Урок 5: Дорожная карта AI-программы на 2-3 года — от первого пилота до стратегической функции

Чему вы научитесь

• Размещать свою организацию на одной из четырёх ступеней зрелости AI-программы: от ad-hoc pilots до стратегической функции
• Понимать, какие capabilities действительно надо строить на каждом уровне, а какие рано тащить в программу
• Использовать простой self-check из 10 вопросов, чтобы честно оценить текущую зрелость без самоуспокоения
• Собирать дорожную карту на 2–3 года вокруг платформы, команд, контуров, экономики и отраслевых use cases
• Выбирать следующий модуль и следующий тип работы после завершения этого трека: отрасль, open-source, закупка, масштабирование

Если модуль p.1 отвечал на вопрос «кто такой AI-чемпион», то модуль p.11 закрывает трек вопросом «что именно делать дальше». У большинства предприятий проблема не в отсутствии идей. Проблема в том, что идеи не переводятся в последовательность capability build-up. Поэтому в финальном уроке нам нужна не ещё одна история успеха, а карта зрелости.

Ниже — рабочая шкала AIStudy для industrial context. Она вдохновлена зрелостными моделями Gartner и консультантских практик, но адаптирована под завод, ГОК, НПЗ и энергетическую компанию: здесь важны не только data science и ROI, но и КИИ-контур, интеграция с legacy и поведение операторов.

Четыре уровня зрелости AI-программы

Эти уровни не означают, что каждая компания обязана дойти до Level 4. Но они помогают не путать локальный успех пилота с появлением функции.

Что строить на каждом уровне

Level 1 — Ad-hoc Pilots

Главная задача — не «охватить всё», а научиться выбирать правильный use case и проходить путь от идеи до честного pilot close-out. На этом уровне критичны:

• карта рычагов ценности из p.1/03
• контур данных и модели из p.2
• регуляторный фильтр из p.3
• базовый ROI и one-pager из p.4

Здесь же нужен runbook из урока 1 этого модуля.

Level 2 — Standardized AI Factory

Здесь компания перестаёт быть коллекционером пилотов и начинает строить повторяемую машинерию:

• reference architecture
• MLOps
• data contracts
• единые security и deployment patterns
• vendor / open-source policy

Именно здесь полезен переход в p.9 и p.10, а также бенчмарки окупаемости из p.4/02.

Level 3 — Integrated into Core Business

На этом уровне AI перестаёт быть отдельным проектным островом. Он встраивается в:

• эксплуатацию
• планирование
• quality loops
• документацию
• root cause analysis
• operator cockpit

В этот момент особенно важны отраслевые deep-dive:

• металлургия и ГМК — p.5
• нефтегаз и нефтехимия — p.6
• дискретное производство — p.7
• энергетика, агро, пищепром — p.8

Level 4 — Strategic Advantage

Это уже не просто «мы умеем внедрять AI». Это состояние, в котором компания:

• задаёт отраслевой стандарт
• участвует в ИЦК и коллективном импортозамещении
• формирует рынок кадров
• публикует лучшие практики
• становится точкой притяжения для партнёров и сильных специалистов

Здесь полезно вернуться к p.3/07 про гранты и ИЦК и p.5/07 про ИЦК «Металлургия» как к примерам того, как AI-функция начинает влиять не только на завод, но и на отрасль.

flowchart LR
    A[Level 1
Ad-hoc pilots] --> B[Level 2
Standardized AI factory]
    B --> C[Level 3
Integrated into core business]
    C --> D[Level 4
Strategic advantage]

Self-check: где вы находитесь сейчас

Ответьте на 10 вопросов. Если положительных ответов 0–3, вы на Level 1. Если 4–6 — на переходе к Level 2. Если 7–8 — вы уже близко к Level 3. Если 9–10 — вы, вероятно, входите в число лидеров рынка.

1. Есть ли у вас хотя бы один production AI-use case, который пережил не demo, а реальный operational cycle?
2. Есть ли у компании единый стандарт выбора контура, а не спор по каждому новому use case с нуля?
3. Есть ли data foundation и owner данных для ключевых источников?
4. Есть ли MLOps / model registry / monitoring, а не только ручные выкладки?
5. Есть ли sponsor с P&L-мандатом, а не только «куратор инноваций»?
6. Есть ли повторяемая reference architecture хотя бы для одного класса задач?
7. Есть ли в бюджете деньги на scale-out, а не только на пилоты?
8. Есть ли у операторов и мастеров понятный AI-workflow, а не только центральная витрина?
9. Есть ли process для выбора вендоров, open-source и exit clauses?
10. Есть ли у компании стратегия, как AI связан с конкурентным преимуществом в отрасли?

Какой следующий шаг делать в зависимости от вашего уровня

Что делать после завершения трека

1. Выберите один use case и пройдите по нему весь путь из p.1 → p.4 → p.11.
2. Вернитесь в свой отраслевой модуль:
   • металлургия — p.5
   • нефтегаз и нефтехимия — p.6
   • дискретное производство — p.7
   • энергетика, агро, пищепром — p.8
3. Если нужен свой стек — переходите в p.9.
4. Если идёте в закупку и RFP — переходите в p.10.
5. Если нужно быстро потрогать модели и сценарии руками, используйте практический контур arckep.ru как отдельную песочницу для сравнения моделей и рабочих цепочек без смешивания этого контура с боевыми данными предприятия.

Последняя мысль

У промышленного AI нет одного большого секрета. Есть набор дисциплин, которые почти никто не хочет делать одновременно: считать деньги, понимать процесс, держать данные, уважать контур, не врать про зрелость, вовремя останавливать слабые пилоты и масштабировать только то, что пережило реальную эксплуатацию.

Если вы дочитали до этого места, у вас уже есть не просто список инструментов, а рабочая карта принятия решений:

• обзор и роль AI-чемпиона — p.1
• контуры, модели, железо — p.2
• юридический и ИБ-контур — p.3
• экономика и защита проекта — p.4
• отраслевые deep-dive — p.5–p.8
• open-source стек — p.9
• выбор вендора и закупка — p.10
• запуск программы и scale — p.11

Теперь вопрос не в том, «можно ли у нас AI». Вопрос в том, какой use case вы выберете первым и насколько дисциплинированно доведёте его до результата.