AI Agent постепенно внедряются в инженерное проектирование и производственные процессы, однако их успешное внедрение сталкивается с серьёзными препятствиями. Согласно исследованию Google Cloud, в котором участвовали более 1400 IT-руководителей, 83% компаний считают, что для развёртывания production-grade AI Agent нужно модернизировать существующую инфраструктуру. При этом 79% называют главными препятствиями вопросы безопасности и MLOps.
Ram Dhiwakar Seetharaman, ответственный за AI в компании Synera AI, на страницах Forbes поделился опытом внедрения AI Agent в производстве. Он отмечает, что ограничения связаны не столько с возможностями моделей, сколько с инженерным ПО, данными и рабочими процессами. Многие инженерные системы (например, CAD, CAE, PLM) изначально разрабатывались для работы человека, а не AI Agent. Так, программы вроде CATIA, SolidWorks, NX предполагали, что работу выполняет инженер, а затем передаёт задачу коллеге — человек остаётся ключевым звеном в цепочке процессов.
Даже если современные AI Agent способны планировать задачи, разбивать проблемы на подзадачи и вести длительные рассуждения, они не всегда могут взаимодействовать с инженерными инструментами. Некоторые системы предоставляют API, но эти интерфейсы создавались для разработки внешних приложений, а не для продолжительного и частого взаимодействия с AI. По мнению Seetharaman, если AI не может стабильно вызывать инструменты, выполнять операции и получать обратную связь, он остаётся лишь «разбирающимся в инженерии чат‑ботом», а не полноценным участником производственного процесса.
Не все этапы инженерного процесса стоит отдавать на откуп AI. Например, хотя LLM способны читать RFQ (Request for Quotation) и преобразовывать их в параметры проектирования, анализировать результаты моделирования или сравнивать варианты дизайна, ключевые инженерные вычисления (например, работа геометрического ядра, CAE Solver, управление версиями продукта) должны оставаться в рамках детерминированных, проверяемых процессов. Seetharaman подчёркивает: важно чётко определить, какие задачи доверить модели, а какие оставить в ведении существующих инженерных систем. Это снижает риски галлюцинаций и ошибок.
В производстве именно рабочий процесс (workflow) контролирует ход работ, а AI выступает как один из инструментов, а не как управляющий элемент. Например, в процессе обработки RFQ для Airbus компания смогла сократить время выполнения с 50 часов до 7 минут — за счёт того, что AI отвечал только за те этапы, где он наиболее эффективен, при этом сохранялись необходимые проверки и контроль качества.
Чтобы AI Agent действительно вошёл в производственную среду, важно добиться доверия со стороны инженеров. Внедрение следует начинать с низко рискованных задач (например, упорядочивания документов или преобразования данных), постепенно расширяя зону ответственности AI. При этом необходимо сохранять аудит, прослеживаемость и объяснимость решений AI — чтобы каждое его действие можно было проверить и проанализировать.
Подписаться в Макс
