Доля крупных компаний, применяющих генеративный ИИ, за два года выросла с 54 до 71%
По данным отраслевого обзора российского рынка по итогам 2025 года, 71% крупных компаний применяют генеративный ИИ хотя бы в одной бизнес-функции. Годом ранее таких было 54%, а в 2023-м — 33%. За два года технология прошла путь от точечных пилотов до присутствия в среднем в 8 из 10 ключевых функций бизнеса.
Высокая доля показывает, насколько широко ИИ разошелся по компаниям, но не говорит, насколько глубоко он встроен в работу. О глубине точнее судить по тому, ради чего компании используют эту технологию.
В 2024 году почти половина компаний (49%) связывала проекты с сокращением расходов на персонал. По итогам 2025-го такую цель называют 12% — за год задача сэкономить на фонде оплаты труда перестала быть основным мотивом. Чаще теперь называют рост выручки, запуск новых продуктов и перевод сотрудников на более сложные задачи. Снижение операционных затрат фиксируют 94% компаний, дошедших до реальной эксплуатации, но уже как сопутствующий результат.
Перемена в мотивации говорит о рынке больше, чем сама доля в 71%. Когда технологию покупают ради экономии, она остается статьей затрат и попадает под сокращение бюджета наравне с прочими расходами. Когда за ней идут ради выручки и новых продуктов, она встраивается в стратегию предприятия и держится дольше одного бюджетного цикла. Именно такой мотив и характерен для зрелой части рынка.
При охвате в 71% вопрос «стоит ли пробовать генеративный ИИ» для большинства крупных компаний уже не стоит так остро. На первое место выходит масштабирование, а здесь начинаются трудности, которые не решаются покупкой новой модели.
Компании предстоит определить, на каких процессах эффект измерим, а где идет имитация работы. Свести пилоты в одну действующую систему, а не накапливать пятнадцать разрозненных. Перевести людей на новые задачи, а не ограничиться выдачей доступов к нейросети.
Из этого следует простой вывод для тех, кто только подступается к теме. Само по себе наличие ИИ преимущества уже не дает — его применяют две трети крупного бизнеса. Разницу создает то, как компания встраивает технологию в процессы: под определенные цели, по выбранной методике, с понятными метриками отдачи.
🔹 А у вас в компании ИИ уже встроен в процессы — или пока на стадии «попробовали и отложили»? Поделитесь в комментариях.
По данным отраслевого обзора российского рынка по итогам 2025 года, 71% крупных компаний применяют генеративный ИИ хотя бы в одной бизнес-функции. Годом ранее таких было 54%, а в 2023-м — 33%. За два года технология прошла путь от точечных пилотов до присутствия в среднем в 8 из 10 ключевых функций бизнеса.
Высокая доля показывает, насколько широко ИИ разошелся по компаниям, но не говорит, насколько глубоко он встроен в работу. О глубине точнее судить по тому, ради чего компании используют эту технологию.
В 2024 году почти половина компаний (49%) связывала проекты с сокращением расходов на персонал. По итогам 2025-го такую цель называют 12% — за год задача сэкономить на фонде оплаты труда перестала быть основным мотивом. Чаще теперь называют рост выручки, запуск новых продуктов и перевод сотрудников на более сложные задачи. Снижение операционных затрат фиксируют 94% компаний, дошедших до реальной эксплуатации, но уже как сопутствующий результат.
Перемена в мотивации говорит о рынке больше, чем сама доля в 71%. Когда технологию покупают ради экономии, она остается статьей затрат и попадает под сокращение бюджета наравне с прочими расходами. Когда за ней идут ради выручки и новых продуктов, она встраивается в стратегию предприятия и держится дольше одного бюджетного цикла. Именно такой мотив и характерен для зрелой части рынка.
При охвате в 71% вопрос «стоит ли пробовать генеративный ИИ» для большинства крупных компаний уже не стоит так остро. На первое место выходит масштабирование, а здесь начинаются трудности, которые не решаются покупкой новой модели.
Компании предстоит определить, на каких процессах эффект измерим, а где идет имитация работы. Свести пилоты в одну действующую систему, а не накапливать пятнадцать разрозненных. Перевести людей на новые задачи, а не ограничиться выдачей доступов к нейросети.
Из этого следует простой вывод для тех, кто только подступается к теме. Само по себе наличие ИИ преимущества уже не дает — его применяют две трети крупного бизнеса. Разницу создает то, как компания встраивает технологию в процессы: под определенные цели, по выбранной методике, с понятными метриками отдачи.
🔹 А у вас в компании ИИ уже встроен в процессы — или пока на стадии «попробовали и отложили»? Поделитесь в комментариях.
👍3💯2❤1
Российский бизнес вкладывается в цифровизацию все активнее.
Доля промышленных предприятий, использующих машинное зрение, выросла с 18,9% до 41,6% за 2020–2024 годы (по исследованию Strategy Partners, конец 2025). На начало 2026 года компьютерное зрение в промышленности применяют более 36 тысяч предприятий, промышленный интернет вещей — около 6 тысяч, машинное обучение и большие данные — более 5 тысяч.
Цифровые двойники используют 22% крупных компаний, еще 34% планируют внедрение. Доля компаний, вложивших более 3,5 млн рублей в автоматизацию, за год выросла с 38% до 62%. При этом 60% бизнеса по-прежнему действует без единой стратегии цифровизации, а 80% работают с разрозненными системами, где данные передаются фрагментарно.
Компании вкладывают средства и внедряют технологии, но отдачу получают не все. Причина в том, что цифровая технология усиливает процесс, на который ее ставят: на выстроенном процессе она повышает результат, на неотлаженном — ускоряет ошибки и удорожает их. Решающее значение имеет не выбор технологии, а ее сочетание с готовым процессом и пригодными данными.
Об этом — новая статья серии о методике АЦТ. На очереди группа G «Цифровые технологии трансформации», которая объединяет 16 инструментов: от облачных вычислений и low-code до цифровых двойников, машинного обучения и ИИ-агентов.
В статье разбираем:
— 16 инструментов по четырем подгруппам, с часами освоения и сложностью;
— реальные кейсы Северстали и «Газпром нефти» — что именно дало эффект;
— пять типовых проблем производства и аккорды инструментов под каждую;
— матрицу зрелости: как понять, на каком уровне ваше предприятие;
— что можно сделать за ближайший месяц своими силами.
🔗 Читать полностью: https://dia.ru/news/5613
Доля промышленных предприятий, использующих машинное зрение, выросла с 18,9% до 41,6% за 2020–2024 годы (по исследованию Strategy Partners, конец 2025). На начало 2026 года компьютерное зрение в промышленности применяют более 36 тысяч предприятий, промышленный интернет вещей — около 6 тысяч, машинное обучение и большие данные — более 5 тысяч.
Цифровые двойники используют 22% крупных компаний, еще 34% планируют внедрение. Доля компаний, вложивших более 3,5 млн рублей в автоматизацию, за год выросла с 38% до 62%. При этом 60% бизнеса по-прежнему действует без единой стратегии цифровизации, а 80% работают с разрозненными системами, где данные передаются фрагментарно.
Компании вкладывают средства и внедряют технологии, но отдачу получают не все. Причина в том, что цифровая технология усиливает процесс, на который ее ставят: на выстроенном процессе она повышает результат, на неотлаженном — ускоряет ошибки и удорожает их. Решающее значение имеет не выбор технологии, а ее сочетание с готовым процессом и пригодными данными.
Об этом — новая статья серии о методике АЦТ. На очереди группа G «Цифровые технологии трансформации», которая объединяет 16 инструментов: от облачных вычислений и low-code до цифровых двойников, машинного обучения и ИИ-агентов.
В статье разбираем:
— 16 инструментов по четырем подгруппам, с часами освоения и сложностью;
— реальные кейсы Северстали и «Газпром нефти» — что именно дало эффект;
— пять типовых проблем производства и аккорды инструментов под каждую;
— матрицу зрелости: как понять, на каком уровне ваше предприятие;
— что можно сделать за ближайший месяц своими силами.
🔗 Читать полностью: https://dia.ru/news/5613
👍2💯2❤1
20 лет автоматизации в России: что изменилось и что осталось прежним
Если оглянуться на двадцать лет назад, видно, как менялся сам предмет разговора на российских производствах — какие технологии в конкретный момент собирали вокруг себя бюджеты и внимание руководства.
Середина 2000-х. Учет и первая волна бережливого производства.
Предприятия внедряли западные ERP — к рубежу 2000–2010-х доля SAP на рынке доходила до 48%. В цехах разворачивали импортные АСУ ТП и SCADA.
Тогда же распространилось бережливое производство: ГАЗ запустил производственную систему в 2003-м одним из первых в стране, следом пришли КАМАЗ, Русал, позже Росатом и НЛМК. Задача стояла прикладная: убрать потери и бумажный документооборот, свести разрозненные таблицы в единую систему.
2010-е. Интеграция и цифровая трансформация как стратегия.
На первый план вышла интеграция: связать ERP, MES и SCADA в один поток данных, добавить BI-аналитику. Цифровая трансформация из ИТ-задачи перешла в разряд корпоративной стратегии и стала зоной ответственности отдельных топ-менеджеров.
В 2017-м запустилась нацпрограмма «Цифровая экономика», тогда же Россия одной из первых в мире начала разрабатывать стандарты цифровых двойников, а их массовое внедрение закладывали в дорожные карты на середину 2020-х.
2020-е. Импортозамещение и волна ИИ.
После ухода иностранных вендоров системы, годами работавшие на зарубежном ПО, пришлось переводить на отечественное (в 2021 году только на SAP приходилось около 42% российского рынка ПО для автоматизации бизнеса). Рынок АСУ ТП в 2024-м вырос почти на 50%, до 124 млрд рублей, при этом доля российских продуктов в нем составляла лишь 25–27%, а в обрабатывающей промышленности — около 5%.
Параллельно пришла волна ИИ и предиктивной аналитики: производство стало лидером по числу внедрений, а кейсы вроде AI-контроля качества проката на ММК (брак ниже на 17%) дали измеримый эффект.
При этом технологии распространяются медленнее, чем о них говорят. В 2024 году генеративный ИИ применяли лишь около 0,3% промышленных компаний, промышленный интернет вещей — около 7%. Получается, что инструменты, вокруг которых строят стратегии, пока дошли до считанных предприятий.
Похожая картина в роботизации: плотность в российской промышленности в 2025 году — около 40 роботов на 10 тысяч работников против 29 годом ранее, тогда как среднемировой показатель около 162, а в Китае — порядка 2000.
Технологический набор за двадцать лет обновился полностью: от учетных систем до промышленного ИИ. Управленческие практики вокруг него изменились меньше. Данные собираются почти на всех уровнях, но значительная часть решений принимается так же, как пятнадцать лет назад. Проекты по-прежнему нередко стартуют без четко сформулированной задачи, а успехом внедрения считают сам факт запуска системы, а не положительное изменение производственного показателя.
Контуры следующего десятилетия уже заданы. К 2030 году поставлены цели перевести не менее 80% организаций ключевых отраслей на российское ПО и поднять долю отраслей с высокой готовностью к ИИ с 12% до 95%.
Свои прогнозы строит и бизнес: первый межотраслевой обзор «Мегатренды-2026» относит к ключевым направлениям связь нового поколения, повсеместный ИИ, робототехнику и цифровые двойники.
Если оглянуться на двадцать лет назад, видно, как менялся сам предмет разговора на российских производствах — какие технологии в конкретный момент собирали вокруг себя бюджеты и внимание руководства.
Середина 2000-х. Учет и первая волна бережливого производства.
Предприятия внедряли западные ERP — к рубежу 2000–2010-х доля SAP на рынке доходила до 48%. В цехах разворачивали импортные АСУ ТП и SCADA.
Тогда же распространилось бережливое производство: ГАЗ запустил производственную систему в 2003-м одним из первых в стране, следом пришли КАМАЗ, Русал, позже Росатом и НЛМК. Задача стояла прикладная: убрать потери и бумажный документооборот, свести разрозненные таблицы в единую систему.
2010-е. Интеграция и цифровая трансформация как стратегия.
На первый план вышла интеграция: связать ERP, MES и SCADA в один поток данных, добавить BI-аналитику. Цифровая трансформация из ИТ-задачи перешла в разряд корпоративной стратегии и стала зоной ответственности отдельных топ-менеджеров.
В 2017-м запустилась нацпрограмма «Цифровая экономика», тогда же Россия одной из первых в мире начала разрабатывать стандарты цифровых двойников, а их массовое внедрение закладывали в дорожные карты на середину 2020-х.
2020-е. Импортозамещение и волна ИИ.
После ухода иностранных вендоров системы, годами работавшие на зарубежном ПО, пришлось переводить на отечественное (в 2021 году только на SAP приходилось около 42% российского рынка ПО для автоматизации бизнеса). Рынок АСУ ТП в 2024-м вырос почти на 50%, до 124 млрд рублей, при этом доля российских продуктов в нем составляла лишь 25–27%, а в обрабатывающей промышленности — около 5%.
Параллельно пришла волна ИИ и предиктивной аналитики: производство стало лидером по числу внедрений, а кейсы вроде AI-контроля качества проката на ММК (брак ниже на 17%) дали измеримый эффект.
При этом технологии распространяются медленнее, чем о них говорят. В 2024 году генеративный ИИ применяли лишь около 0,3% промышленных компаний, промышленный интернет вещей — около 7%. Получается, что инструменты, вокруг которых строят стратегии, пока дошли до считанных предприятий.
Похожая картина в роботизации: плотность в российской промышленности в 2025 году — около 40 роботов на 10 тысяч работников против 29 годом ранее, тогда как среднемировой показатель около 162, а в Китае — порядка 2000.
Технологический набор за двадцать лет обновился полностью: от учетных систем до промышленного ИИ. Управленческие практики вокруг него изменились меньше. Данные собираются почти на всех уровнях, но значительная часть решений принимается так же, как пятнадцать лет назад. Проекты по-прежнему нередко стартуют без четко сформулированной задачи, а успехом внедрения считают сам факт запуска системы, а не положительное изменение производственного показателя.
Контуры следующего десятилетия уже заданы. К 2030 году поставлены цели перевести не менее 80% организаций ключевых отраслей на российское ПО и поднять долю отраслей с высокой готовностью к ИИ с 12% до 95%.
Свои прогнозы строит и бизнес: первый межотраслевой обзор «Мегатренды-2026» относит к ключевым направлениям связь нового поколения, повсеместный ИИ, робототехнику и цифровые двойники.
💯2❤1👍1
В 2024 году российский рынок генеративного ИИ оценивался в 13 млрд рублей. По итогам 2025-го — уже 58 млрд. Рост в 4,5 раза за один год.
Компании перешли от разовых экспериментов к регулярным расходам на платформы и интеграцию.
Такие данные приводит консалтинговое агентство Onside совместно с вендором Just AI в исследовании, опубликованном в декабре 2025 года. Параллельно — исследование «Яков и Партнёров» и «Яндекса»: 71% крупных российских компаний к концу 2025 года применяют генеративный ИИ хотя бы в одной бизнес-функции. Это на 17 процентных пунктов больше, чем в 2024-м.
Что изменилось структурно
Из 58 млрд рублей общего объема рынка 44 млрд — корпоративный сегмент. Крупные клиенты Yandex AI Studio за 2025 год увеличили потребление генеративных нейросетей в облаке в пять раз. В 2023 году в среднем 2,4 бизнес-функции на компанию были охвачены пилотами или полным внедрением ИИ. К 2025-му — уже 3,1.
Лидеры по объему рынка — банки и страховые компании (около 12 млрд рублей, 20% рынка), ИТ-сектор (7 млрд), ритейл (6 млрд), телеком (3 млрд). Производственный сектор и машиностроение в этой структуре пока представлены скромно: там интеграция сложнее, а цена ошибки выше.
По структуре кейсов: 58% применений — оптимизация внутренних процессов и операций, 35% — генерация дополнительной ценности, 7% — стратегические конкурентные преимущества.
Генеративный ИИ сегодня работает прежде всего там, где понятен процесс, ограничен риск ошибки и относительно короткий цикл проверки результата.
Что стоит за цифрой роста
Передовые отрасли, по данным «Яков и Партнеров», тратят на ИИ 13–17% годового ИТ-бюджета. Экономический эффект в этих отраслях — до 8% EBITDA уже сейчас. Прогноз для тех же передовых отраслей на следующий год — 13–21%.
Есть конкретные российские цифры. Сбер по итогам 2025 года зафиксировал совокупный экономический эффект от внедрения ИИ более 450 млрд рублей, из которых порядка 50 млрд — от генеративного ИИ. МТС за тот же период оценил эффект от ИИ-трансформации в группе компаний в более чем 2,5 млрд рублей, еще более 10 млрд рублей находится в активной воронке ИИ-инициатив.
Масштаб Сбера и МТС — исключение, не норма. Оба вложили в ИИ-инфраструктуру и данные несколько лет работы до того, как появились измеримые результаты.
Прогноз до 2030-го
По оценке Onside, к 2030 году российский рынок генеративного ИИ может достичь 778 млрд рублей при среднегодовых темпах роста 68,1%. «Яков и Партнёры» дают схожий ориентир: вклад генеративного ИИ в ВВП к 2030-му — от 1,6 до 2,7 трлн рублей. Оба прогноза содержат одну и ту же оговорку: при успешном масштабировании внедрений в 2026–2027 годах.
Переход от 58 млрд к 778 млрд упирается в три реальных ограничения. Качество корпоративных данных: по данным НИУ ВШЭ ИСИЭЗ (2025), 57% промышленных предприятий называют нехватку финансовых ресурсов и длительную окупаемость главными барьерами — данные при этом остаются неупорядоченными даже там, где деньги есть. Нехватка кадров с опытом ИИ-интеграции. И неспособность тиражировать разовые пилоты в промышленные решения.
По данным исследования FinExpertiza (декабрь 2025 — февраль 2026, около 50 крупнейших российских компаний), 9 из 10 пилотных проектов по генеративному ИИ, запущенных в 2025 году, до полноценного промышленного внедрения не дошли. Тормозили кадры, инфраструктура и требования к безопасности данных. Генеральный директор MWS AI (группа МТС) Павел Воронин прокомментировал эту цифру прямо: такой показатель конверсии он считает нормальным для текущего этапа, поскольку значительная часть проектов еще находится в активной разработке.
Компании перешли от разовых экспериментов к регулярным расходам на платформы и интеграцию.
Такие данные приводит консалтинговое агентство Onside совместно с вендором Just AI в исследовании, опубликованном в декабре 2025 года. Параллельно — исследование «Яков и Партнёров» и «Яндекса»: 71% крупных российских компаний к концу 2025 года применяют генеративный ИИ хотя бы в одной бизнес-функции. Это на 17 процентных пунктов больше, чем в 2024-м.
Что изменилось структурно
Из 58 млрд рублей общего объема рынка 44 млрд — корпоративный сегмент. Крупные клиенты Yandex AI Studio за 2025 год увеличили потребление генеративных нейросетей в облаке в пять раз. В 2023 году в среднем 2,4 бизнес-функции на компанию были охвачены пилотами или полным внедрением ИИ. К 2025-му — уже 3,1.
Лидеры по объему рынка — банки и страховые компании (около 12 млрд рублей, 20% рынка), ИТ-сектор (7 млрд), ритейл (6 млрд), телеком (3 млрд). Производственный сектор и машиностроение в этой структуре пока представлены скромно: там интеграция сложнее, а цена ошибки выше.
По структуре кейсов: 58% применений — оптимизация внутренних процессов и операций, 35% — генерация дополнительной ценности, 7% — стратегические конкурентные преимущества.
Генеративный ИИ сегодня работает прежде всего там, где понятен процесс, ограничен риск ошибки и относительно короткий цикл проверки результата.
Что стоит за цифрой роста
Передовые отрасли, по данным «Яков и Партнеров», тратят на ИИ 13–17% годового ИТ-бюджета. Экономический эффект в этих отраслях — до 8% EBITDA уже сейчас. Прогноз для тех же передовых отраслей на следующий год — 13–21%.
Есть конкретные российские цифры. Сбер по итогам 2025 года зафиксировал совокупный экономический эффект от внедрения ИИ более 450 млрд рублей, из которых порядка 50 млрд — от генеративного ИИ. МТС за тот же период оценил эффект от ИИ-трансформации в группе компаний в более чем 2,5 млрд рублей, еще более 10 млрд рублей находится в активной воронке ИИ-инициатив.
Масштаб Сбера и МТС — исключение, не норма. Оба вложили в ИИ-инфраструктуру и данные несколько лет работы до того, как появились измеримые результаты.
Прогноз до 2030-го
По оценке Onside, к 2030 году российский рынок генеративного ИИ может достичь 778 млрд рублей при среднегодовых темпах роста 68,1%. «Яков и Партнёры» дают схожий ориентир: вклад генеративного ИИ в ВВП к 2030-му — от 1,6 до 2,7 трлн рублей. Оба прогноза содержат одну и ту же оговорку: при успешном масштабировании внедрений в 2026–2027 годах.
Переход от 58 млрд к 778 млрд упирается в три реальных ограничения. Качество корпоративных данных: по данным НИУ ВШЭ ИСИЭЗ (2025), 57% промышленных предприятий называют нехватку финансовых ресурсов и длительную окупаемость главными барьерами — данные при этом остаются неупорядоченными даже там, где деньги есть. Нехватка кадров с опытом ИИ-интеграции. И неспособность тиражировать разовые пилоты в промышленные решения.
По данным исследования FinExpertiza (декабрь 2025 — февраль 2026, около 50 крупнейших российских компаний), 9 из 10 пилотных проектов по генеративному ИИ, запущенных в 2025 году, до полноценного промышленного внедрения не дошли. Тормозили кадры, инфраструктура и требования к безопасности данных. Генеральный директор MWS AI (группа МТС) Павел Воронин прокомментировал эту цифру прямо: такой показатель конверсии он считает нормальным для текущего этапа, поскольку значительная часть проектов еще находится в активной разработке.
👍2💯2❤1
Что это значит для тех, кто еще не начал
Рост рынка в 4,5 раза означает, что конкуренты накапливают операционный опыт. Компании, которые начинают без готовых данных и без определенного владельца процесса, получают систему, которой не на чем учиться и некому отвечать за результат.
Перед первым контрактом с поставщиком стоит ответить на четыре вопроса: где в операционной цепочке есть понятный повторяющийся процесс с измеримым результатом; в каком состоянии данные; кто владелец процесса после внедрения; каким операционным показателем измеряем эффект.
Компании, которые пропускают эти вопросы, как правило, возвращаются к ним через год с выросшим бюджетом и меньшими ожиданиями.
Рост рынка в 4,5 раза означает, что конкуренты накапливают операционный опыт. Компании, которые начинают без готовых данных и без определенного владельца процесса, получают систему, которой не на чем учиться и некому отвечать за результат.
Перед первым контрактом с поставщиком стоит ответить на четыре вопроса: где в операционной цепочке есть понятный повторяющийся процесс с измеримым результатом; в каком состоянии данные; кто владелец процесса после внедрения; каким операционным показателем измеряем эффект.
Компании, которые пропускают эти вопросы, как правило, возвращаются к ним через год с выросшим бюджетом и меньшими ожиданиями.
❤2👍2💯1
Сегодня в Санкт-Петербурге открывается ПМЭФ-2026 — глобальное деловое событие, которое собирает на одной площадке государственный сектор, российский и зарубежный бизнес.
В программе — свыше 150 сессий, страна-гость — Саудовская Аравия. О масштабе форума говорит прошлогодний результат: 1 084 соглашения на 6,48 трлн рублей. Крупные компании традиционно приберегают заметные анонсы к открытию, поэтому основной поток новостей ожидается сегодня и завтра.
Но к старту форума ИТ-повестка подошла уже с собственным контуром. За первые три дня недели параллельно сложились три самостоятельных сюжета.
1️⃣ ИИ выходит в физический контур. ВТБ и Т1 показали платформу, где ИИ-агенты управляют роботами через единый интерфейс. За этим анонсом стоит не только банковский сценарий, но и более широкая технологическая гонка: управление физическими исполнителями через ИИ становится одной из заметных тем для крупных игроков.
2️⃣ Регулирование данных становится жестче. Правительство поручило Минэкономразвития и Минцифры подготовить предложения по обороту данных цифровых платформ. Параллельно истек срок подтверждения аккредитации ИТ-компаний — без нее организации теряют право на льготные ставки по налогу на прибыль и страховым взносам.
3️⃣ Доступность ИИ усиливает риски. Мошенники начали использовать дипфейки голосов директоров школ и деканов вузов для обзвона родителей выпускников. То, что еще недавно выглядело инструментом для точечных атак, становится массовой схемой социальной инженерии.
Получается важная предыстория к ПМЭФ: форум еще только открывается, а ключевые темы уже обозначены — ИИ, данные, безопасность и правила, по которым российский цифровой сектор будет развиваться дальше.
🔗 Полный разбор — в статье: https://dia.ru/news/5643
В программе — свыше 150 сессий, страна-гость — Саудовская Аравия. О масштабе форума говорит прошлогодний результат: 1 084 соглашения на 6,48 трлн рублей. Крупные компании традиционно приберегают заметные анонсы к открытию, поэтому основной поток новостей ожидается сегодня и завтра.
Но к старту форума ИТ-повестка подошла уже с собственным контуром. За первые три дня недели параллельно сложились три самостоятельных сюжета.
1️⃣ ИИ выходит в физический контур. ВТБ и Т1 показали платформу, где ИИ-агенты управляют роботами через единый интерфейс. За этим анонсом стоит не только банковский сценарий, но и более широкая технологическая гонка: управление физическими исполнителями через ИИ становится одной из заметных тем для крупных игроков.
2️⃣ Регулирование данных становится жестче. Правительство поручило Минэкономразвития и Минцифры подготовить предложения по обороту данных цифровых платформ. Параллельно истек срок подтверждения аккредитации ИТ-компаний — без нее организации теряют право на льготные ставки по налогу на прибыль и страховым взносам.
3️⃣ Доступность ИИ усиливает риски. Мошенники начали использовать дипфейки голосов директоров школ и деканов вузов для обзвона родителей выпускников. То, что еще недавно выглядело инструментом для точечных атак, становится массовой схемой социальной инженерии.
Получается важная предыстория к ПМЭФ: форум еще только открывается, а ключевые темы уже обозначены — ИИ, данные, безопасность и правила, по которым российский цифровой сектор будет развиваться дальше.
🔗 Полный разбор — в статье: https://dia.ru/news/5643
❤2👍1💯1
Forwarded from Раньше всех. Ну почти.
This media is not supported in your browser
VIEW IN TELEGRAM
Первый заместитель Председателя Правительства России Денис Мантуров дал старт новому производству промышленных роботов и автоматизированных систем хранения ООО «Семаргл» (концерн «Калашников») в особой экономической зоне «Санкт-Петербург «Новоорловская» в рамках ПМЭФ-2026.
Современная площадка по созданию комплексных решений для высокоавтоматизированных и «безлюдных» производств создана в рамках национального проекта «Средства производства и автоматизации». «Семаргл» призван стать первым в России предприятием, освоившим серийный выпуск широкой линейки роботизированного оборудования для внутрискладской и производственной логистики.
Современная площадка по созданию комплексных решений для высокоавтоматизированных и «безлюдных» производств создана в рамках национального проекта «Средства производства и автоматизации». «Семаргл» призван стать первым в России предприятием, освоившим серийный выпуск широкой линейки роботизированного оборудования для внутрискладской и производственной логистики.
🤝1
Четыре инструмента, которые существуют дольше, чем большинство современных подходов к управлению производством.
PDCA описан в 1939 году. Диаграмма Ишикавы предложена в 1952-м. 5S сформировалась в Toyota в 1950-х. RCA пришел из авиации и атомной энергетики того же периода.
Почти восемь десятилетий в практике, но они по-прежнему входят в перечень инструментов любого серьезного проекта повышения эффективности, потому что закрывают задачу, которую не решает ни одна система автоматизации: найти настоящую причину проблемы и не дать ей вернуться.
В новой статье цикла об инструментах методики АЦТ разберем:
— Как PDCA организует улучшение, чтобы оно не остановилось после первого шага: малый эксперимент, проверка на данных, стандартизация результата;
— Диаграмма Ишикавы и разбор проблем по категориям причин сразу в нескольких направлениях;
— Как RCA доводит анализ до уровня, где изменение действительно предотвращает повторение, а не закрывает расследование на «человеческом факторе»;
— Почему 5S создает рабочую среду, в которой отклонение становится видимым до того, как превратилось в аварию или потери.
По каждому инструменту — не только суть, но и разбор ошибок, на которых останавливаются даже опытные команды. И отдельный блок о том, как эти четыре инструмента работают в связке: где начинать, в каком порядке и что происходит, когда один из них пропускают.
🔗 Читать статью: https://dia.ru/news/5649
PDCA описан в 1939 году. Диаграмма Ишикавы предложена в 1952-м. 5S сформировалась в Toyota в 1950-х. RCA пришел из авиации и атомной энергетики того же периода.
Почти восемь десятилетий в практике, но они по-прежнему входят в перечень инструментов любого серьезного проекта повышения эффективности, потому что закрывают задачу, которую не решает ни одна система автоматизации: найти настоящую причину проблемы и не дать ей вернуться.
В новой статье цикла об инструментах методики АЦТ разберем:
— Как PDCA организует улучшение, чтобы оно не остановилось после первого шага: малый эксперимент, проверка на данных, стандартизация результата;
— Диаграмма Ишикавы и разбор проблем по категориям причин сразу в нескольких направлениях;
— Как RCA доводит анализ до уровня, где изменение действительно предотвращает повторение, а не закрывает расследование на «человеческом факторе»;
— Почему 5S создает рабочую среду, в которой отклонение становится видимым до того, как превратилось в аварию или потери.
По каждому инструменту — не только суть, но и разбор ошибок, на которых останавливаются даже опытные команды. И отдельный блок о том, как эти четыре инструмента работают в связке: где начинать, в каком порядке и что происходит, когда один из них пропускают.
🔗 Читать статью: https://dia.ru/news/5649
🔥1
Чему промышленность может научиться у ИТ-отрасли?
Когда говорят о заимствовании опыта ИТ-компаний, имеют в виду, как правило, программный стек: ERP, MES, BI, облака. Но есть вещи, которые нельзя просто так взять, и купить.
Отношение к циклу улучшений. В ИТ сложился уже привычный конвейер — выпустить версию, собрать обратную связь, исправить, выпустить следующую. Завод работает иначе: остановка линии ради эксперимента стоит денег, а ошибка в сварном шве — не баг в интерфейсе. Культура коротких итераций приживается на производстве только там, где цена ошибки контролируема: в планировании смен, в логистике, в расчете запасов. Там инструмент работает.
«Северсталь» столкнулась с этим в 2016 году. Новые виды продукции выводились на рынок в среднем за 2–2,5 года — медленнее не только зарубежных конкурентов, но и ряда российских. Компания адаптировала Scrum под металлургическую специфику: собрала кросс-функциональные команды из 4–5 человек, ввела спринты и ежедневные стендапы. Первые два пилотных проекта при загрузке участников всего на 20–30% дали ускорение разработки в 2–3 раза. Принципиальная оговорка: минимальная партия нового продукта в металлургии — 350 тонн — слова Виталия Сухарева, лидера agile-трансформации «Северстали» (CIO Magazine, 2018). Ошибка при запуске нового вида стали обойдется намного дороже, чем вернуть предыдущую версию кода. Поэтому Scrum не скопировали, а адаптировали под промышленную реальность.
Отношение к данным как к рабочему материалу. ИТ-команда принимает решения на основе метрик. На заводе данные часто существуют, но не используются: производительность линии — в Excel или в бумажном журнале у мастера, загрузка оборудования — в голове у главного механика. Разрыв не технический, а управленческий. По данным ИСИЭЗ НИУ ВШЭ (2025, > 1,7 тыс. организаций машиностроения), 57% предприятий назвали нехватку финансов главным барьером цифровизации — но вторым по частоте шли длительные сроки окупаемости. Предприятие не умеет считать эффект цифровых вложений — и поэтому не видит, зачем вкладываться.
Парадокс в том, что сам инструмент управления данными о потоке придумали не программисты. Канбан-доску разработал инженер Toyota Тайити Оно в 1953 году для управления потоком деталей в цехе. Через полвека программисты взяли производственный инструмент и перенесли в разработку. Сейчас промышленность заимствует его обратно — уже в цифровом виде, в составе MES и BI-систем. Направление переноса менялось дважды. Выигрывает тот, кто умеет смотреть на процесс через данные — независимо от того, откуда пришел инструмент.
Привычка к незавершенности. ИТ-продукт никогда не «готов»: есть дорожная карта, горизонт всегда открыт. Завод часто мыслит проектно: запустили, подписали акт, команда разошлась. Что происходит с системой через год — отдельный вопрос, которым занимаются редко. «Росатом» пошел другим путем: культура бережливого производства и непрерывного совершенствования закреплена в корпоративном стандарте — производственная система действует постоянно, а не запускается под проект. По данным Рексофт, комплексные проекты дают эффект в 20 раз больше точечных за 10 лет.
Граница переноса при этом реальная — там, где сбой останавливает конвейер или грозит травмой, культура «попробовали и откатили» неприменима. Промышленность берет у ИТ не методы целиком, а принципы: считать эффект до старта, развивать систему после запуска, не закрывать горизонт актом приемки.
Когда говорят о заимствовании опыта ИТ-компаний, имеют в виду, как правило, программный стек: ERP, MES, BI, облака. Но есть вещи, которые нельзя просто так взять, и купить.
Отношение к циклу улучшений. В ИТ сложился уже привычный конвейер — выпустить версию, собрать обратную связь, исправить, выпустить следующую. Завод работает иначе: остановка линии ради эксперимента стоит денег, а ошибка в сварном шве — не баг в интерфейсе. Культура коротких итераций приживается на производстве только там, где цена ошибки контролируема: в планировании смен, в логистике, в расчете запасов. Там инструмент работает.
«Северсталь» столкнулась с этим в 2016 году. Новые виды продукции выводились на рынок в среднем за 2–2,5 года — медленнее не только зарубежных конкурентов, но и ряда российских. Компания адаптировала Scrum под металлургическую специфику: собрала кросс-функциональные команды из 4–5 человек, ввела спринты и ежедневные стендапы. Первые два пилотных проекта при загрузке участников всего на 20–30% дали ускорение разработки в 2–3 раза. Принципиальная оговорка: минимальная партия нового продукта в металлургии — 350 тонн — слова Виталия Сухарева, лидера agile-трансформации «Северстали» (CIO Magazine, 2018). Ошибка при запуске нового вида стали обойдется намного дороже, чем вернуть предыдущую версию кода. Поэтому Scrum не скопировали, а адаптировали под промышленную реальность.
Отношение к данным как к рабочему материалу. ИТ-команда принимает решения на основе метрик. На заводе данные часто существуют, но не используются: производительность линии — в Excel или в бумажном журнале у мастера, загрузка оборудования — в голове у главного механика. Разрыв не технический, а управленческий. По данным ИСИЭЗ НИУ ВШЭ (2025, > 1,7 тыс. организаций машиностроения), 57% предприятий назвали нехватку финансов главным барьером цифровизации — но вторым по частоте шли длительные сроки окупаемости. Предприятие не умеет считать эффект цифровых вложений — и поэтому не видит, зачем вкладываться.
Парадокс в том, что сам инструмент управления данными о потоке придумали не программисты. Канбан-доску разработал инженер Toyota Тайити Оно в 1953 году для управления потоком деталей в цехе. Через полвека программисты взяли производственный инструмент и перенесли в разработку. Сейчас промышленность заимствует его обратно — уже в цифровом виде, в составе MES и BI-систем. Направление переноса менялось дважды. Выигрывает тот, кто умеет смотреть на процесс через данные — независимо от того, откуда пришел инструмент.
Привычка к незавершенности. ИТ-продукт никогда не «готов»: есть дорожная карта, горизонт всегда открыт. Завод часто мыслит проектно: запустили, подписали акт, команда разошлась. Что происходит с системой через год — отдельный вопрос, которым занимаются редко. «Росатом» пошел другим путем: культура бережливого производства и непрерывного совершенствования закреплена в корпоративном стандарте — производственная система действует постоянно, а не запускается под проект. По данным Рексофт, комплексные проекты дают эффект в 20 раз больше точечных за 10 лет.
Граница переноса при этом реальная — там, где сбой останавливает конвейер или грозит травмой, культура «попробовали и откатили» неприменима. Промышленность берет у ИТ не методы целиком, а принципы: считать эффект до старта, развивать систему после запуска, не закрывать горизонт актом приемки.
👏3⚡1👍1
Как понять, что предприятие готово к цифровизации?
По данным одного из исследований 2025 года (более 1,7 тыс. предприятий машиностроения) 94% компаний считают внедрение цифровых технологий перспективным направлением. При этом 57% называют главным барьером нехватку финансовых ресурсов, второй по частоте — длительные сроки окупаемости.
Большинство предприятий запускают проекты раньше, чем оценивают реальную готовность к ним, которая складывается из четырех условий.
Управленческая воля. Сергей Сурков, руководитель отдела исследований Рексофт Консалтинг: «За громкими заявлениями о достижениях часто скрываются изменения в отдельных процессах без пересмотра операционной модели. Мы получаем цифру без реальной трансформации». Если решение о проекте принято ради отчета или давления рынка, а не из понимания конкретной задачи, проект не дойдет до результата независимо от бюджета. Проверочный вопрос: кто из топ-менеджмента готов лично отвечать за эффективность после запуска.
Состояние данных. Цифровые системы работают с данными, которые уже есть в компании. Если учет ведется в нескольких несвязанных системах, справочники не согласованы между подразделениями, а фактические показатели существуют в нескольких версиях — система воспроизведет эту ситуацию в цифровом виде. По данным ИСИЭЗ НИУ ВШЭ, 39% предприятий тратят на цифровые технологии менее 1 млн рублей в год — этого не хватает даже на то, чтобы привести данные в порядок.
Люди. По данным многолетних исследований Standish Group, только треть ИТ-проектов достигает успешного завершения — и одна из ключевых причин в том, что команда заказчика недоукомплектована или перегружена текущими задачами. Внедрение требует постоянного участия внутренних сотрудников: обследование, согласование требований, тестирование, приемка. Если этих людей нет до старта, то подрядчику не от кого получать обратную связь — и результат расходится с ожиданиями.
Бюджет на полный цикл. 57% предприятий называют нехватку финансов главным барьером. Но даже там, где деньги есть, их закладывают только на внедрение — без поддержки, обновлений и доработок после запуска. По отраслевым оценкам на основе методологии TCO Gartner, расходы после запуска составляют около 70% совокупных затрат за 5 лет. Проект, запущенный без этого расчета, генерирует непредвиденные расходы уже в первый год.
Что делать, если готовность неполная?
Эти четыре условия требуют внимания по очереди. Отсутствие управленческой воли останавливает проект еще до старта, без нее остальные три условия не имеют значения. Состояние данных и укомплектованность команды можно подтягивать параллельно с выбором подрядчика. Бюджетный пробел закрывается на этапе планирования — до подписания контракта, пока цена исправления минимальна.
Начать стоит с фиксации владельца результата на уровне топ-менеджмента. Затем провести инвентаризацию данных и оценить реальную загрузку внутренней команды. После этого пересчитать бюджет с учетом TCO. Компания, которая запускает проект без этих трех шагов, как правило, возвращается к ним в процессе внедрения и тратит на исправление больше, чем стоила бы пауза на старте.
По данным одного из исследований 2025 года (более 1,7 тыс. предприятий машиностроения) 94% компаний считают внедрение цифровых технологий перспективным направлением. При этом 57% называют главным барьером нехватку финансовых ресурсов, второй по частоте — длительные сроки окупаемости.
Большинство предприятий запускают проекты раньше, чем оценивают реальную готовность к ним, которая складывается из четырех условий.
Управленческая воля. Сергей Сурков, руководитель отдела исследований Рексофт Консалтинг: «За громкими заявлениями о достижениях часто скрываются изменения в отдельных процессах без пересмотра операционной модели. Мы получаем цифру без реальной трансформации». Если решение о проекте принято ради отчета или давления рынка, а не из понимания конкретной задачи, проект не дойдет до результата независимо от бюджета. Проверочный вопрос: кто из топ-менеджмента готов лично отвечать за эффективность после запуска.
Состояние данных. Цифровые системы работают с данными, которые уже есть в компании. Если учет ведется в нескольких несвязанных системах, справочники не согласованы между подразделениями, а фактические показатели существуют в нескольких версиях — система воспроизведет эту ситуацию в цифровом виде. По данным ИСИЭЗ НИУ ВШЭ, 39% предприятий тратят на цифровые технологии менее 1 млн рублей в год — этого не хватает даже на то, чтобы привести данные в порядок.
Люди. По данным многолетних исследований Standish Group, только треть ИТ-проектов достигает успешного завершения — и одна из ключевых причин в том, что команда заказчика недоукомплектована или перегружена текущими задачами. Внедрение требует постоянного участия внутренних сотрудников: обследование, согласование требований, тестирование, приемка. Если этих людей нет до старта, то подрядчику не от кого получать обратную связь — и результат расходится с ожиданиями.
Бюджет на полный цикл. 57% предприятий называют нехватку финансов главным барьером. Но даже там, где деньги есть, их закладывают только на внедрение — без поддержки, обновлений и доработок после запуска. По отраслевым оценкам на основе методологии TCO Gartner, расходы после запуска составляют около 70% совокупных затрат за 5 лет. Проект, запущенный без этого расчета, генерирует непредвиденные расходы уже в первый год.
Что делать, если готовность неполная?
Эти четыре условия требуют внимания по очереди. Отсутствие управленческой воли останавливает проект еще до старта, без нее остальные три условия не имеют значения. Состояние данных и укомплектованность команды можно подтягивать параллельно с выбором подрядчика. Бюджетный пробел закрывается на этапе планирования — до подписания контракта, пока цена исправления минимальна.
Начать стоит с фиксации владельца результата на уровне топ-менеджмента. Затем провести инвентаризацию данных и оценить реальную загрузку внутренней команды. После этого пересчитать бюджет с учетом TCO. Компания, которая запускает проект без этих трех шагов, как правило, возвращается к ним в процессе внедрения и тратит на исправление больше, чем стоила бы пауза на старте.
🔥2
По данным исследования российского рынка Process Mining, опубликованного в январе 2026 года, каждая третья крупная компания в России уже применяет инструменты процессной аналитики или тестирует их в пилотном режиме. И почти везде на старте обнаруживается одно и то же: реальная картина процессов расходится с той, что описана в регламентах.
Группа H «Данные и аналитика» методики АЦТ работает именно с этим. Десять инструментов покрывают полный цикл: от упорядочивания данных до их обработки в реальном времени и анализа того, как процессы устроены на самом деле.
В новой статье разбираем:
— 10 инструментов по трем подгруппам, с часами освоения и сложностью;
— кейсы «Норникеля» и «АЛРОСА»: Process Mining сократил затраты и время на ТОиР на 30–40%;
— промышленный кейс прогнозной аналитики: точность прогноза выросла с 49% до 64%;
— как группа H обеспечивает данными остальные группы методики — от OEE до стратегического планирования;
— что можно проверить за ближайший месяц своими силами.
В оркестровой логике методики группа H — это арфа: она не задает темп и не определяет тональность, но проявляет то, что было скрыто в общем гуле производственных процессов.
🔗 Читать полностью → https://dia.ru/news/5660
Группа H «Данные и аналитика» методики АЦТ работает именно с этим. Десять инструментов покрывают полный цикл: от упорядочивания данных до их обработки в реальном времени и анализа того, как процессы устроены на самом деле.
В новой статье разбираем:
— 10 инструментов по трем подгруппам, с часами освоения и сложностью;
— кейсы «Норникеля» и «АЛРОСА»: Process Mining сократил затраты и время на ТОиР на 30–40%;
— промышленный кейс прогнозной аналитики: точность прогноза выросла с 49% до 64%;
— как группа H обеспечивает данными остальные группы методики — от OEE до стратегического планирования;
— что можно проверить за ближайший месяц своими силами.
В оркестровой логике методики группа H — это арфа: она не задает темп и не определяет тональность, но проявляет то, что было скрыто в общем гуле производственных процессов.
🔗 Читать полностью → https://dia.ru/news/5660
🔥2
1. ПМЭФ-2026 стартовал с промышленного ИИ и цифровой трансформации
3 июня на ПМЭФ в Петербурге дали старт сотрудничеству в сфере искусственного интеллекта для цифровой трансформации промышленности города. Для промышленной повестки это важный сигнал: ИИ обсуждают не как витринную технологию, а как инструмент для производственных процессов, стандартов и работы предприятий.
2. Минцифры обновило паспорт программы цифровой трансформации
3 июня на портале ФГИС КИ опубликован новый паспорт ведомственной программы цифровой трансформации Минцифры на 2026 год и плановый период 2027–2028 годов. Один из ориентиров — к 2030 году перевести не менее 80% российских организаций ключевых отраслей на базовое и прикладное российское ПО для производственных и управленческих процессов.
3. «Газпром нефть» запустила первую в России роботизированную буровую на суше
1 июня на Чонской группе месторождений в Восточной Сибири введён роботизированный комплекс для строительства скважин. Он без участия человека выполняет сборку, разборку, спуск и подъём бурильных и обсадных колонн — ранее подобная техника применялась только на морском шельфе. Автоматизация ускоряет строительство скважин более чем на 30% и снимает тяжёлый ручной труд. До конца 2026 года такими установками планируют оснастить ещё шесть буровых установок.
4. В Петербурге запустили завод промышленных роботов и складской автоматизации
3 июня на площадке «Новоорловская» ОЭЗ «Санкт-Петербург» в рамках ПМЭФ открылся завод «Семаргл» (входит в концерн «Калашников»). Здесь будут выпускать логистические и мобильные роботы, транспортные платформы и шаттловые системы хранения с высокой локализацией и собственным ПО. Инвестиции — 1,1 млрд рублей, создано 150 рабочих мест.
5. ГК «Цифра» показала центр управления производством для холдингов
Компания представила единый центр управления предприятиями холдинга. Решение переводит управление с уровня отдельных площадок на уровень производственных цепочек на основе данных. Это движение от локальной цифровизации станков и цехов к управлению всей производственной сетью: заказами, загрузкой, ресурсами и отклонениями в едином контуре.
6. «Ростелеком» и «ФосАгро» договорились о цифровизации производственных процессов
4 июня компании заключили соглашение о разработке и внедрении российского ПО и оборудования для предприятий «ФосАгро». В фокусе — цифровизация охраны труда, интеллектуальное видеонаблюдение, контроль доступа, позиционирование персонала и замещение импортных решений в ключевых производственных процессах. Для химической и горнодобывающей промышленности это пример комплексной цифровизации: не отдельный сервис, а связка безопасности, инфраструктуры и управления процессами.
7. «ЛокоТех-Сервис» начал масштабный переход на электронный документооборот
С 1 июня на электронное подписание перешли все депо Московского филиала «ЛокоТех-Сервис». Далее компания планирует переводить на ЭДО по одному филиалу в месяц, а завершить переход во всех филиалах — к июлю 2027 года.
8. «Черкизово» внедрило контроль привилегированного доступа для ИТ-подрядчиков
Группа «Черкизово» внедрила PAM-систему российского разработчика «АйТи Бастион» (СКДПУ НТ) для контроля привилегированного доступа внешних ИТ-подрядчиков. Решение обеспечивает единую точку доступа, идентификацию пользователей, запись сессий и автоматическое реагирование на нетипичную активность.
3 июня на ПМЭФ в Петербурге дали старт сотрудничеству в сфере искусственного интеллекта для цифровой трансформации промышленности города. Для промышленной повестки это важный сигнал: ИИ обсуждают не как витринную технологию, а как инструмент для производственных процессов, стандартов и работы предприятий.
2. Минцифры обновило паспорт программы цифровой трансформации
3 июня на портале ФГИС КИ опубликован новый паспорт ведомственной программы цифровой трансформации Минцифры на 2026 год и плановый период 2027–2028 годов. Один из ориентиров — к 2030 году перевести не менее 80% российских организаций ключевых отраслей на базовое и прикладное российское ПО для производственных и управленческих процессов.
3. «Газпром нефть» запустила первую в России роботизированную буровую на суше
1 июня на Чонской группе месторождений в Восточной Сибири введён роботизированный комплекс для строительства скважин. Он без участия человека выполняет сборку, разборку, спуск и подъём бурильных и обсадных колонн — ранее подобная техника применялась только на морском шельфе. Автоматизация ускоряет строительство скважин более чем на 30% и снимает тяжёлый ручной труд. До конца 2026 года такими установками планируют оснастить ещё шесть буровых установок.
4. В Петербурге запустили завод промышленных роботов и складской автоматизации
3 июня на площадке «Новоорловская» ОЭЗ «Санкт-Петербург» в рамках ПМЭФ открылся завод «Семаргл» (входит в концерн «Калашников»). Здесь будут выпускать логистические и мобильные роботы, транспортные платформы и шаттловые системы хранения с высокой локализацией и собственным ПО. Инвестиции — 1,1 млрд рублей, создано 150 рабочих мест.
5. ГК «Цифра» показала центр управления производством для холдингов
Компания представила единый центр управления предприятиями холдинга. Решение переводит управление с уровня отдельных площадок на уровень производственных цепочек на основе данных. Это движение от локальной цифровизации станков и цехов к управлению всей производственной сетью: заказами, загрузкой, ресурсами и отклонениями в едином контуре.
6. «Ростелеком» и «ФосАгро» договорились о цифровизации производственных процессов
4 июня компании заключили соглашение о разработке и внедрении российского ПО и оборудования для предприятий «ФосАгро». В фокусе — цифровизация охраны труда, интеллектуальное видеонаблюдение, контроль доступа, позиционирование персонала и замещение импортных решений в ключевых производственных процессах. Для химической и горнодобывающей промышленности это пример комплексной цифровизации: не отдельный сервис, а связка безопасности, инфраструктуры и управления процессами.
7. «ЛокоТех-Сервис» начал масштабный переход на электронный документооборот
С 1 июня на электронное подписание перешли все депо Московского филиала «ЛокоТех-Сервис». Далее компания планирует переводить на ЭДО по одному филиалу в месяц, а завершить переход во всех филиалах — к июлю 2027 года.
8. «Черкизово» внедрило контроль привилегированного доступа для ИТ-подрядчиков
Группа «Черкизово» внедрила PAM-систему российского разработчика «АйТи Бастион» (СКДПУ НТ) для контроля привилегированного доступа внешних ИТ-подрядчиков. Решение обеспечивает единую точку доступа, идентификацию пользователей, запись сессий и автоматическое реагирование на нетипичную активность.
👍6❤1
Как P&G отдал половину разработок внешним партнерам и что это дало крупной корпорации
В 2000 году Procter & Gamble переживал один из худших периодов в своей истории. После того как инвесторы отказались поддержать его заявку на покупку фармкомпании Warner-Lambert, акции рухнули на 20%, за этим последовали предупреждение о снижении прибыли и промах мимо собственного прогноза.
Но за биржевым обвалом стояла проблема глубже. Внутренние R&D перестали окупаться: бюджет на исследования рос быстрее выручки, а поток успешных новинок сокращался. Чем больше компания вкладывала в собственную лабораторию, тем дороже обходилась каждая следующая идея.
Новый CEO Алан Лафли принял решение, которое многие внутри восприняли как капитуляцию: он объявил, что отныне половина новых продуктов P&G должна приходить извне — от стартапов, университетов, изобретателей-одиночек, поставщиков и даже конкурентов. Программу назвали Connect+Develop.
Что показательно, тяжелее всего перестройка далась не технике, а людям. Тысячи сотрудников R&D, которых годами учили быть изобретателями, должны были стать коннекторами, а их KPI перестал измеряться числом патентов: теперь успех определялся количеством внешних решений, которые сотрудник нашел, проверил и довел до реального продукта. Для культуры, десятилетиями гордившейся тем, что все делает сама, это означало пересборку самой системы оценки работы.
Эффект программы превзошел ожидания. По данным P&G, производительность R&D выросла почти на 60%, за два года компания вывела на рынок более сотни продуктов, созданных с внешними партнерами, а капитализация P&G за десятилетие выросла примерно вдвое — с 74 до 150 млрд долларов.
Здесь важна одна деталь. В момент запуска Connect+Develop P&G не был ни стартапом без денег на лабораторию, ни небольшой компанией в поиске партнеров. Это была одна из крупнейших корпораций мира — с ресурсами, патентами, репутацией и собственной сильной наукой. Именно поэтому кейс закрывает два распространенных возражения.
Первое возражение состоит в том, что настоящие инновации можно делать только своими руками, иначе это уже не собственная компетенция. P&G показал обратное: чужая идея, проверенная и встроенная в производственный процесс компании, остается ее продуктом и ее выручкой.
Второе возражение встречается еще чаще: открытые инновации подходят малому бизнесу, у которого нет своего R&D, а крупной компании они не нужны. P&G был крупным, и именно открытость дала ему то, чего внутренняя лаборатория уже не обеспечивала: скорость и широту поиска решений.
При этом важно отметить, что Connect+Develop сработал не из-за самой декларации открытости, а потому, что под нее построили процесс: как искать внешние решения, как быстро их оценивать, кто за это отвечает и по каким критериям идея проходит дальше.
Отсюда следует практический вопрос к собственной команде разработки. Какой процент идей, дошедших до продукта за последние два года, пришел извне — не из соседнего отдела и не из внутреннего бэклога, а от партнера, вуза, поставщика или стартапа?
Если ответ близок к нулю, объяснений два. Либо вокруг компании действительно нет ни одной полезной внешней идеи, что маловероятно. Либо в компании нет системы, которая умеет такие идеи находить, проверять и встраивать в работу.
Открытость P&G опиралась на экономический расчет: найти готовое решение и довести его до рынка оказалось быстрее и дешевле, чем годами разрабатывать его с нуля внутри. Поэтому вопрос для крупной компании сегодня сводится не к наличию внешних идей, а к наличию процесса, который пропускает их внутрь и доводит до продукта.
В 2000 году Procter & Gamble переживал один из худших периодов в своей истории. После того как инвесторы отказались поддержать его заявку на покупку фармкомпании Warner-Lambert, акции рухнули на 20%, за этим последовали предупреждение о снижении прибыли и промах мимо собственного прогноза.
Но за биржевым обвалом стояла проблема глубже. Внутренние R&D перестали окупаться: бюджет на исследования рос быстрее выручки, а поток успешных новинок сокращался. Чем больше компания вкладывала в собственную лабораторию, тем дороже обходилась каждая следующая идея.
Новый CEO Алан Лафли принял решение, которое многие внутри восприняли как капитуляцию: он объявил, что отныне половина новых продуктов P&G должна приходить извне — от стартапов, университетов, изобретателей-одиночек, поставщиков и даже конкурентов. Программу назвали Connect+Develop.
Что показательно, тяжелее всего перестройка далась не технике, а людям. Тысячи сотрудников R&D, которых годами учили быть изобретателями, должны были стать коннекторами, а их KPI перестал измеряться числом патентов: теперь успех определялся количеством внешних решений, которые сотрудник нашел, проверил и довел до реального продукта. Для культуры, десятилетиями гордившейся тем, что все делает сама, это означало пересборку самой системы оценки работы.
Эффект программы превзошел ожидания. По данным P&G, производительность R&D выросла почти на 60%, за два года компания вывела на рынок более сотни продуктов, созданных с внешними партнерами, а капитализация P&G за десятилетие выросла примерно вдвое — с 74 до 150 млрд долларов.
Здесь важна одна деталь. В момент запуска Connect+Develop P&G не был ни стартапом без денег на лабораторию, ни небольшой компанией в поиске партнеров. Это была одна из крупнейших корпораций мира — с ресурсами, патентами, репутацией и собственной сильной наукой. Именно поэтому кейс закрывает два распространенных возражения.
Первое возражение состоит в том, что настоящие инновации можно делать только своими руками, иначе это уже не собственная компетенция. P&G показал обратное: чужая идея, проверенная и встроенная в производственный процесс компании, остается ее продуктом и ее выручкой.
Второе возражение встречается еще чаще: открытые инновации подходят малому бизнесу, у которого нет своего R&D, а крупной компании они не нужны. P&G был крупным, и именно открытость дала ему то, чего внутренняя лаборатория уже не обеспечивала: скорость и широту поиска решений.
При этом важно отметить, что Connect+Develop сработал не из-за самой декларации открытости, а потому, что под нее построили процесс: как искать внешние решения, как быстро их оценивать, кто за это отвечает и по каким критериям идея проходит дальше.
Отсюда следует практический вопрос к собственной команде разработки. Какой процент идей, дошедших до продукта за последние два года, пришел извне — не из соседнего отдела и не из внутреннего бэклога, а от партнера, вуза, поставщика или стартапа?
Если ответ близок к нулю, объяснений два. Либо вокруг компании действительно нет ни одной полезной внешней идеи, что маловероятно. Либо в компании нет системы, которая умеет такие идеи находить, проверять и встраивать в работу.
Открытость P&G опиралась на экономический расчет: найти готовое решение и довести его до рынка оказалось быстрее и дешевле, чем годами разрабатывать его с нуля внутри. Поэтому вопрос для крупной компании сегодня сводится не к наличию внешних идей, а к наличию процесса, который пропускает их внутрь и доводит до продукта.
👍1
В кризис цифровые бюджеты сокращают одними из первых. Когда финансирование обходится дороже, а прогнозировать выручку и спрос становится сложнее, компания переносит на потом все, что не связано с быстрым финансовым эффектом. Трансформацию при этом по привычке относят к необязательным тратам, которые ставятся на паузу без потерь для основного бизнеса. Но часть цифровых проектов как раз в кризис снижает прямые издержки, предотвращает дорогие простои и переводит сотрудников с рутинных операций на участки, где их не хватает.
Когда такой проект отменяют, предприятие отказывается от инструмента, который мог бы уже сейчас снижать издержки.
Что показывают данные
Российская промышленность ведет себя достаточно рационально. По данным исследования «Рексофт» (июль 2025, более 330 кейсов внедрения в нефтяной, нефтехимической и горно-металлургической отраслях), высокая ключевая ставка и ограниченность ресурсов вынуждают компании выбирать локальные проекты с быстрой окупаемостью — около года.
У этой осторожности есть обратная сторона, и «Рексофт» называет ее прямо: комплексные проекты дают экономический эффект, в 20 раз превышающий отдачу от точечных. Выбирая только проекты с быстрой окупаемостью, предприятие получает эффект сразу, но недополучает в долгосрочной отдаче — отказывается от решений, которые дают многократно больший эффект со временем.
Конечно, это не повод запускать масштабную программу в разгар кризиса, однако так видно, чем именно компания платит за выбор быстрых проектов, и можно не принимать вынужденное решение за оптимальное.
Как сокращать расходы правильно?
Когда портфель пересматривают по принципу «это можно отложить, а это обязательно», ориентируются на статус проекта, а не на его вклад в общее развитие. Из портфеля уходит то, что хуже всех защищено на совете директоров, а не то, что меньше всего нужно бизнесу. Главный признак здесь — срок окупаемости и характер эффекта.
Проект, который за год-полтора снижает прямые потери, сокращает простой дорогого оборудования или останавливает источник убытков, остается в портфеле даже в кризис, потому что окупается в приемлемые для предприятия сроки. Проект, отдача которого наступит через три-четыре года и зависит от предположений о росте рынка, спросе или ставке, замораживают — даже если он выглядит стратегически важным.
Различие — между проектом, который окупается в обозримый срок, и тем, что окупится когда-нибудь, если сложатся условия. В спокойное время эти две категории можно держать в одном портфеле и финансировать параллельно. В кризис их приходится разделять: на проекты с понятным эффектом в пределах года ресурс находится, долгосрочные инициативы переносят до прояснения ситуации. При этом откладывать нужно осознанно — записав, какой именно эффект отложили и что должно произойти, чтобы вернуть проект в работу.
Убедительнее всего при защите цифрового бюджета в кризис звучит конкретика: «вот проекты, которые вернут вложенное за год и снизят потери предприятия уже в этом периоде». Аргумент «нас обгонят конкуренты» рядом с ней проигрывает — за ним нет ни срока, ни суммы. Слабее всего защищен список инициатив, где короткие и длинные проекты смешаны: в кризис в первую очередь отказываются от того, что сложнее всего подтвердить цифрами, а не от действительно лишнего.
Сделать это нужно до того, как начнется сокращение бюджета: распределить инициативы по сроку окупаемости заранее. Тогда в момент срочного сокращения под рукой окажется не общий список, а два — проекты с эффектом в пределах года и долгосрочные.
Когда такой проект отменяют, предприятие отказывается от инструмента, который мог бы уже сейчас снижать издержки.
Что показывают данные
Российская промышленность ведет себя достаточно рационально. По данным исследования «Рексофт» (июль 2025, более 330 кейсов внедрения в нефтяной, нефтехимической и горно-металлургической отраслях), высокая ключевая ставка и ограниченность ресурсов вынуждают компании выбирать локальные проекты с быстрой окупаемостью — около года.
У этой осторожности есть обратная сторона, и «Рексофт» называет ее прямо: комплексные проекты дают экономический эффект, в 20 раз превышающий отдачу от точечных. Выбирая только проекты с быстрой окупаемостью, предприятие получает эффект сразу, но недополучает в долгосрочной отдаче — отказывается от решений, которые дают многократно больший эффект со временем.
Конечно, это не повод запускать масштабную программу в разгар кризиса, однако так видно, чем именно компания платит за выбор быстрых проектов, и можно не принимать вынужденное решение за оптимальное.
Как сокращать расходы правильно?
Когда портфель пересматривают по принципу «это можно отложить, а это обязательно», ориентируются на статус проекта, а не на его вклад в общее развитие. Из портфеля уходит то, что хуже всех защищено на совете директоров, а не то, что меньше всего нужно бизнесу. Главный признак здесь — срок окупаемости и характер эффекта.
Проект, который за год-полтора снижает прямые потери, сокращает простой дорогого оборудования или останавливает источник убытков, остается в портфеле даже в кризис, потому что окупается в приемлемые для предприятия сроки. Проект, отдача которого наступит через три-четыре года и зависит от предположений о росте рынка, спросе или ставке, замораживают — даже если он выглядит стратегически важным.
Различие — между проектом, который окупается в обозримый срок, и тем, что окупится когда-нибудь, если сложатся условия. В спокойное время эти две категории можно держать в одном портфеле и финансировать параллельно. В кризис их приходится разделять: на проекты с понятным эффектом в пределах года ресурс находится, долгосрочные инициативы переносят до прояснения ситуации. При этом откладывать нужно осознанно — записав, какой именно эффект отложили и что должно произойти, чтобы вернуть проект в работу.
Убедительнее всего при защите цифрового бюджета в кризис звучит конкретика: «вот проекты, которые вернут вложенное за год и снизят потери предприятия уже в этом периоде». Аргумент «нас обгонят конкуренты» рядом с ней проигрывает — за ним нет ни срока, ни суммы. Слабее всего защищен список инициатив, где короткие и длинные проекты смешаны: в кризис в первую очередь отказываются от того, что сложнее всего подтвердить цифрами, а не от действительно лишнего.
Сделать это нужно до того, как начнется сокращение бюджета: распределить инициативы по сроку окупаемости заранее. Тогда в момент срочного сокращения под рукой окажется не общий список, а два — проекты с эффектом в пределах года и долгосрочные.
🔥2
Про Кайдзен знают практически все. ABC/XYZ-анализ кто-то применял на складе или в закупках. Карты потока создания ценности рисовали реже, но название встречали многие. Эти методы давно вошли в обиход — и именно поэтому их недооценивают: кажется, что раз название на слуху, то разбираться особо не в чем.
Сегодняшней статьей мы завершаем разбор простых, базовых инструментов методики АЦТ из подгруппы А1 группы «Операционное превосходство». Последние, но не по значению — именно они переводят операционную работу от разовой диагностики к системе.
В статье разбираем каждый:
— Карта потока создания ценности (VSM) показывает всю цепочку от сырья до клиента и вскрывает, что ценность добавляется лишь 5–10% времени цикла, а остальное — потери.
— Кайдзен превращает разовые улучшения в непрерывный механизм, в котором идеи операторов не тонут в согласованиях, — на примерах КамАЗа и завода JTI в Ельце.
— ABC/XYZ-анализ отвечает на вопрос «с чего начать»: какие позиции держать под постоянным контролем, а какие не стоят внимания.
Низкий порог входа здесь обманчив: именно из-за кажущейся простоты эти методы применяют разово, считая, что разбираться не в чем. Поэтому по каждому в статье — не только суть и порядок применения, но и чек-лист перед стартом и разбор типичных ошибок.
🔗 Читать статью: https://dia.ru/news/5674
Сегодняшней статьей мы завершаем разбор простых, базовых инструментов методики АЦТ из подгруппы А1 группы «Операционное превосходство». Последние, но не по значению — именно они переводят операционную работу от разовой диагностики к системе.
В статье разбираем каждый:
— Карта потока создания ценности (VSM) показывает всю цепочку от сырья до клиента и вскрывает, что ценность добавляется лишь 5–10% времени цикла, а остальное — потери.
— Кайдзен превращает разовые улучшения в непрерывный механизм, в котором идеи операторов не тонут в согласованиях, — на примерах КамАЗа и завода JTI в Ельце.
— ABC/XYZ-анализ отвечает на вопрос «с чего начать»: какие позиции держать под постоянным контролем, а какие не стоят внимания.
Низкий порог входа здесь обманчив: именно из-за кажущейся простоты эти методы применяют разово, считая, что разбираться не в чем. Поэтому по каждому в статье — не только суть и порядок применения, но и чек-лист перед стартом и разбор типичных ошибок.
🔗 Читать статью: https://dia.ru/news/5674
🔥3
Завод будущего держится на людях, которые умеют работать с техникой
Разговор о «заводе будущего» часто сводится к технике: роботы, датчики, цифровые двойники... Между тем самое заметное изменение ближайших десяти лет коснется не столько оборудования, сколько того, что должен уметь человек рядом с ним.
Оператор станка постепенно становится наладчиком систем — его работа смещается от выполнения операции к настройке и контролю того, как операцию выполняет автоматика: меньше однотипных действий руками, больше понимания, почему система ведет себя так, а не иначе, и что делать, когда она отклоняется от нормы.
Параллельно растет спрос на инженеров, умеющих работать с данными. Речь идет о новом навыке в дополнение к привычному инженерного профиля. Технолог, конструктор или специалист по обслуживанию учится читать производственные данные и принимать на их основе решения. Самым дефицитным на производстве становится именно такой человек, который понимает и цех, и цифру.
Что говорят цифры
Масштаб дефицита измерим, и за последний год он заметно изменился. По данным Банка России, к концу 2024 года нехватку персонала отмечали 69% предприятий, в июле 2025 года — 65%, а к началу 2026 года показатель опустился до 51%. Число открытых вакансий сократилось вслед за охлаждением спроса — динамика сама по себе положительная.
Но снижение общего показателя еще не значит, что кадровый вопрос закрыт. Бюллетень ЦБ «Региональная экономика» отдельно отмечает: в обрабатывающих производствах высокий дефицит сохраняется.
Похожий путь прошла ИТ-отрасль. В августе 2023 года Минцифры оценивало нехватку разработчиков в 500–700 тысяч человек — и это была нехватка именно количества. К 2026 году на первый план вышел дефицит конкретных компетенций: специалистов начального уровня после коротких курсов на рынке избыток, тогда как спрос на тех, кто умеет работать с данными, ИИ, безопасностью и архитектурой систем, многократно превышает предложение.
По данным отраслевого опроса CFO Russia, в 2026 году 42% компаний планируют нанимать меньше, чем годом ранее, но 66% отмечают, что время на закрытие критичных позиций — архитекторов, специалистов по данным и безопасности — не сокращается. Производство проходит тот же путь с отставанием в несколько лет.
Кто уже готовит таких людей
Часть предприятий активно формирует цифровую компетенцию внутри. У «Северстали» работает отдельное подразделение «Северсталь Диджитал»: по данным компании, на 2023 год собственная промышленная IIoT-платформа собрала более 2,1 Пб производственных данных, а внутренняя команда разрабатывает решения с помощью машинного обучения и компьютерного зрения для своих же цехов.
На государственном уровне под тот же гибридный профиль работает проект «Цифровые кафедры» Минцифры и Минобрнауки. Он дает ИТ-квалификацию студентам непрофильных специальностей, и подготовку с его помощью к 2030 году должны пройти до 900 тысяч человек. Это попытка готовить таких специалистов системно и заранее, поскольку в готовом виде рынок их почти не предлагает.
Что это меняет в подготовке кадров
Предприятие, которое начинает переподготовку операторов и инженеров уже сегодня, на собственных процессах и собственном оборудовании, через пять лет окажется в заметно более выгодном положении. Тому, кто отложит подготовку, придется закрывать кадровый разрыв на исчерпанном рынке, конкурируя за готовых специалистов гибридного профиля и переплачивая за их дефицитность.
Практический шаг здесь связан с удержанием и развитием своих сотрудников, а не с поиском новых. Имеет смысл оценить инженерный и операторский состав по трем критериям: кто проявляет склонность к работе с данными и системами; на ком предприятие держится в силу незаменимости; какие из нужных компетенций реально сформировать внутри за несколько лет.
Разговор о «заводе будущего» часто сводится к технике: роботы, датчики, цифровые двойники... Между тем самое заметное изменение ближайших десяти лет коснется не столько оборудования, сколько того, что должен уметь человек рядом с ним.
Оператор станка постепенно становится наладчиком систем — его работа смещается от выполнения операции к настройке и контролю того, как операцию выполняет автоматика: меньше однотипных действий руками, больше понимания, почему система ведет себя так, а не иначе, и что делать, когда она отклоняется от нормы.
Параллельно растет спрос на инженеров, умеющих работать с данными. Речь идет о новом навыке в дополнение к привычному инженерного профиля. Технолог, конструктор или специалист по обслуживанию учится читать производственные данные и принимать на их основе решения. Самым дефицитным на производстве становится именно такой человек, который понимает и цех, и цифру.
Что говорят цифры
Масштаб дефицита измерим, и за последний год он заметно изменился. По данным Банка России, к концу 2024 года нехватку персонала отмечали 69% предприятий, в июле 2025 года — 65%, а к началу 2026 года показатель опустился до 51%. Число открытых вакансий сократилось вслед за охлаждением спроса — динамика сама по себе положительная.
Но снижение общего показателя еще не значит, что кадровый вопрос закрыт. Бюллетень ЦБ «Региональная экономика» отдельно отмечает: в обрабатывающих производствах высокий дефицит сохраняется.
Похожий путь прошла ИТ-отрасль. В августе 2023 года Минцифры оценивало нехватку разработчиков в 500–700 тысяч человек — и это была нехватка именно количества. К 2026 году на первый план вышел дефицит конкретных компетенций: специалистов начального уровня после коротких курсов на рынке избыток, тогда как спрос на тех, кто умеет работать с данными, ИИ, безопасностью и архитектурой систем, многократно превышает предложение.
По данным отраслевого опроса CFO Russia, в 2026 году 42% компаний планируют нанимать меньше, чем годом ранее, но 66% отмечают, что время на закрытие критичных позиций — архитекторов, специалистов по данным и безопасности — не сокращается. Производство проходит тот же путь с отставанием в несколько лет.
Кто уже готовит таких людей
Часть предприятий активно формирует цифровую компетенцию внутри. У «Северстали» работает отдельное подразделение «Северсталь Диджитал»: по данным компании, на 2023 год собственная промышленная IIoT-платформа собрала более 2,1 Пб производственных данных, а внутренняя команда разрабатывает решения с помощью машинного обучения и компьютерного зрения для своих же цехов.
На государственном уровне под тот же гибридный профиль работает проект «Цифровые кафедры» Минцифры и Минобрнауки. Он дает ИТ-квалификацию студентам непрофильных специальностей, и подготовку с его помощью к 2030 году должны пройти до 900 тысяч человек. Это попытка готовить таких специалистов системно и заранее, поскольку в готовом виде рынок их почти не предлагает.
Что это меняет в подготовке кадров
Предприятие, которое начинает переподготовку операторов и инженеров уже сегодня, на собственных процессах и собственном оборудовании, через пять лет окажется в заметно более выгодном положении. Тому, кто отложит подготовку, придется закрывать кадровый разрыв на исчерпанном рынке, конкурируя за готовых специалистов гибридного профиля и переплачивая за их дефицитность.
Практический шаг здесь связан с удержанием и развитием своих сотрудников, а не с поиском новых. Имеет смысл оценить инженерный и операторский состав по трем критериям: кто проявляет склонность к работе с данными и системами; на ком предприятие держится в силу незаменимости; какие из нужных компетенций реально сформировать внутри за несколько лет.
👍2😁1
По данным центра мониторинга Jet CSIRT за 2025 год, на промышленность и производство приходится каждый пятый крупный киберинцидент в России, и три четверти атак были нацелены на шифрование и разрушение инфраструктуры.
Группа I «Кибербезопасность и управление рисками» методики АЦТ работает именно с этим слоем. Шестнадцать инструментов закрывают полный контур: от управления рисками, соответствия требованиям и базовых систем ИБ до Zero Trust, Threat Intelligence, защиты SCADA/IoT, расследования инцидентов и инновационных технологий безопасности.
В новой статье цикла разбираем:
— 16 инструментов по пяти подгруппам I1–I5;
— чем OT-безопасность (защита АСУ ТП) отличается от привычной офисной информационной безопасности;
— пять готовых «аккордов» под типовые задачи: утечка данных, высокий уровень киберрисков, несоответствие требованиям, уязвимости в инфраструктуре, потери от атак;
— что меняют для бюджета новые оборотные штрафы за утечки и ужесточение требований к КИИ ;
— что можно проверить на своем предприятии уже сейчас: доступы, инвентаризацию активов, комплаенс и сценарий реагирования.
🔗 Читать статью: https://dia.ru/news/5685
Группа I «Кибербезопасность и управление рисками» методики АЦТ работает именно с этим слоем. Шестнадцать инструментов закрывают полный контур: от управления рисками, соответствия требованиям и базовых систем ИБ до Zero Trust, Threat Intelligence, защиты SCADA/IoT, расследования инцидентов и инновационных технологий безопасности.
В новой статье цикла разбираем:
— 16 инструментов по пяти подгруппам I1–I5;
— чем OT-безопасность (защита АСУ ТП) отличается от привычной офисной информационной безопасности;
— пять готовых «аккордов» под типовые задачи: утечка данных, высокий уровень киберрисков, несоответствие требованиям, уязвимости в инфраструктуре, потери от атак;
— что меняют для бюджета новые оборотные штрафы за утечки и ужесточение требований к КИИ ;
— что можно проверить на своем предприятии уже сейчас: доступы, инвентаризацию активов, комплаенс и сценарий реагирования.
🔗 Читать статью: https://dia.ru/news/5685
🙏2
Что считать результатом цифрового проекта, кроме запуска
В практике цифровых проектов успехом часто считается запуск проекта: система введена в промышленную эксплуатацию, акт подписан, команда внедрения переключилась на следующую задачу. Логика понятна — план-график, бюджет и KPI проектной команды привязаны к срокам ввода, и все формальные обязательства выполнены. Между тем запуск подтверждает только техническую работоспособность системы; о бизнес-эффекте судить по нему нельзя.
Масштаб расхождения между формальным завершением и реальным результатом можно оценить по данным «Рексофт». В июле 2025 года компания опубликовала исследование окупаемости инвестиций в цифровые технологии для нефтяной, нефтехимической и горно-металлургической отраслей: в ГМК планового эффекта достигает лишь каждая вторая компания, а ощутимый финансовый результат — рост EBITDA более чем на 3% — получает каждая третья.
По опросу Gartner среди 782 руководителей ИТ-инфраструктуры и эксплуатации, проведенному в ноябре — декабре 2025 года, полностью достигают поставленных целей и ожиданий по окупаемости лишь 28% таких проектов, а 20% заканчиваются провалом. Главная причина неудач, по оценке респондентов, — попытка получить эффект слишком быстро, без привязки кейса к конкретной бизнес-цели и измеримым показателям.
Причина повторяется от отрасли к отрасли: результат изначально не задан в реальных, измеримых показателях. Целью проекта назначают само внедрение — «развернуть MES», «перевести закупки в новую систему», которая достигается автоматически в момент запуска, и проверить по ней, изменилось ли что-то в бизнесе или процессах, невозможно. Вторая причина — за эффект после запуска никто не отвечает.
Цель проекта собирается из трех измеримых слоев еще на стадии инициации:
1️⃣ Метрика процесса. Какой операционный показатель должен измениться и насколько: время цикла, доля брака, простой оборудования, скорость согласования. Показатель нужно измерить до старта: без зафиксированной базы изменение потом не с чем сравнивать.
2️⃣ Деньги. Как изменение метрики конвертируется в финансовый результат: влияние на EBITDA, срок окупаемости, снижение затрат. Без этого слоя проект нельзя сравнить с альтернативными вложениями.
3️⃣ Принятие пользователями. Какая доля операций реально проходит через новую систему, а не в обход нее. Система, которой пользуются формально, не изменит метрику процесса.
У каждого слоя должен появиться владелец, который продолжит отвечать за показатель после расформирования проектной команды, — как правило, это руководитель процесса.
При такой постановке у проекта появляется вторая контрольная точка — спустя оговоренный срок после запуска, когда фактические метрики сверяют с плановыми. Если эффект не достигнут, это повод для разбора: метрика задана неверно, процесс не перестроен или система используется в обход. Каждая проблема ведет к своему набору действий для ее решения. Запуск при этом остается вехой графика — проект закрывается только после сверки плана с фактом.
В практике цифровых проектов успехом часто считается запуск проекта: система введена в промышленную эксплуатацию, акт подписан, команда внедрения переключилась на следующую задачу. Логика понятна — план-график, бюджет и KPI проектной команды привязаны к срокам ввода, и все формальные обязательства выполнены. Между тем запуск подтверждает только техническую работоспособность системы; о бизнес-эффекте судить по нему нельзя.
Масштаб расхождения между формальным завершением и реальным результатом можно оценить по данным «Рексофт». В июле 2025 года компания опубликовала исследование окупаемости инвестиций в цифровые технологии для нефтяной, нефтехимической и горно-металлургической отраслей: в ГМК планового эффекта достигает лишь каждая вторая компания, а ощутимый финансовый результат — рост EBITDA более чем на 3% — получает каждая третья.
По опросу Gartner среди 782 руководителей ИТ-инфраструктуры и эксплуатации, проведенному в ноябре — декабре 2025 года, полностью достигают поставленных целей и ожиданий по окупаемости лишь 28% таких проектов, а 20% заканчиваются провалом. Главная причина неудач, по оценке респондентов, — попытка получить эффект слишком быстро, без привязки кейса к конкретной бизнес-цели и измеримым показателям.
Причина повторяется от отрасли к отрасли: результат изначально не задан в реальных, измеримых показателях. Целью проекта назначают само внедрение — «развернуть MES», «перевести закупки в новую систему», которая достигается автоматически в момент запуска, и проверить по ней, изменилось ли что-то в бизнесе или процессах, невозможно. Вторая причина — за эффект после запуска никто не отвечает.
Цель проекта собирается из трех измеримых слоев еще на стадии инициации:
1️⃣ Метрика процесса. Какой операционный показатель должен измениться и насколько: время цикла, доля брака, простой оборудования, скорость согласования. Показатель нужно измерить до старта: без зафиксированной базы изменение потом не с чем сравнивать.
2️⃣ Деньги. Как изменение метрики конвертируется в финансовый результат: влияние на EBITDA, срок окупаемости, снижение затрат. Без этого слоя проект нельзя сравнить с альтернативными вложениями.
3️⃣ Принятие пользователями. Какая доля операций реально проходит через новую систему, а не в обход нее. Система, которой пользуются формально, не изменит метрику процесса.
У каждого слоя должен появиться владелец, который продолжит отвечать за показатель после расформирования проектной команды, — как правило, это руководитель процесса.
При такой постановке у проекта появляется вторая контрольная точка — спустя оговоренный срок после запуска, когда фактические метрики сверяют с плановыми. Если эффект не достигнут, это повод для разбора: метрика задана неверно, процесс не перестроен или система используется в обход. Каждая проблема ведет к своему набору действий для ее решения. Запуск при этом остается вехой графика — проект закрывается только после сверки плана с фактом.
❤2
1. «Свеза» запустила машинное зрение на производстве шпона
Фанерный комбинат «Свезы» в Петербурге запустил на всех трех линиях лущения систему определения дефектов шпона с машинным зрением — собственную разработку «Свеза СмартЛайн». Сканеры распознают дефекты с точностью около 95% и интегрированы с управлением рубкой и стопоукладкой. Сотрудник видит дефекты в реальном времени и корректирует оборудование сам, не дожидаясь сигнала резчика.
2. Цифровой проект «Евраз ЗСМК» сэкономил 100 млн рублей в год
«ЕвразТехника ИС» внедрила на паровоздуходувной станции цифрового «подсказчика» — систему поддержки решений для машинистов паровых турбин. Излишки сжатого воздуха, которые раньше выбрасывались в атмосферу, теперь направляются на доменное дутье. Экономический эффект — 100 млн рублей в год.
3. «ЕвроХим» масштабирует предиктивное управление техпроцессами
На Новомосковском «Азоте» внедрена система усовершенствованного управления (APC/СУУТП): математические модели прогнозируют влияние десятков параметров и заранее корректируют режим работы установки. На первом агрегате выработка выросла, а удельный расход сырья снизился; систему планируют масштабировать на весь цех. Это переход от реактивного управления к предиктивному.
4. Активы на стыке IT и промышленности назвали перспективными для инвестиций
На фоне закрепленной указом президента цели довести капитализацию фондового рынка до 66% ВВП к 2030 году инвесторы все чаще смотрят на компании, соединяющие IT и индустрию. По оценке участников рынка, к первичному размещению готово около 20 российских компаний, при этом мультипликатор P/E рынка акций в начале июня составлял 4,1 — ниже среднеисторического. Главным условием переоценки эксперты называют снижение реальной ключевой ставки. Сигнал отрасли: технологичная промышленность становится не только производственной, но и инвестиционной историей.
5. «ЛокоТех» автоматизирует планирование ремонта локомотивов
Вслед за переходом депо на ЭДО компания ввела в опытную эксплуатацию АРМ «Простои» и модуль автоматического расчета программы ремонта на базе 1С «Сетевой график». Пилоты запущены в депо Западно-Сибирского филиала (Карасук, Барнаул, Барабинск, Топки, Инская), промышленная эксплуатация на всей сети — во втором полугодии 2026 года. Цель — убрать ручной труд из планирования и сократить простои локомотивов в депо.
6. ОСК показала ход проекта судостроительной САПР тяжелого класса
На «Адмиралтейских верфях» вице-премьеру Дмитрию Григоренко представили ход проекта «Судостроительная САПР тяжелого класса», который ОСК развивает с ГК «СиСофт» в рамках ИЦК «Судостроение». Это импортозамещающая система проектирования для крупнотоннажного судостроения; завершение разработки запланировано на январь 2028 года.
7. «Автоваз» перешел на цифровой налоговый мониторинг
Автопроизводитель запустил в промышленную эксплуатацию витрину данных VK Tax Compliance для работы в режиме налогового мониторинга. Проект делали три команды (VK Tech, «Синимекс» и сам «Автоваз») с адаптацией под собственную учетную систему и архивы электронных документов. Раскрытие данных в цифровом виде ускоряет взаимодействие с ФНС.
8. ИИ обогнал кибербезопасность по росту IT-бюджетов российских компаний
Исследование Apple Hills Digital с Selectel, Cloud ru и VK Tech (опрос 419 компаний и 27 глубинных интервью) зафиксировало смену приоритетов: 65% компаний увеличили IT-бюджеты в 2026 году, и главным направлением вложений впервые стал искусственный интеллект. Расходы на ИИ, включая генеративный, наращивают 35% компаний — чуть больше, чем на кибербезопасность (34%). Почти половина (46%) уже используют ИИ в облаке, тестируют его или планируют запуск в течение года, тогда как 11% разворачивают ИИ на собственных мощностях. Облако становится рабочей средой для корпоративного ИИ.
Фанерный комбинат «Свезы» в Петербурге запустил на всех трех линиях лущения систему определения дефектов шпона с машинным зрением — собственную разработку «Свеза СмартЛайн». Сканеры распознают дефекты с точностью около 95% и интегрированы с управлением рубкой и стопоукладкой. Сотрудник видит дефекты в реальном времени и корректирует оборудование сам, не дожидаясь сигнала резчика.
2. Цифровой проект «Евраз ЗСМК» сэкономил 100 млн рублей в год
«ЕвразТехника ИС» внедрила на паровоздуходувной станции цифрового «подсказчика» — систему поддержки решений для машинистов паровых турбин. Излишки сжатого воздуха, которые раньше выбрасывались в атмосферу, теперь направляются на доменное дутье. Экономический эффект — 100 млн рублей в год.
3. «ЕвроХим» масштабирует предиктивное управление техпроцессами
На Новомосковском «Азоте» внедрена система усовершенствованного управления (APC/СУУТП): математические модели прогнозируют влияние десятков параметров и заранее корректируют режим работы установки. На первом агрегате выработка выросла, а удельный расход сырья снизился; систему планируют масштабировать на весь цех. Это переход от реактивного управления к предиктивному.
4. Активы на стыке IT и промышленности назвали перспективными для инвестиций
На фоне закрепленной указом президента цели довести капитализацию фондового рынка до 66% ВВП к 2030 году инвесторы все чаще смотрят на компании, соединяющие IT и индустрию. По оценке участников рынка, к первичному размещению готово около 20 российских компаний, при этом мультипликатор P/E рынка акций в начале июня составлял 4,1 — ниже среднеисторического. Главным условием переоценки эксперты называют снижение реальной ключевой ставки. Сигнал отрасли: технологичная промышленность становится не только производственной, но и инвестиционной историей.
5. «ЛокоТех» автоматизирует планирование ремонта локомотивов
Вслед за переходом депо на ЭДО компания ввела в опытную эксплуатацию АРМ «Простои» и модуль автоматического расчета программы ремонта на базе 1С «Сетевой график». Пилоты запущены в депо Западно-Сибирского филиала (Карасук, Барнаул, Барабинск, Топки, Инская), промышленная эксплуатация на всей сети — во втором полугодии 2026 года. Цель — убрать ручной труд из планирования и сократить простои локомотивов в депо.
6. ОСК показала ход проекта судостроительной САПР тяжелого класса
На «Адмиралтейских верфях» вице-премьеру Дмитрию Григоренко представили ход проекта «Судостроительная САПР тяжелого класса», который ОСК развивает с ГК «СиСофт» в рамках ИЦК «Судостроение». Это импортозамещающая система проектирования для крупнотоннажного судостроения; завершение разработки запланировано на январь 2028 года.
7. «Автоваз» перешел на цифровой налоговый мониторинг
Автопроизводитель запустил в промышленную эксплуатацию витрину данных VK Tax Compliance для работы в режиме налогового мониторинга. Проект делали три команды (VK Tech, «Синимекс» и сам «Автоваз») с адаптацией под собственную учетную систему и архивы электронных документов. Раскрытие данных в цифровом виде ускоряет взаимодействие с ФНС.
8. ИИ обогнал кибербезопасность по росту IT-бюджетов российских компаний
Исследование Apple Hills Digital с Selectel, Cloud ru и VK Tech (опрос 419 компаний и 27 глубинных интервью) зафиксировало смену приоритетов: 65% компаний увеличили IT-бюджеты в 2026 году, и главным направлением вложений впервые стал искусственный интеллект. Расходы на ИИ, включая генеративный, наращивают 35% компаний — чуть больше, чем на кибербезопасность (34%). Почти половина (46%) уже используют ИИ в облаке, тестируют его или планируют запуск в течение года, тогда как 11% разворачивают ИИ на собственных мощностях. Облако становится рабочей средой для корпоративного ИИ.
👍2
Северсталь и машинное зрение: как цифровые модели меняют металлургию
«Северсталь» начала системно заниматься цифровизацией производства с 2017 года, ИТ-бюджет составлял около 1,7 млрд рублей. К 2025 году компания инвестирует в информационные и цифровые технологии 13 млрд рублей. За этот период «Северсталь Диджитал» превратилась из внутренней ИТ-службы в самостоятельного разработчика цифровых продуктов: в 2024 году компания впервые вошла в карту рынка «Цифровизация промышленности — 2024» аналитического центра TAdviser именно как поставщик решений, а не только потребитель.
Как работает VERA
На Череповецком металлургическом комбинате — главном производственном активе «Северстали» мощностью около 11,6 млн тонн стали в год — работает модель компьютерного зрения VERA собственной разработки. Система установлена на непрерывно-травильном агрегате №4: камеры высокого разрешения снимают поверхность рулонов в процессе обработки, изображения передаются на сервер с GPU, где нейросеть обнаруживает и классифицирует дефекты в реальном времени.
Задача VERA — снизить две противоположные ошибки. Первая — «перебраковка»: система путает классы дефектов и отправляет годный металл в брак. Вторая — «недобраковка»: реальный дефект остается незамеченным и уходит к клиенту. VERA удерживает эти показатели на уровне 12% и 14% соответственно — рыночные аналоги показывают результаты выше 30% и 15%.
Практический результат: за первое полугодие 2023 года доля уведомлений клиентов об отклонениях в качестве поверхности проката снизилась примерно в 1,8 раза по сравнению с тем же периодом 2022-го.
Масштаб и логика
«Северсталь» применяет компьютерное зрение не на одном участке — к 2024 году технология работает на десятках объектов по всей компании. Аналогичные модели работают на Яковлевском горно-обогатительном комбинате (входит в «Северсталь»): там системы контролируют состояние рудоспусков и помогают снижать простои при транспортировке руды. Машинное зрение используется для контроля опасных зон, состояния конвейерных лент, мониторинга оборудования. На доменной печи №3 ЧМК ведется установка камерной системы для предотвращения инцидентов.
По итогам 2024 года экономический эффект от проектов в области машинного обучения и компьютерного зрения составил свыше 1 млрд рублей. В 2025 году «Северсталь» продолжает масштабировать решения на новые участки и параллельно запускает программу промышленной роботизации: сейчас в пилотировании находятся 11 проектов, которые планируется внедрить до конца 2026 года.
Почему работает именно так
Кейс. Модель VERA дообучается непрерывно: разработчики «Северсталь Диджитал» совместно с экспертами Центра цифрового развития качества регулярно актуализируют модель на новых данных. Это принципиально отличает промышленное внедрение от пилота: пилот обучают один раз на чистых данных и ждут результата; рабочая система адаптируется к изменениям сортамента, режимов и состояния оборудования. Именно в этой разнице между «внедрено» и «работает» теряется большинство промышленных ИИ-проектов.
Где этот подход применим
Металлургия — одна из наиболее благоприятных сред для промышленного компьютерного зрения: большие объемы однородного потока, постоянная скорость производства, четкие критерии дефекта. В дискретном производстве с высокой вариативностью изделий те же модели будут менее стабильными и потребуют значительно больших объемов данных.
Второй ограничитель — кадры. По оценке Минцифры, нехватка разработчиков в стране составляет от 500 до 700 тысяч человек. Строить внутреннюю команду по модели «Северстали» доступно крупным предприятиям с соответствующим бюджетом. Для среднего завода путь иной: либо партнерство с разработчиком, готовым к дообучению и сопровождению, либо покупка вертикального отраслевого решения с доказанной историей внедрений.
Вывод
Кейс «Северстали» показывает, как промышленный ИИ дает измеримый эффект там, где одновременно выполнены три условия — непрерывный поток с четкими критериями качества, внутренняя команда, способная адаптировать модель, и единая инфраструктура данных для масштабирования.
«Северсталь» начала системно заниматься цифровизацией производства с 2017 года, ИТ-бюджет составлял около 1,7 млрд рублей. К 2025 году компания инвестирует в информационные и цифровые технологии 13 млрд рублей. За этот период «Северсталь Диджитал» превратилась из внутренней ИТ-службы в самостоятельного разработчика цифровых продуктов: в 2024 году компания впервые вошла в карту рынка «Цифровизация промышленности — 2024» аналитического центра TAdviser именно как поставщик решений, а не только потребитель.
Как работает VERA
На Череповецком металлургическом комбинате — главном производственном активе «Северстали» мощностью около 11,6 млн тонн стали в год — работает модель компьютерного зрения VERA собственной разработки. Система установлена на непрерывно-травильном агрегате №4: камеры высокого разрешения снимают поверхность рулонов в процессе обработки, изображения передаются на сервер с GPU, где нейросеть обнаруживает и классифицирует дефекты в реальном времени.
Задача VERA — снизить две противоположные ошибки. Первая — «перебраковка»: система путает классы дефектов и отправляет годный металл в брак. Вторая — «недобраковка»: реальный дефект остается незамеченным и уходит к клиенту. VERA удерживает эти показатели на уровне 12% и 14% соответственно — рыночные аналоги показывают результаты выше 30% и 15%.
Практический результат: за первое полугодие 2023 года доля уведомлений клиентов об отклонениях в качестве поверхности проката снизилась примерно в 1,8 раза по сравнению с тем же периодом 2022-го.
Масштаб и логика
«Северсталь» применяет компьютерное зрение не на одном участке — к 2024 году технология работает на десятках объектов по всей компании. Аналогичные модели работают на Яковлевском горно-обогатительном комбинате (входит в «Северсталь»): там системы контролируют состояние рудоспусков и помогают снижать простои при транспортировке руды. Машинное зрение используется для контроля опасных зон, состояния конвейерных лент, мониторинга оборудования. На доменной печи №3 ЧМК ведется установка камерной системы для предотвращения инцидентов.
По итогам 2024 года экономический эффект от проектов в области машинного обучения и компьютерного зрения составил свыше 1 млрд рублей. В 2025 году «Северсталь» продолжает масштабировать решения на новые участки и параллельно запускает программу промышленной роботизации: сейчас в пилотировании находятся 11 проектов, которые планируется внедрить до конца 2026 года.
Почему работает именно так
Кейс. Модель VERA дообучается непрерывно: разработчики «Северсталь Диджитал» совместно с экспертами Центра цифрового развития качества регулярно актуализируют модель на новых данных. Это принципиально отличает промышленное внедрение от пилота: пилот обучают один раз на чистых данных и ждут результата; рабочая система адаптируется к изменениям сортамента, режимов и состояния оборудования. Именно в этой разнице между «внедрено» и «работает» теряется большинство промышленных ИИ-проектов.
Где этот подход применим
Металлургия — одна из наиболее благоприятных сред для промышленного компьютерного зрения: большие объемы однородного потока, постоянная скорость производства, четкие критерии дефекта. В дискретном производстве с высокой вариативностью изделий те же модели будут менее стабильными и потребуют значительно больших объемов данных.
Второй ограничитель — кадры. По оценке Минцифры, нехватка разработчиков в стране составляет от 500 до 700 тысяч человек. Строить внутреннюю команду по модели «Северстали» доступно крупным предприятиям с соответствующим бюджетом. Для среднего завода путь иной: либо партнерство с разработчиком, готовым к дообучению и сопровождению, либо покупка вертикального отраслевого решения с доказанной историей внедрений.
Вывод
Кейс «Северстали» показывает, как промышленный ИИ дает измеримый эффект там, где одновременно выполнены три условия — непрерывный поток с четкими критериями качества, внутренняя команда, способная адаптировать модель, и единая инфраструктура данных для масштабирования.
🔥1