Модуль p.4 · Урок 2
Урок 2: Сроки окупаемости по классам AI-проектов — чего реалистично ждать
Содержание
- Чему вы научитесь
- Таблица: чего реалистично ждать по семи классам проектов
- Что из этого окупается быстро, а что — нет
- Быстрая классификация для защиты бюджета
- Российские кейсы, которые продают тему руководству
- Как не превратить benchmark в фантазию
- Отдельный вывод: что быстро, что долго, где прямой ROI считать трудно
Чему вы научитесь
- Отличать быстрые AI-проекты с payback в пределах года от длинных капиталоёмких программ
- Читать публичные кейсы без самообмана: где есть реальный денежный эффект, а где только красивый пресс-релиз
- Подбирать реалистичный коридор payback и ROI для семи типовых классов промышленных AI-проектов
- Понимать, какие проекты лучше защищать через EBITDA и cost-out, а какие — через риск, безопасность и предотвращённый ущерб
- Переводить западные и российские кейсы в язык разговора с CFO, главным инженером и директором завода
Этот урок нужен, чтобы не обещать CFO «окупаемость за три месяца» на основе чужого маркетингового слайда. Формулу ROI мы разобрали в уроке 1 этого модуля, а полную стоимость владения — в уроке про TCO облака и self-hosted. Здесь задача другая: понять, какие классы проектов в промышленности окупаются быстро, какие — долго, а какие нельзя честно продавать через прямой денежный ROI.
Таблица: чего реалистично ждать по семи классам проектов
| Класс проекта | Типичный payback | Консервативный ROI 1-го года | Публичный бенчмарк с источником |
|---|---|---|---|
| CV-контроль качества и ОТК | 4–8 мес (Voestalpine: −20% дефектов; ОМК: экономия от CV-проектов — точная цифра требует верификации; POSCO: 0,5 г/м² против 7 г/м² вручную) | 150–400% (синтез AIStudy по кейсам Voestalpine, ОМК и POSCO; RBC Тренды / ОМК; POSCO) | Voestalpine публично сообщает о снижении дефектов на 20% при AI-контроле поверхности стали; по ОМК публично подтверждается экономический эффект от CV-проектов, но точная цифра 200 млн ₽ требует дополнительной верификации; у POSCO отклонение по покрытию снижено до 0,5 г/м² против 7 г/м² при ручном подходе (Voestalpine; RBC Тренды / ОМК; POSCO) |
| Предиктивное ТО критичного оборудования | 6–12 мес для типового завода; около 3 месяцев — лучший публичный outlier Senseye (Siemens Senseye; BHP: десятки миллионов долларов экономии от AI в mining; Shell public scale case без раскрытого payback) | 100–300% (синтез AIStudy по кейсам Senseye и BHP; BHP / AFR) | Siemens Senseye заявляет −50% незапланированных простоев, +55% эффективности обслуживания и ROI примерно за 3 месяца как лучший публичный outlier; для большинства заводов безопаснее планировать 6–12 месяцев. У BHP в недавних кейсах речь уже идёт о десятках миллионов долларов экономии от AI в mining, а Shell показывает зрелость масштаба — 10 000 единиц оборудования, 3 млн сенсорных потоков, 11 000 моделей и 15 млн предсказаний в день, но без публичного процента снижения простоев (Siemens; BHP / AFR; Shell + C3 AI) |
| Оптимизация режимов: плавка, прокат, обогащение, ККО | 3–6 мес (POSCO: +5% эффективность, −10% энергия; Северсталь: +11% производительности линии окатышей; ArcelorMittal: £1 млн/год на одной линии; Shell и аналоги: типичные улучшения выхода и энергопотребления в каталитическом крекинге) | 200–500% (синтез AIStudy по кейсам POSCO, Северстали, ArcelorMittal и Shell; Prometall; ArcelorMittal; Emerj / Shell) | Это самый «денежный» класс. POSCO пишет о +5% эффективности и −10% энергии; Северсталь — о росте производительности линии окатышей на 11%; ArcelorMittal — о £1 млн экономии на одной линии горячего цинкования; для Shell и аналогов публикации показывают типичные улучшения выхода и энергопотребления в каталитическом крекинге, но конкретные 5% / 15% требуют уточнения первоисточника (POSCO; Prometall; ArcelorMittal; Emerj / Shell) |
| LLM-ассистенты по документации, регламентам и инженерным знаниям | 3–9 мес (ONGC: 700+ инженерных часов сэкономлено; Tüpraş: >1 часа на сотрудника в день; Cosmo Energy: 250 млрд точек данных, 5 млн документов и 1 млн единиц оборудования — масштаб data foundation) | 50–200% (синтез AIStudy по кейсам ONGC и Tüpraş; Microsoft / Tüpraş) | ONGC на агентном AI для моделирования скважин раскрывает экономию более 700 часов инженеров и 370 симуляций за 1 час; Tüpraş на Microsoft 365 Copilot говорит об экономии более 1 часа на сотрудника в день; Cosmo Energy показывает, что у промышленных ассистентов реальный эффект появляется только при готовом data foundation на уровне 250 млрд точек данных, 5 млн документов и 1 млн единиц оборудования (ONGC; Microsoft / Tüpraş; Cosmo Energy / Cognite) |
| Прогноз спроса, производства и запасов | 6–12 мес (PepsiCo: высокая точность прогноза и снижение stock-outs — точные 98% / 4% требуют уточнения; PepsiCo + Siemens + NVIDIA: +20% throughput и −10–15% capex; Bayer FieldView: 250+ млн акров в 23 странах — масштаб платформы) | 100–300% (синтез AIStudy по кейсам PepsiCo и Bayer FieldView; PepsiCo; Bayer) | Лучший публичный ориентир — PepsiCo: высокая точность прогноза спроса (>95%) и снижение stock-outs, но конкретные 98% и −4% требуют уточнения; отдельный digital twin-кейс PepsiCo даёт +20% throughput и −10–15% capex; Bayer FieldView подтверждает зрелость класса через охват более 250 млн акров в 23 странах (Chief AI Officer / PepsiCo; PepsiCo; Bayer FieldView) |
| Компьютерное зрение для HSE: СИЗ, опасные зоны, near-miss | 6–18 мес (промышленные кейсы есть, но публичных money-metrics мало; ArcelorMittal / i-5O case; Deloitte Mining H&S) | Прямой ROI в % считать опасно; обычно считают через предотвращённый ущерб (Prometall; i-5O; Deloitte) | В HSE публичных кейсов внедрения много, а верифицированных денежных метрик мало. Поэтому такой проект лучше защищать через снижение инцидентов, штрафов, внеплановых остановок и тяжести происшествий, а не через обещание «ROI 300% за год». Денежные эффекты Норникеля ниже в уроке относятся к оптимизации процесса флотации и извлечению, а не к чистому HSE-CV (Prometall по Северстали и ММК; i-5O / ArcelorMittal; Deloitte Mining H&S) |
| Автономная техника и автономные логистические контуры | 24–48 мес (Rio Tinto: +700 часов на грузовик в год и −15% затрат; Vale: 90 автономных машин к 2028 году; экономика 1-го года — нужна проверка на вашем парке) | 25–60% — нужна проверка на конкретной структуре CapEx и амортизации парка (Rio Tinto; IM Mining / Vale + Caterpillar) | Rio Tinto остаётся каноническим кейсом: 130+ автономных грузовиков, 200 локомотивов AutoHaul, 1700 км автономной железной дороги, +700 часов на грузовик в год и −15% затрат; Vale подтверждает, что речь почти всегда идёт о долгой программе на десятки машин, а не о быстром PoC (Rio Tinto; IM Mining / Vale + Caterpillar) |
Чтобы не держать семь классов только в таблице, ниже — быстрый визуальный навигатор: по вертикали падает консервативный ROI первого года, а внутри каждой ветки видно, насколько длинный payback у класса.
graph TD
A["ROI 1 года: высокий"]
A --> A1["Быстрый payback: оптимизация режимов"]
A --> A2["Быстрый payback: CV-ОТК"]
A --> A3["Средний payback: предиктивное ТО"]
B["ROI 1 года: средний"]
B --> B1["Средний payback: прогноз спроса"]
B --> B2["Средний payback: LLM-ассистенты"]
C["ROI 1 года: низкий или косвенный"]
C --> C1["Средний payback: HSE-CV"]
C --> C2["Долгий payback: автономная техника"]Что из этого окупается быстро, а что — нет
В промышленности быстрее всего окупаются проекты, где эффект виден в трёх прямых строчках P&L: меньше брака, меньше энергии, меньше простоя. Поэтому наверху таблицы стоят CV-ОТК и оптимизация режимов. Если дефект стоит денег в ту же смену, а киловатт-часы и топливо покупаются каждый месяц, CFO получает понятную математику уже на пилоте.
С предиктивным ТО ситуация чуть сложнее. Это тоже «твёрдые деньги», но только если предприятие умеет честно считать стоимость отказа. Siemens даёт красивую цифру ROI около 3 месяцев как лучший публичный кейс, но для большинства заводов безопаснее планировать 6–12 месяцев и защищать проект консервативно (Siemens Senseye). В отраслевых пересказах иногда встречается тезис про −35% простоев у Shell, но в текущем research-паке трека эта цифра первоисточником не подтверждена — нужна проверка; поэтому в уроке Shell используется как эталон масштаба, а не как источник публичного payback.
LLM-ассистенты часто выглядят быстрыми, но только на бумаге. Если документация разбросана по сетевым папкам, SharePoint, почте и PDF без структуры, реальный payback сдвигается из диапазона 3–9 месяцев в режим «сначала очистите данные». Именно поэтому я сознательно поставил в один ряд ONGC, Tüpraş и Cosmo Energy: первый показывает экономию инженерных часов, второй — офисную продуктивность, а третий — стоимость data foundation, без которого ассистент не станет промышленным инструментом (ONGC; Microsoft / Tüpraş; Cosmo Energy / Cognite). Siemens Industrial Copilot здесь остаётся хорошим архитектурным ориентиром для класса, но сопоставимая публичная цифра именно по сокращению reactive maintenance или по ROI в текущем research-паке не подтверждена — нужна проверка (Siemens Industrial Copilot PDF).
HSE-проекты и автономная техника надо защищать иначе. Первый класс нужен, но его нечестно продавать как «ещё один cost-out проект». Второй почти всегда капиталоёмкий и организационно тяжёлый. У Rio Tinto цифры сильные — +700 часов на грузовик в год и −15% затрат, — но это результат многолетней программы, а не «коробочного решения», которое ставят на одну смену (Rio Tinto).
Быстрая классификация для защиты бюджета
| Группа | Какие проекты входят | Как защищать на комитете |
|---|---|---|
| Быстрые деньги | CV-ОТК, оптимизация режимов | Через брак, throughput, энергию, cost-out текущего года |
| Средние деньги | Предиктивное ТО, прогноз спроса, LLM-ассистенты | Через экономию часов, снижение простоев, меньше stock-outs, но с запасом по TCO |
| Длинные деньги | Автономная техника | Через программу повышения производительности и долгий CapEx-цикл, а не через «пилот окупится к зиме» |
| Сложно монетизировать напрямую | HSE-CV, near-miss, контроль СИЗ | Через предотвращённый ущерб: инциденты, штрафы, остановки, травматизм, страховые и регуляторные риски |
Российские кейсы, которые продают тему руководству
Западные кейсы полезны для диапазонов. Но в российской управленческой среде лучше всего продают именно локальные ориентиры.
- ЕВРАЗ сообщил об эффекте цифровых проектов на 5,8 млрд ₽ за 2024 год, причём около 60% этого эффекта пришлось на AI-инициативы (TAdviser / ЕВРАЗ).
- Северсталь раскрыла эффект портфеля AI-проектов более 1 млрд ₽ в 2024 году, а по отдельным инициативам показывала рост производительности линии окатышей на 11% (Metalinfo; Prometall).
- Газпром нефть по проекту «Когнитивный геолог» показывает значимый эффект от цифровых проектов на зрелых активах, включая ускорение цикла геоанализа; конкретные 6 млрд ₽ в год и 60 млрд ₽ NPV требуют обновления по последним отчётам (Газпром нефть).
- Норникель в цифровом помощнике флотации на Талнахе раскрывает вклад в EBITDA на уровне $70–100 млн в год и рост извлечения на 0,7–1 п.п. плюс ещё 0,3–0,5 п.п. за счёт CV-анализа пены; это кейс оптимизации процесса, а не чистого HSE-CV (Science.mail.ru).
Эти кейсы полезны по одной причине: они показывают руководству, что в российской промышленности уже есть проекты с миллиардным эффектом. Значит, разговор идёт не о «модном софте», а об инструменте изменения EBITDA.
Как не превратить benchmark в фантазию
Берите диапазон, а не одну лучшую цифру. Если в кейсе Siemens указан ROI около 3 месяцев, не копируйте его в бюджет. Для защиты проекта закладывайте более широкий коридор и отдельно проверяйте качество данных, интеграцию и обучение команды (Siemens Senseye).
Смотрите на единицу эффекта. У CV-ОТК это брак и переработка. У PdM — простои и аварийные ремонты. У LLM-ассистента — часы инженеров. Если единица эффекта не ясна, проект ещё нельзя нести на комитет.
Проверяйте переносимость кейса. Shell, Siemens Industrial Copilot или Microsoft 365 Copilot не переносятся в российский значимый контур автоматически. Для КИИ и западных SaaS-сервисов сначала включается правовая и санкционная рамка из урока p.3/02 и урока p.3/05.
Не путайте эффект пилота и эффект программы. Rio Tinto, PepsiCo или Газпром нефть показывают цифры на масштабе. Пилот на одной линии или одном цехе почти никогда не даст ту же абсолютную экономию в первый год.
Связывайте benchmark с вашим TCO. Даже хороший класс проекта ломается, если выбран неправильный контур, завышена стоимость интеграции или переоценены модели и железо. Для этого используйте урок p.2/04 про матрицу «задача × модель × контур» и урок p.2/06 про TCO.
Отдельный вывод: что быстро, что долго, где прямой ROI считать трудно
Быстро окупаются три класса: CV-контроль качества, оптимизация режимов и, при нормальных данных, предиктивное ТО. У них короткая цепочка между моделью и деньгами. Меньше брака — меньше потерь. Меньше энергии — ниже себестоимость. Меньше простоя — выше выпуск.
Средний горизонт у LLM-ассистентов и прогноза спроса. Они могут дать хороший эффект уже в первый год, но только если инфраструктура данных и контур эксплуатации уже готовы. Самая частая ошибка — продавать ассистента как лёгкую надстройку, хотя на деле приходится строить retrieval, права доступа, очистку документов и правила human-in-the-loop.
Долго окупаются автономные транспортные и логистические контуры. Это значит, что их нельзя нести на согласование в одной рамке с CV-камерой над линией ОТК.
Труднее всего считать прямой денежный ROI у HSE-проектов. Они живут в другой логике: предотвращённый ущерб, страховой риск, тяжесть инцидентов, регуляторный ущерб, культура безопасности. Если вы попытаетесь защитить такой проект как обычный cost-out, его либо зарежут, либо вы сами пообещаете цифру, которую потом не подтвердите.