benlong 
Агентный ИИ в производстве: как ИИ-агенты меняют производственный цех
Сейчас 2:40 утра, и поставщик отправил электронное письмо с уведомлением о том, что партия медных катушек будет доставлена с задержкой на два дня. В большинстве производственных цехов это сообщение просто лежит во входящих до тех пор, пока планировщик не придёт на завод в восемь часов. Однако к тому времени рабочие ночной смены, уже начавшие производство с использованием этих катушек, поймут, что линия прекратит работу к полудню, и кому-то придётся вручную перепланировать процессы на день.
Теперь представим альтернативную ночь. Программный агент читает входящее письмо, проверяет, от каких заказов зависят отсутствующие катушки, а также какие запасы остались на складе, и создаёт новый график операций, который завод может выполнить без катушек. Он проверяет доступность оборудования через данные MES, выявляет два заказа, которые будут задержаны, и отправляет планировщику сообщение с описанием нового плана.
Этот второй сценарий — то, о чём говорят, когда упоминают агентный ИИ в производстве. Речь действительно идёт не только о умной панели управления, но и о возможностях агентного ИИ в планировании всех необходимых действий, использовании заводских программных инструментов и самостоятельном выполнении производственного процесса.
Концепция агентного ИИ быстро перешла от интересной идеи к части дорожных карт поставщиков. Например, весной 2026 года IBM опубликовала руководство, в котором указала, что автономное управление качеством, динамическое планирование и сквозная оптимизация процессов должны стать ведущими приложениями технологий агентного ИИ. В марте того же года Siemens заявила, что промышленные ИИ-системы становятся агентными; компания также представила оркестратор-агента, контролирующего специализированных агентов с помощью программы Industrial Copilot. В этом месяце Microsoft даже назвала 2026 год поворотным моментом для ИИ, где управление и возможности обратного действия станут ключевыми факторами успеха внедрения ИИ.
Настоящее руководство предоставит информацию о том, что такое агентный ИИ, где он уже используется и как внедрить технологию без создания новых рисков. Кроме того, мы проведём вас через пример его применения в процессе тестирования автоматических выключателей.
Краткий ответ: Агентный ИИ в производстве описывается как ИИ-системы, способные работать на достижение заданных целей через планирование необходимых действий, получение информации из систем данных, таких как MES, ERP и программного обеспечения для обслуживания, и выполнение действий с минимальным участием человека. Основные применения агентных ИИ-технологий в производстве включают исследование качества, динамическое планирование, координацию технического обслуживания и перепланирование цепочки поставок. В наиболее эффективных производственных подразделениях агенты работают в рамках чётко определённых полномочий: логика безопасности реализована в ПЛК, тогда как действия с высоким риском требуют одобрения человека.
Что такое агентный ИИ в производстве?
Большинство заводов уже использовали различные формы “интеллекта”. ПЛК выполняют логические операции с очень высокой частотой — каждую секунду они выполняют эту операцию тысячи раз. Визуальные системы удаляют дефектные изделия. Прогнозные модели показывают, что подшипник изношен. Вопрос в том: что здесь нового?
На самом деле отличается замыкание рассматриваемого цикла. Прогнозные модели предоставляют некоторую информацию, в то время как агентные системы способны действовать на её основе. По данным Siemens, агентные системы представляют собой ИИ, который использует несколько источников данных и инструментов для предоставления решений и решения многоэтапных задач без необходимости каждого клика со стороны человека. IBM описывает это с точки зрения деятельности на производственном участке. Агентные системы способны изменять настройки машины при обнаружении дефекта, а не только сообщать о нем.
На самом деле, агенты ИИ в производстве могут рассматриваться как компьютерные программы, выполняющие три функции: иметь цель (поддерживать целевой выпуск на линии 3 и реагировать на сигнал качества), иметь определённый доступ к инструментам (читать MES, создавать заказы на техническое обслуживание оборудования, узнавать уровень запасов у поставщиков) и руководствоваться правилами, касающимися их действий.
Агентный ИИ против традиционного ИИ и автоматизации
Термины постоянно путают, поэтому вот как они сравниваются на типичном производственном участке.
| Технологии | Что она делает | Пример завода | Кто действует по результату |
|---|---|---|---|
| Автоматизация на основе правил (ПЛК, роботы) | Выполняет фиксированную логику точно так, как запрограммировано | Станция запрессовки отвергает деталь, если сила превышает предел | Машина, в рамках фиксированных правил |
| Прогнозный / аналитический ИИ | Находит закономерности и прогнозирует результаты | Модель прогнозирует отказ шпинделя через десять дней | Человек читает предупреждение и принимает решение |
| Генеративный ИИ-копилот | Отвечает на вопросы и составляет контент по запросу | Инженер запрашивает код ПЛК или объяснение неисправности простым языком | Человек после каждого запроса |
| Агентный ИИ | Планирует и выполняет многоэтапную работу для достижения цели с использованием инструментов | Агент видит прогноз отказа, находит окно с низкой нагрузкой, бронирует техника и заказывает деталь | Агент в рамках утверждённых лимитов; люди одобряют действия с высоким риском |
Обратите внимание, что агентный ИИ не заменяет остальные три. Он располагается поверх них. ПЛК по-прежнему управляет машиной. Прогнозная модель по-прежнему выдаёт прогноз. Агент — это слой, который превращает эти сигналы в действия.
Как агент ИИ работает на производственном участке
До четырёх основных алгоритмов запускаются для работы ядра большинства промышленных агентов:
Восприятие информации в реальном времени и исторических данных, собранных из состояний машин, наблюдаемых в SCADA или ПЛК, результатов операционных тестов, сохранённых в MES или ERP заказах, и обновлённых заявок на закупку через порталы поставщиков или электронную почту.
Рассуждение. Использование языковой модели и отраслевых правил для понимания ситуации и разработки плана, например: “результаты срабатывания дрейфуют; сначала проверьте, не отвечает ли за это один из испытательных приспособлений”.”
Активация. Вызов инструментов: выполнение запросов, создание рабочих заказов, обновление расписаний и отправка сообщений. Для каждого вызова создается журнал.
Обучение. Анализировать результат и сравнивать его с ожидаемым; затем корректировать следующее решение.
Потеря универсального агента — редкость для крупных заводов. Они используют несколько специализированных агентов с оркестратором, который управляет ими. Именно это Siemens называет Industrial Copilots — это разговорный интерфейс, тогда как оркестрационный агент выбирает, какой экспертный агент выполняет какую часть работы. IBM называет эту модель мультиагентной системой, которая работает через рабочие процессы, а не застревает в изолированной задаче.
Что говорят IBM, Siemens и Microsoft
Три компании подошли к теме с разных сторон; это полезно, так как каждая из них охватывает различные аспекты стратегии, промышленного программного обеспечения и облачной инфраструктуры.
IBM рассматривает агентный ИИ как постоянный процесс принятия решений, который одновременно оценивает стоимость, качество и доставку. Обзор компании за 2026 год представляет восемь секторов применения — от качества и планирования до продаж и цепочки поставок, а также добавляет прогноз Gartner, что к 2028 году агентный ИИ будет использоваться в 33 процентах корпоративных программных приложений по сравнению с менее чем 1 процентом в 2024 году.
Siemens сосредоточена на промышленной цепочке создания стоимости, включая проектирование, планирование, инженеринг, эксплуатацию и обслуживание. При продвижении агентного ИИ на Automate 2025 генеральный директор Райнер Брем назвал эту технологию шагом “за пределы парадигмы вопрос-ответ” к системам, способным выполнять рабочие процессы. Компания утверждает, что обеспечивает рост производительности до 50 процентов и гарантирует, что клиенты контролируют задачи, которые передают агентам.
Microsoft сосредоточена на оркестрации и доверии. В статье, опубликованной в марте 2026 года, описываются три сдвига — системы, данные и работа — с инструментами, которые позволяют пользователям работать с ассистентами, заменяемыми агентом, выполняющим задачи. По словам компании, когда искусственный интеллект переходит от предоставления рекомендаций к выполнению задач, возникает необходимость в управлении моделями, контроле доступа, данных, OT и объяснении решений.
Примеры использования агентного ИИ в производстве
Здесь разговор становится практическим. Ниже приведены примеры использования агентного ИИ в производстве, которые чаще всего встречаются в материалах поставщиков и ранних внедрениях, с описанием того, какую работу агент выполняет в каждом из них.
Автономное управление качеством
Поскольку информация уже доступна, качество является исходным состоянием в этом случае. Любое количество инспекционных камер, испытательных стендов или измерительных приборов производят данные, и чаще всего эти данные просматриваются только один раз.
В отличие от других систем, агент качества постоянно контролирует данные. Это означает, что как только агент замечает любые аномалии в данных (например, увеличение уровня дефектов, приближение к пределам или скопления отказов на конкретной смене), он не просто фиксирует аномалию. Он исследует такие вопросы, как какая производственная станция или приспособление дали такие результаты.
В качестве примера здесь выступает IBM с электронной областью: как только система обнаруживает повторяющийся дефект при пайке, она способна корректировать температуру и время на оборудовании или запускать целевое тестирование всех недавно припаянных плат.
В случае продукции с критическими требованиями к безопасности функция агента обычно ограничивается расследованием, тогда как любое изменение процесса подлежит утверждению лицензированным инженером.
Динамическое планирование производства
В момент создания производственного графика он начинает устаревать. Это может быть связано с неисправностью машины, срочным заказом или проблемой с доставкой. Это означает, что работникам постоянно приходится перепланировать всё в своих таблицах, особенно в течение дня.
Агенты планирования продолжают перепланировать заказы, используя актуальную информацию о статусе заказов, машинах, доступности рабочей силы и материалах. IBM приводит пример, когда на автомобильном заводе производство приостанавливается из-за задержек с поставкой ключевого компонента. Однако вместо остановки производства агент планирования может легко реорганизовать производственный процесс, заказать автомобили, для которых не требуется задержанный компонент, и сбалансировать нагрузку между рабочими линии.
Такой подход можно применить практически во всех производственных процессах. Даже небольшой производитель автоматических выключателей, выпускающий несколько различных моделей, может получить выгоду от сокращения количества необходимых переналадок.
Оркестрация предиктивного обслуживания
Предиктивное обслуживание существует уже давно, но всегда возникала проблема с тем, что происходит после прогноза. Кто-то должен получить сигнал тревоги, проверить график, найти техника, заказать нужную деталь и согласовать простой с производством.
Эту работу выполняют агенты. IBM описывает агентов как тех, кто способен планировать работы во время ожидаемого простоя производства, заказывать запасные части, назначать техников и временно перераспределять нагрузки между машинами. Такой же подход был применён в проекте Siemens Senseye Maintenance Copilot. По данным Siemens, пилотные клиенты сократили время, затрачиваемое на реактивное обслуживание, в среднем на 25%.
Координация цепочки поставок и запасов
Microsoft считает, что ранние системы ИИ для цепочек поставок только генерировали отчёты и панели мониторинга, после чего людям приходилось принимать решения на основе полученных данных. Следующий этап — это ИИ, способный действовать, координируя работу с поставщиками, инициируя пополнение ресурсов или перепланирование, а также управляя возможными логистическими проблемами.
IBM ссылается на собственные исследования, проведённые в партнёрстве с Oracle и Accelalpha, которые показывают, что 62% руководителей цепочек поставок утверждают, что агенты ИИ повышают скорость принятия решений. Между тем, 76% руководителей цепочек поставок ожидают, что агенты, способные быстро решать рутинные задачи лучше, чем люди, помогут достичь большей эффективности в операционных процессах.
Для конкретного завода практическая версия такова: агент понимает, что один из поставщиков задерживается, определяет, какие заказы пострадают, и предлагает другого поставщика или материал для соответствующего заказа. Это та самая история в 2:40 утра, описанная ранее.
Оптимизация процесса от начала до конца
В традиционных инициативах по улучшению процессов оптимизация происходит только на одной станции. Можно учитывать каждый параметр процесса, делая компромиссы между скоростью, стоимостью и качеством процесса.
Это было продемонстрировано на примере с потребительскими товарами IBM. Агент обнаружил, что снижение скорости процесса приведёт к значительному снижению уровня дефектов, что в итоге уменьшит общие затраты на производство. Изменения были внедрены немедленно и постоянно оптимизировались в процессе. Опытный инженер мог бы прийти к тому же выводу, но после месяцев анализа данных, а не за несколько дней.
Оптимизация энергии и ресурсов
Крупные промышленные предприятия имеют возможность управлять гибким перераспределением нагрузки, что позволяет экономить средства. Использование агентов в производстве стали и химической продукции позволяет проводить энергоёмкие процессы в периоды низких цен на электроэнергию без ущерба для выхода продукции.
Производители электротехнических устройств имеют свои примеры гибкой нагрузки в виде испытаний на выгорание электрических компонентов. Хорошим примером является Умная IoT-линия производства МКВ, где испытания на старение проводятся в течение нескольких дней при нагрузочных условиях.
Инжиниринг, программирование ПЛК и разработка продукции
Некоторые из самых передовых агентных технологий можно найти в инженерии, а не на производственном участке. Engineering Copilot от Siemens для TIA Portal позволяет инженерам по автоматизации разрабатывать код ПЛК из простых инструкций, в то время как в NX CAD функционирует Design Copilot. Siemens сообщает, что в thyssenkrupp Automation Engineering инженеры отметили улучшение качества кода и ускорение разработки.
IBM представляет агентов, которые делят сложную инженерную задачу на более мелкие части, разрабатывают варианты дизайна и контролируют симуляции, часто в цифровом двойнике, задолго до появления физического объекта. Более короткие производственные циклы означают более быстрое внедрение для любого потребителя автоматизации.
Поддержка операций на передовой линии
Microsoft считает, что передовые команды, использующие мультимодальные копилоты, будут самостоятельно решать больше проблем и полагает, что эти процессы с участием человека и ИИ в конечном итоге превратятся в операционных агентов. Operations Copilot от Siemens следует аналогичному принципу, поскольку операторы и техники используют данные машин для получения рекомендаций по устранению неполадок на понятном языке.
Для предприятий с высокой текучестью кадров — что часто встречается на многих развивающихся экспортных рынках — это может быть самым быстрым способом получить выгоду, так как позволяет каждому новому сотруднику воспользоваться опытом старшего техника.
Применение агентного ИИ в производстве в обзоре
В таблице ниже суммированы основные применения агентного ИИ в производстве, системы, к которым обычно подключается каждый агент, и где человек обычно остаётся в цикле.
| Сценарий использования | Что делает агент | Системы, к которым подключается | Типичная точка контроля человеком |
|---|---|---|---|
| Управление качеством | Выявляет тренды, отслеживает коренные причины, инициирует дополнительную проверку | MES, испытательные стенды, системы визуального контроля, SPC | Инженер утверждает любые изменения процесса |
| Планирование производства | Пересортировывает задания при изменении заказов, оборудования или материалов | ERP, MES, программное обеспечение для планирования | Планировщик утверждает изменения, сдвигающие сроки поставки |
| Организация технического обслуживания | Бронирует работы в периоды низкой загрузки, заказывает запчасти, назначает техников | CMMS, мониторинг состояния, MES | Руководитель подтверждает окно простоя |
| Координация цепочки поставок | Реагирует на задержки поставщиков, корректирует заказы и планы | ERP, порталы поставщиков, электронная почта | Закупщик утверждает новых поставщиков или дополнительные расходы |
| Оптимизация процессов | Настраивает скорость и установленные параметры в пределах утверждённых диапазонов | MES, исторические данные, утверждённые интерфейсы машин | Владелец процесса устанавливает допустимый диапазон |
| Энергоменеджмент | Переносит гибкие нагрузки на более дешёвые периоды | Счётчики энергии, MES, данные тарифов | Менеджер объекта устанавливает ограничения |
| Инжиниринг | Генерирует PLC-код, варианты дизайна и симуляции | TIA Portal, CAD, PLM, инструменты моделирования | Инженер проверяет и тестирует весь код |
| Поддержка на передовой | Отвечает на вопросы операторов, помогает в поиске неисправностей | Руководства, MES, данные машин | Оператор решает, что делать |
Агентный ИИ в дискретном производстве
Промышленные технологические операции, такие как нефтеперерабатывающие и химические заводы, давно используют передовые технологии управления процессами. В то же время появление автономных ИИ-технологий открыло новые возможности для дискретного производства, поскольку дискретные производственные предприятия сталкиваются с различными асимметриями, которые традиционные системы не могут эффективно обрабатывать.
Рассмотрим завод, производящий электрические устройства — автоматические выключатели, пускатели или измерительные приборы. Производственное подразделение работает с десятками версий электрических устройств с множеством опций и модификаций, каждая из которых может привести к множеству производственных ошибок. Каждый раз при переключении производства с одной операции на другую возрастает риск использования неправильного производственного плана. Отслеживание деталей производства в этом случае усложнено и зависит от множества переменных, что представляет отличную возможность для интеллектуального “решающего” агента, использующего передовые технологии.
Эффективность, демонстрируемая ведущими производителями, работающими с широким ассортиментом продукции, подтверждает это. Rockwell Automation Singapore производит более 1 000 различных продуктов, большинство из которых подвергаются многочисленным изменениям в течение года благодаря внедрению более 50 цифровых и ИИ-технологий, одной из которых является ИИ для контроля качества. Siemens Amberg и Eaton Changzhou рассказывают похожую историю, и мы освещали, как они к этому пришли, в нашем руководстве по примерам заводских маяков от Schneider, Siemens и Eaton.
Пример: как агент ИИ может реагировать на проблемы качества на линии тестирования автоматических выключателей
Это пример того, как агентный ИИ может работать с тестовыми данными. Он не описывает работу реальной агентной ИИ-системы, которая была внедрена в сервис Benlong.
Представьте высокоскоростные Автоматизированная линия тестирования автоматических выключателей автоматические выключатели C16. Каждое устройство проходит испытания на мгновенное (магнитное) срабатывание на уровне 5-10× In, тепловую калибровку на 1,13× и 1,45× In, а также измерение сопротивления контактов. Линия производит 1 800-2 400 единиц в час, и для каждой единицы результат появляется вместе с серийным номером и временной меткой, а данные отправляются в MES, подключённую через OPC UA или Modbus TCP.
За более чем две смены результаты магнитного срабатывания для одной партии начали приближаться к пределам допуска. Тем не менее, каждый из автоматических выключателей работает нормально. Традиционная система не видит проблемы, так как всё кажется в порядке.
Агентный ИИ для контроля качества, имея доступ к тем же данным, интерпретирует тренд иначе. Таким образом, он может сделать следующее:
Сравнить партию с историческими результатами аналогичного рейтинга, чтобы убедиться, что дрейф действительно существует, а не является обычным отклонением.
Определить, связан ли сдвиг с процессом сборки, например, с рабочей станцией, приспособлением или сменой операторов, или же это как-то связано с исходной партией материалов (например, новая катушка проволоки или поставщик ярма).
Проверить данные, полученные с испытательной станции, чтобы выяснить, произошла ли ошибка измерения, например, оценить увеличение сопротивления контакта в испытательном приспособлении.
Подготовить рекомендации: увеличить выборку из затронутой партии и провести измерения приспособления.
Уведомить инженера о проблеме, чтобы он мог одобрить дальнейшие действия.
После одобрения инженером MES создаёт задачу инспекции и удержание. Агент затем начинает мониторинг последующих единиц, чтобы проверить, прекратился ли дрейф, документируя всё для возможных проверок в будущем.
Есть вещи, которые агент никогда не должен делать. В частности, он не должен увеличивать пределы срабатывания, игнорировать требования безопасности или самостоятельно изменять параметры калибровки. Все решения о прохождении/непрохождении теста принимаются на оборудовании для испытаний. Роль агента — выявить проблему и сократить время реакции ответственных лиц.
Как производители сегодня используют ИИ-агентов в производстве?
Можно задаться вопросом, насколько достоверна вся эта информация. Честный ответ на этот вопрос можно найти, указав, что большая часть этой информации всё ещё относится к этапу копилота, что означает сотрудничество ИИ-системы с человеком, делая процесс создания автономных агентов постепенным. Следует упомянуть доступные факты:
Siemens утверждает, что её промышленные копилоты приносят хорошие результаты как на производственных объектах, так и для её клиентов. Один из её заводов (завод двигателей в Бад-Нойштадте) использует Insights Hub Production Copilot для обработки данных и преобразования их в действенную информацию. Кроме того, Siemens планирует запустить платформу, которая позволит различным системам (как собственным, так и сторонним) работать в синергии.
Siemens Digital Industries Software разработала приложение Microsoft Teams для использования в системе Teamcenter PLM для обработки голосовых отчётов на разных языках и их передачи соответствующим экспертам.
Körber приняла решение мигрировать свою систему PAS-X MES на Microsoft Azure для интеграции данных MES, ERP и цепочки поставок для своих сотрудников.
Завод Rockwell Automation, расположенный в Сингапуре, был удостоен звания Global Lighthouse в июне 2026 года. Завод внедряет множество ИИ-систем и сократил время обучения новых сотрудников на 67%.
Завод Siemens в Нанкине был спроектирован виртуально и выполняет более 50 операций, управляемых ИИ, принимая заказы на 78% быстрее.
Всемирный экономический форум объявил в июне 2026 года, что количество Global Lighthouses достигло 238, и теперь они превращают ИИ в ключевую операционную способность.
Как внедрять ИИ-агентов на производственном предприятии
Подавляющее большинство неудачных проектов ИИ на заводах терпят неудачу по причинам, не связанным с недостатками алгоритма. Неудача может быть связана с низким качеством данных и отсутствием ответственного лица за проект. По данным Microsoft, следует помнить “правило большого пальца”, установленное KPMG, объясняющее причины успешных проектов – 10 процентов связано с алгоритмом, 20 процентов – с технологией и данными, и 70 процентов – с людьми и процессами.
Вот практическая последовательность для как внедрять ИИ-агентов на производственном предприятии, написанная для среднего завода, а не для глобальной корпорации.
Шаг 1: Начните с одного цикла принятия решений, а не с “стратегии ИИ”
Выберите одно распространённое решение, с которым человек сталкивается в настоящее время и которое имеет измеримые результаты. Например, можно рассмотреть, как реагировать на колебания качества на сборочной линии, как перераспределять задачи после остановки машины или как управлять техническим обслуживанием узкого места. Однако плохим решением может быть любое, связанное с мероприятиями по безопасности или происходящее всего два раза в год.
Запишите решение в одном предложении, укажите, кто отвечает за результат (кто сейчас владеет этим), и объясните, что означает “лучше” в числах.
Шаг 2: Сначала исправьте основу данных
Эффективность машины зависит от данных, к которым она может получить доступ. Перед покупкой любой AI-платформы обратите внимание на следующее:
Хранятся ли результаты в виде цифровых записей, по единице или партии, с отметками времени?
Можно ли идентифицировать каждый результат по номеру оборудования, местоположению, партии материала и рецепту?
Доступны ли данные вне машины, например, через OPC UA, Modbus TCP, SQL или REST API?
Способна ли MES или центральная база данных хранить достаточное количество записей для выявления закономерностей?
IBM утверждает, что интеграция данных и устаревшие системы представляют собой первое препятствие для агентного ИИ, рекомендуя компаниям сначала определить источники данных с наивысшей ценностью, а не пытаться интегрировать все данные сразу. В нашей статье полностью интегрированная автоматизация объясняется, как слои PLC, HMI, MES и ERP взаимодействуют друг с другом.
Шаг 3: Определите уровни автономности перед запуском
Это шаг, который большинство команд пропускает, и именно он помогает избежать проблем. Решите заранее, сколько агент может делать самостоятельно для каждого типа действий.
| Уровень | Что агент может делать | Пример |
|---|---|---|
| 0 – Наблюдать | Отслеживает данные и сообщает о результатах; не предпринимает действий | Ежедневное резюме тенденций качества на каждой линии |
| 1 – Рекомендовать | Предлагает действия с доказательствами; человек принимает решение и действует | Предлагает проверить приспособление, когда результаты трипа начинают отклоняться |
| 2 – Действовать с одобрением | Готовит действие и выполняет его после одобрения человеком | Создаёт задачу инспекции в MES после того, как инженер нажмёт одобрить |
| 3 – Действовать в пределах ограничений | Действует самостоятельно в заранее утверждённых пределах и сообщает о результатах | Перепланирует задания в смене, если даты поставки не меняются |
Большинство предприятий должны начинать с уровня 0 или 1 и переходить выше только после того, как агент наработает положительную репутацию. Функции, связанные с безопасностью, остаются вне досягаемости агента на всех уровнях.
Шаг 4: Предоставьте агентам инструменты, а не прямое управление
Важно, чтобы агент работал через те же контролируемые интерфейсы, что и человек, например, через заказ на работу в системе технического обслуживания, блокировку в MES и обновление в инструменте планирования. Агент не должен напрямую взаимодействовать с памятью PLC, изменять логику безопасности или менять утверждённые рецепты.
Начинайте с разрешения только на чтение, затем добавляйте разрешение на запись для каждого инструмента с его конкретными ограничениями и журналами.
Шаг 5: Внедрите контроль, аудиторские следы и возможность отката
По данным Microsoft, для производителей при внедрении ИИ должны быть обеспечены четыре возможности доверия: управление моделями, контроль данных и доступа, безопасность OT и конечных точек, а также способность объяснять, ограничивать и отменять решения. Тот же принцип поддерживает IBM, рекомендуя устанавливать чёткие границы принимаемых решений, включать человека в процесс и фиксировать каждое действие, управляемое ИИ.
Другими словами, каждое действие должно быть учтено через журналирование используемых данных и информацию о причине принятого решения. Более того, каждое действие должно быть либо обратимым, либо предварительно одобренным.
Шаг 6: Сначала тестируйте в теневом режиме или с помощью цифрового двойника
Лучше всего тестировать агента на работе без воздействия на оборудование. Агент видит всё, что происходит, принимает решения и выдвигает предложения, но ничего не происходит. Сравнивайте его советы с действиями ваших инженеров и сосредотачивайтесь на несоответствиях.
Если у вас есть модель симуляции линии, используйте её также. Наше руководство по цифровым двойникам для производственных линий объясняет, как Siemens, Schneider Electric и ABB используют симуляцию и виртуальный запуск, а также как небольшие заводы могут начать с одной линии.
Шаг 7: Измеряйте, затем масштабируйте
С самого начала ведите учёт нескольких показателей: время от оповещения до принятия меры, уровень брака и переделок, незапланированные простои, соблюдение графика и процент рекомендаций, которые пользователи действительно выполняют. После того как первый цикл докажет свою эффективность, повторно используйте модель данных, систему разрешений и журналирование из предыдущего цикла.
Microsoft ссылается на результаты исследований MIT и McKinsey, которые подчеркивают, что организации с продвинутой моделью управления и едиными данными могут достичь в четыре раза больших трансформационных результатов и в два раза быстрее по сравнению с компаниями, у которых отсутствуют данные и система управления. Масштабируется основа, а не отдельный пилотный проект.
Лучшие практики и распространённые ошибки
- Определите актуальную проблему, по поводу которой люди часто выражают недовольство. Агент может решить задачу, если он обнаружит существующую проблему.
Назначьте каждому агенту своего владельца.
Документируйте всё, включая отклонения предложений; именно на этом вы хотите учиться.
Не разрабатывайте агента в нестабильной среде. Если процесс ведёт себя непредсказуемо, агент просто научится отклонениям.
Агенту никогда не следует предоставлять права записи в логику ПЛК или системы безопасности.
Перед запуском пилотного проекта определите, кто будет отвечать за обслуживание агента после завершения участия проектной команды.
Вызовы, которые нужно планировать
IBM прямо говорит, что агентный ИИ требует усилий для внедрения. Важно оценить следующие вызовы в контексте вашей ситуации:
Интеграция данных: текущий уровень технологий делает интеграцию данных и различных несовместимых источников неэффективной.
Управление: неясно, когда система может действовать самостоятельно, а когда требуется вмешательство человека.
Стоимость: технология имеет высокую стоимость внедрения, но поэтапный подход снижает риски.
Масштабируемость: агент, созданный для конкретной задачи, не может быть воспроизведён; наш подход смягчает эту проблему.
Безопасность: интеграция большего числа систем создаёт условия для увеличения числа атак, требующих эффективных мер контроля.
Навыки: люди переходят от выполнения своих обязанностей к управлению системами, что требует специального обучения.
AI-агенты, ПЛК, MES и умный завод
Одна из самых распространённых забот, которые мы слышим от инженеров по автоматизации, проста: “Начнёт ли это устройство писать в мой ПЛК?” Краткий ответ — нет. Чтобы понять почему, полезно взглянуть, где агенты располагаются в стеке автоматизации.
Где агентный ИИ вписывается в стек автоматизации
| Уровень | Что она делает | Роль ИИ-агентов |
|---|---|---|
| ПЛК и полевые устройства | Детерминированное управление в реальном времени, блокировки и функции безопасности | Только чтение данных; нет прямого управления движением или безопасностью |
| SCADA / HMI | Визуализация, тревоги и команды оператора | Объяснение тревог и помощь операторам в поиске неисправностей |
| MES | Заказы, рецепты, записи о качестве и прослеживаемость | Основная рабочая поверхность: задачи инспекции, задержки, рабочие заказы |
| ERP / цепочка поставок | Спрос, закупки, запасы и финансы | Перепланирование заказов, выявление рисков поставщиков, предложение закупок |
| Слой агента и оркестровки | Координирует специализированных агентов, обеспечивает соблюдение прав доступа, ведёт журнал действий | Располагается выше MES и ERP, вне цикла управления в реальном времени |
ПЛК предназначен для управления всем, что происходит в течение миллисекунд, часто обеспечивая безопасность людей и оборудования. Деятельность агентов основывается на решениях, принимаемых в течение минут/часов и смен, что означает, что все основные производственные процессы уже завершены. Такое разделение помогает заводам обеспечивать безопасность, поскольку ИИ используется только тогда, когда он наиболее необходим людям.
Поэтому важно уделять внимание качеству подключения MES. Производственная линия, передающая результаты тестов, тревоги и обновления в MES через открытый протокол, является самой безопасной. Автоматизированная линия, закрытая для HMI, эффективна, но уровень безопасности средний.
Цифровой двойник и агентный ИИ: сначала моделируем, затем действуем
Цифровые двойники и ИИ-системы отвечают на разные вопросы:
Цифровой двойник отвечает за понимание и представление состояния машины, здания или производственного объекта. Работа цифрового двойника сводится к вопросу: “что произойдёт, если мы внесём изменение?”
С другой стороны, агентный ИИ — это система, которая организует работу на основе доступной информации и ресурсов, где используемая информация исходит из поставленных целей и других инструментов, разрешённых к использованию. Агентный ИИ отвечает на вопрос: “каков следующий шаг и можно ли его выполнить?”
Эти два подхода образуют безопасный цикл. Агент предлагает изменение, например, изменение последовательности выполняемых работ или нового времени цикла. Работа интеллектуального цифрового двойника — проверить, стоит ли применять предложенное изменение на практике. Только когда цифровой двойник доказывает, что результат новых операций соответствует требованиям по положительному результату и соблюдению установленных ограничений, оно внедряется либо в систему, либо отправляется человеку на утверждение.
IBM демонстрирует этот подход при создании продукта, где работу выполняют агенты, координирующие работу цифрового двойника перед запуском проекта в производство. Microsoft упоминает эту идею на уровне предприятия, утверждая, что заводы должны быть готовы к эпохе агентного ИИ, если они опираются на концепцию цифровых двойников и цифровых нитей в планировании и реализации производственного процесса. Если ваш завод только начинает, наша статья о уроках цифрового двойника от ведущих производителей электрооборудования — хорошее место для начала, с реальными результатами от Siemens Erlangen, Schneider Electric Wuxi и ABB RobotStudio.
От заводов-маяков к повседневным предприятиям
Наименее доступными предприятиями на этом пути являются глобальные маяки WEF, и ни одно из них не управляется исключительно ИИ. Это объекты, где люди контролируют все более независимые системы. Даже известные заводы с полностью автоматизированным производством, такие как FANUC и ASE, по-прежнему зависят от людей для обслуживания и устранения аномалий, как отмечается в реальных примерах темных заводов.
Средний производитель в секторе электротехнического оборудования должен придерживаться следующего практического подхода: устранить узкое место, тестировать каждый продукт в процессе, связать каждый завод с MES, добавить цифрового двойника для целей планирования и привлечь агентов для анализа информации с целью ускорения процессов принятия решений.
Заключение: агенты ИИ — это изменение рабочего процесса, а не покупка программного обеспечения
IBM, Siemens и Microsoft едины во взглядах на развитие искусственного интеллекта на заводах. По их мнению, ИИ на заводах развивается от инструмента, который просто отвечает на запросы, к агенту, который помогает планировать и выполнять задачи, связанные с управлением операциями, управлением качеством, планированием, техническим обслуживанием и задачами цепочки поставок. Siemens заявляет, что работает над автоматизацией всего процесса автоматизации. Microsoft утверждает, что 2026 год станет годом перехода технологий от пилотной фазы к масштабному внедрению. IBM представляет заводы, где регулярные корректировки целей выполняются без постоянных указаний оператора.
Указанные компании также согласны с предпосылками для использования ИИ на заводах. Автоматизационные агенты требуют качественной и связанной информации. Им нужны четкие параметры, в рамках которых они будут действовать. Им нужен человек, ответственный за результат и способный отменить решение при необходимости. Им также нужны машины, способные измерять все и передавать информацию в правильном формате.
Основным действием, которое должны предпринять производственные компании, не является покупка платформы ИИ, а обеспечение того, чтобы каждое рабочее место и каждый процесс генерировали данные, которые могут быть использованы агентом. Если это будет достигнуто, переход к агентам ИИ станет гораздо проще.
Часто задаваемые вопросы
Что такое агентный ИИ в производстве?
Агентный ИИ в производстве означает искусственный интеллект, который достигает определённых целей в производстве, создавая план, извлекая информацию из систем, таких как MES, ERP и программное обеспечение для обслуживания, и предпринимая соответствующие действия через эти системы, например, создавая задачи для инспекции или перестраивая последовательность работ. Агентный ИИ отличается от панелей мониторинга и чат-ботов тем, что он выполняет действия до тех пор, пока задача не будет выполнена, но только в рамках условий и правил, установленных людьми.
Используется ли агентный ИИ для автоматизации?
Да, но на другом уровне, чем традиционная автоматизация. ПЛК и робототехника по-прежнему отвечают за управление машинами в реальном времени и функции безопасности. Агентный ИИ автоматизирует принятие решений и координацию в отношении этих процессов, например, реагируя на тенденции качества, перепланируя графики после остановок машин и организуя техническое обслуживание. Siemens называет это автоматизацией процесса автоматизации с помощью ИИ-агентов, выполняющих полные рабочие процессы в проектировании, инженерии, эксплуатации и обслуживании.
Какой ИИ лучше всего подходит для производственной отрасли?
Ни одно решение ИИ не может быть признано лучшим для производства. В то время как машинное зрение идеально подходит для процесса инспекции, предиктивные модели подходят для технического обслуживания, генеративный ИИ-копилот помогает инженерам и операторам находить необходимую информацию, агентный ИИ хорошо подходит для многоуровневых задач, таких как расследование качества, планирование и координация цепочки поставок. Некоторые из самых распространённых решений — Siemens Industrial Copilot, IBM WatsonX Orchestrate и Microsoft Azure AI. Выбор идеального решения ИИ зависит от качества имеющихся данных, используемых систем ПЛК и MES, а также от задачи, которую необходимо оптимизировать.
Чем агентный ИИ отличается от автоматизации?
Традиционная автоматизация работает по заранее определённым правилам: когда некоторое значение превышает порог, машина отбраковывает деталь. Агентный ИИ ориентирован на цель. В отличие от традиционной автоматизации, он оценивает ситуацию, определяет план действий, использует инструменты и адаптируется к изменяющимся условиям. Правильно построенное производственное предприятие может использовать оба подхода: ПЛК будет поддерживать функции безопасности и контроля, а ИИ-агенты будут работать с MES и ERP.
Как используется искусственный интеллект (ИИ) в производстве?
Компании применяют искусственный интеллект для визуального контроля качества, предиктивного обслуживания, планирования производства, оптимизации энергопотребления и планирования цепочки поставок. Всемирный экономический форум наградил ведущие предприятия, такие как завод Rockwell Automation в Сингапуре и фабрики Siemens в Нанкине, за использование продуктов, оснащённых более чем 50 решениями ИИ. Тенденция становится ясной со временем: переход от изолированных пилотных проектов ИИ к агентам, которые ведут работу по системам в 2026 году.
Ссылки
- IBM – Как агентный ИИ в производстве стимулирует трансформацию (апрель 2026) – определение, восемь областей применения, статистика цепочки поставок и проблемы внедрения.
- Блог Siemens – Будущее промышленного ИИ – агентный подход (март 2026) – модель восприятия-рассуждения-действия-обучения, агент-оркестратор и промышленные базовые модели.
- Siemens – Siemens представляет ИИ-агентов для промышленной автоматизации (май 2025) – агенты Industrial Copilot по всей цепочке создания стоимости, цели по производительности и результаты для клиентов.
- Microsoft – Производство на переломном этапе 2026 года (март 2026) – три сдвига, возможности доверия и управления, а также правило 10-20-70.
- Всемирный экономический форум – Новые глобальные объекты Lighthouse демонстрируют, как ИИ перестраивает производство (июнь 2026) – общая сеть из 238 объектов и результаты для новой когорты.
- Rockwell Automation – Сингапурский объект назван глобальным Lighthouse (июнь 2026) – управление качеством на основе ИИ и предиктивное обслуживание на заводе с большим ассортиментом продукции.
Создаёте ли вы сборочную или испытательную линию, готовую к ИИ?
ИИ-агенты могут действовать только на основе данных, которые производит ваше оборудование. Если вы производите автоматические выключатели (MCB), автоматические выключатели с расцепителем по току утечки (MCCB, RCCB), контакторы или энергометры и хотите линии, которая тестирует каждое изделие, связывает каждый результат с серийным номером и передаёт данные в вашу MES через OPC UA или Modbus TCP, отправьте нам образцы вашей продукции, целевой объём выпуска и краткое описание текущего процесса. Наши инженеры предложат концепцию линии, которая обеспечит полную прослеживаемость уже сегодня и подготовит вас к качеству, управляемому ИИ, завтра.
