Пока можно говорить лишь об отдельных удачных внедрениях

Как бы вы оценили текущий уровень зрелости ИИ-технологий - мы уже на пике продуктивности или все еще в фазе завышенных ожиданий?

Николай Кульбака: Мы, с одной стороны, находимся на начальной стадии бурного роста, и, одновременно, в фазе завышенных ожиданий, что вполне естественно, особенно после столь обнадеживающих результатов. Вообще, эта технология прошла уже через несколько волн своего развития. Некоторые из них удалось застать и мне. В конце 1980-х возник огромный интерес к экспертным системам, которые на тот момент оказались сильно переоценены, и кончилось все обвалом. Однако нынешняя волна скорее похожа на пузырь доткомов. Тогда пузырь лопнул, но мы получили большой развитый интернет, которым пользуемся до сих пор. Судя по всему, сейчас будет нечто подобное.

В каких отраслях российской промышленности ИИ уже сегодня дает измеримый прирост производительности? Можете привести примеры, где эффект подтвержден цифрами, а не презентациями?

Николай Кульбака: Пока можно говорить лишь об отдельных удачных внедрениях. О заметном росте производительности в масштабах экономики судить пока рано. И это не только российская проблема. Снижение брака или простоев на конкретном участке еще не означает заметного ускорения всей промышленности. Это еще впереди, как и преобразования экономики, которые он несет с собой. В конце концов, это пока еще очень небольшой рынок, размер которого в экономике измеряется долями процента. И даже если он растет с темпом 20% в год, в масштабах даже серьезных отраслей этот эффект пока еще не виден. Все это еще впереди.

А где ИИ пока остается скорее экспериментом, не приносящим ощутимой отдачи? Почему в этих секторах технология не приживается - дело в данных, инфраструктуре или экономике?

Николай Кульбака: Давайте различать эксперимент и отсутствие отдачи. ИИ уже давно вышел за стадию робких поисков. Сейчас это большая и важная подотрасль компьютерных технологий, применение которой развивается у нас на глазах от сложнейших задач высшей математики до современных военных технологий. Другое дело - экономика разработки больших моделей. Здесь затраты огромны, а будущие доходы еще нужно заработать. Так что вопрос сейчас в том, удастся ли разработчикам дожить до окупаемости. Но даже если нынешние разработчики обанкротятся, их результаты используют те, кто придет им на смену.

Современный ИИ - это прежде всего огромный объем вычислений

Как связаны задачи технологического суверенитета и доступность вычислительных мощностей? Насколько остро для промышленного ИИ стоит проблема дефицита GPU, облачных ресурсов и собственных суперкомпьютеров?

Николай Кульбака: Современный искусственный интеллект - это прежде всего огромный объем вычислений. Для его работы нужны специализированные процессоры (GPU - графические процессоры, ставшие основой для ИИ), а этот рынок фактически держит одна американская компания, Nvidia, причем сами чипы производятся на Тайване. С 2022 года прямые поставки в Россию этой продукции закрыты, а параллельный импорт с каждым годом сжимается. Если в 2024 году в Россию завозили тысячи серверов, сейчас - десятки. По отдельным отраслевым оценкам, российские мощности для ИИ соответствуют примерно 15 тысячам ускорителей Nvidia H100, американские - почти 40 миллионам. Разница в несколько порядков. Своих решений сопоставимого уровня в России пока нет, и это создает огромное противоречие. С одной стороны, существуют требования к безопасности критической инфраструктуры. С другой - без зарубежного оборудования большинство задач сегодня просто не решить.

При этом для промышленности картина не такая драматичная, как может показаться. Предсказать поломку станка, найти брак на конвейере, оптимизировать режим работы печи - это задачи для небольших специализированных моделей. Им хватает менее мощных процессоров предыдущих поколений. А вот обучение больших языковых моделей и их массовое применение в инженерной работе требуют уже совсем других мощностей. Там без серьезных мощностей не обойтись. И здесь технологический суверенитет является непреодолимым барьером.

Хорошего программиста, который напишет модель, найти можно, хотя и дорого

Какие кадровые барьеры стоят на пути внедрения ИИ в российскую промышленность? Нехватка каких специалистов - дата-инженеров, ML-разработчиков, предметных экспертов - ощущается сильнее всего?

Николай Кульбака: Острее всего не хватает не ML-разработчиков, как принято думать, а людей на стыке двух миров: инженеров, которые понимают производство и при этом умеют работать с данными. Хорошего программиста, который напишет модель, найти можно, хотя и дорого. Но без понимания того, как устроен технологический процесс, он будет решать не ту задачу или не поймет, почему модель ошибается. Вторая острая нехватка - дата-инженеры, то есть специалисты, которые собирают, очищают и связывают между собой данные с разных систем. На промышленном предприятии такая подготовка может занимать значительную часть работы по внедрению ИИ, и именно ее часто недооценивают.

У российской ситуации есть своя специфика. Часть сильных специалистов уехала после 2022 года, а оставшихся забирают крупные IT-компании и банки, с которыми промышленность не может конкурировать ни по зарплатам, ни по условиям. Вдобавок многие заводы расположены далеко от крупных городов, куда такие люди переезжать не спешат. Поэтому рассчитывать только на рынок труда бессмысленно. Реалистичный путь - растить таких специалистов внутри: обучать работе с данными собственных технологов и инженеров, которые уже знают производство. Научить инженера основам анализа данных проще и быстрее, чем объяснить программисту, почему станок вдруг начинает выпускать брак.

Внедрение ИИ нередко становится строчкой в отчете, а не действующим инструментом

Какие институциональные барьеры мешают масштабированию ИИ? Речь о регулировании, отсутствии стандартов, сопротивлении внутри предприятий или о чем-то еще?

Николай Кульбака: Главная проблема с масштабированием ИИ в России сегодня - неопределенность правил игры. Летом 2026 года принят закон N 243-ФЗ о поддержке технологий искусственного интеллекта. Он вводит понятия "суверенных" и "национальных" моделей и позволяет правительству в ряде сфер требовать использования только их. Но порядок присвоения этих статусов пока не утвержден, а ключевые нормы заработают лишь с марта 2027 года. Параллельно с 2024 года использование нового "недоверенного" оборудования на значимых объектах критической инфраструктуры ограничено. Отсутствие российских аналогов теоретически дает право на исключение, но его еще нужно официально подтвердить. Предприятиям энергетики, транспорта и других отраслей приходится решать сразу две задачи: найти оборудование и разобраться, на каких условиях государство разрешает его использовать.

Не меньшую роль играют последствия ухода западного промышленного софта. Российские заводы годами накапливали данные в системах Siemens, SAP и других зарубежных поставщиков. Теперь ИИ приходится выстраивать поверх лоскутного одеяла из старых и новых систем, которые плохо стыкуются между собой. Сказывается и структура экономики с большой долей госкомпаний. Там внедрение ИИ нередко становится строчкой в отчете, а не действующим инструментом.

Можно ли считать ИИ в промышленности инструментом повышения эффективности или это скорее инструмент стратегического преимущества? Как это влияет на готовность компаний инвестировать в долгие проекты?

Николай Кульбака: ИИ в промышленности - это прежде всего эффективность, но эффективность отложенная. Отдача от него редко приходит сразу. Сначала нужно навести порядок в данных, перестроить процессы, обучить людей, и лишь потом технология начинает приносить заметный результат. Так было с электрификацией и с компьютеризацией, так происходит и с ИИ. Поэтому противопоставлять эффективность и стратегическое преимущество не стоит. Стратегическое преимущество получит тот, кто сегодня готов вложиться в эффективность завтрашнего дня.

Проблема в том, что в России длинным инвестициям мешают факторы, к ИИ напрямую не относящиеся. Главный из них - неопределенность. Налоговые условия меняются из года в год, санкционная среда непредсказуема, регулирование новых технологий только складывается, а риски, связанные с защитой собственности, заставляют владельцев думать о сохранности активов, а не об их развитии. Когда неясно, какими будут правила игры через три года, проект с горизонтом окупаемости в пять-семь лет становится не расчетом, а лотереей. В таких обстоятельствах компании рационально выбирают короткий горизонт. ИИ здесь не исключение, а частный случай: пока не появится предсказуемость, долгосрочные вложения в любые технологии будут оставаться уделом немногих.

Задача государства не раздавать деньги, а снять неопределенность, которая мешает бизнесу инвестировать

Какую роль должно играть государство в поддержке внедрения ИИ? Какие меры - гранты, льготы, пилотные зоны - действительно работают, а какие лишь создают видимость активности?

Николай Кульбака: Главная задача государства не в том, чтобы раздавать деньги, а в том, чтобы снять ту самую неопределенность, которая мешает бизнесу инвестировать. Стабильные правила, понятное регулирование и предсказуемые налоги дадут больше, чем любые гранты. Из прямых мер работают те, что помогают внедрять, а не отчитываться: софинансирование внедрения, когда компания вкладывает собственные деньги, доступ к общим вычислительным мощностям и открытым данным, центры компетенций, которые помогают предприятиям без собственных специалистов. Часть таких инструментов в России уже есть. Это гранты на внедрение отечественных решений, льготы для IT-компаний, экспериментальные правовые режимы, национальный проект "Экономика данных и цифровая трансформация государства". Но их слишком мало, и они предельно забюрократизированы.

Международный опыт показывает, что действенны простые и адресные механизмы. В Китае местные власти раздают компаниям "вычислительные ваучеры" на аренду мощностей, а государство выступает крупнейшим заказчиком ИИ-решений. В Германии сеть центров Mittelstand-Digital бесплатно консультирует средний бизнес по внедрению цифровых технологий. В Южной Корее малые предприятия получают ваучеры на покупку ИИ-решений у отечественных разработчиков. Евросоюз делает ставку на общую инфраструктуру и регуляторные "песочницы". США почти не субсидируют внедрение напрямую: там работают глубокий рынок капитала и предсказуемая правовая среда. В целом, государство эффективно тогда, когда снижает издержки и риски для бизнеса, а не подменяет его собственными планами. России в этом смысле не столько нужны новые программы, сколько доверие к правилам, которые уже существуют.

Какие отрасли промышленности станут, на ваш взгляд, лидерами внедрения ИИ в ближайшие 5 лет? А какие рискуют остаться в стороне и почему?

Николай Кульбака: Я бы смотрел прежде всего на размер компании и давление конкуренции. Одна отраслевая принадлежность лидерства не гарантирует. В Евросоюзе в 2025 году ИИ использовали 55% крупных компаний и лишь 17% небольших, в США картина схожая.

В России лидерами в ближайшие пять лет останутся крупные экспортёры: металлурги, нефтегаз, химия. Их продукция конкурирует на мировом рынке, а масштаб позволяет финансировать долгие проекты. В зоне риска окажется средний бизнес. Для среднего предприятия расходы на данные, интеграцию и специалистов могут оказаться слишком велики по отношению к ожидаемой экономии. Крупная компания распределяет эти затраты на большой объем производства, а средняя должна окупить их на собственном, гораздо меньшем масштабе. У нас к этому добавляется своя специфика: значительная часть машиностроения работает на госзаказ или на рынке, защищенном импортозамещением. Когда сбыт гарантирован, а рост издержек можно переложить на заказчика, стимула вкладываться в эффективность почти нет. Главный риск не в том, что какая-то отрасль "не подходит" для ИИ, а в том, что у защищенных от конкуренции предприятий просто нет причины его внедрять.

Если бы вы давали рекомендации руководителю промышленного предприятия, с чего начать внедрение ИИ, чтобы не потратить деньги впустую? Какие первые шаги и метрики успеха вы бы предложили?

Николай Кульбака: Начинать внедрение ИИ нужно не с закупки дорогого софта, а с поиска конкретных "болевых точек" производства, где потери можно посчитать в рублях и где уже накоплен серьезный массив цифровых данных. Если данных нет или они разрознены, первым шагом будет навести порядок в учете и поставить датчики, и это уже половина успеха. Начинать лучше с небольшого пилотного проекта сроком до шести месяцев в понятной сфере: предсказание поломок оборудования, поиск брака по видео, экономия сырья. Для таких задач на рынке есть отечественные решения, и разрабатывать всё с нуля не нужно. Очень важно собрать правильную команду. Она должна быть кросс-функциональной, и главную роль в ней должны играть не айтишники, а люди, которые знают производство изнутри: технологи, инженеры и те, кто потом будет работать с системой каждый день.

Начинать внедрение ИИ нужно не с закупки дорогого софта, а с поиска конкретных "болевых точек" производства

Что касается метрик, то их необходимо определить до запуска. Это могут быть сокращение внеплановых простоев и затраты на обслуживание, стоимость пропущенных дефектов или расходы на единицу готовой продукции. Сравнивать нужно с исходным уровнем в сопоставимых условиях. И считать итог в рублях, за вычетом всех расходов на систему. Точность модели - показатель для разработчика. Руководителю нужен экономический результат.

И следует помнить главное. Ажиотаж проходит, а технологии остаются - и постепенно становятся обычным условием работы. То, что сегодня дает преимущество, завтра будет необходимо, чтобы просто оставаться на рынке. Для России это особенно важно: можно защитить внутренний рынок от иностранных товаров, но нельзя остановить рост производительности за его пределами. И однажды накопившийся разрыв придется оплачивать - либо вложениями в модернизацию, либо всё более дорогой защитой от конкуренции.

Визитная карточка

Николай Кульбака - кандидат экономических наук, член International Society for Ecological Economics. Автор книг и статей по региональной экономике, экономической истории, транспортной логистике и истории транспорта.