Искусственный интеллект в горно-металлургической индустрии: от геологоразведки до сбыта

Искусственный интеллект в горно-металлургической индустрии: от геологоразведки до сбыта

Революционная технология для ГМК

Искусственный интеллект в горнодобывающей отрасли перестал быть экспериментом: по данным ряда аналитических агентств, к 2030 году объем мирового рынка ИИ в промышленности и инженерии вырастет в ~5 раз, практически до $400 млрд¹.

¹ Market.us. AI in CAD Market Size, Share, Trends, 2024–2033 | Grand View Research Отчёт: Artificial Intelligence in Manufacturing Market Size, Share & Trends Analysis Report, 2024–2030 | Grand View Research Отчёт: Digital Twin Market Size, Share & Trends Analysis Report, 2024–2030 | Grand View Research. Отчёт: Artificial Intelligence (AI) in Robotics Market Size, Share & Trends Analysis Report, 2024–2030 | Grand View Research. Отчёт: Chatbot Market Size, Share & Trends Analysis Report, 2024–2030

Искусственный интеллект всё активнее проникает в индустрии, где ещё недавно технологии развивались более консервативно. Горнодобывающий сектор не исключение. Исследование посвящено тому, как искусственный интеллект уже сегодня меняет подход к операционной эффективности, безопасности и принятию решений, и как лидерам отрасли обратить прогресс в свою пользу.

Объем мирового рынка ИИ в промышленности и инженерии, $ млрд

В топе роста — генеративный искусственный интеллект

В топе роста — генеративный искусственный интеллект для оптимизации процессов/планирования с ростом 40% в год. В добывающей промышленности такие решения обычно направлены на автоматизацию рутинных либо строго регламентированных задач. Ожидается, что в России рынок искусственного интеллекта по всем отраслям уже к концу 2025 г. вырастет на 20–30% и достигнет 1,9 трлн руб. ($24 млрд)². При этом промышленные компании ожидают рост ИИ внутри отрасли на 80% к 2030 году³.

² https://www.kommersant.ru/doc/7989450 ³ https://ria.ru/20250621/sechin-2024466205.html

Уже сегодня аналогичные решения применяются лидерами рынка по всей цепочке создания стоимости: от взаимодействия с поставщиками и геологоразведки до транспортной логистики. ИИ-решения для оптимизации процессов могут комбинироваться между собой при условии соответствия систем, вызывая мультипликативный эффект: внедрение одного решения дает результат сразу в нескольких звеньях цепочки.

Для компаний это означает рост производительности, позволяющий высвобождать время сотрудников, снижать численность сотрудников и затраты, ускорять процессы. В совокупности применение решений искусственного интеллекта приводит к росту управляемости в условиях рыночной волатильности.

Ключевые показатели отрасли (Источник: Gartner, анализ рабочей группы АТК Консалтинг):

• 80+% компаний в горнодобывающей отрасли внедряют инструменты ИИ.

• $4-6 млрд потратили ГМК во всем мире на ИИ-инструменты в 2024 году.

• ~24% составил совокупный годовой темп (CAGR) роста расходов горнодобывающих компаний на ИИ-платформы с 2019 по 2024 год.

Геологоразведка и моделирование запасов

На этапе поиска новых месторождений и их доразведки искусственный интеллект может решать бизнес-задачи точности разведки полезных ископаемых, обрабатывая и анализируя полученные геопространственные данные, а также строить прогнозы на основании аналогичных или похожих залежей с историческими данными. Алгоритмы работают с геологической информацией, спутниковыми снимками, показателями сенсоров, полученные данные загружаются в системы имитационного моделирования.

Такое применение снижает риски ошибок, потенциально стоящих сотни миллионов долларов. Каждая неточность в оценке запасов ведёт к лишним вложениям или потере времени, а недостаточный учет параметров залегания — к возникновению потенциально опасных ситуаций.

Примеры:

• Сценарное моделирование и вероятностное рассуждение: ИИ работает со статистикой и вероятностями, чтобы предсказывать и оценивать вероятность событий. Ретроспективный анализ добычи в схожей местности и анализ результатов разведочного бурения повышает точность позиционирования бурения на 15–25%.

• Контроль качества полевой обработки данных: Анализ 2D/3D сейсморазведки и спутниковых снимков позволяет сократить до 15% затрат на геологоразведочные работы и повысить точность анализа данных на 20–30%.

Производство и переработка руды

В производстве наиболее часто используемыми решениями искусственного интеллекта являются технологии машинного зрения. ИИ способен оптимизировать работу обогатительных фабрик, прогнозировать качество сырья, управлять потреблением ресурсов, а также заменять человека на сложных рутинных операциях.

⁴ https://cit.gov.ru/catalog/solution?id=67

• Управление флотацией: Компьютерное зрение и нейросеть исследуют состав руды, подбирая дозировку реагентов, регулируя подачу воздуха и уровень воды. Эффект — увеличение извлечения металлов из руды до 5%.

• Управление измельчением: С помощью компьютерного зрения ИИ определяет размеры руды, а через изучение параметров прогнозирует показатели работы оборудования на 10 минут вперед, увеличивая переработку руды на **2–5%**⁴.

Логистика и цепочки поставок

В логистике наиболее частыми кейсами использования ИИ является автоматизация транспорта и оптимизация маршрутов. Автономные самосвалы (ВАТС) работают на основе систем компьютерного управления и уже внедрены в России (например, на месторождениях «Газпром нефти» и «СУЭК»).

Лидерами интеграции являются Caterpillar (решение «VIMS») и Komatsu (решение «PLM»), а в России — ГК «Цифра». Использование ВАТС совместно с ИИ позволяет снижать эксплуатационные расходы на 10–30%. Для управления шестью самосвалами требуется только один оператор.

⁵ ⁶ https://blueyonder.com/why-blue-yonder/ai-and-machine-learning#technology

• Оптимизация маршрутов в реальном времени: Анализ карт, новостей и спутниковых данных позволяет повысить производительность автопарка до 30% и снизить расходы топлива до **20%**⁶.

• Прогнозирование спроса: Анализ больших объемов данных о поставках алгоритмами машинного обучения позволяет снизить затраты по всей цепи поставок на 10–20%. Совокупная экономия на логистических издержках достигает **5%**⁵.

Безопасность

Перспективное направление — промышленная безопасность. ИИ применяется для мониторинга использования СИЗ (каски, очки) и создания систем, выявляющих риски аварий.

⁷ https://www.zyfra.com/ru/news/media/tsifra-i-belaz-prodemonstrirovali-rabotu-novoi-avtonomnoi-sistemy-gruzoperevozok-90-tonnymi-bespilotnikami-s-primeneniem-iskusstvennogo-intellekta/ ⁸ https://miningdigital.com/digital-transformation/predictive-maintenance-reshaping-mining-operations

• Анализ целостности систем: ИИ анализирует данные с датчиков карьерной техники (состояние механизмов, давление в шинах), что сокращает затраты на внеплановые ремонты на **~20%**⁷.

• Предиктивное перенаправление потоков: Позволяет сократить количество незапланированных простоев конвейеров на **15–30%**⁸.

Международный и российский опыт

Зарубежный опыт

Российский опыт

Вызовы масштабирования

Несмотря на положительные результаты, широкое внедрение ИИ сталкивается с рядом барьеров:

• Нет четких целей применения ИИ инструментов. Отсутствует конкретика в определении процессов, которые необходимо улучшить.

• Низкое качество доступных данных. Алгоритмы требуют больших объёмов структурированной и проверенной информации.

• План интеграции ИИ инструментов с существующими системами. Требуется интеграция данных в единой ERP-системе.

• Обучение персонала. Необходимы специалисты, умеющие работать с ИИ.

• Ресурсы для внедрения (инфраструктура, ПО). Необходимы серверные мощности и качественная связь на удалённых площадках.

• Регулярное обновление. Нужен процесс анализа рынка и возможность полного переразвертывания (re-deployment) решений.

• Отсутствие программы адаптации. Необходима стратегия управления изменениями для конечных пользователей.

Стратегия внедрения искусственн... [Конец части 1/2]

Стратегия внедрения искусственного интеллекта в производство

Для преодоления вызовов и масштабного внедрения искусственного интеллекта в ГМК и смежных отраслях требуется структурированный подход к выбору и внедрению инструментов искусственного интеллекта. Сам процесс верхнеуровнево состоит из пяти шагов:

Пять шагов внедрения ИИ

1. Инициация: формализация ключевых бизнес-проблем и формирование длинного списка ИИ-решений.

2. Приоритизация: индивидуальная оценка для каждого ИИ-решения (например, применимость, потенциальный эффект, наличие данных).

3. Выбор: выбор из приоритизированных ИИ-решений на основании внутренних ограничений и потребностей.

4. Развертывание: принятие решения о покупке или разработке выбранных ИИ-решений, в том числе с учетом скорости развития ИИ.

5. Адаптация и управление: изменение бизнес-процессов, обучение персонала, контроль качества решений и прозрачности.

Прохождение всех пяти шагов не означает, что искусственный интеллект сразу сможет заменить сотрудника и самостоятельно выполнять какой-либо процесс — это зависит от сложности внедряемого инструмента. Главное, что получит компания — новый рычаг повышения операционной эффективности.

Уровни зрелости и темпы цифровизации

В РФ контур зрелости компаний для внедрения инструментов неоднозначен, как и сама оценка зрелости:

• Компании с высоким уровнем цифровизации: уже внедрившие ИИ-решения в процессы и/или выпускающие решения ИИ на рынок. При текущей скорости развития технологий завершат процесс полной цифровизации за 2–5 лет.

• Большинство крупных игроков горного сектора: только вступающие на путь внедрения ИИ. При реалистичном сценарии потребуется 5–10 лет, чтобы пройти от решений-пилотов к устойчивой корпоративной платформе.

Внедрение искусственного интеллекта — не одноразовое упражнение. При покупке решения либо его самостоятельной разработке следует предполагать дальнейшее обновление технологии в среднем раз в 1–3 года. Это означает, что практически сразу после внедрения инструмента в процесс следует повторять цикл инициации. Ввиду стремительного развития ИИ необходимо выстраивание процесса регулярного анализа рынка для поиска актуальных решений с возможностью полного переразвертывания (re-deployment) существующих систем.

Эволюция генерации изображений (пример скорости развития ИИ)

Внедрение искусственного интеллекта в ГМК в 2025 году

В 2024 году компании из сектора горной металлургии во всем мире потратили от 4 до 6 млрд долларов на ИИ-инструменты, однако сейчас окупается меньше 5% решений, интегрируемых в горнодобывающие предприятия. Ведущие аналитические агентства (например, Gartner) прогнозируют отмену 40% проектов агентного искусственного интеллекта к концу 2027 года из-за роста затрат, отсутствия пользы или слабого управления рисками.

Ключевые барьеры и ограничения

1. Отсутствие сквозного эффекта: ИИ-решения, доказавшие эффективность на отдельных участках, не обеспечивают совокупный эффект на всей цепочке создания стоимости.

2. Роль человека: Говорить о полной замене человека в процессах преждевременно. Для принятия узкоспециализированных решений требуется не только спектр базовых знаний, но и понимание того, в какой момент их следует «соединить». ИИ самостоятельно не обладает человеческим опытом и гибкостью мышления.

3. Накопление навыков: Согласно исследованиям (Skill dependencies, Nature Human Behaviour, 2025), человек накапливает навыки слой за слоем. ИИ «побеждает» в скорости, однако не умеет выстраивать модели поведения в непредвиденных ситуациях или при отклонении от нормы.

4. Риски: В тяжелой промышленности ошибки ИИ могут привести к экологическому урону, трудностям извлечения залежей и потере человеческих жизней.

Многие проекты агентного ИИ на данный момент представляют собой эксперименты ранней стадии или «переупаковку» старых решений с хорошим маркетингом. Чтобы получить реальную отдачу, организации должны сосредоточиться на производительности предприятия в целом, а не только на выполнении отдельных задач.

Альтернативные пути автоматизации в процессах

Помимо ИИ, компании продолжают вкладывать усилия в роботизацию последовательных процессов, построенных на строго заданных алгоритмах — RPA (Robotic Process Automation).

RPA — Роботизированная автоматизация процессов

Наиболее эффективные примеры использования сегодня — автоматизация документооборота в HR, закупках, финансах и корпоративном управлении. Программные роботы выполняют рутинные задачи (обработка входящих документов, отчетность МСФО, автопостинг в SAP, сверка накладных) почти без участия человека.

Примеры эффективности RPA в России:

• Газпромнефть: автоматизировано свыше 100 финансовых и закупочных процессов, высвобождено 200+ FTE.

• ОМК (Объединенная металлургическая корпорация): автоматизация 75+ процессов бухучета высвободила 85+ FTE и экономит дополнительно 100+ млн рублей в год.

• Алроса: свыше 50 тысяч операций с 2023 года выполняют программные роботы.

Заключение

Сейчас для горнодобывающих компаний искусственный интеллект не является панацеей. Решения в отдельных процессах могут давать эффект до ~5% сокращения затрат (например, в логистике). Однако встраивание агентов в старые системы сопряжено с большими затратами и высокими рисками.

Случаи полноценной автоматизации всего процесса «от карьера до клиента» пока не зафиксированы. Успех зависит от системного подхода:

• Лидеры отрасли (прошедшие этапы инициации и выбора) смогут завершить масштабирование через 2–5 лет.

• Компании на начальном этапе — через 5+ лет.

ИИ станет катализатором перемен в горнодобывающей индустрии, но его успех зависит от грамотного точечного применения технологий.

Авторы исследования

Алексей Грошев

Партнер alexey.groshev@atkconsulting.ru

Виктор Сурков

Партнер viktor.surkov@atkconsulting.ru

Антон Базанин

Директор проектов anton.bazanin@atkconsulting.ru

Ада Бухарова

Консультант alexandra.buharova@atkconsulting.ru

Контакты:

info@atkconsulting.ru +7 495 477-84-84 atkconsulting.ru г. Москва, Павелецкая площадь дом 2, строение 2