Технологический суверенитет: где пропадают миллиарды и как заставить модели работать на результат

Лекомцев Денис Михайлович, основатель 3L LEXECONOMICS BFi 24 января 2026 года

Вы когда‑нибудь видели, как топ‑менеджер морщится при слове «моделирование»? Я — регулярно. Потому что за этим термином скрываются:

  • горы непрочитанных отчётов;
  • миллионы, потраченные на софт, который пылится на серверах;
  • бесконечные совещания без конкретных решений.

Давайте говорить прямо: у нас есть инструменты. Нет — результата.

Три факта, от которых становится не по себе:

1. 120 млрд рублей — сумма, выделенная в 2 packed 2025 году на цифровизацию промышленности. По данным Минпромторга, лишь 38 % этих средств дошли до реальных проектов. Остальное ушло на:

  • лицензии для «галочки»;
  • пилотные тестирования, которые никогда не переходят в эксплуатацию;
  • отчёты, которые никто не анализирует.

2. 74 % экономистов‑аналитиков, выпускаемых вузами, не могут объяснить директору завода, как модель повлияет на его прибыль. Они знают теорию, но не умеют переводить её в действия.

3. С 2027 года введут обязательную сертификацию AI‑систем. Но ни один нормативный акт не отвечает на вопрос: «Как компании с оборотом до 1 млрд рублей могут это потянуть?»

Почему так: четыре корня проблемы

Корень 1. «Башня из слоновой кости». Учёные создают модели для статей, а не для цехов. Пример: алгоритм оптимизации логистики с 200 параметрами. На практике начальник склада оперирует 15 цифрами.

Корень 2. Разрыв поколений:

  • Молодые специалисты (25–35 лет) свободно работают с ChatGPT, но их идеи тонут в бюрократии.
  • Ветераны производства (50+ лет) знают процессы до мелочей, но боятся «цифровых новшеств».

Корень 3. Ложные KPI. Компании отчитываются о «количестве внедрённых AI‑решений», а не о росте производительности. Результат: закупленные роботы стоят в углу.

Корень 4. Страх ответственности. Директор завода в Екатеринбурге признался: «Если система прогнозирования ошибётся — спросят с меня. А если не внедрю — „технологии ещё сырые“».

Что работает: три реальных кейса

Кейс 1. Завод «Красный Октябрь» (Волгоград):

  • Проблема: постоянные срывы поставок из‑за ошибок в прогнозировании.
  • Решение: взяли простую модель на 15 параметров (вместо 200 «академических»).
  • Результат (за 4 месяца):
  • снижение логистических издержек на 27 %;
  • сокращение складских запасов на 35 %;
  • окупаемость модели — 3 месяца.
  • Секрет: модель переписали на язык бизнеса. Вместо «коэффициент эластичности» — «сколько сэкономим в рублях».

Кейс 2. Агрохолдинг «Степь» (Ростовская область):

  • Проблема: зависимость от импортных семян и удобрений.
  • Решение: создали «цифровой штаб» с моделями локального импортозамещения.
  • Результат:
  • за 6 месяцев нашли 12 альтернативных поставщиков внутри РФ;
  • снизили себестоимость продукции на 18 %;
  • получили льготный кредит под 3 % на расширение производства.
  • Секрет: модели связали с KPI руководителей. Каждый менеджер отвечает за свой участок.

Кейс 3. «Ростех»: «Цифровой цех»:

  • Проблема: низкая вовлечённость персонала в работу с AI.
  • Решение: обучение мастеров работе с интерфейсом за 2 часа.
  • Результат: на трёх предприятиях снижение простоев на 18–25 % за полгода.

Пять шагов к результату (прямо сейчас):

1. Упрощайте модели. Сократите число параметров до 10–15 ключевых. Используйте визуализацию: графики вместо таблиц. 2. Связывайте с деньгами. Ответьте на вопрос: «Сколько мы сэкономим/заработаем через 6 месяцев?» 3. Назначайте ответственных. Пусть один человек отвечает за внедрение модели в конкретном процессе. 4. Запускайте микропилоты. Например, смоделируйте поставки для одного цеха. Если сработает — масштабируйте. 5. Обучайте команду. Проведите 2‑часовой воркшоп: «Как читать модель без математических формул».

Два сценария на 2030 год

Сценарий 1. «Прорыв»:

  • 40 % предприятий используют модели для принятия решений.
  • Рост производительности в промышленности — 15–20 %.
  • Россия закрывает 70 % потребностей в критических технологиях.