Группа G методики АЦТ: 16 технологий, которые превращают процессы и данные в результат

В предыдущих материалах серии разобраны группа A «Операционное превосходство», группа B «Управление проектами и процессами», группа C «Люди и культура», группа D «Клиенты и рынок», группа E «Стратегия и инновации» и группа F «Логистика и цепочки поставок».

Когда на предприятии говорят «цифровая трансформация», обычно имеют в виду именно эту группу инструментов: искусственный интеллект, цифровые двойники, облака, машинное зрение, low-code. Технологии группы G «Цифровые технологии трансформации» заметнее остальных и охотнее всего финансируются. С ними же связано большинство разочарований.

Технология усиливает процесс, на который ее ставят. Если процесс выстроен, она усиливает результат. Если процесс работает с ошибками, она ускоряет выпуск брака и удорожает его. Машинное зрение на линии, где не определено, что считать дефектом, классифицирует отклонения по неясным критериям. Модель машинного обучения, обученная на противоречивых данных, выдает прогноз, на который нельзя опереться. Цифровой двойник процесса, который не описан, остается изображением без управленческой ценности.

Это подтверждается статистикой внедрений. По данным опроса крупнейших российских компаний, проведенного с декабря 2025 по февраль 2026 года, девять из десяти проектов по внедрению генеративного ИИ были свернуты или отложены, а до промышленной эксплуатации дошли 7–10% пилотов. При этом, по исследованию «Якова и партнеров» и Яндекса (декабрь 2025), 71% крупных компаний уже используют генеративный ИИ хотя бы в одной функции. Получается, что технологию пробуют почти все, однако измеримый эффект получают немногие. Различие между этими группами лежит не в выборе модели — модели у всех сопоставимые —, а в том, на какой процесс и на какие данные технологию поставили.

Группа G «Цифровые технологии трансформации» методики АЦТ описывает 16 инструментов и предлагает оценивать каждый по трем вопросам: какой процесс он усилит, на каких данных будет работать и какое решение поможет принять точнее. При такой постановке технология рассматривается через свою конкретную роль на предприятии, а не через новизну.

Что такое АЦТ — простыми словами

«Аккордная цифровая трансформация» — это методика Ассоциации цифровой трансформации, построенная на трех слоях:

Аккорд — связка из 2–5 инструментов разной природы, работающих синхронно. У каждого инструмента есть уникальный код: G1-03 — Системы управления производственными процессами (APS/MES), G2-02 — Цифровой двойник, G2-04 — Искусственный интеллект (AI/ML), G2-05 — ИИ-агенты, G4-01 — low-code-платформа.

Где проходит граница группы G с предыдущими

У каждой из первых шести групп серии своя зона ответственности: «Операционное превосходство» (A) держит производственный ритм, «Управление проектами и процессами» (B) задает правила взаимодействия, «Люди и культура» (C) отвечает за вовлеченность команд, «Клиенты и рынок» (D) удерживает фокус на спросе, «Стратегия и инновации» (E) определяет направление развития, «Логистика и цепочки поставок» (F) обеспечивает непрерывность потоков. Их можно выстроить в один ряд, и каждая займет свое место.

Группа G находится уровнем ниже и обеспечивает работу остальных групп. Технологии группы G питают предыдущие данными и вычислительной основой:

• MES (G1-03) дает группе A данные реального времени о том, что происходит на станках. Без них OEE, SPC и предиктивное обслуживание считаются вручную и с опозданием.
• CRM (G3-02) — техническая основа всей группы D: воронки, клиентские данные и сегментация хранятся и обрабатываются здесь.
• Искусственный интеллект (G2-04) усиливает стратегическую функцию группы E: там, где решения раньше готовились на основе презентаций, появляется анализ данных.
• Облачные вычисления (G3-01) и управление мастер-данными (G3-03) — инфраструктура, на которой работает аналитика группы H.
• Цифровой двойник (G2-02) превращает данные датчиков предиктивного обслуживания (A5-03) в прогнозную модель оборудования.

Если продолжить оркестровую логику методики, где каждая группа отвечает за свой инструмент, группа G — это синтезатор. Он не ведет собственную мелодию, но способен усилить и расширить звучание любой секции, с которой соединен: добавить громкости струнным, подложить бас под духовые, связать классическую часть оркестра с современной.

Цифровые технологии работают так же: они подключаются к операционной, клиентской или логистической функции и повышают ее отдачу, оставаясь усилителем, а не самостоятельной мелодией. И так же, как синтезатор без партитуры и остальных музыкантов выдает лишь набор звуков, технология без процесса и данных под ней не дает результата.

Сильные аккорды в других группах в какой-то момент берут инструмент из G. Это видно по матрицам зрелости предыдущих статей: верхние уровни, «Квартет» и «Симфония», содержат G2-05 (ИИ-агенты), G2-02 (двойники), G2-04 (ИИ). Группа G отделяет бизнес, который управляется вручную, от бизнеса, который управляется данными.

Архитектура методики: 11 групп и 211 инструментов

В группе G собраны и базовые системы, и самые сложные инструменты методики. Разброс по освоению значительный: от 24 часов на low-code-платформу до 66 часов на ИИ-агентов.

Как это выглядит на практике

За формулировкой «мы внедряем ИИ» у разных предприятий стоят разные истории. Полезнее смотреть не на технологию как таковую, а на то, какой процесс она усилила и за счет чего дала эффект.

Северсталь: машинное зрение на участке, где качество уже определено. На непрерывно-травильном агрегате Череповецкого комбината работает модель компьютерного зрения VERA собственной разработки: она находит и классифицирует дефекты проката по изображениям с камер. Качество модели измеряют двумя метриками ошибок — «перебраковка» (модель путает типы дефектов) и «недобраковка» (модель не замечает дефект). VERA достигла уровней 12% и 14% против более 30% и 15% у рыночных аналогов.

На «Стане 2000» (агрегат горячей прокатки, где число означает ширину полосы металла в миллиметрах) объем претензий клиентов по дефектам поверхности снизился в 1,5 раза за 2022 год к уровню 2021-го, а после масштабирования решения на непрерывно-травильный агрегат НТА-3 сократился за год в 4,8 раза.

Модель встроена в программу, в которую компания, по данным на ноябрь 2024 года, вложила около 1,5 млрд рублей за семь лет: с единым хранилищем данных, привязкой каждого измерения к конкретному метру металла и интеграцией в АСУ ТП. В терминах методики это связка инструментов G2-04 Искусственный интеллект (AI/ML) и G2-01 Аналитика больших данных (Big Data Analytics) поверх выстроенного процессов контроля качества из группы A.

Газпром нефть: цифровой двойник как способ собрать данные в один контур. На месторождении имени Александра Жагрина в 2021 году создан цифровой двойник, который обрабатывает большие массивы данных и предлагает решения по режимам добычи. Управляет им кросс-функциональная команда Центра управления добычей «Газпромнефть-Хантос».

Просчитав более 20 сценариев развития актива, компания оценила экономический эффект от использования модели в сумму более 1 млрд рублей. Двойник собирает в единую модель данные, которые прежде хранились в разных системах: добычу, транспортировку, поддержание пластового давления, подготовку нефти.

Технология распространяется по отрасли: по данным НИУ ВШЭ (опрос июнь–сентябрь 2024 года, 353 респондента из 15 секторов), цифровые двойники применяли почти 22% крупных компаний, еще 34% планировали внедрение. В методике это инструменты G2-02 Цифровой двойник (Digital Twin) и G3-01 Облачные вычисления (Cloud Computing), которые работают за счет данных и описанных процессов под ними.

Генеративный ИИ: одна технология, противоположные результаты. Генеративный ИИ (G2-03) сегодня пробуют 71% крупных компаний. При этом девять из десяти проектов сворачиваются или замораживаются, до промышленной эксплуатации доходят 7–10%. У предприятий, доведших внедрение до системного уровня, вклад ИИ оценивают до 8% EBITDA. Одна технология приносит одним измеримый эффект, а другим — списанный бюджет. Результат определяется не моделью, а тем, был ли под ней реальный процесс и пригодные данные.

Эти примеры показывают разные входы в одну группу: металлург начинает с контроля качества, нефтяная компания — со сборки данных месторождения, другие предприятия — с автоматизации текста и поддержки. Общее в них то, что технология сработала там, где сначала упорядочили процесс и данные.

16 инструментов группы G в четырех подгруппах

G1 — Производственные системы

Подгруппа отвечает за цифровое ядро производства: проектирование, жизненный цикл изделия и управление цехом. Все три инструмента сложные в освоении, поскольку встраиваются в тело производства.

G1-01. Автоматизированные системы управления производством (CAM). Комплекс программных и аппаратных средств, который собирает, обрабатывает и хранит информацию для управленческих решений на производстве, автоматизирует процессы и сокращает простои. Без него данные с производства собираются вручную и с задержкой.

G1-02. Управление жизненным циклом продукции (PLM). Стратегический подход, объединяющий данные, процессы и людей на протяжении всей жизни продукта — от идеи до утилизации. Задача PLM в том, чтобы информация о продукте оставалась согласованной и полной на каждом этапе и не пересобиралась заново при переходе между подразделениями.

G1-03. Системы управления производственными процессами (APS/MES). Две связанные системы. APS отвечает за продвинутое планирование и расписание производства: оптимальные планы, анализ сценариев «что если», управление запасами. MES управляет процессами на уровне цеха — контролирует операции, собирает данные, отвечает за прослеживаемость и качество. MES чаще всего становится той точкой, через которую данные производства поступают в остальные группы методики.

G2 — Искусственный интеллект и аналитика

Самая сложная подгруппа группы G по освоению и по требованиям к зрелости. Четыре из пяти инструментов имеют статус «очень сложный». Здесь сосредоточена основная доля как реальных эффектов, так и провалов.

G2-01. Аналитика больших данных (Big Data Analytics). Работа с массивами, которые описываются «тремя V»: объем (Volume), скорость поступления (Velocity), многообразие (Variety). В отличие от традиционной аналитики, выявляет скрытые закономерности и корреляции, которые не видны при ручном разборе. Без нее остальным инструментам G2 не на чем работать.

G2-02.Цифровой двойник (Digital Twin). Виртуальная копия объекта или процесса, имитирующая реальные условия. Состоит из двух частей: «цифровой тени» — данные с датчиков — и математической модели, воспроизводящей поведение оригинала. Позволяет проигрывать сценарии до принятия решения в реальности. Без данных «тень» остается пустой, без модели двойник сводится к дашборду.

G2-03. Генеративный ИИ (Generative AI). В отличие от моделей, работающих по заданным алгоритмам, создает контент — текст, речь, изображения, код. Применяется в обслуживании клиентов, продажах, маркетинге, аналитике. С этим инструментом сейчас связано больше всего и ожиданий, и невыполненных проектов.

G2-04. Искусственный интеллект (AI/ML). AI автоматизирует задачи, требующие понимания, логики, анализа и принятия решений. ML — метод внутри AI, при котором алгоритмы находят закономерности в данных без явных инструкций: учатся, прогнозируют, адаптируются. На этом инструменте держатся машинное зрение, прогнозные модели и оптимизация режимов в промышленности.

G2-05. ИИ-агенты (AI Agents). Автономные системы, которые воспринимают окружение, анализируют информацию, самостоятельно планируют последовательность действий и выполняют задачи ради заданной цели. Опираются на машинное обучение и обработку естественного языка. Самый сложный инструмент группы; методика выводит на него предприятия уровня «Симфония».

G3 — Инфраструктура и данные

Подгруппа отвечает за основание, на котором держится остальное: где выполняются вычисления, где хранятся клиентские и мастер-данные, как ими управляют. Здесь же расположен самый легкий вход в группу.

G3-01. Облачные вычисления (Cloud Computing). Аренда вычислительных ресурсов — серверов, хранилищ, ПО — через интернет вместо содержания собственной инфраструктуры. Самый простой по освоению инструмент группы, 28 часов, средний уровень сложности. Частая точка входа в цифровизацию.

G3-02. Управление взаимоотношениями с клиентами (CRM). Система для работы с клиентами: сбор и хранение данных, автоматизация рутины, воронка продаж, аналитика, интеграция с другими сервисами. Техническая основа группы D «Клиенты и рынок».

G3-03. Системы управления мастер-данными (MDM). Централизованное управление ключевыми данными организации — о клиентах, поставщиках, товарах, сотрудниках. В России это нормативно-справочная информация (НСИ). Без единых мастер-данных аналитика собирает противоречивые цифры из разных систем.

G3-04. Блокчейн (Blockchain). Распределенный реестр без единого центра управления. Дает прозрачность (транзакции видны участникам), безопасность (криптографическая защита от подделки) и снижение издержек там, где важно доверие между сторонами.

G3-05. Управление бизнес-системами (Business System Management). Комплексный процесс оптимизации текущих операций: анализ состояния, стратегическое планирование, внедрение изменений, мониторинг результатов. Связывает технологический слой с управленческим.

G4 — Разработка и инновации

Подгруппа отвечает за быстрое создание и адаптацию решений без больших команд разработчиков. Два из трех инструментов — самые легкие в группе, и с них удобно начинать небольшим предприятиям.

G4-01. Low-code-платформа (Low-code Platform). Создание приложений с минимальным участием разработчиков за счет готовых модулей и визуальной среды. При дефиците ИТ-кадров и сжатых сроках импортозамещения это способ закрывать задачи силами бизнес-подразделений.

G4-02. Решения с открытым исходным кодом (Open-source). Решения с открытым кодом: свободное использование, активное сообщество, которое находит ошибки и развивает функциональность. Позволяет экономить ресурсы и быстрее адаптироваться, не привязываясь к одному вендору.

G4-03. Дополненная реальность (AR). Дополняет физический мир цифровыми объектами. В промышленности применяется, например, для оценки состояния оборудования: параметры с датчиков выводятся на экран при наведении камеры на объект.

Пять аккордов под пять типовых проблем

🎯 Аккорд 1. Низкий уровень автоматизации производства

Проблема. Часть оборудования новая и подключена к системам, Часть оборудования новая и подключена к системам, но значительная доля станков и рабочих участков видна только мастеру с блокнотом. План собирается из устных сводок, фактическую загрузку никто не знает в реальном времени, решения принимаются по вчерашним данным. Любая попытка оптимизации упирается в отсутствие цифр, на которые можно опереться.

Решение:

— G1-03. APS/MES дает данные с цеха в реальном времени: что работает, что простаивает, в каком объеме и по какой причине.

— G1-01. CAM автоматизирует производственные операции и подачу управленческой информации, сокращая ручной сбор.

— G3-01. Облачные вычисления снимают вопрос инфраструктуры: для начала сбора и хранения производственных данных не нужно строить собственный дата-центр.

🎯 Аккорд 2. Отсутствие данных реального времени

Проблема. Данные на предприятии есть, но поступают с задержкой и из разных источников, которые не стыкуются между собой. Финансы считают по одним цифрам, производство — по другим, склад — по третьим. К моменту, когда отчет собран, ситуация уже изменилась, и управление сводится к реакции на вчерашние проблемы.

Решение:

— G2-01. Аналитика больших данных обрабатывает потоки разной природы и скорости и находит в них то, что не видно в ручных отчетах.

— G3-03. MDM наводит порядок в мастер-данных: одна версия сведений о клиентах, материалах и оборудовании вместо нескольких противоречащих.

— G3-05. Управление бизнес-системами связывает разрозненные системы в управляемый контур.

Усиление кросс-группой. Аккорд продолжается в группу H «Данные и аналитика»: обработка данных в реальном времени (H3-01) и прогнозная аналитика (H2-03) превращают собранные данные в основу для решений. Группа G дает инфраструктуру, группа H извлекает из нее выводы.

🎯 Аккорд 3. Сложности с моделированием процессов

Проблема. Предприятию нужно проверить решение до того, как тратить на него деньги: что произойдет при смене режима работы, перестановке оборудования, изменении графика. Проверять не на чем, остается рисковать на реальном производстве или полагаться на оценку специалистов. Дорогие ошибки выясняются после того, как их совершили.

Решение:

— G2-02. Цифровой двойник дает виртуальную копию, на которой сценарии проигрываются без риска для реального производства.

— G2-04. AI/ML добавляет двойнику прогнозную силу: модель не только отражает текущее состояние, но и предсказывает поведение объекта.

— G1-02. PLM держит в порядке данные о продукте на всех этапах, без которых модель остается неполной.

Усиление кросс-группой. Двойник раскрывается в связке с предиктивным обслуживанием (A5-03) из группы A: набор датчиков превращается в прогнозную модель оборудования, которая предупреждает об отказе до его наступления. По такому принципу работает кейс цифрового месторождения, где двойник собирает данные актива в единый контур решений.

🎯 Аккорд 4. Низкая эффективность ИИ-решений

Проблема. ИИ внедрили, бюджет потратили, но ожидаемого эффекта нет. Модель работает и выдает результаты, но они либо недостаточно точны, либо ими не пользуются. Возникает соблазн отнести причину к незрелости технологии и закрыть проект; так и происходит с девятью из десяти пилотов.

Решение. Этот аккорд устроен иначе остальных. Корень проблемы почти никогда не в самой модели, поэтому собирать нужно не дополнительный ИИ, а основу под него.

— G2-01. Аналитика больших данных и G3-03. MDM отвечают на первый вопрос: на каких данных учится модель. Неполные и противоречивые данные дают уверенно неверный результат.

— G2-04. AI/ML подбирается под конкретную задачу, а не внедряется без определенной цели: нужно понимать, какое именно решение модель должна улучшить.

Корень проблемы чаще лежит в группе A: процесс, который автоматизируют, должен быть описан и стабилизирован до внедрения модели. ИИ на неописанном процессе повышает его нестабильность.

Это и есть основной вывод по генеративному ИИ 2025–2026 годов: технология сопоставима у всех, эффект получают те, кто поставил ее на готовый процесс и пригодные данные. Порядок работы — сначала процесс и данные, затем модель.

🎯 Аккорд 5. Ограниченный доступ к облачным данным

Проблема. Данные изолированы в локальных системах отдельных подразделений или площадок. Сотрудник на удаленном участке не видит того, что видит центральный офис; новую аналитику невозможно развернуть из-за отсутствия мощностей и единого доступа. Каждое расширение упирается в инфраструктуру.

Решение:

— G3-01. Облачные вычисления дают доступ к данным и мощностям независимо от того, где находится сотрудник или площадка.

— G4-01. Low-code-платформа позволяет быстро собрать нужное приложение поверх этих данных силами самого подразделения, без очереди в ИТ.

— G4-03. Дополненная реальность доводит данные до места работы: оператор наводит камеру на оборудование и видит его параметры на экране.

Усиление кросс-группой. С открытием доступа к данным из облака вырастает цена ошибки в безопасности, поэтому аккорд дополняется инструментами группы I — облачной безопасностью и архитектурой нулевого доверия (Zero Trust). Открытый доступ без защиты повышает уязвимость предприятия.

Где находится ваше предприятие по матрице зрелости АЦТ

В методике АЦТ зрелость описывается через шесть уровней — от «Тишины» до «Симфонии». Для группы G эта шкала показывает состояние технологического контура: от ручного сбора данных до предприятия, которое пересчитывает решения автоматически.

Группа G определяет предельный уровень зрелости всего предприятия. Процессы в группах A–F можно совершенствовать долго, но без технологического контура они останутся ручными и не масштабируются. В матрицах зрелости всех предыдущих групп верхние уровни содержат инструменты G: на «Квартете» появляются ИИ-агенты (G2-05), на «Симфонии» — связка low-code и генеративного ИИ (G4-01 и G2-03). Группа G переводит бизнес из ручного управления в управление на данных.

Значительная часть российских средних и крупных промышленных предприятий находится на уровнях «Соло» и «Дуэт»: отдельные системы есть, что-то оцифровано, но единый технологический контур зачастую отсутствует. Системы не стыкуются, данные собираются вручную через сверки, каждый новый ИИ-проект начинается заново из-за отсутствия готовой основы. Главный переход проходит между «Дуэтом» и «Трио»: от набора несвязанных систем к сквозным данным, на которых строятся двойники и прогнозы.

Что можно сделать за ближайший месяц своими силами

1. Провести инвентаризацию систем и данных. Собрать в одну таблицу все системы предприятия — производственные, учетные, клиентские — и зафиксировать по каждой: какие данные хранит, кто отвечает, как стыкуется с остальными. Такой разбор обычно показывает, что главная проблема не в нехватке технологий, а в том, что имеющиеся не связаны между собой. До внедрения ИИ нужно понять, на каких данных он будет работать.
2. Выбрать один процесс для автоматизации. Не предприятие целиком, а конкретный участок с измеримой проблемой: линия с высоким браком, оборудование с частыми простоями, рутинная операция, требующая значительного времени. На одном процессе проще проверить логику, посчитать эффект и подготовить команду к следующим шагам. Подходят G1-03 (MES) для производства или G4-01 (low-code) для рутинных операций.
3. Оценить готовность данных под ИИ. Перед планированием ИИ-проекта проверить, есть ли под него пригодные данные: полные, согласованные, привязанные к объектам. Если данные разрознены и противоречивы, первым проектом должно стать упорядочивание мастер-данных (G3-03) и их сбора (G2-01), а не внедрение модели. Девять из десяти ИИ-проектов сворачиваются на стадии, когда данные оказываются не готовы.
4. Начать с легкого входа. В группе G разброс сложности почти трехкратный. Облачные вычисления (28 часов), low-code (24 часа) и open-source (26 часов) дают результат при умеренных вложениях, тогда как ИИ-агенты требуют 66 часов и зрелой основы. К сложным инструментам логично переходить, когда под них подготовлены процесс и данные.

Резюме

Главный вопрос группы G — не выбор технологий, которые сопоставимы у разных предприятий и доступны сегодня почти каждому. Вопрос в том, на какой процесс технологию ставят и на каких данных она работает. Северсталь и Газпром нефть получили эффект потому, что под модель были выстроены процесс и данные. Девять из десяти свернутых ИИ-проектов остановились из-за отсутствия этой основы, а не из-за технологии.

Цифровая трансформация не сводится только к группе G — она происходит, когда инструменты группы G ставят на здоровый процесс из групп A–F и обеспечивают данными из группы H. Синтезатор раскрывается только в составе оркестра, играющего по общей партитуре; в одиночку он остается набором возможностей без музыки. При этом условии технология перестает быть статьей расходов и начинает давать измеримый эффект.

В следующей статье серии разберем группу H «Данные и аналитика» — 10 инструментов, отвечающих за то, чем питается технологический контур группы G: управление данными, бизнес-аналитика, Process Mining, прогнозная аналитика и обработка данных в реальном времени.