Владелец производства, который спрашивает про ИИ, обычно не хочет «внедрения искусственного интеллекта». Он хочет, чтобы технолог не искал двадцать минут нужную спецификацию в архиве PDF, чтобы бухгалтер не вносил накладные вручную, чтобы менеджер по продажам отвечал на запрос за час, а не за день, и чтобы остановка станка не была для всех сюрпризом. Дальше у такого руководителя обычно два вопроса: что из этого работает уже сейчас и сколько это стоит.
Ответ в этом руководстве разделен на восемь сценариев. Для каждого мы пишем, что именно делает ИИ, что нужно от вас, сколько это длится и стоит, и честно отмечаем те, где без команды data science ничего не получится. Примеры берем из нашей практики с промышленным поставщиком MELITA из Днепра и ERP для авиасервисной компании, а внешние факты с источниками и датой проверки 19.11.2026.
Мы в Lytvynov Production не производим оборудование и не пишем ПО для управления станками. Мы строим программную часть: документы, поиск, агентов, интеграции с учетными системами. Именно там ИИ быстрее всего дает ощутимый результат.
Что отвечают крупные поставщики и чем мы отличаемся
Если вы искали агентство по ИИ для производства, вам наверняка попадались крупные украинские и международные компании. Вот что они сами пишут о своей работе с производством (проверено 19.11.2026).
N-iX на странице об ИИ в производстве называет основными сценариями прогноз отказов оборудования, автоматизацию управления производством в реальном времени, склад и цепочку поставок, контроль качества на основе компьютерного зрения, коллаборативных роботов, цифровых двойников и генеративный дизайн. Среди цифр там есть ссылка на Deloitte: производственная отрасль создает около 1 812 петабайтов данных в год. Собственный пример N-iX: среднее время диагностики материнских плат ноутбуков в проекте по ремонту оборудования упало с 30 минут до менее 10 (по словам самой компании, внешнего источника нет).
SoftServe среди производственных направлений называет мониторинг заводов, цифровых двойников, прогноз отказов оборудования и визуальную инспекцию с ИИ. В своем блоге о визуальной инспекции описывает поэтапный запуск, когда ИИ работает рядом с ручным контролем и помогает инспекторам, пока модель уточняется.
ELEKS описывает ИИ-агентов для оптимизации производственных линий, автоматизации контроля качества, управления запасами и планирования производства.
Это большие команды с сотнями специалистов, и для завода с разветвленной сетью датчиков, сложными линиями и бюджетом на годы они обоснованный выбор. Наша ниша другая: промышленная или производственная компания в Украине, которой нужен первый рабочий результат за месяц-два, фиксированная цена и команда, понимающая ее систему учета. У нас минимальный проект 10 000 USD, первый сценарий за 4 недели, и мы откровенно говорим, где ваша задача выходит за наши рамки.
Восемь сценариев: что реально, что нет
Сначала обзор, потом детали.
| Сценарий | Что нужно от вас | Реалистичный срок | Ориентир цены |
|---|---|---|---|
| 1. Поиск по технической документации | Документы: инструкции, паспорта, стандарты | 4 недели | AI Sprint, 10 000 USD |
| 2. Разбор накладных и счетов | Образцы документов, доступ к учету | 4-8 недель | от 10 000 USD |
| 3. Каталог с ИИ-поиском и описаниями | База товаров, источники характеристик | 6-12 недель | от 10 000 USD, зависит от каталога |
| 4. Отчеты для руководителя | Доступ к данным учета | 4 недели | AI Sprint, 10 000 USD |
| 5. Ассистент для менеджеров по продажам | CRM, прайс, история сделок | 4-10 недель | от 10 000 USD |
| 6. Планирование закупок | История закупок и потребления | 3-6 месяцев | оценивается после аудита данных |
| 7. Контроль качества по фото | Тысячи размеченных фото дефектов | 3-6 месяцев и больше | оценивается после аудита; для больших линий команда data science |
| 8. Прогноз отказов оборудования | История датчиков и ремонтов | 3-6 месяцев и больше | оценивается после аудита; нужна команда data science |
Цены в таблице с наших страниц об AI Sprint и разработке ИИ-агентов. Токены модели оплачиваются отдельно, и на документах это обычно центы за задачу.
1. Техническая документация и поиск по ней
Самый частый первый сценарий. Технологи, инженеры сервиса и новые сотрудники тратят часы на поиск: какая допустимая температура для этого материала, какой момент затяжки в этой модели, что писали в акте в прошлый раз. Документы лежат в PDF, Word, сканах, на общем диске, в почтовых ящиках.
ИИ-ассистент с поиском (RAG) читает эти документы, делит на фрагменты, и на вопрос отвечает текстом со ссылкой на конкретный документ и страницу. Ключевое слово «со ссылкой»: на производстве ответ без источника опасен. Как это строится, подробно разбирает наше руководство про внедрение RAG, а проектная работа описана на странице о разработке RAG.
Что нужно от вас: документы, человек, который скажет, что актуально, а что устарело, и 30-50 типичных вопросов с ожидаемыми ответами для проверки. Самая большая сложность не в модели, а в документах: сканы плохого качества, две версии одного стандарта, таблицы как изображения. Первой недели AI Sprint вполне хватает, чтобы это увидеть.
Сколько это занимает: 4 недели в AI Sprint, 10 000 USD. Результат измеряем на ваших вопросах: доля ответов, совпавших с ожидаемыми и имеющих правильный источник.
2. Накладные, счета, акты
Менеджер по закупкам или бухгалтер вручную переносит данные из документов в учетную систему. ИИ читает документ (PDF, скан, фото), извлекает поля: поставщик, номер, дата, позиции, суммы, НДС, и передает их на проверку или записывает в систему, если система это позволяет.
Здесь важен режим работы. Сначала модель лишь предлагает значения, человек подтверждает одним кликом, а мы измеряем, в скольких полях ошибка. Когда на вашем потоке доля ошибок стабильно мала, можно открывать автоматическую запись для надежных поставщиков, оставляя ручную проверку для новых и для больших сумм.
Ограничение: качество зависит от документов. Четкие PDF счетов читаются хорошо, фото со смартфона с тенями хуже, рукописные пометки плохо. Мы измеряем это на вашей выборке в первую неделю, а не обещаем цифр заранее.
3. Каталог с ИИ-поиском: пример MELITA
Если вы продаете промышленную продукцию, ваш каталог это часть производственной цепочки. Покупатель ищет не «станок», а «фрезерный станок с вертикальным шпинделем на 400 вольт», и от качества характеристик зависит, найдет ли он вас.
Пример из нашей практики. MELITA, B2B-поставщик станков, запчастей к болгарским электроталям и прессам и фрикционных накладок собственного производства из Днепра, годами жила на странице в Prom.ua: описания были машинно переведены, фото с водяными знаками, Google почти не видел компанию за пределами маркетплейса. Мы перенесли около 750 товаров на собственный магазин с каталогом на трех языках, разбили его на 64 страницы категорий по реальному спросу из Google Keyword Planner, исправили и заново перевели почти все тексты (около 690 украинских описаний исправили в несколько проходов, а русскую и английскую версии восстановили из исправленного текста). Для 188 товаров характеристики и фото взяли с официальных сайтов производителей FDB Maschinen, PROMA и Stürmer, принимая их только при точном совпадении модели или артикула.
Дальше: двенадцать инженерных калькуляторов (вес металла и арматуры, обороты шпинделя и подача, диаметр сверла под резьбу, подбор тали), каждый со ссылками на станки, подходящие под результат. Импорт прайса поставщика из Excel, где владелец видит каждое изменение цены и остатка до применения и может откатить. Фид для Google Merchant Center, в котором 737 товаров. Дополнительно llms.txt, копии товаров в Markdown и публичный MCP-эндпоинт, чтобы ИИ-ассистенты могли обратиться к каталогу. Магазин открыли для поиска в октябре 2026 года, основные страницы каталога попали в индекс Google за два дня, мобильный Lighthouse держится на 94-100 (данные из кейса).
Урок для производителя: ИИ в каталоге полезен там, где есть надежный источник данных. Поэтому калькуляторы с известными формулами появились раньше чат-бота: модель может ошибиться в цифре, а ошибка в мощности или размере означает возврат. Подробнее об ИИ в магазинах, в том числе о готовых сервисах и собственной разработке, в руководстве про ИИ для интернет-магазина.
4. Отчеты для руководителя
Директор хочет видеть ответы на простые вопросы: что отгрузили за неделю, где задержка, какие заказы в риске, как изменились закупочные цены. Сейчас это делает аналитик в Excel за несколько часов, или никто не делает.
ИИ-агент с доступом на чтение к учетной системе или хранилищу данных отвечает на такие вопросы текстом и таблицей, а по расписанию присылает недельную сводку. Главное правило: агент не считает сам, он вызывает проверенные запросы или функции, а модель лишь формулирует ответ. Тогда цифры совпадают с теми, что в учете.
Сколько: 4 недели, AI Sprint. Что нужно: доступ к данным и 10-20 вопросов, на которые руководитель хочет ответы каждую неделю.
5. Ассистент для менеджеров по продажам
Менеджер получает запрос от клиента: «нужны тормозные накладки на пресс такого-то года, что есть и за сколько». ИИ помогает найти позицию, проверить остаток, подготовить коммерческое предложение по вашему шаблону, напомнить, когда клиент покупал в последний раз. Ответ менеджер редактирует и отправляет сам.
Как это строится: подключение к CRM и прайсу, поиск по каталогу с характеристиками, шаблон предложения, журнал. Для таких систем наш опыт в CRM и ERP на заказ. Сколько: 4-10 недель в зависимости от количества систем, от 10 000 USD.
6. Планирование закупок
ИИ смотрит на историю потребления и закупок, на сезонность, сроки поставщиков и предлагает, что и сколько заказать. Звучит просто, но это другой класс задачи: нужна качественная история за несколько лет, правильные остатки, учет замен и переходов на новые артикулы. Если эти данные в учете неточны, никакая модель не поможет.
Поэтому здесь мы начинаем с аудита данных: что есть, насколько чистое, достаточно ли для прогноза. После этого решаем: более простой статистический прогноз, модель с ИИ или просто лучший отчет об остатках. Нередко последнее дает основную пользу за малую цену. Срок: 3-6 месяцев. Цена: после аудита.
7. Контроль качества по фото
Камера над конвейером или рабочим местом снимает изделие, модель ищет дефекты: царапины, трещины, отсутствующий элемент. SoftServe и N-iX в своих материалах описывают это направление как одну из основных возможностей ИИ в производстве (см. выше).
Что здесь нужно, и почему это не наш первый сценарий: сотни и тысячи фото дефектов и нормальных изделий, разметка экспертами, камеры и освещение, интеграция с линией, обработка в реальном времени. Скорость работы и доля ошибок зависят от конкретного изделия. Для большой линии с высокой стоимостью брака это окупается, и здесь действительно нужна команда data science. SoftServe в описании визуальной инспекции предлагает осторожный путь: ИИ работает рядом с человеком, помогает инспекторам и постепенно обучается. Мы согласны с этим подходом.
Что мы можем сделать для небольшого производства: проверку фото, которые менеджеры и сервис уже собирают (например, фото повреждений при рекламациях), с автоматическим подбором категории дефекта. Это проще, чем линейный контроль, и не требует специальной камеры. Срок и цену оцениваем после взгляда на выборку.
8. Прогноз отказов оборудования
Датчики вибрации, температуры, тока присылают данные, модель учится распознавать признаки того, что узел скоро выйдет из строя. Это классическое направление с большой историей, и N-iX и SoftServe называют его первым в перечне сценариев.
Условия, без которых не получится: история показаний датчиков, записи о ремонтах с точными датами и причинами, достаточное количество отказов, чтобы модели было на чем учиться (на малом количестве отказов любая модель ненадежна). Если датчиков нет, их сначала нужно поставить и собирать данные месяцами.
Мы не беремся за такие проекты без аудита данных. Часто ответ такой: начните с простого журнала отказов и планово-предупредительного ремонта, а ИИ добавите, когда данные накопятся. Это честнее, чем продать «прогноз», который не сработает.
Интеграция с учетными системами
Любой из этих сценариев без доступа к данным компании малополезен. Вот как мы подходим к системам, которые чаще всего встречаются на украинских предприятиях.
BAS и 1С-подобные конфигурации. BAS это украинская линейка на платформе 1С. О правовом поле вокруг российского программного обеспечения в Украине пишут, в частности, Forbes.ua и DOU (проверено 19.11.2026): эксперты расходятся в оценках, а статус зависит от типа предприятия. Для госсектора и критической инфраструктуры ограничения строже, для частного бизнеса нормы меняются, так что уточняйте у юриста. Новых решений вокруг российского ПО мы не строим. Для уже имеющейся конфигурации подключаем ИИ через отдельный слой обмена (HTTP-сервисы или файлы), чтобы систему можно было заменить без переписывания ИИ. Если вы планируете миграцию с 1С, ИИ-интеграцию стоит закладывать уже в новую систему.
IT-Enterprise. По описанию партнера IT-Artel (проверено 19.11.2026), платформа имеет REST API и другие способы интеграции. Официальную документацию API мы для этого руководства не проверяли, поэтому перед стартом изучаем ее на вашей конфигурации.
SAP. Для предприятий с SAP интеграция идет через стандартные интерфейсы, а объем зависит от версии и того, что уже открыто. Работа с такими системами это часто отдельный проект с вашими консультантами.
Excel и общие диски. Не стесняйтесь этого: для первого сценария часто достаточно выгрузки в Excel или CSV, и так быстрее. Налаженный обмен файлами работает, пока не появится потребность в оперативности.
Собственная ERP. Для компаний, переросших готовые решения, мы разрабатываем CRM и ERP на заказ: полноценная CRM/ERP стоит 40 000-90 000 USD. Пример из производственной сферы: для американской авиасервисной компании мы разработали за шесть месяцев собственную ERP на Symfony и React: клиенты, заказы, планирование обслуживания самолетов, смены персонала с синхронизацией с календарями, учет склада в реальном времени и контроль соответствия требованиям регуляторов. Для ИИ такая система это готовые «инструменты»: ИИ-агент может читать состояние заказа, остатки склада или график смен через API системы в узких правах.
Что измерять после запуска
Для каждого сценария заранее договариваемся об одной главной цифре. Для поиска по документации это доля правильных ответов с правильным источником и время, которое технолог тратит на поиск. Для накладных доля полей, где человек исправил модель, и количество документов на человека в день. Для отчетов время, за которое руководитель получает ответ. Если цифра за месяц не изменилась, сценарий нужно переделать или закрыть, и мы говорим об этом прямо.
Как выглядит начало работы
Мы предлагаем три шага. Короткий звонок на 30 минут: вы описываете самый болезненный процесс, мы скажем, какой из восьми сценариев ваш. Дальше при необходимости ИИ-аудит за 3 500 USD: перечень сценариев, оценка данных, прогноз эффекта. Затем AI Sprint за 10 000 USD на 4 недели: одна работающая функция в вашей среде, с тестами на ваших данных.
Более общий взгляд на то, как мы выбираем сценарии, есть на странице об ИИ-консалтинге, а об автоматизации процессов в автоматизации бизнес-процессов с ИИ.
Что мы просим от вас, чтобы не терять время: человека со стороны бизнеса, который решает, что правильно; доступ к образцам документов и систем; готовность проверять результат на реальных примерах, а не на красивых демо. И честный ответ на вопрос, что произойдет, если ИИ ошибется: от этого зависит режим работы, с подтверждением человека или без.
Если вы на этом этапе только сравниваете поставщиков, обратите внимание не на названия сценариев, а на вопросы, которые вам задают. Если от вас сразу требуют все данные за три года и год на пилот, это проект для большой команды. Если спрашивают, какой процесс болит, сколько документов в день и есть ли образцы, это работа, которую можно начать в этом месяце. Напишите нам, и мы скажем, к какому типу относится ваша задача.