Как нейросеть «Алхимик» и отечественный софт заменяют зарубежные ERP-системы

Вопрос импортозамещения программного обеспечения на крупных промышленных предприятиях затрагивает множество сфер, включая нейросети и AI, где компании вынуждены искать нестандартные выходы из ситуаций, когда готовых продуктов на рынке просто не существует. Переход на собственные технологические решения становится необходимостью на фоне ухода зарубежных вендоров.

Ситуация в индустриальном секторе складывается так, что многие холдинги до сих пор зависят от зарубежных систем планирования ресурсов предприятия. По состоянию на 2025 год значительная доля крупных компаний в энергетической, металлургической и машиностроительной отраслях продолжает использовать ПО от SAP. При этом официальные продажи таких продуктов прекратились, а реестр отечественного софта существенно увеличился, однако зрелых аналогов для полноценной замены привычных ERP-платформ пока недостаточно.

Пути преодоления софтового дефицита

Перед промышленными предприятиями встает выбор из нескольких возможных сценариев: приобретение готовых продуктов, самостоятельная разработка с нуля или создание уникальных решений для тех задач, которые невозможно закрыть покупкой лицензии. Каждое крупное производство выбирает оптимальную стратегию в зависимости от имеющихся ресурсов и специфики технологических процессов.

Сборка экосистемы из готовых решений

На государственном уровне вместо создания единой национальной ERP-системы формируется отраслевой консорциум. В него вошли представители нефтегазового сектора, металлургии, химии и транспорта. Организация занимается сбором и анализом требований бизнеса к софту для сопоставления их с текущими предложениями на рынке.

Представители металлургических комбинатов отмечают, что процесс перехода требует времени, поскольку полностью готовых отечественных ERP, способных полностью закрыть функционал ушедших платформ, на рынке еще недостаточно. Запуск таких экосистем происходит поэтапно, без единого быстрого релиза.

Собственная разработка на производстве

Некоторые холдинги предпочитают создавать программные продукты внутри компании. На Череповецком металлургическом комбинате внедрили собственную систему управления производством «Металлургия», которая заменила иностранное решение. Трехлетняя разработка принесла измеримые результаты: затраты на ввод и получение информации снизились на 30%, общая эффективность оборудования выросла на 20%, а энергопотребление уменьшилось. Впоследствии данную систему начали поставлять сторонним заказчикам.

Аналогичным путем пошел КАМАЗ, разработавший внутреннюю платформу Kamotive взамен зарубежного модуля. К системе подключено более 600 пользователей и сотни партнерских организаций. В то же время госкорпорации развивают линейки инженерного ПО, такие как программный пакет «Логос», который применяется для математического моделирования и расчетов. Данные разработки направлены на сокращение доли иностранных CAE-систем и выход на открытый рынок.

Создание уникальных систем там, где нет готовых аналогов

Существуют специфические задачи, для которых на рынке физически не существует готовых программных продуктов. Ярким примером стала задача подбора рецептур масел в компании «Газпром нефть», где классический подход упирался в ограничения физического тестирования.

Сложности классического подбора рецептур

Создание моторных, трансмиссионных или индустриальных масел требует комбинирования базового масла и пакета присадок. Общее число возможных вариантов исчисляется тысячами. Традиционный метод предполагает лабораторный перебор: специалисты составляют комбинацию, тестируют ее на вязкость, стабильность и поведение при нагрузке, после чего принимают решение о применимости.

Увеличение штата лаборатории не решает проблему ускорения процесса. Каждую новую комбинацию необходимо испытывать на физическом стенде, а это ограничивается временными затратами на проведение самих испытаний, а не количеством сотрудников.

Нейросетевая система «Алхимик»

Поскольку покупка готового софта под подобные задачи была невозможна, компания разработала специализированную нейросетевую систему. Программа задействует массив данных, собранный за пятнадцать лет работы. Архитектура модели и детали разметки данных не разглашаются, что является стандартной практикой для закрытых промышленных исследований.

Внедрение нейросети позволило сократить срок вывода новой рецептуры в несколько раз — с полугода до одного-двух месяцев. Инструмент уже задействовали для доработки более двух сотен рецептур. Наличие накопленной исторической базы позволило реализовать проект, аналогов которому не было на рынке готового программного обеспечения.