Я — Иван Макаренко, более 22 лет управляю финансами в промышленности: горная добыча, металлургия и энергетика.

На ГОКе уже может быть 14 проектов с AI. Производительность об этом пока не знает.

Компьютерное зрение, прогноз ремонтов, цифровой диспетчер — на презентации все убедительно: accuracy 94%, прогноз за 72 часа. А открываешь производственный отчет: подача та же, простои те же, себестоимость почти та же.

Для CEO и собственника это уже не IT-вопрос. AI становится новой статьей CAPEX и OPEX, а значит, должен проходить тот же инвестиционный фильтр, что мельница, самосвал или новая линия ЗИФ.

Я делю любой AI-проект на три ступени: ПИЛОТ → ПРОМЫШЛЕННАЯ ЭКСПЛУАТАЦИЯ → ДЕНЕЖНЫЙ ЭФФЕКТ Пилот доказал, что модель прогнозирует. Эксплуатация — что люди используют рекомендации. Денежный эффект — что выросли тонны, часы готовности, recovery или FCF.

Это три разных результата 👇 1. AI как советник оператора На ЗИФ модель рекомендует режим подачи и загрузку мельницы, но решение остается у технолога.

Операционный риск ниже. Но если рекомендации никто не использует, ROI остается в PowerPoint. 2. Predictive maintenance с жесткой экономикой Вопрос не в том, умеет ли AI предсказать поломку подшипника. Вопрос — какой простой и сколько денег удалось предотвратить.

Например, линия дает 220 т/ч, внеплановая остановка длится 18 часов. Это уже почти 4 тысячи тонн недоподанной руды. Вот здесь появляется экономика, которую понимает CFO. 3. Guided autonomy На удаленном ГОКе я бы не спешил отдавать AI полный контроль над критичным оборудованием.

Связь нестабильна, датчики дают сбои, а история ремонтов иногда одновременно живет в SAP, Excel и памяти механика Петровича. Последняя база порой самая точная, но API у нее сложный 😄

Поэтому логичнее двигаться постепенно: AI рекомендует → человек подтверждает → система действует сама в безопасном диапазоне.

Для запуска таких проектов я бы оставил пять правил: ◾ Baseline до старта — фиксируем подачу, простои, availability, recovery, расходы и FCF. ◾ Контрольная группа — иначе изменение руды или сезонность легко записать в заслуги алгоритма. ◾ KPI в производственных единицах — не accuracy 94%, а дополнительные тонны, часы готовности, металл, recovery, себестоимость и FCF. ◾ Владелец эффекта из бизнеса — производство, ТОиР или финансы. AI-проект без владельца быстро становится проектом IT. ◾ Kill criteria заранее — если через 90 дней нет подтвержденного влияния на ключевой KPI, пилот закрываем или пересобираем.

📌 Для CFO считать нужно не количество AI-кейсов, а стоимость дополнительного часа готовности, тонны переработки и грамма металла.

💬 А у вас AI уже влияет на производительность и FCF или пока в основном улучшает презентации?

👉 Мой Telegram-канал: https://t.me/+zv4WdtivC5kyZDcy