Сначала задача, потом модель

Семейная винодельня Vínculo Serrano работает на четырёх горных участках в испанской провинции Саламанка. Рельеф не позволяет просто механизировать все операции, а погода на соседних склонах может различаться. Для руководителя это не абстрактная «цифровая трансформация»: нужно решать, когда осматривать лозу, проводить работы с кроной и оценивать риск болезни на конкретном участке.

По опубликованному в июле 2026 года разбору сети европейских цифровых инновационных хабов, до проекта у винодельни были сайт, электронная торговля и управленческие инструменты, но не было автоматизированных операций или ИИ в производственных и коммерческих процессах. Оценка зрелости по направлению «автоматизация и ИИ» составляла 16%. В числе проблем были ручная обработка заявок посетителей через Shopify и отсутствие собственных агроклиматических данных по каждому участку.

В разговоре об ИИ легко начать с модели прогноза болезней. Но модель не знает, какой дождь прошёл над конкретным склоном, если ей неоткуда это узнать. На этом этапе более ценной инвестицией оказались наблюдения и понятное правило принятия решения. Маленький синий стажёр в нашей иллюстрации уже держит зонт над одним кустом; производственному процессу полезнее знать, где и когда выпал дождь.

Что компания действительно внедрила

При поддержке хаба DIGIS3 и AIR Institute винодельня прошла несколько этапов: консультацию, проектирование и полевую установку прототипа. В двух разных виноградниках появились автономные метеостанции. Они собирают температуру, относительную влажность, солнечную радиацию и осадки; система рассчитывает производные агроклиматические показатели, показывает данные и выдаёт оповещения. Питание — от солнечной энергии, передача данных — через сотовую связь.

В исходном описании указаны измерения каждые 15 минут и передача раз в час. Заявлены надёжность передачи 95% при целевом уровне 75%, отсутствие потерь данных в ходе пилота при допустимом пороге до 5% и задержка отображения менее минуты после поступления данных. Эти цифры относятся к работе измерительной системы, а не к точности прогноза болезни и не к экономии средств. Их нельзя превращать в «ИИ предотвратил 95% потерь урожая».

Винодельня называет экран по участкам агроклиматическим «светофором риска». По данным о дожде, температуре, влажности и дефиците давления водяного пара сотрудники оценивают фитосанитарный риск, планируют расчистку подлеска и уход за кроной и обосновывают выборочные обработки. Решение о работах остаётся у людей. Источник сообщает о качественном улучшении планирования и точности решений, но прямо оговаривает: полный сезон ещё не завершён, поэтому снижение затрат на препараты и урожайные результаты пока нельзя количественно подтвердить.

Отдельно хаб спроектировал архитектуру чат-бота для бронирований и вопросов клиентов в Shopify с поиском по знаниям и языковой моделью. Это именно проектирование, а не подтверждённый запуск бота. Консультация по блокчейн-прослеживаемости тоже не означает работающую цепочку поставок на блокчейне. Эти части полезно отделять от двух действительно установленных метеостанций.

Почему здесь пока не нужен ИИ-прогноз

Сеть датчиков и простые пороги уже дают управленческий эффект: вместо единой погоды «по району» появляется история каждого участка. Международная организация виноградарства и виноделия определяет точное виноградарство как принятие решений по зонам на основе нескольких источников данных и подчёркивает необходимость адаптировать критерии к конкретным условиям. Рекомендации Cornell Cooperative Extension тоже отмечают ценность метеостанции непосредственно в винограднике для оценки условий, благоприятных болезням лозы.

Ни один из этих источников не говорит, что одного датчика достаточно для автоматического назначения обработки. Показатель риска нужно сверять с осмотром растений, агрономическим контекстом и местными правилами применения препаратов. Для прогностической модели понадобятся хотя бы несколько сезонов сопоставимых измерений, журнал фактических заболеваний и действий, а также проверка на будущем сезоне и другом участке. Пока такого набора нет, сложная модель может лишь уверенно пересказывать короткую историю наблюдений.

С практической стороны архитектура невелика:

  • датчики и локальный контроллер фиксируют измерения с временем, единицами и привязкой к участку;
  • канал связи передаёт пакеты с буферизацией при обрыве, а приёмник отмечает пропуски и запоздания;
  • хранилище временных рядов сохраняет исходные значения отдельно от расчётных показателей;
  • панель показывает тенденции и качество данных, правила формируют предупреждение;
  • сотрудник подтверждает событие осмотром и записывает принятое действие.

Такой контур можно держать в собственном периметре, если требования к данным и связи этого требуют. Но локальная языковая модель здесь не обязательна: ей нечего улучшать, пока базовые измерения не стали надёжными. Для будущего чат-бота по бронированиям, наоборот, понадобятся актуальные правила посещений, наличие мест, доступ к заказам Shopify, разграничение прав и передача сложных запросов человеку. Нельзя смешивать эти две задачи в один «универсальный агент» только потому, что обе относятся к винодельне.

Экономика без волшебной цифры

Публикация не раскрывает стоимость оборудования, связи, обслуживания и фактическую окупаемость. Кроме того, в этом случае часть работ покрывалась программой поддержки, поэтому чужую цену пилота нельзя переносить в бюджет российского хозяйства. Особенно важно посчитать обслуживание станций на удалённых участках: монтаж, питание, калибровку, замену датчиков и выезды после обрыва связи.

Для решения о своём пилоте полезнее модельный расчёт с явными допущениями. Например, по каждому участку за сезон записывать количество выездов, число предупреждений, долю предупреждений, подтверждённых осмотром, расход препаратов, время агронома и потери от пропущенного риска. Затем сравнить с похожим участком или собственными прошлыми сезонами с поправкой на погоду. Это не обещание конкретного процента экономии, а способ проверить, окупается ли более точное решение. Если исходных затрат и частоты ошибочных обработок нет, расчёт ROI сейчас будет декоративным.

Метрика технической готовности тоже не равна экономике. 95% надёжности передачи выглядит приемлемо для наблюдения, но каждый двадцатый непереданный вовремя пакет может прийтись на значимый дождь. Перед автоматическим предупреждением стоит определить допустимую задержку, способ восстановления данных и правило «данных недостаточно — проверьте вручную». Нулевая потеря в данном пилоте не доказывает, что связь никогда не откажет.

Маленький следующий шаг

Для малого хозяйства или другого бизнеса с распределёнными объектами разумен пилот на двух разных точках, а не покупка «ИИ для всего поля». Сначала выберите одно решение, которое сегодня принимают на глаз: например, необходимость внепланового осмотра после осадков. Опишите, какие измерения и действия на него влияют. Затем четыре–шесть недель записывайте данные, сбои связи, реальные осмотры и решения сотрудников. Отдельно проверьте, меняет ли новая информация действия, а не просто украшает панель.

Если этот контур действительно уменьшает пропуски и лишние выезды, расширяйте охват. Прогнозную модель подключайте только при достаточной истории и измеримом выигрыше над простым правилом. Агроном или ответственный специалист должен иметь возможность отменить рекомендацию и объяснить почему. ИИ полезен там, где накопленные данные помогают предсказать то, чего не видно по текущему «светофору»; раньше времени он лишь усложнит надёжную систему.

Источники: [кейс Vínculo Serrano в сети EDIH](https://european-digital-innovation-hubs.ec.europa.eu/knowledge-hub/success-stories/vinculo-serrano-initial-consultancy-precision-viticulture-through), [принципы точного виноградарства OIV](https://www.oiv.int/node/3113), [рекомендации Cornell по метеоданным для виноградника](https://flgp.cce.cornell.edu/timeline.php?id=14).