Почему промышленным компаниям важнее считать исключения, чем число ИИ-агентов

Промышленным компаниям не обязательно начинать внедрение ИИ-агентов с полностью автономного цеха или «умного» ERP. Более практичная точка входа — повторяемый процесс с понятными правилами, встроенным согласованием и измеримой долей исключений. К такому выводу подводит опубликованное 26 августа исследование Futurum Research, выполненное в партнёрстве с IFS: в нём опрошены 664 руководителя из шести промышленных сегментов Северной Америки и Европы, а также проведены интервью с представителями шести клиентов IFS.

Авторы фиксируют разрыв между интересом к агентному ИИ и готовностью доверить ему операции: 66% опрошенных предприятий говорят, что в ближайшие 12 месяцев готовы или очень готовы инвестировать в цифровых работников, но лишь 5,7% доверяют ИИ действовать полностью автономно. Для российского бизнеса это не рейтинг поставщиков и не готовая рекомендация купить конкретную платформу, а полезный ориентир, как строить пилот так, чтобы он дошёл до производственного использования.

Под «цифровым работником» авторы понимают ИИ-систему, которая выполняет многошаговый операционный процесс целиком, а не только подсказывает сотруднику следующий шаг. В исследовании речь идёт о производстве, энергетике и ЖКХ, аэрокосмической и оборонной отрасли, транспорте и логистике, строительстве и телекоммуникациях.

По данным отчёта, почти две трети респондентов оценивают долю ручной повторяющейся работы более чем в 40% рабочего времени сотрудников; в сводной графике приведён показатель 41%. 77% участников сообщили, что откладывали или не запускали стратегическую инициативу из-за нехватки времени у команды. Это самооценки руководителей, а не хронометраж или финансовый аудит, поэтому их нельзя автоматически переносить на отдельную компанию.

Ключевое противоречие в другом. Только около 10% организаций, по данным опроса, уже используют преимущественно автономный ИИ. Авторы не предлагают закрыть этот разрыв «смелостью»: они связывают переход из пилота в эксплуатацию с тремя условиями — интеграцией в действующие системы, встроенной управляемостью и передачей нестандартных ситуаций человеку.

Свежесть материала не в самом тезисе о пользе автоматизации, а в сочетании исследования рынка и шести описанных производственных внедрений. Отчёт опубликован в августе 2026 года; онлайн-опрос проводился в мае–июне 2026 года. В него вошли 664 квалифицированных респондента из Северной Америки и Европы, а качественная часть основана на интервью с руководителями ИТ и операций шести клиентов IFS: KLN Family Brands, CDF Corporation, Ependion, AirBoss, Sims Crane и Kitron Group.

Авторы приводят и неудобные для рекламного анонса цифры. 67% ИИ-проектов, согласно ответам участников, достигают не более половины полного производственного масштаба; только 4% проходят отметку в 75%. Самой частой причиной остановки проектов названы проблемы с качеством данных — 30% упоминаний, далее следуют доказательство ROI и сложности интеграции — по 28%. Эти показатели описывают восприятие участников опроса, а не причинно-следственный эффект конкретного продукта.

В отчёте есть несколько полезных производственных примеров, но почти все они связаны с клиентами IFS. Поэтому корректнее воспринимать их как раскрытые кейсы поставщика, а не как независимую выборку рынка.

• KLN Family Brands, по данным отчёта, автоматизирует 329 заказов поставщикам в неделю и высвобождает 27 часов еженедельно, ранее занятых ручной обработкой. Базовая методика подсчёта и внешний аудит не опубликованы.
• CDF Corporation, по данным авторов, высвободила 20% времени сотрудников закупок. В отчёте также заявлено преимущество специализированного цифрового работника перед LLM-помощником IFS на одинаковых операционных задачах; протокол сравнения, набор задач и показатели ошибок не раскрыты.
• Ependion, как сообщается, вывела Supply Order Manager на уровень всей компании за десятинедельный поэтапный запуск. Это срок одного внедрения, а не универсальный норматив.
• Kitron Group разворачивает цифровых работников по заказам поставщикам на 13 площадках. Авторы описывают найденную системой старую ошибку в номере детали и снижение доли заказов, требующих вмешательства человека. Целевой почти бесконтактный режим к концу 2026 года — именно цель, а не достигнутый результат.
• Для AirBoss и Sims Crane в документе приведены прогнозы: соответственно 40% заказов без ручного участия после полного вывода решения в эксплуатацию и схема 80/20 для счетов к оплате. Это планы участников, их нельзя выдавать за фактический эффект.

Здесь важен сам принцип измерения. Количество обработанных транзакций растёт вместе с нагрузкой и почти ничего не говорит о качестве автоматизации. Более сильный KPI — доля операций, в которых человеку пришлось вмешаться, с разбивкой по причине: плохие данные, нарушенное правило, неполный контекст, рискованное решение или ошибка агента. Такой показатель связывает ИИ с контролем процесса, а не с демонстрацией активности.

Публикация полезна тем, что уводит разговор от вопроса «сколько агентов нам нужно?» к вопросу «какой участок процесса можно безопасно передать системе и как доказать эффект». Для первой волны внедрения подойдут процессы с высоким объёмом, устойчивыми правилами и заранее понятным владельцем: обработка заказов поставщикам, сверка документов, маршрутизация заявок, контроль типовых исключений или подготовка сведений для оператора.

Перед запуском стоит зафиксировать пять вещей.

1. Исходную точку. Среднее время на операцию, долю ручных касаний, типы ошибок и стоимость задержки.
2. Границу автономности. Какие действия агент может выполнять сам, какие — только после одобрения, а какие запрещены без человека.
3. Путь эскалации. Сотрудник должен получить не «тревогу», а весь контекст: исходные данные, выполненные шаги, правило, которое не сработало, и возможные варианты решения.
4. Контроль данных. Нельзя считать, что плохие данные исчезнут сами собой. ИИ может находить несоответствия, но нужен процесс подтверждения и исправления первичной записи.
5. Проверку в реальном процессе. Сравнение специализированного решения и универсального помощника следует проводить на собственных данных, одинаковых сценариях и заранее выбранных метриках точности, скорости, исключений и стоимости.

Этот подход согласуется с общим принципом NIST AI Risk Management Framework: риски ИИ следует учитывать в проектировании, применении и оценке системы. Сам NIST не проверял выводы Futurum Research и не подтверждает результаты IFS; его рамка здесь используется только как независимый методический ориентир для управляемого внедрения.

У пилота должна быть не презентационная, а операционная граница. Например, компания может выбрать только типовые заказы с полными реквизитами поставщика и заранее утверждённым лимитом суммы. Агент сопоставляет документ с данными ERP, проверяет правила, создаёт черновик операции и передаёт её на одобрение. Все нестандартные случаи — новый поставщик, расхождение цены, отсутствующий договор, неполный комплект документов или превышение лимита — остаются в очереди специалиста.

До старта полезно собрать контрольную выборку прошлых операций и разметить причины, по которым человек вмешивался. После запуска нужно сравнивать не среднюю скорость «в красивом сценарии», а точность классификации исключений, долю ошибочных самостоятельных действий, время до передачи человеку и долю операций, полностью прошедших по правилам. Руководитель процесса должен иметь право остановить сценарий, выгрузить журнал действий и отменить разрешения. Без этих условий автоматизация способна просто быстрее распространять ошибку между системами.

Исследование оплачено IFS, а все шесть качественных интервью проведены с её клиентами. Авторы отчёта указывают, что IFS не ограничивала дизайн вопросов и публикацию выводов, однако это самоописание документа, а не внешний аудит. Кроме того, выборка охватывает шесть промышленных отраслей в Северной Америке и Европе и не показывает применимость результатов к российским компаниям.

В публичной версии не раскрыты текст анкеты, способ привлечения респондентов, коэффициенты взвешивания, доля ответивших, доверительные интервалы, сырые данные и финансовые расчёты по кейсам. Не опубликованы и проверяемые условия доступности IFS Loops в России: цены, поддержка, локализация, размещение данных и интеграции с российскими системами. Поэтому цифры из отчёта — основание для постановки гипотезы и пилота, но не для обещания ROI в коммерческом предложении.

Практичный следующий шаг — выбрать один процесс с понятным объёмом и провести короткий предпроектный замер. В нём стоит сформировать реестр исключений, обозначить владельца каждого решения и зафиксировать разрешённые действия агента. Затем можно запускать контролируемый пилот на низкорисковых операциях и расширять его только при снижении доли корректно классифицированных исключений и сохранении качества.

Если поставщик обещает «автономную обработку», запросите не только демонстрацию, но и журнал действий, экспорт истории согласований, описание ролей доступа, условия отката операции, методику расчёта результатов и реальные границы, где система обязана передать работу человеку. Именно эти элементы, а не число агентов в интерфейсе, определяют, станет ли ИИ частью процесса или останется витриной пилота.

Источники:
1. Futurum Research: Bridging the Capacity Gap: Why 66% of Enterprises Are Investing in Agentic Digital Workers — опубликовано 26.08.2026; исследование подготовлено в партнёрстве с IFS.
2. Полный отчёт Futurum Research, август 2026 — методика, выборка, ограничения и описания шести внедрений.
3. IFS: Industrial workforce capacity gap being filled by agentic digital workers — опубликовано 26.08.2026 в 10:17 CET.
4. NIST AI Risk Management Framework — независимый методический контекст по управлению рисками ИИ; не является проверкой результатов исследования.

В контексте исследования это ИИ-система, которая может выполнить многошаговый операционный процесс, а не только дать сотруднику совет. Конкретный набор действий и степень автономности зависят от настроек процесса.

Объём операций растёт вместе с нагрузкой. Доля исключений показывает, как часто системе понадобился человек, по каким причинам и улучшает ли автоматизация реальный процесс без роста риска.

Некоторые описанные в отчёте кейсы запускались с неполными данными и находили ошибки уже в работе. Это не отменяет контроля качества: для каждого найденного несоответствия нужны владелец, правило подтверждения и журнал исправлений.

Нет. В отчёте есть заявленные операционные результаты, но нет независимого аудита, общих финансовых расчётов и публичных данных, достаточных для вывода о гарантированном ROI.