Почему большинство пилотных проектов ИИ терпят неудачу на химических заводах — уроки экспертов

Завышенные ожидания, несогласованные данные и изолированные пилотные проекты препятствуют успешному внедрению ИИ в реальной производстве. Решение кроется в промышленном интеллекте, который закрывает цикл между прогнозом и цеховым полом, пишет Стивен Рейнольдс, главный специалист по химической промышленности в AVEVA.

Каждый болид Формулы-1 генерирует сотни гигабайт телеметрических данных за гонку — от износа шин и расхода топлива до температуры тормозов, изменений погоды и поведения соперников. Эти данные передаются инженерам на трассе и в удаленных лабораториях в реальном времени, позволяя анализировать эффективность, оптимизировать стратегию и получать конкурентное преимущество в спорте, где каждая миллисекунда на счету. Это напоминание: успех не в объеме датасета или сложности модели, а в том, превращаются ли инсайты в своевременные операционные решения.

Химические заводы могут обогнать рынок, относясь к ИИ как к высокопроизводительному гоночному болиду. Они уже генерируют миллиарды точек данных с датчиков, лабораторий и ERP-систем. Компании запускают пилотные проекты ИИ, тестируют модели и проводят концепт-пруфы; по данным McKinsey, 78% организаций используют ИИ хотя бы в одной бизнес-функции.

Большинство пилотных проектов ИИ застревают

Однако подавляющее большинство пилотов не доходит до создания ценности. Недавний опрос показывает, что 88% пилотных проектов ИИ никогда не достигают производственного этапа, а MIT сообщал в августе, что 95% генеративных ИИ-инициатив, нацеленных на быструю генерацию выручки, терпят неудачу.

Этот «ад ИИ» — не отсутствие воображения, а отсутствие стратегии и действий. Перевод инсайтов в реальные действия так же важен, как идеальная стратегия F1 без пит-стопов.

ИИ — не «подключил и заработало»

Команды часто становятся жертвами синдрома «блестящего объекта», рассматривая ИИ как готовое решение «из коробки». Когда амбиции опережают инфраструктуру, модели применяются к задачам, для которых не предназначены, кормятся несогласованными или устаревшими лабораторными и сенсорными данными, и остаются изолированными от операций. Полученные инсайты невозможно применить к реальным процессам.

«Потрясающие 88% пилотных проектов ИИ не доходят до продакшена, согласно недавнему опросу.»

Даже когда ИИ предсказывает накипь в реакторе или неактивные катализаторы, ценность теряется, если операторы не могут действовать из-за несовместимых рабочих процессов. Нетерпение к мгновенным результатам и отсутствие непрерывной обратной связи от новых сырьевых материалов усугубляют проблему. Фрагментированные технологии дают фрагментированные результаты.

Занятие лидирующей позиции — опережение конкурентов — требует межфункционального сотрудничества и связанной экосистемы, объединяющей промышленные химические системы. Это означает связывание MES, LIMS, ERP, историанов и систем управления процессами в единой платформе, создающей единый источник правды, разрушающий информационные силосы и поставляющей интеллектуальные инсайты в существующие контрольные контуры на уровне цеха и топ-менеджмента.

«Только с этими тремя элементами — курируемыми данными, процессно-ориентированными интеллектуальными моделями и вдохновленными людьми в цикле — ИИ выходит за рамки теоретических концепций к реальным операционным и НИОКР-результатам, обеспечивая снижение простоев, повышение выходов и сокращение циклов инноваций.»

ИИ расширяет возможности, люди принимают решения

Курирование и централизация промышленных данных — отправная точка. Модели должны проектироваться с учетом апстрим и даунстрим зависимостей. Главное — команды должны доверять получаемому интеллекту и иметь возможность действовать на его основе. Избегание «ада ИИ» следует рассматривать как культурный сдвиг, а не просто технологическое обновление.

Только с курируемыми данными, процессно-ориентированными моделями и вдохновленными людьми в цикле ИИ переходит от концепции к осязаемым операционным и НИОКР-выгодам.

Так SCG Chemicals достигла 99% надежности завода и девятикратного ROI всего за шесть месяцев. Чтобы поддерживать одну из крупнейших в Азии химических цепочек поставок, SCG построила платформу цифровой надежности, внедряющую ИИ на протяжении всего жизненного цикла.

Интегрируя предиктивную аналитику, централизованные данные и среды цифровых двойников в одном месте, платформа позволяет командам принимать процессные решения на лету, подобно тому, как команды F1 вооружаются реальной интеллектуальной поддержкой в реальном времени.

С дашбордами от уровня бизнес-юнита до отдельного оборудования команды SCG получают действенную информацию и коррелируют её с реальными данными за 10 секунд. Выявление критических точек для предотвращения отказов оборудования закрыло разрыв в надежности, а затраты на обслуживание снизились на 40%.

Масштабируясь по химическому сектору, варианты использования ИИ расширяются до повышения времени бесперебойной работы активов с помощью предиктивной аналитики, гибридного моделирования для ускорения продуктовых инноваций и даже открытия ингредиентов для экологически устойчивых материалов.

«Когда химические компании принимают этот поэтапный подход, они выходят за рамки реактивного устранения неполадок.»

Предотвращение «ада» пилотных проектов ИИ

Успех в каждой области требует большего, чем отношение к пилотам ИИ как к технологическим экспериментам — путь, гарантирующий попадание в 95% статистики неудач. По мере внедрения цифровых и аналитических инструментов компаниям нужны end-to-end подходы для преобразования аналитики в операционные улучшения, как подчеркивало Deloitte в недавнем обзоре химического сектора.

Преодоление «ада ИИ» начинается со смены перспективы, включая культурные изменения. Во-первых, определите KPI, который хотите изменить, и количественно оцените его влияние на рабочий процесс. Пилоты, пытающиеся охватить всё, ничего не достигают.

Далее, постройте data-first связанную экосистему, интегрируя историаны, MES, LIMS и вендорские программы. Успех покоится на качестве данных, как отмечает Arthur D. Little: схемы должны быть стандартизированы, метаданные аннотированы и лабораторные протоколы установлены.

Затем выберите подходящий ИИ и сделайте его наблюдаемым. Например, распознавание образов может прогнозировать отказы оборудования, LLM — искать документы по соответствию, а гибридное моделирование — управлять инновационными приложениями, такими как формулирование.

После этого продуктовизируйте и масштабируйте один юз-кейс за раз. Наконец, межфункциональная оценка и гвернанс — McKinsey рекомендует поручить надзор старшим лидерам — снижают дрейф моделей и риски принятия.

Когда химические компании принимают этот поэтапный подход, они выходят за рамки реактивного устранения неполадок. Операторы могут предвосхищать накипь, корректировать условия реакции и предотвращать простой. НИОКР-команды ускоряют формулирования, обеспечивая согласованный scale-up. Отрасль наконец может извлечь реальную ценность из своих инвестиций в ИИ, так же как команды F1 превращают телеметрию в секундные решения, приводящие к победе.