Эксперты STAQ выявили ключевые барьеры использования ИИ в российской промышленной автоматизации
Отечественная промышленная платформа активно развивается и готова к работе с искусственным интеллектом, однако есть некоторые сложности, которые мешают предприятиям двигаться дальше в этом направлении. Эксперты STAQ выявили ключевые барьеры использования ИИ в российской промышленной автоматизации в 2026 году.
В настоящее время половина российских промышленных компаний уже имеет опыт применения отечественных систем автоматизации. Российское ПО используется более чем на десяти миллионах рабочих мест в авиа и судостроении, железнодорожном машиностроении и других сферах. В этом году ЦИПР зафиксировал важный сдвиг в повестке: промышленная автоматизация перешла из фазы "догоняем Запад" в режим "строим свое". Отечественная промышленная платформа активно развивается и готова к работе с искусственным интеллектом, однако есть некоторые сложности, которые мешают предприятиям двигаться дальше в этом направлении. Эксперты STAQ выявили ключевые барьеры использования ИИ в российской промышленной автоматизации в 2026 году.
Первым барьером является инфраструктура. Развернуть полноценный ЦОД под LLM, способный обслуживать корпоративный контур крупного промышленного предприятия - это серьезные капитальные затраты. В данный момент рынок перегрет спросом, комплектующие в дефиците, а сроки растянуты. Но это решаемая инженерная задача, и компании уже находят рабочие модели.
Вторым барьером являются данные. Пока данные не описаны корректно - не нормализованы, не структурированы, не разложены под конкретные задачи - разговор о промышленном ИИ остается декларативным. Стандарты типа ОРС UA - это не опция и не "хорошая практика". Это базовое условия любой цифровизации вне зависимости от того, есть ли в проекте ИИ или нет. Именно поэтому в реальных проектах первые месяцы часто уходят не на внедрение умных алгоритмов, а на то, чтобы собрать данные с оборудования в единую точку и привести их в порядок.
Третьим барьером стали датасеты, причем у крупных предприятий этой проблемы нет. Получить качественный промышленный датасет со стороны практически невозможно. Это связано со спецификой процессов, коммерческой тайной и требованиями безопасности. Но крупным компаниям, как правило, своих данных хватает в силу масштаба. Многие из них уже давно обучают модели на собственных данных. Сложнее приходится предприятиям среднего размера - им придется искать партнерские модели или отраслевые консорциумы.
Наконец, четвертый барьер - безопасность. Регулирование доступа ИИ к промышленным данным - горячая тема, но на практике она снимается правильно выбранной архитектурой. Базовый принцип прост: ИИ развернут внутри корпоративного контура, не имеет прямого автоматизированного воздействия на технологический процесс и работает в рекомендательном режиме для оператора. Когда система видит отклонение, она предлагает решение, а человек в дальнейшем принимает решение и действует. Регулярных проблем при такой схеме, как правило, не возникает.
MES играет огромную роль при внедрении ИИ в промышленной автоматизации. MES - это точка, где сходятся данные с оборудования, операционная логика предприятия и человек, принимающий решения. Именно здесь промышленный ИИ начинает давать измеримый результат - не в пилоте, а в продакшене. Нужна среда, в которой телеметрия с датчиков, инциденты, заявки на обслуживание, ТОиР, производственные задания и выездной сервис живут в едином контуре и связаны между собой.
Платформа STAQ была выстроена с учетом необходимости такой среды и ее опций. К примеру, STAQ.Bridge подключает промышленные датчики, и эти данные не просто хранятся, они запускают процессы. ИИ встроен не как отдельный модуль поверх системы, а как инструмент ее настройки. ИИ-ассистент платформы позволяет описывать задачу на естественном языке и получать готовую логику процесса.
