Как трехнедельный RAG-пилот растянулся на три месяца: о чем молчат при внедрении ИИ на заводе

Когда мы планировали запустить интерактивную систему RAG по технической документации, казалось, что основная сложность лежит в IT-плоскости: выбрать оптимальную языковую модель, заказать мощные GPU-серверы и выстроить архитектуру без сбоев. Мы уже прошли путь от тестирования первых микросервисов на базе ChatGPT до развертывания собственной инфраструктуры, найма системного архитектора и внедрения полноценных DevOps-практик. Однако на этапе стыковки нейросети с реальным производством выяснилось, что главное препятствие находится далеко за пределами разработки.

Настоящие сложности начались, когда алгоритмам потребовались качественные исходные данные и четко регламентированные бизнес-процессы. Быстрый трехнедельный эксперимент трансформировался в трехмесячный аудит инженерных архивов. В этой статье я детально разберу, как искусственный интеллект вскрыл застарелые проблемы в регламентах, сколько на самом деле стоит корпоративный AI и почему автоматизация без порядка в документах не работает.

Три недели, которые идут уже три месяца

Ранее мы уже использовали элементы RAG, но тот инструмент решал узкую и прикладную задачу: нейросеть выступала в роли валидатора отгрузочных комплектов, проверяя грамматику и базовые характеристики в паспортах изделий перед отправкой клиентам. Новый пилот задумывался как масштабная база знаний по тяжелому промышленному оборудованию. Концепция простая: инженер, специалист по пресейлу или менеджер по продажам задает вопрос и получает выверенную информацию из официальных чертежей и эксплуатационных регламентов, а не из сторонних источников или памяти коллег.

В качестве пилотного объекта мы выбрали газопоршневую электростанцию мощностью 1 МВт. На первый взгляд — типовое оборудование. Однако при формировании датасета обнаружилось, что у этой базовой модели существует 44 модификации, зависящих от ключевых конструктивных параметров:

• Форм-фактор: исполнение на открытой раме или внутри утепленного блок-контейнера;
• Электроника: класс напряжения 0,4 кВ либо высоковольтные варианты на 6,3 и 10,5 кВ;
• Автоматика: различные типы промышленных контроллеров и алгоритмы управления;
• Дополнительные опции: наличие системы утилизации тепла (СУТ/когенерация), специфические типы радиаторов, предпусковых подогревателей и вспомогательных узлов.

Каждая из 44 конфигураций требует собственного пакета чертежей, схем, карт ТО и таблиц нагрузок. В масштабах всего каталога, где представлены десятки моделей газовых и дизельных установок на разных двигателях, количество вариаций измеряется сотнями. Первоначальная оценка работ в три недели оказалась слишком оптимистичной. Чтобы двигаться дальше, нам пришлось ограничить пилот несколькими наиболее востребованными конфигурациями. Технический поисковый интерфейс уже развернут, но полноценный доступ пользователям пока закрыт — узким местом стала не разработка, а подбор и верификация исходных документов.

Excel-реестр и переработка руководства

В процессе подготовки выяснилось отсутствие единого структурированного хранилища документации. Файлы находились в разрозненных сетевых папках, задачах Bitrix24 и на локальных компьютерах инженеров. При этом определить актуальность конкретной версии без очного опроса авторов оказывалось невозможно.

Для систематизации массивов данных мы сформировали реестр в Excel — это позволило составить карту существующих файлов и установить связи между ними. На время теста рабочие файлы начали собирать в выделенном чате Bitrix24, чтобы зафиксировать версионность. В ходе ревизии руководства по эксплуатации для ГПУ 1 МВт обнаружилось, что документ двухлетней давности содержит устаревшие характеристики и комплектующие, которые больше не используются в производстве. Загрузка подобного файла в RAG привела бы к генерации недостоверных ответов. В результате стартовавший AI-проект потребовал полной переработки всей технической документации по выбранному оборудованию.

Параллельно мы сохранили обязательную ручную проверку. Понимание того, что материалы будут проходить личный контроль, удержало специалистов от загрузки необработанных и сомнительных чертежей в базу.

Как будем проверять работу RAG

Применение нейросетей в инженерном секторе исключает приемку по принципу «отвечает правдоподобно». Ошибка в габаритах или характеристиках в коммерческом предложении ведет к финансовым и репутационным рискам. Особенно опасны ситуации, когда RAG выдает корректные параметры, но относящиеся к другой модификации станции.

Для предотвращения ошибок мы зафиксировали жесткие критерии валидации:

1. Строгая привязка к модификации: алгоритм должен разграничивать исполнение оборудования и привлекать документы исключительно под запрошенную конфигурацию;
2. Обязательное ссылание на источник: каждый ответ сопровождает ссылка на чертеж или пункт руководства с указанием даты и номера ревизии;
3. Право на отказ от ответа: при отсутствии верифицированных данных по модификации система должна выдавать стандартный отказ, не пытаясь додумывать параметры по аналогии.

Для проверки качества мы формируем контрольный датасет из 100 эталонных вопросов и ответов с участием инженеров, отдела продаж и профильных руководителей. Только после успешного прохождения этого теста модель будет допущена к расширенной базе знаний.

RAG по насосам? Пока почти утопия

Мы рассматривали возможность создания аналогичной RAG-системы для плавучих насосных станций, однако на данный момент этот проект нереализуем. Причина заключается не в мощности серверов или выборе LLM, а в отсутствии структурированного описания оборудования. Знания о компоновке, расчетах и эксплуатации этих станций распределены между узким кругом специалистов и не сформированы в единую базу. Построение RAG станет возможным только после описания архитектуры блоков, установления связей между комплектующими и назначения ответственных за актуализацию данных.

Что придётся построить кроме RAG

Использование Excel-таблиц оправдано только на этапе пилота. Для промышленной эксплуатации необходимо внедрить систему версионирования, закрепить владельцев данных и регламентировать правила обновления документов. AI-проект стал катализатором базовой цифровизации, заставив выстроить процессы, которые годами оставались без внимания.

Локальный контур — коротко

Практика подтвердила правильность выбранной гибридной архитектуры. Чертежи, конструкторская документация, персональные данные и условия договоров обрабатываются строго внутри локального контура. Внешние облачные сервисы задействуются точечно и только после полной деперсонализации передаваемой информации.

AI очень быстро показывает, насколько компания готова к цифровизации

До внедрения алгоритмов многие процессы казались рабочими за счет опыта сотрудников, точно знавших, где найти нужный файл или у кого уточнить параметры. При попытке формализовать эти цепочки для нейросети проявились системные проблемы:

• Автоматизация устаревших процедур: анализируя регламент, мы часто находим правила, потерявшие смысл. Автоматизировать их бессмысленно — сначала нужно перестроить сам бизнес-процесс.
• Пробелы в исходных данных: текстовые описания и спецификации содержат упущения, часть параметров хранит устаревшие значения, а ключевые данные ведутся в разрозненных таблицах.
• Двойная нагрузка на экспертов: подготовка материалов для датасетов выполняется инженерами параллельно с основной работой. Высокая загрузка создает риск передачи недоработанных файлов.

Качественная работа моделей напрямую зависит от точности постановки задачи и полноты предоставленного контекста. Внедрение ИИ моментально отражает уровень системного мышления в компании. При этом мы отказались от оценки успеха по числу выданных лицензий, сосредоточившись на прикладных метриках: снижении инженерных ошибок, скорости подготовки документов и сокращении времени поиска чертежей.

Сколько всё это стоит: бюджет AI-направления

Создание собственного AI-контура требует существенных инвестиций. Бюджет направления на период с июля по декабрь 2026 года составляет порядка 22 млн рублей текущих расходов, из которых около 17 млн рублей приходится на оплату труда команды. Закупка выделенного AI-сервера обошлась еще в 5,5 млн рублей.

Прямой финансовый возврат на этапе R&D отсутствует. Тем не менее уже сейчас работают инструменты, дающие косвенный экономический эффект:

• Attention-боты: сканируют рабочую переписку и выявляют риски — от срыва сроков согласования до появления спорных пунктов по гарантии;
• Автоматический контроль документации: выявляет опечатки, разночтения в спецификациях и несоответствия параметров в многостраничных комплектах;
• Первичная обработка лидов: бот принимает и фильтрует до 70% входящих обращений, отсеивая спам и непрофильные запросы.

Главная ценность пилота на текущем этапе заключалась в глубоком аудите внутренних регламентов и устранении накопленных ошибок в технической базе.

В октябре пора перестать бесконечно строить фундамент

Сейчас распределение ресурсов команды составляет 70% на инфраструктуру и 30% на прикладные сервисы. К октябрю мы планируем завершить базовый этап и изменить пропорцию на 20/80, сфокусировавшись на решениях, непосредственно влияющих на скорость и качество производства. Отдельным вектором выступает внедрение AI-ассистентов для ускорения разработки и интеграции внутренних систем (ERP, Bitrix24).

Самое интересное — AI внутри промышленного продукта

Стратегический приоритет лежит за пределами офисной автоматизации. Мы нацелены на интеграцию искусственного интеллекта непосредственно в выпускаемое оборудование:

• Внедрено: офисные ассистенты, боты контроля договорных рисков, проверка сопроводительных документов;
• В стадии пилота: RAG-система по базе знаний ГПУ 1 МВт;
• В стадии R&D: предиктивная аналитика в системах SCADA для прогнозирования износа узлов и расчет остаточного ресурса, а также инструменты автоматической компоновки шкафов управления.

Мы отказались от идеи заказной разработки AI-решений для внешнего рынка. Стратегия заключается в обкатке технологий на собственном производстве, их стандартизации и последующем формировании коробочного продукта «AI ready».

Главный риск — автоматизировать старый завод

Ориентиром при внедрении технологий выступают не локальные предприятия, а мировые технологические лидеры. Существует риск построить сложную цифровизацию, сохранив устаревшие принципы организации труда. На текущий момент я оцениваю реальный уровень интеграции ИИ в процессы компании примерно в 1,5 балла из 10.

Как я пойму через пять лет, что всё это было не зря

Ключевой критерий успеха на горизонте пяти лет — кратный рост масштабов бизнеса (в 10 раз) при умеренном увеличении штата (не более чем в 3 раза). Изменение этой пропорции возможно только за счет автоматизации и применения ИИ. Кроме того, AI-направление должно сформироваться в самостоятельный продукт с высокой долей в общем портфеле компании.

Найм умирает. Может, теперь делать свой продукт не такая уж плохая идея?

Трансформация рынка разработки меняет привычные подходы к найму и оценке навыков. В условиях, когда написание кода и базовое проектирование берут на себя нейросети, фокус смещается на создание собственных законченных продуктов. Инвестиции в собственную технологическую платформу в долгосрочной перспективе становятся менее рискованной стратегией, чем сохранение традиционной модели аутсорсинга или ручного управления.

Источник: habr.com