ЖУРНАЛ СТА №2/2026

На текущий момент картина остаёт- ся на ранней стадии внедрения: ● 7% заявляют, что ИИ уже встроен в большинство ключевых процессов; ● 21% внедрили ИИ в отдельных высо- коценных сценариях применения; ● 36% всё ещё используют ИИ в экспе- риментальном формате – в пилотах и POC-проектах; ● 32%находятся на стадииисследований без конкретных планов внедрения; ● 4% не планируют использовать ИИ вовсе. В горизонте трёх лет ожидания сущест- венно возрастают: ● 44% рассчитывают, что ИИ будет встроен в большинство ключевых про- цессов; ● 36% ожидают внедрения в отдель- ных высокоценных сценариях; ● 13% полагают, что останутся на ста- дии пилотных проектов; ● 6%прогнозируют сохранение на уров- не исследований; ● лишь 2%считают, что не будут исполь- зовать ИИ. Оптимизм подкрепляется широким спектром рассматриваемых сценариев применения. На вопрос о том, где уже используется или планируется внедре- ние промышленного ИИ, респонденты указали: предиктивное обслуживание (64%), оптимизацию процессов и адап- тивное управление (55%), генератив- ный ИИ для управления знаниями и автоматизации рабочих процессов (52%), контроль качества и обнаруже- ние дефектов (49%), цифровые двойни- ки с применением ИИ (42%) и аналити- ку edge-AI (38%). Картина выглядит последовательно: промышленные компании хорошо по- нимают, где именно ИИ способен созда- вать ценность, и не испытывают дефи- цита идей для его применения. Однако им не хватает практических механиз- мов, позволяющих перейти от намере- ний к масштабируемой реализации. Амбиции высоки, но готовности к внедрению ИИ пока нет. И вот почему. Главный барьер – разрозненные и низкокачественные данные Когда участников опроса попросили назвать ключевые препятствия на пу- ти внедрения ИИ в промышленной сре- де, они в первую очередь указали не на алгоритмы или инструменты, а на дан- ные (рис. 3). Лишь 34%респондентов заявляют, что уже имеют продукционные системы с потоковой передачей данных в реаль- ном времени. Остальные находятся на разных стадиях зрелости: 20% – в стадии пилотных проектов, 15% – на подтвер- ждении концепции, 7% – имеют ограни- ченные внедрения без общей стратегии, а 24% всё ещё изучают возможные под- ходы (рис. 4). В совокупности эти данные приводят к простому выводу: у большинства ор- ганизаций проблема не в ИИ как тако- вом, а в данных. Без качественных, кон- текстуализированных данных в реаль- ном времени, циркулирующих между OT-, IT- и облачными системами, даже самые продвинутые модели и инстру- менты не способны обеспечить устой- чивую ценность. Почему проекты преследуют провалы при масштабировании Промышленный сектор нельзя на- звать дефицитным на инновации. Мно- гие организации могут привести при- меры успешных пилотных проектов: модель предиктивного обслуживания критически важного оборудования, цифровой двойник отдельной про- изводственной линии или генератив- ный ИИ-ассистент, ускоряющий поиск информации для инженеров. Проблема возникает на этапе пере- хода от пилота к промышленной экс- плуатации и последующего масштаби- рования на другие площадки. Резуль- таты опроса указывают на ключевые точки разрыва. Интеграционная сложность Организации вынуждены связывать PLC, SCADA, MES, ERP, исторические ба- зы данных, облачные платформы и AI- инструменты через хрупкие точечные интеграции. Каждый новый сценарий добавляет ещё один слой «спагетти-ар- хитектуры», из-за чего любые измене- ния становятся рискованными и мед- ленными. Отсутствие единых соглашений по наименованию, метаданным и семантике Два формально одинаковых оборудо- вания на разных заводах могут выда- вать данные с разными названиями сигналов, единицами измерения или структурами. В результате каждое мас- штабирование превращается в отдель- ный мини-проект интеграции. ОБ ЗОРЫ СТА 2/2026 61 www.cta.ru Качество и доступность данных 54% 48% 43% 37% 30% 27% 22% Интеграция с устаревшими системами и разрозненными хранилищами данных Доверие, объяснимость и прозрачность Дефицит навыков в области ИИ и машинного обучения Конфиденциальность данных и соблюдение нормативных требований Сложность внедрения ИИ на периферийных устройствах (edge) Масштабирование за пределы пилотных проектов Имеют производственные системы с потоковой передачей данных в реальном времени Пилотирование (пилотные проекты) Proof-of-concept (POC) – подтверждение концепции Имеют ограниченные внедрения без общей стратегии Всё ещё находятся на стадии исследования подходов 24% 7% 15% 20% 34% Рис. 3. Ключевые препятствия на пути внедрения ИИ Рис. 4. Основные «подводные камни» при внедрении ИИ с точки зрения респондентов