Stas Dmitriyev | Industrial Ai

🔍 От автономного отеля — к Industrial AI

Одна из моих любимых книг — автобиография Ричарда Брэнсона «Теряя невинность». Брэнсон постоянно изучал, как устроены разные отрасли, и переносил удачные идеи из одного бизнеса в другой.

У Артура Хейли в романе «Колёса» есть похожий пример: автомобильная компания подсмотрела в гостиничном бизнесе принцип непрерывного сервиса и решила выдавать клиенту подменную машину, пока его автомобиль находится на СТО.

Иногда лучшая инновация для твоей отрасли уже давно работает в другой. Нужно только правильно её разглядеть.

🔍Вот свежий пример. В Китае Pudu Robotics готовит автономный отель на 44 номера, где роботы должны выполнять практически весь операционный цикл:

• встречать гостей и оформлять заселение;
• перевозить багаж;
• доставлять еду и напитки;
• убирать номера и общественные зоны;
• контролировать безопасность.

Но самое интересное здесь — не сами роботы. Робот с подносом уже давно никого особенно не пугает, разве что официанта.

Главная ставка сделана на единую платформу PuduAgent, которая координирует специализированные машины как одну операционную систему. Предыдущие роботизированные отели проваливались именно потому, что отдельные устройства плохо взаимодействовали и требовали постоянной помощи людей.

И здесь начинается прямая аналогия с Industrial AI.

На производстве тоже недостаточно отдельно поставить компьютерное зрение, робота, систему диспетчеризации и AI-чат. Экономический эффект появляется, когда они работают в едином контуре:

увидели ситуацию → поняли контекст → приняли допустимое решение → выполнили действие → измерили результат.

Автономный отель — это, по сути, небольшой завод гостеприимства. А его управляющая платформа — промышленная операционная система с роботами вместо оборудования.

Если эксперимент окажется успешным, главным продуктом Pudu будут не 44 номера. Им станет архитектура, которую можно тиражировать на тысячи отелей.

✈️ Для Industrial AI вывод тот же: настоящая ценность постепенно смещается от отдельных устройств и моделей к платформе, способной координировать весь производственный процесс.

Подробнее о проекте⁠

🔍Anthropic уже вышла на $65 млрд annualized revenue — с $9 млрд в конце прошлого года и главный драйвер бизнес пользователи

По данным Reuters, annual revenue run rate Anthropic к концу июля превысил $65 млрд. Ещё в мае показатель составлял $47 млрд, а в конце 2025 года — около $9 млрд. Компания передала новые цифры инвесторам на фоне подготовки к возможному IPO.

✈️Главным драйвером Reuters называет enterprise-направление и особенно Claude coding agent, который быстро распространяется среди разработчиков. Anthropic параллельно прогнозирует выручку порядка $190–200 млрд в 2028 году.

Это опять серьёзное подтверждение того, что AI agents могут быть самостоятельным огромным бизнесом. Пользователь платит не столько за «доступ к LLM», сколько за систему, которая действительно выполняет профессиональную работу — пишет и проверяет код, анализирует репозитории, взаимодействует с инструментами.

Наиболее ценный продукт — не чат с моделью, а агент которому можно поручить законченную операцию.

✈️ Где подсмотреть хороший дизайн

Иногда сделать сайт, приложение или презентацию технически проще, чем понять, как всё это должно выглядеть.

Открываешь пустой экран — и внезапно все дизайнерские идеи уходят на обед.

В таких случаях пригодится Recent Design⁠ — постоянно обновляемая коллекция интересных сайтов, интерфейсов, иллюстраций, 3D, типографики, иконок и экранов мобильных приложений.

Удобно выбрать несколько референсов, загрузить в ИИ с просьбой создать что-то в похожем визуальном направлении.

Потому что промпт «сделай современно и красиво» — это всё-таки не дизайн-концепция.

🔍OpenAI: корпоративный бизнес впервые стал больше ChatGPT-подписок

CFO OpenAI Сара Фрайер сообщила инвесторам, что enterprise-направление теперь приносит больше выручки, чем consumer-бизнес ChatGPT. В начале года соотношение было примерно 60/40 в пользу consumer, но корпоративная часть росла быстрее и уже вышла вперёд. Annualized revenue run rate OpenAI достиг примерно $40 млрд.

✈️ Это, пожалуй, один из самых показательных AI-сигналов года. Главный коммерческий рынок постепенно становится не «миллиард людей разговаривают с чат-ботом», а:

AI → корпоративные данные → агенты → рабочие процессы → выполненная работа.

Для Industrial AI это особенно важно. Деньги будут всё больше идти в интеграции с ERP, M365, CRM, engineering-системами и производственными данными, потому что именно там AI можно связать с измеримым экономическим результатом.

CNBC

🔍WSJ: дешёвые китайские open-weight модели могут не уменьшить, а увеличить спрос на NVIDIA и дата-центры

Свежая аналитика Wall Street Journal разбирает интересный парадокс. Kimi, Qwen, DeepSeek и другие китайские open-weight модели становятся дешевле и приближаются по качеству к закрытым системам OpenAI, Anthropic и Google. На первый взгляд это должно уменьшить необходимость в огромных AI-инвестициях.

Но возможен обратный эффект — классический парадокс Джевонса: когда единица вычисления резко дешевеет, AI начинают использовать намного больше. Даже бесплатная модель всё равно требует GPU, памяти, networking, power и cloud infrastructure для запуска. Именно поэтому инфраструктурный слой — NVIDIA, облака и операторы ЦОДов — может выиграть независимо от того, какая конкретно модель победит.

✈️ Это меняет взгляд на AI-инфраструктуру. Основной риск сейчас может лежать не у производителей GPU, а у владельцев дорогих закрытых моделей, которым всё сложнее обосновывать огромную premium-цену.

Для предприятия это позитивный сценарий: интеллект дешевеет, больше процессов становится экономически выгодно автоматизировать, потребление inference растёт.

То есть AI-agent за $100 в месяц постепенно может превратиться в агента за $10 — и тогда вместо пяти агентов компания запускает пятьсот.

WSJ

🔍Stripe покупает OpenRouter более чем за $7 млрд — routing моделей становится отдельным стратегическим слоем

По данным Bloomberg, которые приводит TechCrunch, Stripe финализировала соглашение о покупке OpenRouter более чем за $7 млрд. Официально Stripe сделку пока не подтвердила и отказалась комментировать «слухи и спекуляции». OpenRouter даёт единый API к более чем 400 AI-моделям и позволяет автоматически выбирать модель под задачу, стоимость и требования пользователя; в мае компания заявляла примерно о 8 млн пользователей.

Интересно, что Stripe и OpenRouter уже были тесно связаны: с января OpenRouter использует Stripe для биллинга, международных платежей и автоматического учёта постоянно меняющейся стоимости inference.

Почему важно: $7+ млрд платят фактически не за ещё одну LLM, а за control plane над LLM. Это очень сильный сигнал, что корпоративная архитектура движется к модели:

приложение / агент → model router → GPT / Claude / Gemini / Qwen / локальная модель → лучший вариант по quality / cost / latency / compliance.

✈️ Для Industrial AI это особенно логично: нет смысла гонять простой поиск по инструкции ТОиР через самую дорогую frontier-модель, если router может отправить его в небольшую локальную Qwen, а сложный engineering reasoning — в Claude или GPT.

Techcrunch

Skill для рисования бизнес-процессов

Чтобы разобраться, как устроены закупки, согласование документов или производство, часто сначала нужно нарисовать сам бизнес-процесс.

Обычно для этого используют Visio или специализированные BPM-инструменты. Работа несложная, но ручное размещение блоков, стрелок и подписей отнимает много времени.

Теперь диаграмму можно создать прямо в ChatGPT Work / Codex / Claude Code с помощью бесплатного скилла Diagram Design. На выходе получается аккуратный HTML-файл, который открывается в браузере и подходит для презентаций и документов, PDF, JPG.

Промпт для подключения скилла:

Установи skill Diagram Design из репозитория https://github.com/cathrynlavery/diagram-design и используй его для создания бизнес-процессов и диаграмм.

Пример промпта:

С помощью Diagram Design создай бизнес-процесс снабжения: формирование заявки, согласование бюджета, запрос предложений, получение оферт, выбор поставщика, заключение договора, поставка, приёмка и оплата. Покажи участников процесса, передаваемые документы и ключевые точки принятия решений. Результат подготовь в виде автономного HTML-файла.

Несколько минут — и вместо ручной работы в Visio получаем готовую визуальную схему.

Data Center Valley уже строится — первый объект 50 МВт запустят в июне 2027 года

Правительство Казахстана вчера раскрыло свежий статус проекта в Павлодарской области. Первый объект мощностью 50 МВт находится в активной фазе строительства: земляные работы под энергоцентры и AI factories выполнены на 90%, начаты фундаменты. До конца декабря должны появиться основные здания, пусконаладка намечена на май 2027-го, ввод — на июнь 2027 года. Для площадки уже приобретена подстанция на 215 МВт, разработан проект водоснабжения и проектируется телеком-инфраструктура. Вся долина по-прежнему рассчитана на последовательное расширение до 1 ГВт.

Правительство прямо называет Data Center Valley площадкой для AI factories, GPU-кластеров и облаков международных hyperscalers. Подтверждено продолжение работы с Firebird AI и NVIDIA, одновременно идут переговоры о новых инвесторах, якорных клиентах и HPC-кластерах. Появилась и ещё одна интересная идея — Cloud First / Data Embassy, то есть размещение данных иностранных государств в Казахстане с сохранением их юридического суверенитета.

Похоже проект переходит из стадии меморандумов в CAPEX и строительство. Причём логика правильная: энергия → связь → AI factory → якорный compute-клиент → облачные сервисы. Обращу внимание на нюанс: свежая официальная сводка говорит именно о первом строящемся объекте на 50 МВт, тогда как в июне публично фигурировал первый этап на 125 МВт. Вероятно, сейчас более крупная фаза детализируется на отдельные объекты.

https://primeminister.kz/en/news/olzhas-bektenov-reviews-progress-of-data-center-valley-project-in-pavlodar-region-31770

12 августа вышли новые данные о росте расходов Казахстана на НИОКР: с 121,5 млрд ₸ в 2023 году до 260 млрд ₸ в 2026-м. Государство одновременно усиливает финансирование прикладных и опытно-конструкторских проектов, а в единую информационную систему Kazakhstan Science предполагается добавить AI-инструменты для анализа и принятия решений.

Для промышленного AI здесь важна именно ориентация на прототипы, пилотные решения и коммерциализацию, а не только академические публикации. Это создаёт более подходящую среду для Industrial AI R&D, включая проекты горнодобывающих компаний.

https://astanatimes.com/2026/08/can-science-replace-commodities-kazakhstan-wants-universities-to-drive-innovation/

У OpenAI уходит Chief Revenue Officer Denise Dresser, и её сменит Dali Rajic, ранее president/COO принадлежащей Google компании Wiz. Это уже второй крупный уход руководителя OpenAI за неделю; одновременно Greg Brockman усиливает операционный контроль, а компания делает enterprise главным направлением роста перед IPO. По данным Axios, бизнес-выручка OpenAI в июле выросла на 32% месяц к месяцу, а к концу года enterprise должен давать около половины общей выручки.

https://www.axios.com/2026/08/13/openai-denise-dresser-replace-chief-revenue-officer

👁 Компьютерное зрение превращается из отдельного проекта в платформу

Российская ZeBrains представила ZeVision — конструктор для визуального контроля на производстве, складах и в ритейле.

Платформа умеет находить дефекты, считать объекты, проверять маркировку, комплектность сборки и наличие СИЗ. Подключается к камерам, тепловизорам и лидарам, а события передаёт в ERP, MES, SCADA и Service Desk.

Самое интересное — не очередные 99% точности, а полный цикл:

камера увидела → ИИ распознал → система создала событие → ответственный отреагировал.

В одном из проектов контроль сборки заказов из 300+ деталей снизил количество ошибок на 98%.

То есть камера наконец перестаёт просто хранить видео «на случай расследования» и начинает работать. Неожиданная карьерная траектория для камеры.

Подробнее — CNews⁠

✈️ ChatGPT теперь умеет обсуждать документы голосом

Можно приложить PDF или другой файл прямо во время голосового разговора и попросить: объяснить сложный пункт, найти цифру или кратко пересказать содержание.

Голосовой режим заработал и внутри Projects. Там ChatGPT видит файлы, инструкции и недавние чаты проекта — не нужно каждый раз пересказывать ему всю предысторию.

Получается почти совещание с коллегой. Только коллега прочитал документ заранее и не говорит: «Давайте вернёмся к этому после обеда».

Новую функцию официально подтвердили в Release Notes OpenAI⁠. Доступ разворачивается постепенно и может зависеть от тарифа, региона и версии приложения.

🔍 Почему mining отстаёт во внедрении ИИ?

В исследовании PwC горная отрасль получила самый низкий AI Fitness Index — 4,7 при медиане 5,4.

Причина не в отсутствии идей. В mining пилотов хватает: беспилотники, predictive maintenance, компьютерное зрение, оптимизация фабрики.

Проблема начинается после красивой презентации:

• данные разбросаны между SCADA, ERP и Excel;
• процессы не стандартизированы;
• слабая интеграция и управление данными;
• инновации финансируются отдельными экспериментами;
• пилот на одном участке не превращается в систему для всей компании.

В итоге ИИ вроде есть, а производительность об этом ещё не знает.

PwC отмечает: наиболее подготовленные к AI компании получают в 7,2 раза больший финансовый эффект. Но для этого нужно не коллекционировать пилоты, а строить общую архитектуру данных и встраивать ИИ в ежедневные производственные решения.

Mining отстаёт не по количеству технологий. Он отстаёт по способности собрать их в работающую систему.

Исследование PwC Mine 2026⁠

🔍 OpenAI подписала соглашение с Южной Австралией — AI всё чаще становится частью государственной инфраструктуры

Премьер Южной Австралии Питер Малинаускас подписал в штаб-квартире OpenAI меморандум с президентом компании Грегом Брокманом. Стороны намерены совместно развивать AI-навыки, исследования, государственные сервисы, cybersecurity и инфраструктуру дата-центров; среди целевых отраслей названы энергетика, сельское хозяйство, производство, космос, оборона и здравоохранение.

Это, по имеющимся публикациям, первое соглашение такого рода между крупной AI-компанией и правительством отдельного австралийского штата. Причём речь идёт не просто о покупке ChatGPT: соглашение связывается с Data Centre Strategy штата — энергией, connectivity, кадрами и привлечением глобальных инвестиций.

✈️ OpenAI постепенно превращается из поставщика модели в стратегического технологического партнёра регионов и государств.

AI-компания → государство → обучение кадров → применение в реальных отраслях → дата-центры → международные инвестиции.

То есть AI-хаб имеет смысл строить не отдельно как ЦОД, а сразу вокруг гарантированных прикладных нагрузок.

Airbnb впервые показывает очень понятный финансовый эффект от AI-агента

Тоже из ближайшего предшествующего цикла. Airbnb сообщила, что стоимость customer support на одну бронь снизилась примерно на 16% год к году, и руководство напрямую связывает часть этого эффекта с улучшением AI Assistant. CEO Brian Chesky назвал AI одним из наиболее позитивных изменений для бизнеса.

Это продолжение уже измеримого тренда: ранее Airbnb сообщала, что AI Assistant самостоятельно закрывает более 40% обращений пользователей без передачи человеку, а около 60% кода компании создаётся с участием AI.

Почему важно: это намного интереснее очередного benchmark новой LLM. Здесь AI уже дошёл до нормальной управленческой метрики:

AI → меньше ручной работы → ниже cost per transaction → эффект виден в P&L.

Именно к такой модели стоит стремиться и в Industrial AI: не считать количество созданных агентов, а измерять стоимость обработки заявки, время простоя, производительность смены, расход топлива, скорость закупки, recovery фабрики.

Reuters

✈️ ИИ уже не советует — он начинает делать работу

Свежая статистика OpenAI показывает любопытный сдвиг: в рабочих сценариях ChatGPT более чем вдвое чаще используют для создания готового результата, чем просто для получения совета.

Но самое интересное — разрыв между компаниями.

Лидеры используют Codex в 16 раз интенсивнее, а в расчёте на сотрудника потребляют в 3,5 раза больше AI-intelligence, чем типичная компания.

И дело не в том, что они шестнадцать раз чаще спрашивают ИИ, как написать письмо начальнику.

Они передают ему более сложную работу:

• анализируют документы и данные;
• создают код и отчёты;
• подключают корпоративные источники;
• автоматизируют многошаговые процессы;
• получают не подсказку, а готовый результат.

Промышленность тоже не осталась где-то у проходной: manufacturing занимает только 8-е место по охвату сотрудников, но уже 3-е по глубине использования ИИ.

Вывод довольно простой: скоро наличие ChatGPT в компании перестанет быть преимуществом — примерно как наличие Excel.

Настоящий разрыв возникнет между компаниями, где с ИИ разговаривают, и теми, где ему уже передают работу.

Именно поэтому будущее — не за очередным корпоративным чат-ботом, а за агентами, подключёнными к ERP, M365 и производственным данным.

Чат умеет отвечать. Агент — выполнять. А это, понятное дело, уже совсем другая экономика.

OpenAI Signals⁠

🔍 Enactive AI: пожалуй, самая точная концепция AI-native Mine
Сейчас AI-агентом принято называть всё, что умеет открыть документ, отправить письмо и бодро составить план из семи пунктов. Для промышленного предприятия этого, мягко говоря, недостаточно.

Авторы нового препринта Enactive Artificial Intelligence предлагают оценивать ИИ не по тому, насколько красиво он рассуждает, а по тому, способен ли он участвовать в реальном цикле принятия решений — с физическими ограничениями, ответственностью и обратной связью.

Архитектура состоит из четырёх частей:
• Organizational World — цели компании, KPI, политики, полномочия и ответственность;
• Site World — реальное состояние оборудования, запасов, людей и производственных ограничений;
• Schema Intelligence — перевод бизнес-целей на язык производственных объектов и допустимых действий;
• Enactive Decision Cycle — решение, исполнение, фактический результат и корректировка следующего решения.
Для mining это выглядит почти как готовое описание AI-native Mine.

Допустим, цель компании — выполнить план производства с максимальной EBITDA.
Но сегодня один экскаватор на ремонте, дробилка ограничивает поток, на складе меняется качество руды, а мельница уже упёрлась в лимит мощности.
Обычный AI-помощник подготовит красивый отчёт и, возможно, порекомендует «повысить эффективность дробления» (спасибо, сами бы не догадались).

Enactive AI должен работать иначе:
понять цель → увидеть текущее состояние всей цепочки → рассчитать несколько допустимых сценариев → передать разрешённые действия в FMS, MES или DCS → получить фактический throughput, recovery и cost → обновить следующее решение.
Именно здесь проходит разница между Mine Copilot и AI-native Mine.

Copilot помогает человеку разобраться в информации. Enactive AI становится частью системы управления — но действует только в пределах заданных ограничений и полномочий.

Важна и другая мысль статьи: локально хорошее решение может ухудшить результат всей системы. Можно увеличить производительность экскаватора, забить дробилку, нарушить blending и в итоге снизить извлечение на фабрике. Каждый участок при этом героически перевыполнил собственный KPI.

✈️ Поэтому следующий этап industrial AI — не ещё один более умный чат рядом с производством. Это единый замкнутый контур:
цель бизнеса → состояние Mine-to-Mill → допустимое решение → исполнение → измеренный экономический результат.

Статья пока концептуальная, а не готовый технический стандарт. Но язык она предлагает очень правильный: ценность ИИ нужно измерять не качеством ответа и даже не точностью прогноза, а тем, улучшил ли он работу всей производственной системы после исполнения решения.

Вот это, на мой взгляд, и есть настоящее определение AI-native Mine.
Enactive Artificial Intelligence — arXiv

👁 Computer vision в mining: раньше — отдельный дорогой проект, теперь — универсальный сенсор

Компьютерное зрение в горной отрасли появилось задолго до ChatGPT. Камеры уже умели оценивать гранулометрию после взрыва, следить за флотационной пеной, находить негабарит и контролировать безопасность.

Проблема была в другом: под каждую задачу требовалось собирать и вручную размечать тысячи изображений, обучать отдельную модель и настраивать её под конкретную камеру, освещение и тип руды. Потом камера немного сдвигалась, приходила зима — и система внезапно начинала видеть мир несколько иначе.

С появлением vision foundation models и мультимодального ИИ ситуация меняется.

Теперь предварительно обученная модель уже умеет распознавать объекты, формы и текстуры. Её можно сравнительно быстро адаптировать под конкретное производство — иногда достаточно десятков или сотен примеров вместо тысяч.
Одна платформа потенциально может решать сразу несколько задач:
• оценивать гранулометрию и находить негабарит;
• контролировать загрузку кузова и состояние дорог;
• замечать просыпи и повреждения конвейера;
• анализировать флотационную пену;
• обнаруживать людей и технику в опасных зонах.

Но самое интересное изменение — камера теперь может не просто выдать оператору очередную красивую рамочку вокруг камня.
Мультимодальный ИИ способен сопоставить изображение с данными SCADA, производительностью оборудования, типом руды и историей неисправностей, а затем сформулировать понятное предупреждение:

На конвейере обнаружен негабарит. Повышен риск блокировки желоба. Рекомендуется снизить подачу и направить оператора на проверку.

Обработка при этом может выполняться прямо рядом с камерой — на edge-устройстве, без постоянного интернета и передачи всего видеопотока в облако.
Поэтому проекты computer vision действительно становятся дешевле и быстрее. Но главный эффект создаёт не сама камера и даже не точность модели.

Он появляется, когда система успевает пройти всю цепочку:
увидела → поняла контекст → предупредила → предложила действие → помогла избежать простоя или потери извлечения.

✈️ Раньше computer vision был набором отдельных специализированных приборов. Теперь он постепенно превращается в универсальный программный сенсорный слой для всей цепочки Mine-to-Mill.

И вот это уже действительно интересная история для mining AI.

Sciencedirect