От производства к энергетике: применение стратегии Physical AI во всем портфеле

За последние два года производители научились переводить Physical AI из стадии пилотных проектов в промышленную эксплуатацию. Энергетические и коммунальные компании сейчас находятся на той же стартовой линии. Они сталкиваются с давлением спроса на уровне энергосистем и имеют возможность избежать дорогостоящих ошибок, сразу перейдя к тому, что работает.

Ранее в этом году я писал о том, как Agentic AI, Physical AI и суверенный ИИ объединяются, чтобы изменить производственные площадки. Сеть Global Lighthouse Network Всемирного экономического форума, которая сейчас охватывает 238 самых передовых промышленных объектов мира, показала, что наиболее успешные трансформации сочетают в себе несколько технологических доменов, а не внедряют их изолированно. Этот вывод сегодня важен как никогда. Вопрос, который я чаще всего слышу от руководителей энергетических и производственных компаний, прост: работает ли та же стратегия по другую сторону баррикад — в энергосетях, трубопроводных сетях и на подстанциях?

Короткий ответ: да, но с важными корректировками. Архитектура может быть перенесена, но приоритеты должны измениться. И время сейчас не терпит отлагательств. В прогнозе развития электроэнергетики и коммунальных услуг на 2026 год от ведущей консалтинговой фирмы говорится, что пиковый спрос на электроэнергию в США вырастет примерно на 26% к 2035 году, причем нагрузка только от центров обработки данных может достичь 176 гигаватт, что примерно в пять раз превышает уровень 2024 года. Энергосистемы должны справиться с этим ростом в процессе модернизации, и ни один серьезный план не может обойтись без ИИ.

26%

Прогнозируемый рост пикового спроса на электроэнергию в США к 2035 году (отчет ведущей консалтинговой фирмы, 2026 г.)

238

Объектов в сети WEF Global Lighthouse Network (2026 г.)

65%

Доля промышленных ИИ-агентов, которые будут находиться в эксплуатации к 2030 году, по сравнению с 3% сегодня

Одна модель зрелости, два разных пункта назначения

Трехэтапный путь, который я описал для производства, в равной степени применим к энергетике и коммунальным услугам: сначала цифровая прозрачность, затем предиктивная аналитика, а затем автономные действия. Разница заключается в том, что именно требуется от автономности.

На заводе автономность служит повышению пропускной способности, качества и выхода продукции. В энергетике и коммунальном секторе она находится гораздо ближе к ядру бизнеса: поддержанию стабильности сети, целостности трубопроводов и обеспечению электроэнергией сообществ, где недопустимы простои. Производственное предприятие может пережить кратковременную остановку линии. Подстанция или компрессорная станция не могут пережить аналогичный сбой без каскадных последствий.

Исследования подтверждают это. В цикле хайпа Gartner 2026 года для Physical AI описывается «барьер доверия» в отраслях с высокой капиталоемкостью активов. Прогнозируется, что к концу десятилетия использование промышленных ИИ-агентов в производстве резко возрастет, однако операторы по-прежнему оставляют за людьми и детерминированными системами контроль над физическими исполнительными механизмами. На данный момент агенты в основном выполняют консультативные функции и работают в режиме «только чтение».

Это должно определять то, как каждый руководитель в энергетике и коммунальном секторе выстраивает инвестиции. Первый вопрос заключается в том, где ИИ может ошибиться с наименьшим риском. Мониторинг сетей, инспекция подстанций, проверка целостности трубопроводов и диспетчеризация выездных бригад — естественные кандидаты для начала. Они усиливают человеческое суждение в отношении распределенных и труднодоступных активов, не передавая автономное управление в критически важные процессы с первого дня.

Где стратегия Physical AI должна стать гибкой

Выделяются три различия при применении уроков производства к энергетике.

• Распределение активов: Завод — это ограниченная, оснащенная датчиками среда. Коммунальная сеть охватывает тысячи миль распределенных, стареющих и часто неконтролируемых активов. Стратегии периферийных вычислений и связи должны быть рассчитаны на прерывистые соединения, а не строиться на предположении, что все всегда находится онлайн.
• Регуляторные требования: Энергетика и коммунальные услуги сталкиваются с гораздо большим количеством норм безопасности, экологических требований и стандартов надежности сети, чем большинство дискретных производств. Каждая автономная рекомендация требует аудиторского следа, который примет регулятор.
• Последствия ошибки: Пропущенный дефект на производственной линии — это издержки качества. Пропущенная аномалия на критически важной энергетической инфраструктуре — это событие, затрагивающее безопасность и общественное доверие. Планка допустимой точности здесь просто выше.

Эти опасения реальны. Исследование устойчивости коммунальных служб показало, что расходы на устранение отключений у потребителей достигли примерно 121 миллиарда долларов за один недавний год, что почти вдвое превышает семилетнее среднее значение, даже несмотря на то, что коммунальные предприятия увеличили расходы на передовые технологии обеспечения устойчивости на 38% за два года. То же исследование показало, что главным препятствием для масштабирования ИИ и геопространственной аналитики в коммунальных операциях была не технология. Это были разрозненные данные и устаревшие системы, которые блокируют внедрение на уровне предприятия.

Опрос IDC 2026 года по технологиям и инновациям в энергетике и коммунальном секторе, охвативший более 500 коммунальных предприятий по всему миру, приходит к аналогичному выводу с другой стороны. У коммунальных служб много амбиций. Чего им не хватает, так это архитектуры данных, талантов и организационной готовности для превращения пилотных проектов в промышленную эксплуатацию. Общая архитектура Physical AI разработана именно для того, чтобы устранить этот разрыв.

Все это не означает, что руководители энергетических и коммунальных компаний должны действовать медленнее, чем производители. Им следует действовать обдуманно, выстраивая последовательность вариантов использования в зависимости от рисков и последствий, а не от того, какая демонстрация больше впечатлит совет директоров.

Аргументы в пользу одной архитектуры, а не двух

Более весомый аргумент, который я напрямую привожу клиентам, заключается в том, что производственным и энергетическим организациям следует избегать создания двух отдельных стеков Physical AI только потому, что их активы выглядят по-разному.

Базовая архитектура одинакова, будь то штамповочный пресс или трансформатор подстанции: периферийные вычисления, компьютерное зрение, сенсорная интеграция, цифровые двойники и уровень оркестрации, позволяющий агентам воздействовать на физические активы. Создать это один раз и настроить дважды стоит гораздо дешевле, чем создавать дважды с нуля. Это также дает диверсифицированному промышленному предприятию единую точку управления для ИИ, воздействующего на физическую инфраструктуру. Этот вопрос управления — то, о чем начинает спрашивать каждый совет директоров: кто несет ответственность, когда автономная система принимает решение относительно физического актива, и как это решение проверяется?

Заводы и энергосети, которые справятся с этим правильно, будут не теми, у кого самая продвинутая модель. Это будут те, у кого есть самый четкий ответ на вопрос: «кто доверяет этой системе и почему?»

Что клиенты продолжают нам говорить

В беседах с руководителями энергетических и производственных компаний в этом году постоянно всплывает одно напряжение. Лидеры воодушевлены тем, что возможно, и в то же время твердо убеждены, что автономность не является самоцелью. Безопасность, надежность и время безотказной работы — вот бизнес-императивы. Автономность — это один из способов их достижения, и только там, где позволяет профиль риска.

Вот почему я считаю, что целью любой промышленной или энергетической организации должно быть «больше доверия», а не «больше автономности». Если оператор диспетчерской или полевой техник не может поставить под сомнение, объяснить или отменить рекомендацию, он не примет ее, какой бы точной ни была модель. Объяснимость — это то, как происходит принятие, а не функция, добавленная в конце.

Как HCLTech может помочь превратить стратегию в операционную реальность

Клиентам не нужно еще одно точечное решение на базе ИИ. Им нужно объединение инженерных систем, операционных технологий, корпоративных данных и ИИ в управляемый процесс, который обеспечивает путь от визуализации до прогнозирования и, если это оправдано рисками, до поддержки принятия решений. HCLTech помогает клиентам выстроить этот путь на трех уровнях.

• Создайте надежный фундамент данных и активов. Объедините операционные, геопространственные, эксплуатационные и корпоративные данные. Подключите распределенные активы с помощью технологий периферийных вычислений (edge) и IoT, а также создайте цифровые двойники критически важного оборудования. Это обеспечит ИИ контекстом, необходимым для поддержки решений на заводах, в энергосетях, на подстанциях, трубопроводах и производственных объектах.
• Индустриализируйте высокоценные сценарии использования с участием человека. Для коммунальных предприятий это предиктивное управление состоянием активов, прогнозирование отключений и восстановление электроснабжения, аналитика «умных» счетчиков, выявление коммерческих потерь, анализ изображений и геопространственных данных, а также полевое обслуживание с поддержкой ИИ. Для нефтегазовой отрасли это управление целостностью активов, предиктивное техническое обслуживание, мониторинг трубопроводов и объектов, интеллектуальное отслеживание активов, цифровые двойники и безопасность персонала. Принцип проектирования в обоих случаях одинаков: сначала расширять возможности операторов и автоматизировать только тогда, когда средства контроля, доказательная база и уверенность в работе системы достигли зрелости.
• Масштабируйте с помощью управления, встроенного в архитектуру. Внедрите объяснимость, права принятия решений на основе ролей, кибербезопасность, мониторинг моделей и проверяемые рабочие процессы на уровне оркестрации. Затем HCLTech помогает перевести проверенные сценарии использования за рамки пилотных проектов посредством инженерно-ориентированной трансформации, интеграции платформ и управляемых операций, не создавая отдельную модель управления для каждого класса активов.

Для коммунального предприятия такой путь может связать модели состояния активов с прогнозированием отключений, диспетчеризацией бригад и рабочими процессами восстановления. Для оператора нефтегазовой отрасли это может связать данные датчиков и инспекций с рисками целостности, планированием технического обслуживания и выполнением работ на местах. В обоих случаях ценность заключается в замыкании цикла между инсайтами и операционным реагированием при сохранении ответственности людей за решения с высокими последствиями.

С чего начать: практическая последовательность действий

Для руководителей в сфере энергетики и производства, обдумывающих свои следующие шаги, эта последовательность из четырех этапов отражает то, что эффективно работает в наших клиентских программах и на промышленных объектах, охваченных исследованием в этом году.

Четырехэтапная структура для внедрения Physical AI в производстве и энергетике

• Сформируйте единую архитектуру для всего портфеля. Проведите инвентаризацию возможностей периферийных вычислений, данных, компьютерного зрения и оркестрации, которые уже финансируются отдельно в производстве и энергетике. Консолидируйте их в единую эталонную архитектуру, прежде чем любая из сторон приобретет еще одно точечное решение.
• Выстраивайте последовательность сценариев использования по степени тяжести ошибки, а не по заметности. Ранжируйте кандидатов по тому, что произойдет, если модель ошибется, а не по тому, какая команда громче заявляет о себе или какая демонстрация наиболее впечатляющая. Начинайте там, где ИИ может ошибаться без критических последствий: сценарии мониторинга, инспекции и консультирования на распределенных активах.
• Создайте аудиторский след до того, как он вам понадобится. Для каждой автономной или полуавтономной рекомендации заранее определите, кто ее проверяет, как часто и какие доказательства ожидает увидеть регулятор или аудитор по безопасности. Внедрять управление после развертывания системы гораздо сложнее.
• Проектируйте для оператора, а не только для модели. Каждый сценарий использования Physical AI должен уметь объяснить своими словами, понятными оператору на передовой, почему его рекомендации можно доверять. Если он не может этого сделать, он не готов к масштабированию, независимо от точности.

Организации, которые добросовестно пройдут эту последовательность, будут двигаться быстрее в течение следующих восемнадцати месяцев, чем те, кто гонится за самыми сложными пилотными проектами. Методология Physical AI применима как в производстве, так и в энергетике. Что не передается автоматически, так это дисциплина выстраивать последовательность по уровню риска, внедрять управление один раз и завоевывать доверие с каждым принятым решением.

Давайте продолжим обсуждение

Если ваша организация решает, как выстроить инвестиции в Physical AI для производственных, коммунальных или нефтегазовых активов, HCLTech может помочь. Мы оцениваем готовность портфеля, приоритизируем сценарии использования по ценности и последствиям ошибок, определяем общую архитектуру периферийных вычислений, данных и ИИ, а также внедряем управление, необходимое для масштабирования. Работа начинается с фокусной дорожной карты, которая связывает надежность активов, производительность труда, безопасность и устойчивость с измеримыми операционными результатами.

Источники: World Economic Forum, Global Lighthouse Network: Rewiring Operations for Resilience and Impact at Scale (2026); Gartner, Hype Cycle for Physical AI (2026) и 2026 Magic Quadrant for Global Industrial AIoT Platforms; Deloitte, 2026 Power and Utilities Industry Outlook и From Silos to Synergy: How Utilities Are Integrating AI and Geospatial Intelligence for Resilience (2026); IDC, Energy and Utilities Industry-Specific Tech and Innovation Survey (2026); HCLTech, Energy and Utilities Industry Solutions; HCLTech, Data & AI for Utilities; HCLTech, Oil and Gas Technology Solutions; HCLTech, Engineering Excellence for Oil and Gas Operations.