Не чат-бот, а прикладной ассистент: как AI-платформы работают в промышленности и чего не хватает российскому рынку
Первый этап восторга от искусственного интеллекта позади. Все убедились, что он умеет писать тексты, пересказывать документы и создавать картинки, помогает с рутиной. Но для бизнеса актуально другое — как превратить AI в рабочий инструмент, приносящий прибыль.
В промышленности этот вопрос стоит особенно остро. Здесь нельзя ограничиться правдоподобным ответом. Отраслевая модель не может быть просто разговорным интерфейсом. Она должна помогать инженеру принимать важные решения.
Я смотрю на эту тему через практику «Солвтеха». Мы работаем с промышленным и нефтегазовым оборудованием и пришли к простому выводу: будущее LLM в бизнесе — не в универсальных чат-ботах, а в прикладных ассистентах, встроенных в реальные процессы.
Чем промышленный AI отличается от обычного
У промышленных компаний уже есть телеметрия, регламенты, отчёты, история отказов, инженерные расчёты. Но специалисту всё равно бывает трудно быстро собрать из этого понятную картину. Именно здесь LLM полезна как инструмент, который помогает найти смысл в потоке информации и данных.
Хороший ориентир — подход Shell и её инициатива Shell.ai. Я работал в компании и знаком с этим подходом изнутри. Его суть не в конкретных AI-моделях, а в масштабировании проверенных рыночных решений через общие платформы, стандартизацию работы с данными и интеграцию в действующие производственные контуры.
Ещё в марте 2022 года Shell расширила программу предиктивного обслуживания на базе решений C3 AI до более чем 10 тысяч единиц оборудования в сегментах разведки, добычи и переработки. Инфраструктура еженедельно обрабатывает около 20 миллиардов строк данных с более чем 3 миллионов сенсоров, которые ежедневно генерируют свыше 15 миллионов прогнозов.
В декабре 2025 года Shell и SLB, ранее известная как Schlumberger, объявили о стратегическом сотрудничестве по совместной разработке цифровых и агентных решений в нефтедобыче. Проекты охватывают геологоразведку, строительство и эксплуатацию скважин с использованием инфраструктуры данных и ИИ на платформе Lumi от SLB.
То есть ценность создаёт не сам ИИ, а его внедрение. Для результата нужны данные, их интерпретация, понятные рекомендации, регламенты для сотрудников и измеримый производственный эффект. Поэтому зрелость промышленного AI определяется не числом запущенных моделей, а тем, насколько они встроены в системы компании и влияют на надёжность, затраты, безопасность и другие бизнес-показатели.
Четыре уровня внедрения AI на производстве
Первый уровень — фундамент данных. Нужно связать между собой информацию по оборудованию, режимам работы, отклонениям, отказам и принятым инженерным решениям. Без этого никакой AI не поможет: система будет генерировать убедительные ответы, но без учёта реального производственного контекста.
Второй уровень — сценарный ассистент, который работает внутри конкретного инженерного процесса, помогает понять расчёт и проверить принятое человеком решение. В «Солвтехе» такой подход реализован в модуле подбора оборудования с умным отчётом.
Инженер загружает или выбирает исходные данные по скважине: режим работы, параметры жидкости, ограничения и целевые показатели. AI их анализирует и даёт не только таблицу с параметрами и набор графиков, но и объясняет, насколько корректно подобрано решение, где могут возникнуть риски, какие исходные параметры сильнее всего повлияли на результат и что нужно проверить перед финальным выбором.
Так система перестаёт быть просто расчётным инструментом и становится помощником по конкретной задаче. При этом она не заменяет специалиста. Финальное решение остаётся за инженером, но на его подготовку уходит значительно меньше времени.
В одном из тестов гибридной системы для подбора и проверки работы погружного насоса мы сравнили её рекомендации с независимой экспертной оценкой на выборке из 50 скважин. Совпадение рекомендаций составило более 96%, а среднее время инженерной оценки сократилось с полутора часов до пяти минут.
Третий уровень — промышленный copilot: единый интерфейс к разным источникам документации, истории эксплуатации и отказов, дефектовкам и регламентам.
На этом уровне инженер сможет не искать информацию вручную в нескольких системах, а сформулировать вопрос и получить ответ, основанный на разрешённых корпоративных источниках. Для полноценного внедрения такого решения нужен зрелый enterprise-контур: защищённое размещение модели, поиск по корпоративным данным, управление доступами и логирование действий.
На четвёртом уровне система уже не только объясняет ситуацию, но и просчитывает несколько вариантов с учётом их производственного и экономического эффекта. Например, сравнивать не только техническую допустимость разных решений, но и влияние на надёжность, срок службы оборудования, затраты и риски простоя. К этому уровню рынок пока только подходит.
Промышленный AI нужно развивать постепенно: от подготовки данных и отдельных сценарных ассистентов к copilot, который объединит разные источники, а затем к оценке экономических и производственных последствий решений.
Чего не хватает российскому рынку
В России уже есть собственные языковые модели и AI-платформы. И главная проблема промышленного рынка сегодня — и не только российского — заключается не в отсутствии доступа к LLM.
У многих компаний ещё не собран фундамент данных. Документы, история эксплуатации, дефектовки, причины отказов, телеметрия и инженерные решения часто хранятся в разных системах, имеют разные форматы и не связаны между собой.
В таких условиях даже сильная языковая модель будет отвечать красиво, но не всегда полезно. Она сможет обобщить общедоступную информацию, но не получит целостного представления о конкретном оборудовании и условиях его использования.
Следующий шаг для рынка — создавать связанный промышленный контур данных и внедрять специализированных AI-ассистентов. Начинать нужно не с универсального чата. Нужно выбрать конкретный сценарий, где понятны источники информации, роль специалиста и конечный результат.
На мой взгляд, наиболее перспективна здесь партнёрская модель. Промышленная компания приносит данные, отраслевую экспертизу и реальные процессы. AI-платформа предоставляет модель, инфраструктуру, безопасность и инструменты для создания корпоративных ассистентов.
Российскому рынку сегодня не хватает среды, в которой LLM могут приносить измеримую пользу. Поэтому следующий этап развития промышленного AI будет связан не с гонкой моделей, а с тем, насколько глубоко ассистенты смогут войти в повседневную работу инженеров.