17:50 / 17 ноября 2026
Рынок промышленного ИИ может вырасти до 134 млрд рублей к 2030 году - IT Speaker, новости информационных технологий
Объем российского рынка промышленного ИИ может увеличиться с 40 млрд руб. в 2025 году до 134 млрд руб. к 2030 году. Среднегодовой темп роста составит 27,4%. Мировой рынок промышленного ИИ за тот же период может вырасти с $53,8 млрд до $153,9 млрд при среднегодовом темпе роста 23,4%. Редакция IT Speaker обсудила с экспертами развитие рынка промышленного ИИ и реальность таких прогнозов.
Иван Манжетов, ИИ-эксперт в международной ИТ-компании KODE, рассказал IT Speaker, что прогноз в 134 млрд рублей к 2030 году выглядит достижимым. Рост поддержат доказанный ROI, типовые отраслевые платформы, edge и развитие отечественной инфраструктуры. Среди факторов, тормозящих рынок, эксперт выделили дорогой CAPEX, дефицит компетенций, качество данных, ограничения по оборудованию и рост требований к кибербезопасности.
«Это рост в 3,35 раза, примерно на 27,4 % в год. Быстрее всего, по прогнозу, растут инфраструктурные сегменты: периферийные вычисления (в 6,7 раза) и ML‑платформы (в 3,9 раза). Это согласуется с переходом от разовых пилотов к типовым платформам. Я бы рассматривал 134 млрд как условный сценарий: он зависит от того, смогут ли предприятия тиражировать решения, а для этого нужны подготовленная инфраструктура, качественные данные, компетенции и понятная ответственность за результат. Кроме того, денежный рост рынка не равен росту числа внедрений: часть его может отражать рост цен», – добавил Александр Могила, руководитель направления защиты и исследования систем искусственного интеллекта, Angara Security.
По результатам исследования «Газпромбанка», «Газпром нефти», «Северстали» и «Газинформсервиса», которые приводит IT Channel News, промышленные предприятия используют ИИ для предиктивной аналитики, компьютерного зрения, управления эффективностью активов, обработки данных и машинного обучения. Еще одно направление – периферийные вычисления, позволяющие обрабатывать данные на производственных объектах.
Владимир Нелюб, управляющий партнер «Астра ИИ Код», директор по науке и ИИ «Группы Астра», рассказал IT Speaker, что ИИ уже приносит измеримый экономический эффект в сферах, где есть много алгоритмизированной рутины и присутствует высокая цена ошибки. В дискретном производстве (автопроме, авиастроении, электронике, станкостроении, металлообработке) ИИ дает предиктивное обслуживание оборудования и компьютерное зрение для контроля качества. Основные эффекты от внедрения ИИ выражаются в ускорении проектирования изделий, сокращении незапланированных простоев и избыточных запасов. В процессном производстве (металлургия, нефтегаз, химия) – оптимизация режимов и работа с техдокументацией.
«На российском рынке измеримый эффект ИИ уже виден прежде всего в нефтегазе, металлургии, нефтехимии и добыче, там, где много телеметрии и дорого обходятся простой, брак или отклонение режима. Наиболее зрелые сценарии: предиктивное обслуживание, компьютерное зрение, оптимизация технологических режимов и производственное планирование», – добавил Иван Манжетов.
Залина Русинова, специалист исследовательского центра ИТ-компании УЦСБ, и Александр Могила, руководитель направления защиты и исследования систем искусственного интеллекта, Angara Security, среди отраслей и сценариев с наибольшим эффектом от внедрения ИИ, выделили металлургию, химию, нефтехимию и добычу.
«К типовым сценариям относятся предиктивное обслуживание оборудования для сокращения простоев, контроль качества продукции для снижения брака, оптимизация технологических режимов с экономией энергоресурсов, контроль безопасности на производственных площадках, а также оптимизация логистики и складских запасов. Пока наиболее зрелой выглядит модель, в которой агент ускоряет анализ и принятие решений, но критические производственные действия контролируются оператором. При этом чем ближе система подходит к непосредственному управлению оборудованием, тем выше требования к надежности, безопасности и обязательной верификации решений сотрудниками», – добавила Русинова.
Наиболее высокие темпы относительного роста ожидаются в сегменте периферийных вычислений: его объем может увеличиться почти в 6,7 раза. Рынок платформ машинного обучения вырастет почти в четыре раза, а компьютерного зрения и предиктивной аналитики – более чем вдвое.
На промышленный сектор, по данным исследования, приходится около 24% совокупных расходов в России на цифровые технологии.
Одна из особенностей российского рынка – стремление крупных промышленных компаний разворачивать ИИ-решения внутри собственных закрытых ИТ-контуров. Такой подход повышает требования к вычислительным мощностям, качеству данных и развитию собственной технологической инфраструктуры.
«Закрытый контур для крупного предприятия закономерен, потому что внутри находятся технологические данные и системы, от которых зависит непрерывность производства. Есть и обратная сторона: необходимость собственных вычислительных мощностей, более высокая стоимость инфраструктуры и сложность обновления моделей. Отсюда растущий интерес к edge-вычислениям и специализированным отраслевым моделям», – прокомментировал Манжетов.
Денис Шипулин, директор направления «Аналитика данных» для банков и ресурсных компаний Axenix, считает, что желание крупной индустрии изолировать свои ИТ-системы – это базовая потребность и необходимость для выживания бизнеса. Эксперт выделяет три ключевые причины и ограничения этого подхода: потребность в безопасности и требования к КИИ, инфраструктурный тупик и «железный» дефицит, технологический барьер, выражающийся в сложности создания локальных ИИ-агентов.
По словам Владимира Нелюба, развертывание ИИ в закрытых контурах – единственный способ сохранить контроль над данными. Предприятия КИИ в основном запрещают публичные ИИ-сервисы. Ограничения здесь выражаются в инвестициях в инфраструктуру, дефиците ML- и LLM-инженеров, увеличении сроков внедрения.
В исследовании аналитики говорят о необходимости перехода от отдельных пилотных проектов к типовым отраслевым платформам с моделями, адаптированными к конкретным производственным задачам. Среди стратегических ориентиров до 2030 года авторы называют достижение высокой готовности к внедрению ИИ в 95% приоритетных отраслей экономики, развитие вычислительной инфраструктуры и снижение зависимости от импортных аппаратных решений.
Денис Шипулин также рассказал IT Speaker о том, почему промышленным компаниям трудно перейти от пилотных проектов к полноценному использованию ИИ на производстве. По его словам, такой переход – это не техническая, а системная проблема, у которой есть три ключевых барьера:
Разрыв между «витринными» данными и производственной реальностью. Проблема – как низкое качество первичных данных, так и их фрагментарность и отсутствие синхронизации во времени.
Принцип «нулевой толерантности» к ошибкам и экономические риски. Пилоты часто создаются ради эксперимента, но при масштабировании бизнес требует жестких доказательств ROI. В промышленности действует принцип «нулевой толерантности» к рискам. На производстве неверный шаг алгоритма грозит миллиардными убытками, поломкой уникальных агрегатов или техногенной аварией. Бизнес готов платить за локальные тесты под присмотром инженеров, но боится полностью доверить процессы автоматике, ведь юридически переложить ответственность за аварию на код невозможно.
Культура и дефицит «гибридных» компетенций операторы и инженеры на местах часто не доверяют системе и привыкли к устоявшиеся процессам. Также ресурсному сектору критически не хватает специалистов, у которых сочетаются глубокая индустриальная экспертиза и понимание ИИ.
Также, по словам Александра Могилы, при масштабировании модель сталкивается с разнородным оборудованием, неполной телеметрией и высокими требованиями к надежности. Без участия технологов и обслуживающего персонала рекомендации модели часто оказываются невыполнимыми.
Залина Русинова, отметила, что на практике чаще всего мешает перейти от пилотного решения к масштабному внедрению сочетание технологических и организационных ограничений.
«Основная задача пилота – показать, что технология работает в ограниченных условиях. В то время как в эксплуатационном режиме при интеграции с реальными системами можно столкнуться с неоднородностью данных и оборудования, что предъявит дополнительные требования к мониторингу и сопровождению ИИ-продукта. Поэтому пилот нужно изначально проектировать как первый этап промышленной эксплуатации: заранее определить бизнес-показатели, требования к данным и интеграции, границы автономности ИИ и порядок действий при ошибках. Важно оценивать не только качество модели, но и то, насколько решение можно повторить на других площадках без фактически новой разработки. Для ИИ-агентов эти проблемы особенно существенны, поскольку на первый план выходят вопросы разграничения полномочий и контроля доступа», – прокомментировала Русинова.
Отдельная тема исследования – защита промышленных ИИ-систем. По мере их интеграции в производственные процессы объектами защиты становятся не только ИТ-инфраструктура, но и сами модели, обучающие данные, механизмы обновления и логика принятия решений.
Что касается рисков при внедрении ИИ, помимо утечек, Александр Могила выделил искажение обучающих данных, подмену или модификацию моделей, манипуляции входными данными, а для языковых помощников – внедрение посторонних инструкций через документы. Эксперт отметил, что защищать нужно весь жизненный цикл. Для производства главное – ограничить последствия ошибки ИИ. Для агентов ограничения на действия должны работать в подключенных системах, а не только в текстовой инструкции модели.
«Риски делятся на две группы. Классические утечки – теневой ИИ, когда инженеры гоняют код через личные аккаунты публичных сервисов. Специфические для агентных систем – промпт-инъекции, когда злоумышленник внедряет инструкции в обрабатываемые данные; галлюцинации, ведущие к неверным управляющим воздействиям; "черви-промпты", распространяющиеся между агентами. Защита строится на трех опорах: изоляция (агент работает в ограниченной среде), ограничение прав (минимальные привилегии, дочерние агенты – только на чтение) и человеко-машинное согласование критических действий. Плюс полный аудит каждого запроса в SIEM», – прокомментировал Владимир Нелюб.
Ранее редакция IT Speaker писала о том, что 79% промышленных компаний сообщили о разрыве между ожиданиями и реальными результатами внедрения ИИ. Так, чаще всего ожидания руководства от ИИ превышают реальные возможности компаний.
Поделиться новостью
17:50 / 17 ноября 2026
17:10 / 17 ноября 2026
16:30 / 17 ноября 2026
15:50 / 17 ноября 2026
«Сбер» представил портативную умную колонку
16:30 / 17 ноября 2026
Cloud.ru займется национальной сертификацией ИТ-специалистов в облаках
15:50 / 17 ноября 2026
Соцсети и мессенджеры
Цифровизация
15:10 / 17 ноября 2026
VK Tech запустил подключение ИИ-агентов в проектах VK WorkSpace
13:50 / 17 ноября 2026