Генеративный ИИ и машинное обучение в металлургии и горной добыче: кейсы Норникеля, ФосАгро и Русал
Искусственный интеллект в металлургии перестал быть экспериментом. Крупнейшие игроки мира и России считают эффект в миллиардах рублей, миллионах тонн и процентах EBITDA.
В отрасли давно применяют классическое машинное обучение и компьютерное зрение для контроль качества. А самое быстрорастущее направление, генеративный AI и агенты, развернулось в другом слое: инженерное проектирование, корпоративные функции, ассистенты для сотрудников. Собрали примеры применения классического ML и подтвержденные GenAI-кейсы.
Классический ML: где гиганты отрасли уже считают эффект от ИИ в металлургии
Эти кейсы относятся к классическому ML, компьютерному зрению и автономным системам, а не к генеративному AI. Но они показывают главное для бизнеса: технология работает на уровне P&L, и крупнейшие компании считают отдачу.
Кейс Магнитогорского Металлургического Комбината: эффект цифровизации 6,8 млрд рублей за год
Магнитогорский металлургический комбинат входит в число крупнейших производителей стали в России.
Решение. Внедрили программу автоматизации металлургии, которая охватывает предиктивную аналитику оборудования доменной печи, прокатных цехов и насосного оборудования на базе IoT и машинного обучения.
Результат:
- 6,8 млрд рублей ожидаемого эффекта цифровизации по итогам 2025 года
- 51 проект из 95 в портфеле построен на технологиях AI
- 2,4 года средняя окупаемость инвестиций
Кейс ФосАгро: 407 предиктивных моделей контролируют обогащение
ФосАгро входит в число мировых лидеров по фосфорным удобрениям.
Решение. На обогатительных фабриках Кировского филиала «Апатит» предиктивная аналитика собственной разработки контролирует шаровые мельницы, критическое оборудование передела измельчения. Система прогнозирует отказы до их наступления и снижает незапланированные простои.
Результат:
- 407 предиктивных моделей в промышленной эксплуатации анализируют мельницы по тысячам параметров
Кейс РУСАЛа: анализ слитка ускорен с 4 часов до 15 минут
РУСАЛ — крупный мировой производитель алюминия.
Решение. Анализ микроструктуры цилиндрических слитков раньше выполнял лаборант под микроскопом, на один образец уходило от полутора до четырех часов. Компания начала использовать искусственный интеллект для анализа микроструктуры алюминиевых слитков.
Результат:
- 15 минут на анализ образца вместо прежних 1,5–4 часов
- 8 параметров микроструктуры нейросеть оценивает автоматически и формирует отчет
ML-кейсов в отрасли кратно больше. При этом крупные игроки вроде Норникеля и Северстали активно внедряют GenAI-инициативы, делают первые цифровые двойники в металлургии и развивают масштабный ML-контур.
Генеративный AI и агенты: следующий слой экономики
Эффект от внедрения GenAI виден в ускорении бизнес-процессов. С 2025 года в индустрии начали появляться внедрения промышленного масштаба, вплоть до создания отраслевой языковой модели для металлургии и развертываний сотни AI-агентов.
Доменные языковые модели и ассистенты для сотрудников
Кейс Норникеля: доменная языковая модель MetalGPT-1
Норникель — крупнейшая российская горно-металлургическая компания, занимающая лидирующие позиции в мире по производству палладия и высокосортного никеля.
Решение. Норникель обучил собственную доменную языковую модель MetalGPT-1 для металлургии и горной добычи. Обучение шло на закрытых документах производства, включая технологические протоколы, регламенты, патенты и проектную документацию. На основе MetalGPT-1 компания строит персональных ассистентов и автономных агентов и встраивает их в операционные процессы.
Результат:
- 32 млрд параметров у доменной модели MetalGPT-1
- 10 ГБ профильных текстов в обучении, это сопоставимо с половиной англоязычной Википедии
- 500 тысяч пар «вопрос-ответ» подготовлено для дообучения
Кейс КНАУФ: ассистент Kai на RAG отвечает на 3000+ вопросов
КНАУФ — крупнейший производитель строительных отделочных материалов из гипса с полным циклом производства, от добычи сырья до поставки продукции.
Решение. До 50% обращений в поддержку приходили в нерабочее время, а сценарный бот долго обучался под огромный спектр продукции. КНАУФ интегрировал в существующего ассистента Kai систему Jay Knowledge Hub на базе RAG и дата-агентов. В базу загрузили около 1000 страниц неразмеченных документов (технические листы, рабочие чертежи, FAQ) объемом 400 000 слов. Документы разбиваются на чанки и векторизуются, ответ собирает LLM по семантически близким фрагментам.
Результат:
- 89% точность ответов на первых тестах
- 3000+ вопросов по продуктам закрывает ассистент
- 2 недели от сбора данных до вывода в прод, ввод в эксплуатацию за 1 день
- До 50% времени сотрудников экономит круглосуточная консультация клиентов
Кейс POSCO: ассистент Facility Management GPT для полевых инженеров
POSCO входит в число крупнейших производителей стали в мире. На заводе Gwangyang полевые инженеры тратили часы на поиск технической информации по обслуживанию оборудования.
Решение. POSCO развернул ассистента Facility Management GPT 2.0 на технологии RAG (поиск по корпоративной базе знаний с генерацией ответа) и дообучил на терминологии цеха. Ассистент в реальном времени выдает инженеру методы обслуживания по конкретному оборудованию.
Результат:
- Публичных метрик проекта пока нет
AI‑агенты в инженерном проектировании, финансовом контроле и программировании оборудования
Кейс Норникеля: мультиагентная система промышленного проектирования
После ухода зарубежного проектного ПО задача обострилась: проектировать промышленные объекты нужно быстро и по нормативам, а доступных инструментов стало меньше.
Решение. Норникель создал систему, которая проектирует промышленные здания целиком, от фундамента до комплекта документации. В основе фундаментальная модель, обученная на базе знаний компании со СНиП и ГОСТами, и цифровые агенты.
Агенты анализируют требования заказчика, формируют задание, разрабатывают разделы документации, наполняют цифровую модель объекта и активируют субагентов по типу здания. На каждом шаге результат сверяется с нормативной базой и корпоративными стандартами.
Результат:
- На 83% ускорилась подготовка заданий к проектированию
- На 80% ускорилась разработка цифровой модели
- В 2 раза снизился срок выпуска документации
- С 15-25 до 5-7 сотрудников сократился состав проектной команды
Кейс Норникеля: AI-агент проверяет до 80% аналитики по договору
Экономический блок вручную проверял закупочные и ремонтные документы более чем по 100 параметрам. Работа трудоемкая, а скрытые комплексные риски часто оставались незамеченными.
Решение. Норникель внедрил AI-агентов в бюджетный и проектный контроль. Агент распознает и сверяет данные из документов, находит аномалии и согласует часть процедур.
Результат:
- 80% аналитики по договору AI-агент проверяет автоматически
- 95–98% точность проверок
Кейс POSCO: генеративный AI пишет код для оборудования
Полевые инженеры POSCO тратили время на программирование контроллеров оборудования и повторяющуюся документацию.
Решение. Компания развивает AI Engineer Agent и PLC Co-pilot — инструмент, который генерирует код для контроллеров AI-агент автоматизирует инженерные задачи и опирается на RAG-системы под конкретную площадку. Решение разворачивается как тиражируемая платформа для заводов группы.
Результат:
- На 30% ожидается ускорение процессов по написанию кода
Генерация синтетических данных: новый слой применения GenAI
Отдельное направление — использование генеративного AI не для ассистентов, а для создания обучающих данных.
Кейс Nedra Digital: синтетические аэрофотоснимки для геологоразведки
Nedra Digital — российский разработчик и интегратор цифрового инженерного ПО для нефтегазовых месторождений, охватывающего цикл от разведки до добычи.
Решение. Каждая CV-модель сегментации ландшафта создается под конкретный лицензионный участок, а аэрофотосъемка дорога и сезонна, поэтому обучающих примеров хронически не хватает. Nedra Digital построила систему генерации синтетических аэрофотоснимков на связке диффузионных моделей.
Результат:
- В 1000 раз вырос объем обучающих данных за счет синтетики
- С 0,7 до 0,89 выросла точность сегментации (IoU), на сложных классах прирост 35%
- На 70% снизились затраты на аэрофотосъемку
Платформы для создания AI‑агентов: хакатоны для сотрудников
Главный сдвиг 2025–2026 годов состоит в переходе от точечных решений к платформам, на которых ассистентов и агентов собирают функциональные команды без ресурса команд разработки.
Кейс Северстали: 217 проектов на генеративном AI от сотрудников
В декабре 2025 года Северсталь завершила корпоративный конкурс «Лидеры металлургИИ» и проверила гипотезу: собирать AI-агентов могут сами сотрудники, а не только IT-команда.
Решение. Команды без навыков программирования создавали прототипы AI-агентов на корпоративном технологическом ландшафте под задачи своих функций, от проверки смет до анализа простоев.
Результат:
- 429 заявок собрал конкурс
- 217 проектов прошли во второй этап
- 7 команд вышли в финал
Кейс Tata Steel: 300 AI-агентов на платформе Zen AI
Tata Steel — крупный мировой производитель стали. Компания развернула агентов по всей производственно-сбытовой цепочке.
Решение. Компания запустила две платформы. Zen AI работает как low-code конструктор: сотрудники сами собирают, тестируют и запускают AI-агентов. Ассистент Tata Steel Digital Assistant собирает ответ из публичных данных, корпоративных систем, регламентов и пользовательских файлов.
Результат:
- 300 AI-агентов развернуто по глобальной цепочке создания стоимости
- 70% рутинных HR-обращений ассистент закрывает автономно
- 200 моделей доступно AI-контуру через единую платформу
Логика GenAI‑внедрений и отличие от классического ML
Генеративный AI масштабирует дефицитную экспертизу. MetalGPT-1 открывает закрытую документацию Норникеля любому инженеру, ассистент POSCO выдает методику обслуживания прямо на смене. Знание, которым владели несколько экспертов, становится доступным всей команде.
Рутина переходит к агентам. AI-агент Норникеля проверяет до 80% аналитики по договору, генеративный AI POSCO пишет код для контроллеров, агенты Tata Steel закрывают свыше 70% типовых HR-обращений. Это агент внутри процесса, отвечающий за результат.
Решения масштабируются без линейного роста штата. Северсталь собрала 217 проектов силами сотрудников, Tata Steel дала возможность собирать агентов линейным руководителям. Каждый новый агент стоит недорого, а экспертиза остается внутри компании.
ИИ в металлургии приносит деньги, гиганты отрасли считают эффект в миллиардах рублей и миллионах тонн. Генеративный AI и агенты меняют инженерно-корпоративный слой: проектирование, контроль, работу со знаниями.
С чего начать внедрение GenAI
Just AI Agent Platform — экосистема сервисов для любых GenAI-инициатив: от первого пилота до решений, которые работают на проде. Оставьте заявку, и мы покажем, как использовать Just AI Agent Platform для ваших бизнес-процессов
Другие материалы
AI в медицине: исследование «Яков и Партнеры» и «МЕДСИ»
Как клиники и фарма переходят от пилотов к рабочей инфраструктуре
Кейсы применения AI в продажах: опыт Just AI
Как отделы продаж снимают рутину с помощью Jay Copilot и Agent Platform
Кейсы применения AI в финансах и страховании
Как банки и страховые автоматизируют поддержку, аналитику и документы