Как использовать ИИ в производственной компании: от отдельных промтов к рабочим процессам
Где языковые модели уже дают измеримую пользу, почему отдельные промты редко меняют экономику бизнеса и как встроить ИИ в управление, продажи, исследования рынка, закупки и работу с документами.
Компания покупает сотрудникам доступ к языковой модели. Через несколько недель маркетинг быстрее пишет тексты, менеджеры правят письма, HR составляет вакансии, руководители иногда просят ИИ сократить длинный документ.
Все это удобно. А потом генеральный директор задает вполне разумный вопрос: что изменилось в работе компании и где экономический эффект?
Этот вопрос сейчас задают далеко не только российские руководители. По исследованию КОРУС Консалтинг 2026 года, ИИ уже используют или тестируют 92% опрошенных российских компаний. Подтвердить реальный бизнес-эффект смогли 12%. Почти семь из десяти компаний либо вообще не измеряют результат, либо считают отдельные показатели, не связывая их с экономикой бизнеса.
Мировая картина похожа. Deloitte в исследовании более 140 производственных компаний пишет, что 84% уже получают измеримую ценность от ИИ, однако до масштабного применения дошла примерно пятая часть сценариев. Главная задача рынка сместилась от вопроса «умеет ли ИИ это делать?» к вопросу «как встроить его в работу так, чтобы результат повторялся и его можно было посчитать?».
Для производственной и B2B-компании самая практичная роль генеративного ИИ сегодня находится в повторяющихся интеллектуальных задачах, где уже есть данные, документы, правила и человек, способный оценить качество результата. Это исследование рынка, подготовка коммерческих предложений, работа с клиентской информацией, разбор документов, планерки, закупки, управление знаниями, анализ отклонений, обучение сотрудников и подготовка управленческих решений.
Сильный сценарий начинается с бизнес-задачи. Затем описывается текущий процесс, определяются данные, место ИИ, правила проверки и показатель результата. Промт появляется уже после этого.
Как люди используют ИИ сейчас
Массовое использование языковых моделей началось снизу. Сотрудник открывает ChatGPT или другой сервис и решает свою конкретную задачу. Исследования OpenAI и NBER показывают, что среди наиболее частых рабочих сценариев остаются письмо, поиск информации, практические рекомендации, исследование и анализ. В корпоративных аккаунтах в первые месяцы использования также доминируют письмо, исследование, программирование и анализ данных.
В производстве картина постепенно становится глубже. Manufacturing Leadership Council в 2026 году сообщил, что 70,9% опрошенных производителей уже используют генеративный ИИ. Самые распространенные области применения: управление знаниями — 56,6%, улучшение процессов — 38,3%, диагностика и поиск причин — 33,3%, улучшение качества — 30%, обучение — 28,3%.
Это важный сдвиг. Языковая модель начинает работать с содержанием самого процесса: объясняет документы, собирает знания, сравнивает факты, готовит варианты, помогает человеку увидеть пропуски и противоречия.
И здесь возникает граница между личной производительностью сотрудника и результатом компании.
Если менеджер стал писать письмо за четыре минуты вместо пятнадцати, это полезно. Если коммерческое предложение всей компании стало собираться быстрее, содержит одинаковый набор обязательных доказательств, учитывает задачу клиента и проверяется по единому стандарту, меняется уже рабочий процесс.
Почему компании часто застревают на отдельных промтах
Промт легко показать на обучении. Его легко скопировать в корпоративный чат. Он дает быстрый эффект, поэтому вокруг него быстро возникает ощущение, что компания уже внедряет ИИ.
В реальной работе появляются другие вопросы.
Какую версию данных использовать? Кто отвечает за их актуальность? Какие выводы модель имеет право делать? Какие документы ей можно передавать? Как выглядит хороший результат? Кто его проверяет? Что делать, если модель уверенно ошиблась? Как измерить эффект через месяц?
Именно эти вопросы отделяют удобный личный инструмент от рабочего механизма компании.
В исследовании КОРУС Консалтинг только 12% опрошенных организаций встроили ИИ в ключевые процессы как стандартный инструмент. У 48% развитие ИИ по-прежнему держится на отдельных специалистах. Почти половина компаний не имеет внутренних правил применения ИИ.
Для руководителя отсюда следует довольно практичный вывод: начинать стоит с процесса, где результат легко проверить и посчитать.
Как мы в Business Balance смотрим на применение ИИ
У нас последовательность выглядит так.
Эта логика важнее выбора конкретной модели. На старте многие сценарии можно проверить в обычной платной подписке на современную LLM, используя реальные обезличенные материалы компании и понятные правила работы.
Хотите проверить подход на своем процессе?
Можно начать с одной повторяющейся задачи и посмотреть, где ИИ действительно сокращает время или повышает качество результата.
Где ИИ уже полезен руководителю производственной компании
Подготовка руководителя к планерке
В большинстве компаний информация уже существует. Есть план и факт, отчеты подразделений, письма, комментарии, список просроченных задач, данные по производству и продажам.
Проблема возникает в момент сборки общей картины. Руководитель читает несколько источников, уточняет противоречия и сам определяет, что действительно требует его внимания.
Языковая модель может подготовить короткий управленческий бриф: какие показатели вышли за допустимые границы, где данные разных функций расходятся, каких фактов не хватает, какие вопросы можно решить на уровне подразделения, какие решения требуют руководителя.
Ценность здесь измеряется очень просто: время подготовки к совещанию, длительность самой планерки и количество вопросов, которые возвращаются повторно из-за отсутствия решения.
Исследование рынка и конкурентов
Запрос «исследуй рынок» почти всегда дает красивый обзор. Руководителю нужен материал другого качества.
Сначала формулируется решение, ради которого проводится исследование. Например: стоит ли выходить в сегмент, где искать рост, почему меняется спрос, какие конкуренты усиливаются, какие новые проекты могут создать продажи.
После этого определяются источники, география, период, критерии сравнения, правила фиксации фактов и уровень доказательности.
ИИ хорошо помогает на трудоемких этапах: поиск, первичная сортировка, сравнение, сведение повторяющихся данных, выявление изменений, подготовка карточек конкурентов, регулярный мониторинг. Управленческая интерпретация строится с учетом самой компании: ее продуктов, экономики, возможностей и ограничений.
Именно так мы строим направление аналитики рынка Business Balance. Исследование должно отвечать на два вопроса: что изменилось вокруг бизнеса и что это означает для конкретной компании.
Коммерческие предложения и работа со сложными B2B-сделками
Это одна из самых денежных областей применения ИИ в промышленном B2B.
McKinsey в 2026 году описывает промышленную компанию, где сотрудники отдела продаж тратили почти 40% времени на внутреннюю координацию, подготовку предложений и административные задачи. После перестройки коммерческих процессов с применением технологий доля такой работы снизилась примерно до 15%.
Еще показательнее кейс Sia Partners. Производитель компонентов для энергетической инфраструктуры обрабатывал около 200 запросов на коммерческое предложение в месяц вручную. Система на базе генеративного ИИ сократила стандартное время подготовки расчета с 30 до 10 минут. 55% запросов проходили без ручного вмешательства. Консультанты оценили дополнительную годовую выручку в 6,8 млн долларов и эффект на EBITDA в 2,2 млн долларов.
Самая важная часть этого примера находится до технологии. Чтобы ИИ мог готовить предложение, компания должна определить правила: как распознается запрос, как сопоставляется продукт, откуда берется цена, что требует инженерной проверки, какие условия влияют на итоговый документ.
Кейс Business Balance: сначала пересобрали КП
В одном из проектов для производственной компании мы начали с клиентов. Поговорили с ними и разобрали, как они читают коммерческое предложение, что понимают сразу, где возникают вопросы, каких доказательств не хватает для решения.
Затем пересобрали структуру КП, подготовили несколько форматов, определили обязательные приложения, аргументы и правила для менеджеров.
Только после появления этой системы становится разумно отдавать часть работы языковой модели. Она может собрать первый черновик по данным клиента, проверить комплектность, подсветить отсутствующую информацию и предложить нужные материалы.
Для нас это принципиальная последовательность. Содержание процесса рождается из клиента и бизнеса. ИИ ускоряет уже понятную работу.
Закупки и поставщики
Здесь у руководителей обычно очень практичные запросы: сравнить несколько предложений, увидеть различия в условиях, проверить риски поставщика, подготовить переговоры, собрать картину по дефицитным позициям.
Языковая модель хорошо работает как инструмент первичной аналитики, когда получает одинаковую структуру данных по каждому поставщику. Цена, сроки, минимальная партия, условия оплаты, качество, история срывов, логистика, сервис, зависимость от одного источника.
В производственной среде особенно важна граница полномочий. Модель может найти различия и сформулировать вопросы. Допуск материала, изменение спецификации и решение по технической замене принимает профильный специалист.
Производство, качество и поиск причин
Deloitte в 2026 году зафиксировал наибольшее распространение ИИ именно в областях, где есть много данных и понятные операционные показатели: качество — 62%, производство — 57%, логистика и цепочки поставок — 49%.
Речь здесь идет о разных типах ИИ, включая машинное обучение, компьютерное зрение и генеративные модели. Для LLM особенно интересен слой вокруг данных: разбор журналов, структурирование сообщений об отклонениях, поиск повторяющихся паттернов в описаниях, подготовка вопросов для анализа причин, работа с инструкциями и накопленными знаниями.
Модель может помочь быстрее подготовить материал для инженера или руководителя качества. Само техническое заключение требует профессиональной проверки.
Корпоративные знания и документы
Это один из самых массовых производственных сценариев уже сегодня. MLC ставит управление знаниями на первое место среди применений GenAI в производстве.
У компании могут быть сотни регламентов, инструкций, презентаций, протоколов, технических описаний и материалов, созданных опытными сотрудниками. Проблема знакомая: знания существуют, но для нового сотрудника или руководителя они распределены по папкам и людям.
Языковая модель помогает сравнивать версии, готовить краткие выжимки, формировать учебные материалы, находить противоречия и отвечать на вопросы по предоставленному набору документов.
Экономический эффект возникает через сокращение времени поиска, более быструю адаптацию сотрудников и снижение зависимости от единичных носителей знаний.
Что делают самые прогрессивные промышленные компании
Мировые лидеры постепенно уходят от универсального «чата для сотрудников» к ИИ, встроенному в конкретную профессиональную работу.
Siemens: ИИ внутри инженерной среды
Siemens Industrial Copilot используют более 100 компаний в Европе и США. Компания сообщала, что доступ к Copilot могут получить более 120 000 инженеров. В 2026 году Siemens вывел в коммерческую доступность Eigen Engineering Agent после пилотирования более чем со 100 клиентами в 19 странах.
Сильная часть модели Siemens понятна даже без глубокого знания автоматизации: ИИ работает внутри инженерного контекста, знает проект и стандарты клиента, а результат проверяется в существующей профессиональной среде.
Schneider Electric: сокращение инженерного времени
Schneider Electric в 2026 году сообщила, что промышленный copilot на базе Azure AI способен сокращать инженерное время до 50%, а изменения, которые раньше занимали недели, в отдельных сценариях выполняются за часы.
Экономика такого решения строится вокруг конкретного дефицитного ресурса: инженерного времени и скорости изменений.
Sight Machine: производство получает дополнительную мощность
В кейсе Sight Machine и Microsoft крупный производитель напитков перепланировал производство 10–15 раз в неделю. После внедрения AI-оптимизации непроизводительное время сократилось на 75%, производственная мощность выросла более чем на 5%, а ручная работа по перепланированию заметно снизилась.
Здесь особенно важен объект оптимизации. Проект направлен на конкретную производственную проблему, у которой есть данные и измеримый результат.
AI в продажах промышленной компании
McKinsey описывает AI-инструмент для поиска потенциальных клиентов промышленного производителя. Раньше сотрудники вручную собирали информацию из разрозненных источников. Новый процесс формировал обогащенные лиды менее чем за два часа, включая сведения о компании, роли контактов, диапазон выручки, соответствующие продукты, оценку релевантности и уровень уверенности.
Другой коммерческий сценарий McKinsey связан с ценообразованием. У B2B-компании AI-модель учитывала сотни параметров клиента и сделки, помогала продавцам выбирать обоснованный диапазон скидки и была встроена в процесс согласования. Компания получила 10% роста прибыли.
Как ИИ начинает приносить дополнительную выручку
Внутреннее применение ИИ обычно начинается с эффективности: меньше ручной работы, быстрее анализ, больше пропускная способность процесса.
Следующий уровень для производителей связан с продуктами и сервисом. BCG в 2026 году отмечает, что промышленные компании все активнее создают платные AI-сервисы вокруг установленного оборудования: аналитические подписки, интеллектуальные сервисные пакеты, прогнозирование состояния и другие цифровые услуги.
Коммерциализация здесь сложнее самой технологии. Клиент должен понимать, за какой результат он платит. Производителю приходится доказывать экономию, снижение простоя, рост производительности или другое измеримое улучшение.
Для среднего российского B2B-бизнеса эта модель интересна как следующий этап. Сначала компания учится использовать ИИ внутри собственных процессов, накапливает данные и понимает экономику. После этого можно проверять, какие цифровые сервисы имеют ценность для клиента.
Что стоит перенять из мировых кейсов
У успешных проектов повторяется одна и та же конструкция.
Конкретный процесс. Команда знает, какую работу меняет ИИ.
Профессиональный контекст. Модель работает с терминологией, правилами, историей и данными конкретной функции.
Измеримый показатель. Время подготовки предложения, простой, производительность, пропускная способность, маржа, скорость инженерной работы.
Человеческая ответственность. Специалист сохраняет контроль там, где ошибка влияет на деньги, безопасность, качество или обязательства компании.
Масштабирование после проверки. Сначала доказывается эффект на одном процессе. Затем подход переносится на похожие задачи.
Именно поэтому количество промтов само по себе ничего не говорит о зрелости компании в ИИ.
С чего начать производственной компании
Для первого проекта удобно выбрать задачу, которая повторяется хотя бы несколько раз в месяц, занимает заметное время, имеет цифровые исходные материалы и позволяет быстро проверить качество результата.
Например, еженедельный управленческий бриф, анализ конкурентов, подготовка коммерческого предложения, сравнение поставщиков или разбор протокола клиентской встречи.
Первый цикл можно провести за четыре этапа.
Этап 1. Зафиксировать исходную работу. Сколько времени занимает задача сегодня, кто ее делает, какие материалы использует, где возникают ошибки.
Этап 2. Собрать рабочий сценарий с ИИ. Контекст, исходные данные, правила, промт, формат результата и проверка.
Этап 3. Прогнать на реальных примерах. Лучше взять 10–20 прошлых задач, где уже известен хороший результат.
Этап 4. Сравнить. Время, качество, количество исправлений, стоимость, влияние на следующий этап процесса.
После этого у руководителя появляется основание для решения: оставить инструмент как личный помощник, закрепить новый порядок работы внутри функции или двигаться к более глубокой интеграции.
Нужна ли для этого собственная разработка
Во многих управленческих, исследовательских и коммерческих задачах первый полезный сценарий можно собрать на стандартной платной языковой модели. Это позволяет проверить саму логику работы до инвестиций в интеграции и программную разработку.
Собственная техническая система становится актуальной, когда нужны постоянные связи с CRM, ERP, внутренними базами, права доступа, автоматические действия, большой поток операций или особые требования к безопасности.
На этом этапе уже понятно, что именно должна делать система. Такое техническое задание значительно ценнее идеи «давайте внедрим ИИ».
Что мы делаем в Business Balance
Мы работаем с производственными и B2B-компаниями на стыке стратегии, рынка, маркетинга, продаж и управления.
В проектах с ИИ наша сильная сторона находится в разборе самой бизнес-задачи. Мы можем сначала поговорить с клиентами, исследовать рынок, разобрать коммерческий процесс, определить критерии решения и собрать рабочую логику. После этого часть действий можно передать языковой модели и проверить результат на реальных материалах компании.
Если процесс уже выстроен, можно начать с него: определить повторяющиеся операции, подготовить промты, правила работы с данными, форматы результата и профессиональную проверку.
Для самостоятельного старта мы собрали практическую библиотеку «50 промтов для руководителя производственной компании». В ней есть сценарии для управления, производства, качества, закупок, финансов, продаж, HR, стратегии и рисков.
А если нужно определить, где ИИ даст эффект именно вашей компании, можно начать с одного процесса и разобрать его вместе.
Частые вопросы
Где ИИ быстрее всего дает пользу в производственной компании?
Чаще всего быстрый результат появляется в повторяющихся интеллектуальных задачах с уже существующими цифровыми данными: поиск и анализ информации, работа с документами, подготовка коммерческих предложений, исследования рынка, управленческие брифы, знания сотрудников и сравнение вариантов.
Можно ли применять ChatGPT или другую LLM в производстве без собственной разработки?
Да, для многих исследовательских, управленческих и коммерческих задач достаточно стандартной платной языковой модели. Сложная техническая интеграция нужна позже, когда сценарий доказал пользу и требует постоянной работы с внутренними системами.
Какие данные нельзя загружать в публичную языковую модель?
Правила зависят от выбранного сервиса и политики компании. До начала работы нужно определить режим для персональных данных, коммерческой тайны, договоров, технической документации и другой чувствительной информации. Для первых тестов можно использовать обезличенные материалы.
Как измерять эффект от применения ИИ?
Показатель выбирается по процессу: время выполнения, количество обработанных запросов, доля ошибок, скорость ответа, конверсия, маржа, производительность, время простоя или другой бизнес-показатель. Количество созданных промтов и число пользователей сами по себе экономический результат не показывают.
Что важнее: хороший промт или хорошие данные?
Промт задает порядок работы модели. Качество результата сильно зависит от исходных данных, контекста и правил проверки. Для устойчивого корпоративного применения нужны все четыре элемента.
С какого процесса начать?
Выберите задачу, которая повторяется, занимает заметное время, имеет понятный хороший результат и легко проверяется специалистом. Такой процесс позволяет быстро увидеть реальную пользу и стоимость ошибки.
Об авторе
Источники и исследования
OpenAI — How People Use ChatGPT; ChatGPT Usage and Adoption Patterns at Work, 2025–2026.
Manufacturing Leadership Council — Industrial AI Survey 2026; Shaping the AI-Powered Factory of the Future.
Deloitte — AI in Manufacturing 2026.
КОРУС Консалтинг — исследование зрелости внедрения ИИ в российском бизнесе, 2026.
McKinsey — AI-led commercial transformation; The future of B2B sales, 2026.
Siemens — Industrial Copilot и Eigen Engineering Agent, 2024–2026.
Schneider Electric — industrial AI capabilities, 2026.
Microsoft / Sight Machine — AI-driven production optimization, 2026.
Sia Partners — AI-powered RFQ tool, 2026.
BCG — Beyond the Machine: How Industrials Are Creating Customer Value with Digital and AI, 2026.
Можно начать с одного процесса
Коммерческое предложение, исследование рынка, управленческий бриф, закупки, работа с документами или другая повторяющаяся задача. Разбираем процесс, определяем роль ИИ и проверяем результат на реальных материалах компании.