Кейс: готовые ИИ-инструменты на небольшом упаковочном производстве

В отчёте OECD об использовании ИИ малыми и средними компаниями описан небольшой производитель пакетов и гибкой упаковки из Провальо-д’Изэо в провинции Брешиа. Компания использует готовые инструменты, включая ChatGPT, Gemini и Copilot, а также модели машинного обучения. По описанию OECD, они помогают анализировать производственные мощности, упрощать процессы и автоматизировать часть операционных потоков.

Это полезный пример не потому, что в нём обещают впечатляющий процент экономии. Таких цифр в кейсе нет. Ценность — в более приземлённой картине: небольшая производственная компания сочетает готовые языковые инструменты с ML, движется от отдельных задач к операционным сценариям и упирается не в отсутствие «самой умной модели», а в подключение решений к общей экосистеме и подготовку людей.

Если коротко: модель умеет подсказать, где искать узкое место, но производственный план не обновляется от одного красивого графика. Кто-то должен договориться о данных, правилах и ответственности. Даже самый старательный цифровой стажёр не знает, что сменный мастер считает срочным, пока это не оформлено в процессе.

Контекст: разрыв по размеру компании сохраняется

Для масштаба, Eurostat оценил долю компаний ЕС, использовавших хотя бы одну ИИ-технологию в 2025 году, в 17% среди малых, 30,36% среди средних и 55,03% среди крупных предприятий. В этой статистике малые предприятия — с 10–49 занятыми, средние — 50–249; компании меньше 10 человек не входят в охват. Это общеевропейский показатель, не результат кейса и не оценка российского рынка. Он лишь подчёркивает, почему небольшой производственный пример интересен: путь внедрения зависит от масштаба и возможностей интеграции, а не от необходимости сразу строить собственную модель.

Что именно известно — и чего источник не сообщает

OECD передаёт описание компании как кейс, а не как независимый аудит эффекта. Источник фиксирует:

  • предприятие производит и продаёт гибкую упаковку;
  • используются готовые ИИ-продукты и модели машинного обучения;
  • заявленные области применения — аналитика производственных мощностей, оптимизация процессов и автоматизация операционных потоков;
  • среди отмеченных компанией преимуществ — скорость, эффективность, более глубокий анализ, поиск решений и возможность браться за новые задачи;
  • среди проблем названы интеграция ИИ в более широкую экосистему компании и необходимость калибровать обучение сотрудников;
  • в пути внедрения компания получала поддержку итальянского государства.

В опубликованном описании не указаны названия ML-моделей, архитектура интеграций, объём производства, исходный уровень затрат, точность прогнозов или измеренная экономия. Поэтому нельзя приписывать этому предприятию конкретный процент роста выпуска, сокращения брака либо окупаемости. Нельзя утверждать и то, что все перечисленные инструменты подключены к производственной линии автоматически: OECD говорит об аналитике и операционных потоках, но не раскрывает техническую схему.

Как перенести урок в свою компанию

Для российского малого производства разумно начать не с копирования названий продуктов, а с одного узкого решения. Например, оценить загрузку линии на ближайшую смену или заранее подсветить конфликт между заказами и доступной мощностью. Это уже проектная гипотеза для проверки, а не подтверждённая деталь итальянского кейса.

Минимальная схема может выглядеть так:

1. **Согласовать определение мощности.** Зафиксировать, что именно считается доступным временем линии: рабочие смены, переналадки, плановое обслуживание, простои и ограничения по материалам.
2. **Подготовить источник данных.** Свести в одну таблицу план заказов, сроки, маршруты операций, доступные линии и исторические фактические длительности. Если данные остаются в разных файлах и вводятся по-разному, сначала понадобится простая очистка и единый справочник.
3. **Разделить расчёт и языковое объяснение.** Расписание и арифметику лучше считать прозрачным алгоритмом или существующей системой планирования. Языковая модель может объяснить отклонение, собрать вводные из заметок и помочь сотруднику сформулировать сценарий, но не должна выдумывать длительность операции.
4. **Показать основания рекомендации.** Для каждой подсказки выводить заказ, линию, календарное ограничение и данные, на которых основан вывод. Если источник пустой или устарел, система должна сказать «недостаточно данных», а не уверенно дорисовать план.
5. **Оставить решение за диспетчером или мастером.** На пилоте система предлагает вариант, а ответственный подтверждает его и фиксирует причину правки. Автоматически менять производственное задание стоит только после отдельной проверки точности и согласования полномочий.

Для многих задач не нужен RAG: если ответ строится на структурированных заказах, календарях и справочниках, важнее аккуратные интеграции и расчётный слой. RAG уместен отдельно, когда сотруднику нужно искать инструкции, регламенты или описания причин переналадки; это не замена данным о текущей загрузке.

Какие данные, люди и инфраструктура понадобятся

Перед оценкой модели проверьте:

  • есть ли стабильные идентификаторы заказов, операций, линий и смен;
  • можно ли получить фактические времена начала и окончания операций, а не только план;
  • как кодируются переналадки, ремонт, нехватка сырья и срочные заказы;
  • кто исправляет ошибочные статусы и отвечает за справочники;
  • есть ли доступ к API или регулярно обновляемой выгрузке из ERP/MES;
  • какие данные разрешено передавать внешнему поставщику, а какие должны остаться в локальном контуре;
  • кто владеет рекомендацией и может отменить её.

Инфраструктура зависит от процесса. Для первого теста достаточно обезличенной выгрузки и отдельного отчёта без обратной записи в ERP. Если данные чувствительны или внешний сервис недопустим, можно исследовать локальную модель, но она не отменит работы по нормализации данных, правам и наблюдаемости. Локальный запуск решает часть вопросов передачи данных, но не делает прогноз автоматически точным.

Пилот: проверяем полезность, а не впечатление

Начните с одной линии, одного горизонта планирования и ограниченного числа типов заказов. Возьмите прошлые периоды, где известен фактический результат, и сравните прогноз или рекомендацию с тем, что произошло. Затем несколько недель работайте в теневом режиме: новая система рассчитывает подсказку, но не меняет план.

Зафиксируйте метрики до запуска:

  • доля заказов, для которых удалось подготовить рекомендацию;
  • ошибка оценки времени и загрузки отдельно по типам операций;
  • число конфликтов, найденных до начала смены;
  • доля рекомендаций, принятых мастером без изменений;
  • частота исправлений и причины отклонения;
  • время сотрудников на сбор данных и разбор результата;
  • стоимость интеграции, сопровождения и вычислений на одно решение.

Модельный пример экономики: если диспетчер тратит 40 минут в день на ручное сведение планов, а новый контур сокращает именно эту работу на 15 минут, за 20 рабочих дней высвобождается 5 часов в месяц. Это расчётное допущение, а не результат итальянской компании. Из эффекта нужно вычесть контроль рекомендаций, исправление исходных данных, сопровождение интеграции и лицензии. Если высвобождённое время не превращается в полезную работу либо пилот требует больше ручной проверки, проект пока не окупается.

Главный вывод для руководителя

Кейс OECD показывает не универсальную формулу «купить чат-бот и автоматизировать завод», а последовательность зрелого эксперимента: готовые инструменты могут поддержать анализ и потоки работы, но устойчивое применение зависит от интеграции и компетенций сотрудников. Для малого предприятия это часто означает, что первая инвестиция — не новая модель, а владелец процесса, общий словарь данных и понятный способ измерить результат.

Начните с короткого интервью с диспетчером и мастером: где они каждый день вручную сводят сведения, на каких данных принимают решение и что считается дорогой ошибкой. Выберите один процесс, сделайте теневой расчёт и только после проверки переходите к подключению систем.

А робот-стажёр пусть пока сортирует карточки. Кнопку «переставить весь график производства» ему выдавать рано.