ЖУРНАЛ СТА №2/2026

Оценка ROI: проверка реальностью Помимо архитектурных аспектов, ис- следование также раскрывает, какие именно выгоды организации ожидают получить от использования данных в реальном времени и распределённого интеллекта (рис. 6). Ценность этого подхода очевидна: промышленные лидеры рассматри- вают ИИ и данные в реальном времени как путь к повышению загрузки акти- вов, снижению рисков, улучшению ка- чества и повышению устойчивости операционной деятельности (рис. 7). В отличие от успешных, организа- ции, испытывающие трудности, чаще делают акцент на инструментах, а не на архитектуре, и на пилотных про- ектах, а не на платформенных реше- ниях. Они проводят множество неболь- ших экспериментов, но при этом не имеют единой базы данных и архитек- турного фундамента, который позво- лил бы тиражировать и масштабиро- вать успешные решения. Итоговые рекомендации на 2026 год На основе результатов Industrial Da- ta, Intelligence & AI Readiness Survey 2026 можно выделить ряд ключевых на- правлений, на которые стоит ориенти- роваться промышленным лидерам для ускорения внедрения сценариев ис- пользования ИИ (рис. 8). Заключение Исследование Industrial Data, Intelli- gence & AI Readiness Survey 2026 делает фундаментальный вывод: организации не смогут масштабировать ИИ до тех пор, пока не устранят проблемы в своей базовой инфраструктуре данных. Амбиции в области ИИ продолжают расти, и промышленные лидеры ак- тивно изучают такие направления, как предиктивное обслуживание, цифро- вые двойники, агентные операцион- ные модели и генеративный ИИ. Одна- ко пока данные остаются фрагменти- рованными в разрозненных хранили- щах, изолированными в устаревших системах и недоступными в реальном времени, ИИ будет оставаться на уров- не пилотных проектов и эксперимен- тальных внедрений. Реальный прогресс требует единого слоя данных, потоковой обработки в реальном времени, строгого управле- ния данными и кросс-функционально- го взаимодействия между подразделе- ниями. 2026 год должен стать момен- том перехода от экспериментов с ИИ к системному развитию инфраструкту- ры данных. Те организации, которые уже сейчас модернизируют свою архи- тектуру данных, будут определять ли- дерство в своих отраслях в следующем десятилетии. ● СТА 2/2026 63 www.cta.ru ОБ ЗОРЫ Рис. 6. Ожидаемые ключевые преимущества с точки зрения респондентов Рис. 7. Преимущества более готовых к внедрению ИИ компаний Рис. 8. Итоговые рекомендации по ускорению/удешевлению внедрения ИИ 53% 52% 46% 43% 32% 27% 25% Предиктивное обслуживание и сокращение времени простоев Повышение OEE (общей эффективности оборудования) и производительности Ускорение цифровой трансформации и внедрения ИИ Снижение затрат и энергопотребления Улучшение клиентского опыта Повышение устойчивости цепочек поставок Повышение уровня безопасности и соответствия нормативным требованиям Проектируют архитектуры, пригодные для повторного использования от проекта к проекту Формируют кросс-функциональные команды OT/IT/AI с общими целями и зоной ответственности Инвестируют в единый слой данных, (UNS) в его основе зачастую с Unified Namespace Используют единые KPI и базовые метрики для каждой инициативы в области ИИ Внедряют управление данными и процессы обеспечения качества данных до масштабирования ИИ Стандартизируют модели данных и правила наименования на уровне всех производственных площадок Приоритизировать качество данных и управлять ими: рассматривать операционные данные как продукт с чётко определёнными владельцами, ответственными (data stewards) и стандартами качества Расширять использование потоковой передачи данных в реальном времени: переводить большее число систем на событийно-ориентированные архитектуры на базе MQTT, способные надёжно обеспечивать данные для ИИ и аналитики Модернизировать устаревшие интеграции: заменять хрупкие точечные интеграции на масштабируемые pub/sub-модели и стандартизированные интерфейсы Развивать сотрудничество OT и IT: формировать совместные команды, общие дорожные карты и согласованные системы мотивации, охватывающие специалистов OT, IT, а также команды по данным и ИИ Отслеживать ROI с использованием единых KPI: заранее определять метрики успеха и измерять эффект каждой инициативы ИИ в формате «до и после» Проектировать с прицелом на масштабирование с самого начала: стандартизировать шаблоны, модели и пайплайны, чтобы успешное внедрение на одной линии можно было быстро тиражировать на остальные подразделения организации