Норникель: практика реального экономического эффекта от внедрения генеративного ИИ - Наталья Артамонова
Наталья Артамонова, директор по внедрению генеративного ИИ, Норникель. Форум Cnews "Технологии искусственного интеллекта 2026".
Практический разбор того, как крупная промышленная компания выстраивает экономику генеративного ИИ — без иллюзий и без попытки выдать модную технологию за автоматический источник прибыли. Основной посыл: господдержка и доступность моделей — это хорошо, но реальные деньги появляются только там, где компания сознательно выбирает узкие, просчитанные кейсы, а не массовую раздачу чат-ботов «на всякий случай». В «Норникеле» такой путь был выбран осознанно, и по итогам почти года работы компания сформулировала четкую карту: где эффекта нет и не будет, где эффект есть, но небольшой, и где генеративный ИИ реально влияет на финансовую отчетность.
Два пути внедрения ИИ в корпорации
Наталья Артамонова начала с развернутого объяснения логики, по которой строится подход «Норникеля» к генеративному ИИ. По ее наблюдениям, у крупных компаний сегодня есть два принципиально разных сценария внедрения.
Первый — раздать сотрудникам доступ к готовым чат-ботам, будь то зарубежные решения или отечественные платформы вроде Сбера и Яндекса, и надеяться, что люди сами разберутся, как их применять в работе. Второй путь — точечное внедрение агентских систем в конкретные, изолированные бизнес-процессы, где эффект можно измерить и доказать. «Норникель» выбрал именно второй путь, оставив за чат-ботами вспомогательную роль.
При этом Наталья подчеркнула, что не считает раздачу чат-ботов бессмысленной — скорее, у нее нет иллюзий по поводу их финансовой отдачи: «Не стоит питать иллюзией, что там будет какой-то эффект именно на деньги». По ее оценке, при активном использовании чат-ботов производительность отдельных сотрудников может вырасти на 2–15%, но перевести это высвобожденное время в реальные деньги почти невозможно — руководителю пришлось бы либо сокращать штат, либо перегружать оставшихся людей дополнительной работой, а это требует управленческой воли, которую массовая раздача инструментов сама по себе не создает.
Управленческие процессы: полезно, но без денег
В «Норильском никеле» все процессы делят на управленческие и производственные (включая вспомогательно-производственные). Внедрение генеративного ИИ компания начала именно с управленческого блока в октябре прошлого года — по двум практическим причинам. Во-первых, организационная близость: Наталья Артамонова сама работает в блоке экономики и финансов, и было проще запустить трансформацию на своей же функции, не тратя время на согласования с другими подразделениями. Во-вторых, распространенное на тот момент мнение, что основной эффект генеративного ИИ — в работе с документами, а «бумажная» нагрузка максимально сконцентрирована именно в финансово-экономических процессах.
Так появились первые проекты — автоматизация бюджетного и проектного контроля, где ИИ сверяет документы с данными ERP-системы, проверяет источники финансирования и корректность заполнения полей; первая линия поддержки пользователей; контроль норм оформления документации.
Итог этих экспериментов оказался отрезвляющим. По словам Натальи Артамоновой, если считать эффект по строгим критериям — влиянию на прибыль или на отчет о движении денежных средств, — то в управленческих процессах он попросту отсутствует. Единственное, что можно засчитать, — сокращение штатных единиц на конкретном локальном участке, но доказать эффект на уровне трех форм отчетности от ускорения одного процесса невозможно: «Особенно если вы большая организация, то, что вы какую-то одну бумажку вместо месяца согласования начинаете согласовывать за три часа, это на фоне общего масштаба организации расплывается».
Отдельно она разобрала аргумент про «расшивку узких горлышек»: даже если конкретный процесс — например, тот же бюджетный контроль в рамках крупного инвестиционного цикла — действительно был узким местом и его ускорение поддавалось расчету, эффект оказывается временным. Как только одно узкое место устраняется, оно тут же перетекает в другой участок процесса, и совокупный эффект на организацию снова размывается.
Из этого вывода в «Норникеле» сложился прагматичный подход к управленческим процессам: их не бросают, потому что так делает вся отрасль и отставать нельзя, но относятся к ним как к своего рода внутренней субсидии — без ожидания серьезной экономики. Альтернативный путь — не точечная автоматизация, а укрупнение процессов через создание так называемых цифровых департаментов.
Флагманский проект: департамент на ИИ-агентах
Именно в эту логику встроен ключевой проект компании — перевод департамента инвестиционного анализа и контроля в Заполярном филиале на ИИ-агентов на 85%. Наталья Артамонова описала его скорее как технологическо-консалтинговую работу, чем как обычное внедрение софта: команда полностью разобрала функции департамента, спроектировала целевой процесс и целевые роли сотрудников под работу с агентами.
Принципиальное отличие этого кейса — здесь эффект возникает не только за счет сокращения штата, но и за счет ускорения самого инвестиционного цикла компании. При этом она честно предупредила, что проект небыстрый и рассчитан примерно на полтора года: перевод целого департамента на агентов означает интеграцию с 10–15 корпоративными системами, полноценный выход в продуктивный контур, нагрузочное тестирование и прочие атрибуты промышленной эксплуатации. «Это не MVP-подделки, которые можно сделать за два месяца», — подчеркнула Наталья Артамонова, отметив, что на разработку технического функционала уходит 3–4 месяца, а затем еще около полугода занимает встраивание решения в корпоративный контур.
Где на самом деле находятся деньги
Ответ на главный практический вопрос — где в промышленной компании генеративный ИИ приносит измеримый финансовый эффект — прозвучал предельно четко: во вспомогательно-производственных процессах, а не в самом производстве и не в управлении.
Причина, по которой основное производство осталось за скобками, — историческая: «Норильский никель» занимается искусственным интеллектом с середины 2010-х годов, и в производственных переделах уже давно и успешно работают классические инструменты — машинное обучение и компьютерное зрение. В качестве примера Наталья Артамонова привела флотацию с использованием ML в полуавтономном режиме печи Ванюкова. Генеративный ИИ здесь играет вспомогательную роль оркестратора и своего рода цифрового помощника для технолога, помогая интерпретировать результаты, но не заменяет собой уже отлаженные классические алгоритмы и роботизацию.
А вот вспомогательно-производственные процессы — ремонты, проектирование, управление запасами, закупки — оказались той зоной, где сходятся сразу несколько условий: много неструктурированных данных, включая документы и видеоконтент, и необходимость доступа к корпоративным системам. Именно здесь, по словам Натальи Артамоновой, эффект становится «осязаемым как раз на три формы отчетности».
Генеративные ремонты
В «Норникеле» с помощью генеративного ИИ формируют технологические карты, на основе которых строятся графики ремонтов, что позволяет оптимизировать одновременно затраты на материально-технические ресурсы и на персонал.
Генеративное проектирование
Искусственный интеллект по заданию на проектирование сразу строит 3D-модель и предлагает более оптимальные проектные решения. Один из показательных примеров, о котором Наталья Артамонова уже рассказывала на отраслевой конференции ЦИПР, — оптимизация марки бетона: ИИ предложил менее прочный, но полностью соответствующий строительным нормам и ГОСТам вариант, тогда как проектировщики традиционно закладывают запас прочности с расчетом гарантированно пройти государственную экспертизу. Именно эта привычка «перезакладываться», по ее словам, оборачивается для компании значительными избыточными расходами.
Подбор аналогов по сверхнормативным запасам
Этот кейс Наталья Артамонова выделила как один из самых показательных с точки зрения уже реализованного в этом году эффекта. Задача решает сразу две проблемы. Первая — техническая: справочники нормативно-справочной информации плохо различают близкие позиции («системы болт 2 на 3 от болта 3 на 2 не отличает»), и генеративный ИИ помогает эту путаницу устранить. Вторая — содержательная: система умеет подбирать не формальные, а технологические аналоги. Например, когда проектировщик указывает нужные характеристики кабеля, инструмент может предложить взять со склада похожий кабель — иногда даже с более высокими характеристиками, например с огнезащитой, — вместо того чтобы закупать новый материал под точную спецификацию.
По оценке «Норникеля», эффект от этого решения по всем производственным площадкам может составить порядка одного миллиарда рублей в год. При этом Наталья Артамонова сделала важную оговорку: это эффект на свободный денежный поток, и он может носить разовый характер, поскольку компания в первую очередь «вычищает» уже накопленные складские запасы, а по мере их исчерпания сама величина эффекта будет снижаться.
Чат-боты, теневой ИИ и роль «чемпионов»
Несмотря на скепсис по поводу финансовой отдачи от массовой раздачи чат-ботов, в «Норникеле» от этого инструмента не отказались — но по другой причине. Наталья Артамонова рассказала, что сотрудники компании и без официального разрешения активно пользовались сторонними инструментами — DeepSeek, зарубежными чат-ботами и другими сервисами — с личных компьютеров, что создавало классическую проблему теневого ИИ (shadow AI). Чтобы вернуть эти процессы под контроль и обеспечить безопасность данных, компания начала выдавать сотрудникам учетные записи в согласованных, безопасных системах.
Отдельно был поднят вопрос масштабирования культуры работы с ИИ внутри такой крупной структуры, как «Норникель». Наталья подчеркнула, что ее собственная команда невелика — около 30 человек — и физически не может закрыть потребности всей компании: «Я не смогу, я лопну». Поэтому в каждом подразделении отобраны так называемые «чемпионы» — сотрудники, которых целенаправленно обучают работе с доступными платформами (по аналогии с решениями наподобие GigaCode у Сбербанка или готовящейся платформой Яндекса), чтобы они помогали коллегам автоматизировать часть своих процессов самостоятельно. Задача чемпионов — не только внедрение, но и сбор обратной связи о том, что не удалось автоматизировать штатными средствами; эта информация затем либо передается вендорам платформ для доработки, либо становится основой для кастомной разработки и формирования портфеля проектов на следующий год.
Инфраструктура и честный учет затрат
Завершая содержательную часть, Наталья Артамонова обратила внимание на то, что при оценке эффектов от генеративного ИИ так же важно честно считать затраты. Самая дорогая статья расходов — инфраструктурная: стоимость токенов при работе в облаке либо стоимость и амортизация собственного кластера, плюс расходы на электроэнергию. Без учета этих затрат экономика проектов выглядит куда привлекательнее, чем есть на самом деле: «Иначе кейсы ваши окажутся чуть более радужные, чем они есть на самом деле, потому что инфраструктура — это дорого».
Технологический стек: какие модели использует «Норникель»
В ответах на вопросы Наталья Артамонова подробно рассказала о выборе моделей. Для агентских решений компания преимущественно опирается на китайские модели — в частности, третью версию Qwen и последнюю версию DeepSeek; хорошо показывает себя DeepSeek Flash, а также GLM версий 5.2 и 5.3, в компании также планируют протестировать модель Kimi. Отечественные модели — Яндекс — применяются, в частности, в процессах бюджетного и проектного контроля, но в целом, по ее словам, основной технологический стек — китайский.
Отдельный интересный кейс — использование модели Gemini для агента по подбору аналогов сверхнормативных запасов. На старте потребовалось загрузить в языковую модель весь справочник нормативно-справочной информации, чтобы она провела кластеризацию и классификацию позиций (в том числе всех вариаций крепежа). Другие модели с этой задачей не справлялись из-за ограничений размера контекстного окна, поэтому для нее выбрали Gemini — тем более что в этих данных не было конфиденциальной информации. При этом непосредственно пользовательский сценарий подбора аналогов уже работает на модели Qwen — сочетание, которое сама Наталья Артамонова назвала «достаточно православным» с точки зрения архитектуры.
Что касается вычислительной инфраструктуры, модели развернуты либо на собственных мощностях компании, либо в Яндекс.Облаке. Наталья отметила, что развитие генеративного искусственного интеллекта — важный флагманский проект «Норникеля», в который инвестировал акционер компании, что и позволило нарастить собственный парк видеокарт для локального развертывания моделей.
