Искусственный интеллект в горно-металлургическом комплексе: от хайпа и пилотов до промышленного внедрения

Искусственный интеллект в горно-металлургическом комплексе: от хайпа и пилотов до промышленного внедрения

Запрос участников отрасли ГМК на технологии ИИ планомерно растет. Аналитики из Persistence Market Research ожидают, что в ближайшей перспективе рынок ИИ в этой отрасли будет в среднем прибавлять по 42% в год и к 2033 году достигнет $686 млрд. Подробнее читайте в материале экспертов Б1 Сергея Калуцкого и Дмитрия Ковалева для РБК Компаний.

Сейчас только ленивый не говорит об ИИ, но это не наш случай. В разговорах с топ-менеджерами, которые руководят внедрением технологий ИИ в крупнейших российских горно-металлургических компаниях, до сих пор можно услышать такую фразу: «Мы относимся к ИИ как к цветастому флагу, которым машут высоко и ярко, но непонятно зачем». При этом внутренний запрос участников отрасли на эти технологии растет каждый день. Рынок ИИ в мировой горнодобывающей промышленности переживает взлет: аналитики из Persistence Market Research ожидают, что в ближайшей перспективе он будет в среднем прибавлять по 42% в год и к 2033 году достигнет $686 млрд.

Отрасль находится на этапе между успешными пилотами, «кладбищем пилотов» и системным масштабированием: технологии есть, желание есть, а устойчивого эффекта в масштабе нет. ИИ формирует в ГМК «островки эффективности» с измеримой отдачей на инвестиции (ROI), но редко управляет всей цепочкой от рудного тела до склада готовой продукции и клиента.

Еще год-два назад разговор об ИИ на планерке главного инженера горного предприятия воспринимался как лирическое отступление. Сегодня же на крупных ГОК наших клиентов мы можем наблюдать следующую картину: система компьютерного зрения (КЗ) с ИИ контролирует состояние охраны труда и промышленной безопасности точнее, чем любой инспектор; рекомендательная система оптимизирует режимы флотации и повышает извлечение металлов; исторические данные по пробам, каротажу, 3D-моделям рудного тела и оперативные данные с датчиков используются для обучения моделей, которые уточняют геологию месторождения; внедряются пилоты ГенИИ. Каждое из этих решений работает, но единого центра управления, который объединял бы их в одну производственную модель, еще нет. Эту ситуацию можно считать типичной для российского ГМК в 2026 году.

В то же время один из отраслевых лидеров, крупный вертикально интегрированный производитель минеральных удобрений, создал полноценную промышленную фабрику ИИ: рекомендательные системы охватывают 7 из 8 переделов одного актива, а совокупный экономический эффект за 2023–2025 годы превысил 4 млрд руб.[1]. Но чтобы добиться такого результата, нужно было проделать серьезную системную работу, в том числе организационную и управленческую, а не только технологическую.

ЧТО И КАК МЫ ИЗУЧАЛИ: МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ

В апреле-мае 2026 года ООО «Б1 – Консалт» провело серию развернутых интервью с топ-менеджерами 10 ведущих горно-металлургических компаний России: вице-президентами по операционной эффективности, директорами по цифровой трансформации, руководителями центров индустрии 4.0 и руководителями проектов по внедрению ИИ сырьевых предприятий первого эшелона, занятых производством удобрений и добычей угля, золота, меди, никеля и алмазов. Параллельно был выполнен аналитический обзор более 100 кейсов внедрения ИИ в мировом ГМК, в том числе в Китае, для целей добычи, обогащения, логистики, охраны труда и промышленной безопасности.

Основа аналитики – собственная модель зрелости «21 вопрос × 4 уровня», охватывающая девять доменов: стратегия, операционная модель, портфель ИИ-кейсов, данные и OT/ИТ-инфраструктура, внедрение ИИ-решений, эффект, приживаемость, MLOps (практики разработки, внедрения и поддержки моделей) и масштабирование, генИИ. Шкала зрелости – от 1 (низкая) до 4 (лучшие практики).

Домен	Что оценивается	Среднее по выборке
Стратегия	ИИ как корпоративный приоритет, связь с финансовым результатом и КПЭ	2,0
Операционная модель	Центр компетенций (CoE), бизнес-владелец, управление портфелем	2,6
Портфель ИИ-кейсов	Отбор/приоритизация, покрытие цепочки создания стоимости	2,3
Данные и OT/ИТ-инфраструктура	Фундамент из данных, интеграция OT/ИТ, телеметрия	2,3
Внедрение ИИ-решений	Типы ИИ-решений в эксплуатации, статус кейсов	2,7
Эффект	Измерение ROI, вовлеченность бизнеса	2,7
Приживаемость	Доверие пользователей, ИИ-компетенции	2,1
MLOps и масштабирование	Жизненный цикл моделей, фабрика тиражирования	2,2
ГенИИ	Корпоративный контур генеративного ИИ, партнеры	2,5

Средний результат по отдельным участникам составил от 1,1 до 3,1 балла, среднее по всей выборке – 2,4 балла. Исследование было направлено на оценку готовности к внедрению ИИ в российском ГМК, лучших отраслевых практик, популярности и зрелости применяемых технологий. В рамках модели рассматривалось не просто наличие технологий ИИ у компании, а системность их использования и их охват относительно всей цепочки создания стоимости.

У трех компаний ИИ официально встроен в стратегические приоритеты отдельных подразделений: определены КПЭ, утвержден портфель кейсов и бюджеты. Еще у четырех ИИ зафиксирован как важное направление развития, есть дорожная карта, но целевые КПЭ нигде не закреплены.

В четырех компаниях созданы централизованные команды ИИ с реальными полномочиями и задачей генерации и сопровождения кейсов. Еще в четырех выделены сотрудники ИТ-службы, которые отвечают за ИИ. По каждому проекту назначается бизнес‑владелец с конкретными КПЭ и обязательным участием в пилотном запуске.

При выборе кейсов обычно начинают с приоритизации. Одна компания использует подход Stage-Gate: из примерно ста гипотез отбирают тридцать-сорок пилотов, конверсия в продуктивную среду составляет около трети (то есть до промышленной эксплуатации доходят приблизительно 10-13 кейсов), при этом на окупаемость выходят уже на пилотной стадии. В нескольких компаниях пилоты ИИ покрывают цепочку от добычи до переработки, а карта кейсов строится вокруг максимальных денежных потерь, чтобы фокусироваться на наиболее чувствительных участках.

На этом фоне заметен разрыв в траекториях развития. В российском ГМК уже в основном освоили решения класса компьютерного зрения на базе машинного обучения (МО), которые часто используются в рамках локальных проектов по безопасности и контролю операций. В то же время мировые лидеры, опираясь на зрелые платформы и агентные архитектуры, уже переходят к автономным системам и платформенному ИИ, где единая техническая основа поддерживает широкую линейку приложений от автономного транспорта до индустриальных и корпоративных сценариев.

Самый зрелый сегмент – обогащение. Обогатительная фабрика с ее крупногабаритным стационарным оборудованием представляет собой перспективный объект для развертывания ИИ.

Оптимизация флотации и обогащения (системы автоматического/дополненного управления процессом (APC/MPC), решения в области компьютерного зрения типа SmartFroth): повышение извлечения меди с 88% до 91%, снижение энергопотребления на 3–8% на одном активе, также в отечественных кейсах применение КЗ для управления флотацией фосфатов дало прирост извлечения P₂O₅ на 2,5 п.п. и снижение расхода реагентов на 15%

В «горé» свои успехи:

Лидар + КЗ для контроля загрузки подземных самосвалов: на активе крупной алмазодобывающей компании удалось повысить коэффициент загрузки на 10 п.п. (в абсолютных цифрах это +55 тыс. т руды/год), точность системы относительно маркшейдерских данных ±3%
Оптимизация буровзрывных работ (ИИ-модели RF/XGBoost/LSTM): согласно мировой и отечественной практике можно добиться снижения выхода негабарита с 18% до 6% и расхода взрывчатых веществ на 18%, а также роста пропускной способности на 12%
Геологическое моделирование с МО: снижение вариабельности качества руды с ±18% до ±6% и разубоживания с 12% до 5%, в частности, одному из участников исследования удалось добиться роста выручки от одного актива на $45 млн в год

ОТиПБ – это самое востребованное направление с точки зрения внедрения ИИ в российском ГМК. Видеоаналитика для контроля средств индивидуальной защиты, опасных зон и нарушений регламентов, а также контроль инцидентов на конвейерах и прочем подвижном оборудовании применяются у 8 из 10 участников исследования. Это направление с понятным бизнес-кейсом: снижение показателя травматизма с потерей рабочего времени и простоев, управление юридическими рисками.

При этом две охваченные исследованием компании пошли дальше: у них камеры в шахтерских фонарях не только фиксируют нарушения в части СИЗ, но и отслеживают состояние крепи, вентиляцию, газовую обстановку, т.е. фокус делается на факторах риска, а не на штрафных санкциях. Используется комбинация технологий: носимые устройства и компьютерное зрение с ИИ.

Однако по некоторым направлениям внедрение пробуксовывает. Приведем два примера:

Центры операционной аналитики, а именно единые платформы, объединяющие диспетчерское управление и сбор данных (SCADA), лабораторные информационные управляющие системы (LIMS) и системы управления производством (MES) в одну производственную модель, которая самостоятельно анализирует данные и предназначена для технологов и управленцев.
Предиктивная аналитика отказов критического оборудования (самосвалы, мельницы, насосы, конвейеры, компрессоры) на базе МО-моделей, которая широко распространена в мире и может обеспечить кратное снижение числа незапланированных простоев, однако в российском ГМК случаев, когда удалось добиться реального системного эффекта на уровне предприятия, пока немного.

Серьезная проблема сейчас в том, что подавляющее большинство кейсов не доходит до промышленной эксплуатации. Даже у лидеров конверсия из пилотов составляет около одной трети. Большинство же участников исходит из принципа «лучше меньше, да лучше»: в тестирование идут только заведомо успешные кейсы. Это сдерживает развитие портфеля.

Ключевой системный барьер связан с данными: у 7 из 10 компаний, охваченных исследованием, их уровень и качество оценивается на 2 балла из 4 или даже ниже. Без решения этой проблемы масштабировать технологии ИИ достаточно сложно.

ПЯТЬ ИЗВЛЕЧЕННЫХ УРОКОВ

Для ИИ в первую очередь нужна управляемость. Лидеры добиваются лучших результатов не потому, что у них лучше алгоритмы, а благодаря центру компетенций (CoE), поэтапному отбору (Stage-Gate) и измеримому эффекту, то есть их главный козырь – в организационной модели
Надежный фундамент из данных важнее самого МО. В единую платформу данных, мастер-управление данными (MDM) и интеграцию OT и ИT нужно инвестировать раньше, чем в проекты МО. Для 7 из 10 участников исследования именно здесь кроются серьезные трудности
Необходим сильный заказчик от производства. Директор по обогащению или добыче должен быть владельцем ИИ-проекта и обладать для этого достаточными компетенциями. Средний показатель по параметру «бизнес-владелец» составил 2,8 балла из 4, что выше общего среднего по выборке, но заметно отстает от лучших практик
MLOps лежат в основе производственной гигиены. Без системы поддержки моделей в промышленной эксплуатации, в том числе должного мониторинга и соглашения об уровне сервиса, кейс умирает через 6–12 месяцев. Разница между MLOps уровня 1 и уровня 4 – это разница между компанией, которая только попробовала ИИ, и компанией, которая использует его каждый день
Отдача должна рассчитываться честно. Жесткая привязка портфеля ИИ-кейсов к EBITDA позволяет с самого начала отделить реальные проекты от «розового пони». Важно при этом видеть и стратегический горизонт: что будет с активом и операционными затратами через 3–5 лет

«Если коротко, то ИИ в ГМК — это способ переписать экономику базового актива и его финансовый результат на годы вперед, поэтому выиграют компании, которые рассматривают ИИ как технологическое превосходство, а не как набор частных кейсов».

Дмитрий Ковалев

Партнер Б1, руководитель группы услуг в области повышения операционной эффективности и развития цепей поставок, департамент консалтинга, технологий и транзакций

Во-первых, сложность производственных цепочек: ИИ должен работать не «над процессом», а внутри управляющего контура. При этом найти специалиста, который одновременно разбирается, скажем, во флотации, МО и проектной экономике, очень непросто. Далее, из-за ограниченных программных интерфейсов имеющихся систем, в том числе SCADA, LIMS, планирования ресурсов предприятия, MES и управления техническим обслуживанием, интеграция может затянуться на месяцы. Промышленное оборудование, выпущенное 10–15 лет назад, проектировалось без учета требований платформ МО. Ну и, конечно, узкое место номер один связано с качеством и доступностью данных, на которых плохо сказывается разрозненность систем и слабая интеграция OT и ИT, а также отсутствие стандартизированных тегов измерений и единой платформы.

Инфраструктурные ограничения, в том числе в части каналов связи и энергообеспечения серверов, характерны для удаленных площадок в Заполярье и Сибири, но отсутствуют, например, у западноавстралийских и чилийских горно-металлургических предприятий.

Санкционные ограничения закрыли доступ к части зарубежного промышленного программного обеспечения и аппаратных платформ. В рамках 19-го пакета санкций ЕС (сентябрь 2025 года) были впервые введены запреты на оказание России услуг в сфере ИИ, в том числе в части предоставления доступа к моделям и платформам для их обучения и вывода результатов[2]. Компании переходят на отечественный и открытый стек, и сам по себе этот процесс требует времени и накопления нужных компетенций.

Средний показатель по параметру «персонал» составил 1,8 балла из 4 (критически низкий).

Сегодня специалист по прикладному ИИ чаще выбирает финтех или электронную коммерцию: там чище данные и, как правило, выше уровень дохода. В ГМК от такого специалиста ждут уже не только умения работать с моделями, но и понимания технологических процессов, готовности выезжать на площадки в удаленные регионы страны и разбираться в реалиях производства. Без нестандартных карьерных треков и дополнительных стимулов конкурировать за этих людей почти невозможно. Фактически борьба за экспертов по ИИ с реальными промышленными знаниями и опытом привела к формированию самостоятельного рынка.

Цифровые отрасли строят ИИ с использованием уже готовой стандартизированной базы данных и инфраструктуры. Горная промышленность сначала вынуждена эту базу создавать, от SCADA и MES до единой платформы данных. Производственный цикл здесь длиннее, цена ошибки выше, а нагрузка на инфраструктуру и людей значительнее. Поэтому путь к измеримому эффекту в ГМК объективно сложнее и дороже. Это означает, что подходы, скажем, финтеха нельзя копировать напрямую, нужна другая глубина технической и управленческой подготовки каждого проекта.

В России есть сильная инженерная школа и понимание производственных процессов изнутри, которое редко встречается в командах цифровой трансформации западных компаний, однако имеются проблемы со знанием технологий ИИ, целеполаганием, да и с навыками работы в команде.

В российском ГМК большинство компаний ориентируются на окупаемость ИИ-проектов в течение двух лет. При этом в финансовом секторе такие проекты в среднем окупаются за семь месяцев, а медианный ROI за три года составляет 420%[3].

В то же время флагманы мирового ГМК теперь рассматривают ИИ не через призму ROI, а как часть операционной системы управления, такую же как SCADA или MES. Расходы на платформу данных и MLOps считаются капитальными вложениями в инфраструктуру. Управленческая логика смещается и на смену вопросу «как быстро окупится эта модель» приходит вопрос «как быстро мы получим операционное преимущество». Пока российский ГМК ищет проекты с двухлетней окупаемостью при том, что далеко не у всех компаний сейчас есть необходимые ресурсы, глобальные лидеры выстраивают ИИ-инфраструктуру как конкурентный ров.

Реализация масштабных инвестиционных программ в области ИИ в первую очередь зависит от финансового положения компании и рыночной конъюнктуры в ее сегменте ГМК. Угольная отрасль в 2025-2026 годах переживает системный кризис: согласно Росстату сальдированный убыток угольщиков по итогам 2025 года составил 408 млрд руб. аналитики не ожидают восстановления спроса ранее 2027 года. При этом инвестиции в трансформационные ИИ-программы (платформа данных, центр компетенций, MLOps) доступны прежде всего компаниям с устойчивой финансовой позицией.

КУДА ДВИЖЕТСЯ ОТРАСЛЬ

Расслоение в отрасли ускорится. Компании с центром компетенций (CoE), единой платформой данных и работающими MLOps тиражируют один отлаженный кейс на пять-десять активов за то время, которое остальные тратят на подготовку одного пилота. Три лидера держатся в зоне 3+, и, при сохранении динамики, каждый год такого отрыва конвертируется в устойчивую разницу в удельной себестоимости, которую догоняющим придется закрывать капиталом.

Консолидация платформ данных. На смену локальным системам хранения исторических данных и разрозненным базам придут корпоративные ИИ-хабы с единым словарем тегов, MDM, промышленным качеством потоков и самостоятельной аналитикой для технологов. Это направление капитальных вложений номер один: пока уровень и качество данных у 7 из 10 участников исследования оценивается в 2 балла из 4 или даже ниже, любой портфель моделей ограничен именно этим низким потолком.

Периферийный ИИ и промышленный интернет вещей станут более базовой архитектурой. Вычисления непосредственно на промышленном оборудовании и рядом с технологическим контуром позволяют избежать зависимости от качества канала связи, что критично для Заполярья, Сибири и подземных горизонтов. Применение уже обученной модели ИИ к новым данным (инференс) рядом с датчиком дает отклик в доли секунды и открывает возможности для управления в режиме реального времени, в т.ч. для целей флотации, дробления, вентиляции по требованию и контроля устойчивости борта карьера.

Сформированный регуляторный контур изменит требования к документированию. 26 июля 2026 года подписан Федеральный закон № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации»[4]. Его основные положения действительны с 1 сентября 2026 года, а нормы о маркировке контента и обязанностях разработчиков вступают в силу 1 марта 2027 года., при этом переходный период по применению суверенных и национальных больших фундаментальных моделей завершается 1 сентября 2032 года. Практический вывод для ГМК простой: финансирование на систему управления ИИ (AI-governance) с реестром моделей, назначенными ответственными, регламентами валидации, журналом решений и требованиями к объяснимости нужно закладывать в текущем бюджетном цикле, не дожидаясь первого инцидента и первой проверки.

Автономный парк еще не превратится в отраслевой стандарт, но большинство будет обладать частью «флота». На чилийском медном руднике Эскондида карьер Escondida Norte выведен в полностью автономный режим, при этом его 33 самосвала и 11 буровых станков обеспечивают около 30% от всей добычи рудника[5]. Для российских компаний это практический ориентир для карьеров и фабрик с высокой степенью автоматизации.

Предиктивная поддержка активов перейдет из пилотного статуса в норму эксплуатации. Российскому ГМК предстоит пройти путь от отдельных моделей на критичных единицах к покрытию всего парка с единым регламентом реагирования и надзором со стороны службы надежности.

Произойдет сквозная интеграция ИИ. Цифровые двойники месторождения и производственной системы объединят геологоразведку, планирование недр, добычу, обогащение, логистику и продажи в один контур, где качество руды, загрузка фабрики, складские запасы и график отгрузки оптимизируются совместно. Ценность такого контура заметно превышает совокупную пользу от отдельных кейсов, и именно здесь формируется долгосрочное конкурентное преимущество.

Генеративный ИИ активно включится в инженерные и управленческие процессы. Основные применения: цифровые ассистенты технологов, автоматизация проектной документации, сценарный анализ и подготовка управленческих решений.

Важная оговорка: генеративный ИИ сегодня остается направлением с большим потенциалом и коротким промышленным треком. По данным исследования, у ряда участников кейсов с генеративным ИИ уже больше, чем с МО и КЗ, при этом измеримый экономический эффект пока значительно меньше. Основная ценность в ГМК создается прикладными МО/КЗ-моделями, встроенными в производственные контуры, и генеративные инструменты работают как усилитель этой базы.

ПЯТЬ ВЫВОДОВ ДЛЯ ТЕХ, КТО ПРИНИМАЕТ РЕШЕНИЯ

Сейчас в отрасли сложилась следующая ситуация. Средняя зрелость в части ИИ в российском ГМК составляет 2,4 балла из 4 с разбросом усредненных результатов по отдельным участникам от 1,1 до 3,1, при этом требования к соответствующей 4 баллам лучшей практике растут каждый день. Текущий уровень трех лидеров близок к уровню продвинутого игрока мирового рынка. Однако большинство пока на стадии базовой зрелости с единичными пилотами и локальным эффектом
Главные барьеры связаны с данными и управлением. Низкий уровень и качество данных, отсутствие MLOps и нехватка кросс-функциональных компетенций становятся непреодолимым для большинства проектов препятствием при переходе от пилота к промышленному применению. Санкционные ограничения на ИИ-услуги еще больше усложняют ситуацию: компаниям приходится одновременно замещать технологический стек и наращивать собственные ИИ-компетенции
Кадровый дефицит стал структурной проблемой. Среднее по выборке значение по параметру «персонал» составило 1,8 балла из 4, это критически низкая отметка. Специалисты по прикладному ИИ выбирают финтех и электронную коммерцию, где чище данные и выше зарплата, в то время как в ГМК помимо профильных знаний и навыков нужно разбираться в технологических процессах и работать на удаленных площадках. Пока отрасль не выстроит целевые программы подготовки, ротации и удержания кадров, они будут оставаться главным камнем преткновения на пути любых амбиций в области ИИ
Разрыв растет, а с ним дорожает и билет в высшую лигу. Компании с CoE, Stage-Gate и картой ценности уже показывают измеримый эффект в EBITDA, у флагманов российского ГМК конверсия пилотов в промышленную эксплуатацию доходит до одной трети. Остальные накапливают опыт и отдельные пилоты. Следующие 2–3 года определят отраслевой расклад на горизонте 2030 года, а стоимость выхода в группу лидеров будет расти вместе с ценой данных, вычислений и людей
Можно выделить ключевые направления, которыми следует заняться прямо сейчас: а) инвестировать в фундамент данных, интеграцию OT/ИТ и MLOps вместо вложений в очередную МО-модель; б) развить компетенции руководителей производственных подразделений и закрепить за ними ответственность за ИИ-проекты в рамках своего направления; в) ввести единый шаблон бизнес-кейса с привязкой к EBITDA и процесс поэтапного отбора Stage-Gate; г) создать или усилить CoE с реальными полномочиями и защищенным бюджетом; д) собрать систему управления ИИ в соответствии с требованиями Федерального закона № 243-ФЗ до вступления в силу его основных положений

«Искусственный интеллект в ГМК может стать новой производственной инфраструктурой, если компании соединят данные, технологическую экспертизу и управленческие решения в устойчивый финансовый результат».

Сергей Калуцкий

Партнер Б1, департамент консалтинга, технологий и транзакций

9 сентября 2026 г.

РБК Компании

Подробнее

Показать ссылки

Сергей Калуцкий

Партнер Б1

Партнер Б1, департамент консалтинга, технологий и транзакций

Связаться

Дмитрий Ковалев

Партнер Б1

Руководитель группы по оказанию услуг в области повышения операционной эффективности и развития цепей поставок, департамент консалтинга, технологий и транзакций

Связаться