публичные деньги надо проверять отдельно | будущий p.5 |
| ММК | ML-модель управления подачей кислорода в доменных печах + RPA-портфель | Точность модели — 90% (Magcity74, 19.08.2024); кумулятивный эффект RPA к 2025 году — 2 млрд ₽ (TAdviser — нужна проверка прямой страницы) | Не весь эффект идёт из «большого AI»; часть денег приходит из системной автоматизации и совета оператору | будущий p.5 |
| Газпром нефть | «Когнитивный геолог», цифровые двойники месторождений, AI-агенты проектирования скважин | Цикл геоанализа: 6 месяцев → 1–2 недели; Жагринское месторождение: +1 млрд ₽; Восточно-Мессояхское: +60 млрд ₽ NPV; совокупный эффект — >6 млрд ₽ в год с 2025 года (Газпром нефть) | Нефтегаз показывает, что AI может быть не только оптимизацией, но и инструментом монетизации запасов | будущий p.6 |
| Роснефть | AI-контур бурения и удалённая экспертная поддержка | Станции мониторинга с элементами ИИ установлены на 97% тяжёлых буровых; публично также фигурируют −11,7 часа на скважину и +1,7 млн ₽ на скважину (Роснефть) | Масштабный эффект часто рождается не в «чате с моделью», а в массовом встраивании AI в рабочий процесс | будущий p.6 |
| Сибур Digital | Digital twins, импортозамещение Aspen/Hysys, AR-ассистенты | В открытых источниках фигурирует эффект на уровне сотен миллионов рублей в год — нужна проверка на текущем публичном отчёте; направление и примеры описаны в официальном Habr-блоге Сибура (Habr / Сибур) | Нефтехимия показывает важную траекторию: сначала model-based core, потом AI-слой поверх него | будущий p.6 |
| КАМАЗ Digital | CV-контроль качества ЛКП на прессово-рамном заводе | 87–94% точность по дефектам грунтовки, 90–95% по подсчёту деталей, внедрение за 9 месяцев, пока 1 линия из 7 (КАМАЗ, 22.01.2024; CNews) | Даже в дискретке, где публичных кейсов меньше, уже есть реальный российский бенчмарк с метриками | будущий p.7 |
Что из этого следует для среднего завода
Во-первых, крупняк уже показал, что AI в российской промышленности умеет жить не только в презентации, но и в P&L.
Во-вторых, почти все сильные кейсы выглядят одинаково по логике:
- есть конкретный производственный KPI;
- есть владелец процесса;
- есть портфельный подход, а не ставка на одну волшебную систему;
- есть внутренняя или партнёрская команда, способная довести пилот до эксплуатации.
В-третьих, важно не переоценивать переносимость. У вас другие данные, другой maturity level, другой контур ИБ и другое железо. Поэтому эти истории надо читать как бенчмарки амбиции, а не как «копипасту проекта».
Общий контекст по стране
Минэнерго ещё в 2020 году оценивало накопленный эффект AI в нефтегазе в 5,4 трлн ₽ на горизонте 2025–2040 годов и до 700 млрд ₽ в год на пике (ТАСС). Это важная рамка: государство и отрасль давно смотрят на AI не как на факультатив.
При этом уровень зрелости AI-слоя на российских предприятиях дискретного производства остаётся ниже лидеров рынка: отечественные MES и ERP присутствуют массово (по опросу СПбПУ / Минпромторга 2025 года отечественные MES использует около 73% предприятий), но копилоты для инженеров, виртуальные PLC и industrial foundation models внедрены точечно и редко сертифицированы для работы на значимых объектах КИИ.
То есть рынок находится в интересной точке: крупные кейсы уже есть, а базовая цифровая зрелость страны всё ещё не насыщена. Для AI-чемпиона это хорошая новость. Окно возможностей ещё открыто.
Как использовать эти бенчмарки правильно
Берите не чужую архитектуру, а чужой класс эффекта. Вам нужен не «как у Газпром нефти», а понимание, какой KPI можно реально сдвинуть у вас.
Сверяйте свой завод по масштабу. Если у компании-бенчмарка тысяча инженеров и собственный digital-периметр, не пытайтесь в точности копировать их операционную модель.
Переводите бенчмарк в следующий шаг. После чтения кейса у вас должен появиться вопрос: какой более маленький и безопасный аналог есть у нас прямо сейчас?
Что делать дальше
- Если вы из металлургии или ГМК, дальше идите в будущий модуль p.5 — там будут ЕВРАЗ, Северсталь, Норникель и ММК в деталях.
- Если вы из нефтегаза и нефтехимии, следующий обязательный блок — будущий модуль p.6.
- Если вы из дискретного производства, смотрите будущий модуль p.7.
- Если вы хотите сначала понять фундамент, не зависящий от отрасли, переходите в p.2, p.3, p.4 и p.9.