Специалисты «Сколково» подготовили кейсбук, посвященный применению генеративного ИИ в промышленности, с обзором рынка, ключевых тенденций и барьеров.

Документ демонстрирует, какие сценарии внедрения уже реализуются или находятся в проработке в России и за рубежом. В нем собраны кейсы из машиностроения, металлургии, биотехнологий, химической и нефтехимической отрасли, ТЭК, электроэнергетики, а также разработки программного обеспечения (SDLC). Отдельное внимание уделено тому, как российские компании используют большие языковые модели (LLM) в производственных процессах.

Материал основан на анализе собранных кейсов применения ГенИИ, интервью с представителями крупнейших российских производственных компаний, а также анкетировании и экспертных оценках.

Ключевые выводы:

• в документе говорится, что сегодня наблюдается быстрый рост интереса к использованию ГенИИ в ключевых производственных процессах, несмотря на то, что основное его применение связано с оптимизацией бизнес-процессов. Этот тренд позволяет решать более сложные отраслевые задачи и оптимизировать операции, влияющие на производительность и качество продукции;
• в России развивается тренд на мультиагентные системы с возможностью выбора и смены LLM-агента, включая доменных агентов, специализированных под конкретные задачи. Кроме того, расширяется применение Retrieval-Augmented Generation (RAG), и активно прорабатываются методы повышения его точности;
• также авторы документа отмечают среднесрочный тренд на развитие производственными компаниями собственных малых специализированных языковых моделей (SLM), чаще всего на базе решений Open-Source. Параллельно набирает обороты направление периферийных вычислений с использованием SLM для устройств промышленного интернета вещей (IIoT-устройств). В перспективе возможно создание отраслевых LLM для группы предприятий при развитии рынка обмена данными;
• по результатам исследования, наиболее популярными у промышленных организаций в России остаются зарубежные модели Open-Source — их используют 79% предприятий. На втором месте отечественные платные решения (13%), и только 8% применяют отечественные  модели Open-Source. Среди наиболее популярных LLM-моделей — Mistral Nemo, Llama и Qwen, из российских решений выделяется GigaChat;
• наиболее распространенные сценарии внедрения ГенИИ в промышленности, как выяснили в «Сколково», связаны с SDLC, предиктивным обслуживанием оборудования, оптимизацией технологических процессов с помощью компьютерного зрения и созданием/проверкой технической документации. При этом первые проекты запускаются в обеспечивающих и управленческих процессах, где уже доказан экономический эффект. Чаще всего речь идет о внедрении ИИ-ассистентов для бэк-офиса, HR и клиентских сервисов;
• в материале указано, что ГенИИ сегодня активно применяется в НИР/НИОКР для моделирования новых материалов, структур молекул, проведения испытаний и подтверждения гипотез. Использование генеративных моделей позволяет сократить расходы на натурные испытания до 40% и уменьшить срок вывода продукции примерно на 20%;
• еще один сценарий, который выделяют авторы, это генеративное проектирование, которое применяется к зданиям, сооружениям и промышленным изделиям. Эффект от него включает сокращение срока ввода объекта в эксплуатацию на 20%, снижение материалоемкости до 40% при сохранении прочности и экономию до 60% стоимости изделия. Кроме того, ускорение проектирования достигает 30–80% в зависимости от отрасли;
• в промышленности активно развивается также предиктивная аналитика: прогнозирование отказов на основе сенсорных, текстовых и видеоданных, автоматизация рекомендаций по обслуживанию и оптимизация графиков ТО. Такой подход позволяет сократить незапланированные простои до 50% и повысить производительность обслуживающего персонала до 55%;
• в качестве главных барьеров внедрения ГенИИ в документе выделяется сопротивление изменениям (50%), ограничения информационной безопасности (36%), неопределенность экономического эффекта (36%) и высокая стоимость внедрения (29%). Также отмечаются недостаток ИТ-компетенций (21%), нехватка данных для обучения (21%) и отсутствие успешных кейсов (14%). Дополнительные проблемы: низкая точность моделей (82–85%), ограниченные мощности LLM (до 32 млрд параметров), слабая поддержка русского языка и высокая стоимость ИТ-специалистов;
• по мнению авторов документа, успешная стратегия внедрения ГенИИ в промышленности предполагает постепенное масштабирование — от больших языковых моделей Open-Source в изолированных задачах к корпоративным моделям в течение 1–2 лет. Затем прогнозируется развитие специализированных корпоративных моделей — доменно-специфичных моделей с точностью 98–99% и глубокая интеграция с системами управления производственными процессами и жизненным циклом продукта, а также планирования ресурсов предприятия. Через 3–5 лет возможно формирование отраслевых платформ с объединением данных и созданием SLM/агентов для нескольких компаний одновременно;
• раскрытие полного потенциала ГенИИ требует больших объемов качественных отраслевых данных и безопасного их применения, подчеркивают в «Сколково». Консолидация данных и моделей позволит создавать отраслевые платформы для регулируемого обмена анонимизированными данными и совместной разработки ИИ-активов. Важную роль начинают играть поставщики оборудования, которые могут предоставлять вместе с ним релевантные анонимизированные данные или готовые модели, ускоряя адаптацию ИИ-решений.