Цифровой карьер: где на ГОКе нужен ИИ, а где хватит диспетчеризации — карта задач и чек-лист
Кому нужен этот разбор? Тем, кто выбирает первый проект с искусственным интеллектом на горно-обогатительном комбинате или принимает его у подрядчика: директоров ГОКов, руководителей горных дивизионов, главных инженеров и обогатителей. Предложения по цифровому карьеру почти всегда приходят с ИИ в заголовке, а за этим словом стоит что угодно — от диспетчерской системы до нейросети, которая подсказывает флотатору.
Внутри карта задач карьера и фабрики, сводка российских проектов, классы цифр эффекта, два документированных маршрута внедрения и чек-лист из двенадцати вопросов подрядчику и себе.
За двадцать лет в B2B-продажах промышленного оборудования я привык читать коммерческое предложение глазами покупателя: что сдадут, кто считал обещанный эффект и кто ответит за результат через год. Каждая цифра ниже — со ссылкой на первоисточник и с пометкой, чья она: компании, поставщика или консультанта.

Что входит в цифровой карьер и цифровой ГОК
Цифровым карьером называют набор систем, через которые проходит руда от месторождения до приёмного бункера фабрики. Цифровой ГОК — тот же набор вместе с обогащением. Геолог ведёт блочную модель, планировщик составляет по ней очерёдность выемки, диспетчер расставляет экскаваторы и самосвалы, механик следит за состоянием техники, технолог держит режим дробления, мельниц и флотации.
У каждой системы свой пользователь и своя мера пользы. Диспетчеру важны простои и рейсы, технологу — мельница и извлечение, директору — тонны и рубли. Поэтому проект ИИ выбирают под конкретную систему и её пользователя, а не «для карьера в целом».
Где на ГОКе нужен ИИ, а где диспетчеризация и автоматизация
Карта ниже — основа материала. По каждой системе указан лучший найденный пример ИИ в работе, примеры на стадии пилота или исследования и то, что решается без машинного обучения.
| Система, кто пользуется | Что даёт | ИИ в работе | ИИ в пилоте или в науке | Без ИИ |
|---|---|---|---|---|
| Геологическая и блочная модель; геолог, маркшейдер | модель залежи по блокам, основа плана | в самой модели не найден; АЛРОСА сообщает о машинном обучении в геофизике, без площадки | научные работы | кригинг, каркасы; Surpac и MineSched на Михайловском и Лебединском ГОКах («Горная промышленность») |
| Планирование горных работ; планировщик | очерёдность выемки, шихта для фабрики | пример не найден | — | целочисленная оптимизация (Micromine) |
| Диспетчеризация; диспетчер, начальник смены | рейсы, простои, сменные задания | только контроль загрузки на Стойленском ГОКе (RB.ru) | объём кузова лидаром и нейросетью — пилот АЛРОСА («Внедра»); Horus Mine — испытания (АЛРОСА) | «Зарница», Мирнинско-Нюрбинский ГОК, «Кузбассразрезуголь», «Распадская» |
| Навигация; машинист, бурильщик | скважина и ковш по проекту | не найден | — | спутниковая навигация |
| Беспилотная техника; оператор | работа без человека в кабине | не найден | YuGong (Китай) — наука | Rio Tinto, Boddington |
| Мониторинг и ремонт техники; механик | ремонт по состоянию | ВГК — прогноз износа самосвалов на машинном обучении (CNews) | модуль ИИ на Михайловском ГОКе — план («Рудмет») | телеметрия и пороги; на Лебединском ГОКе −24 % неплановых простоев без ИИ (GO31) |
| Буровзрывные работы; инженер БВР | сетка, заряды, крупность развала | оценка развала по снимкам — продукт поставщика (Orica) | прогноз дробления — наука | проект сетки, моделирование взрыва |
| Качество руды на потоке; технолог | руда или порода, крупность | крупность в цехе дробления СГОКа (НЛМК) | — | пробы, лаборатория, рентгеновские анализаторы |
| Дробление; оператор | борьба с негабаритом | негабарит и зубья ковша на «Карельском окатыше» (Secuteck); посторонние предметы на Ковдорском ГОКе (Russoft) | — | контроллеры, блокировки |
| Измельчение; оператор мельниц | производительность, крупность | Быстринский ГОК: контур на машинном обучении в длительной эксплуатации (годовой отчёт) | кластеры машинного обучения на других фабриках — план | регулирование плотности пульпы; советчик мельниц СГОКа — математическая модель без ИИ |
| Флотация; флотатор, главный обогатитель | извлечение и качество концентрата | советчик Кольской площадки с 11.2025 (отчёт «Норникеля»); Наталка (отчёт «Полюса») | — | регулирование уровня, воздуха, реагентов |
| Промышленная безопасность; служба охраны труда | усталость, дистанция, СИЗ | усталость водителей на 50 самосвалах («Северсталь») | — | газовые датчики, наряды-допуски, геозоны |
Из карты следуют три вещи. В планировании, навигации и расстановке техники примера ИИ в проверенных источниках нет, а самые заметные российские цифры карьера получены там без него. На карьере ИИ — это зрение: камера с нейросетью замечает недогруз, негабарит, потерянный зуб ковша, уставшего водителя и сообщает человеку. Советовать и держать режим ИИ начинает на фабрике, где много однотипных данных и короткая обратная связь.
ИИ на российских ГОКах: что показывают открытые источники
Я собрал российские проекты карьеров и фабрик из открытых публикаций 2022–2026 годов и по первоисточнику проверил, названы ли там дословно ИИ, машинное обучение, нейросеть или компьютерное зрение. «Интеллектуальную систему» за ИИ не считал.
| Группа | Сколько | Кто |
|---|---|---|
| ИИ назван, проект действует | 18 | Лебединский ГОК (два проекта), СГОК (загрузка и крупность), «Карельский окатыш», Ковдорский ГОК, Быстринский ГОК (два), Кольская площадка, Наталка, «ФосАгро», Усольский калийный комбинат |
| На испытаниях | 1 | АЛРОСА |
| Только в планах | 3 | модуль ИИ Михайловского ГОКа, слово «AI» в цитате директора СУЭК, соглашение АЛРОСА и Сбера |
| ИИ не назван | 9 | «Зарница», «Кузбассразрезуголь» (две системы), «Распадская», диспетчерский центр СГОКа, мониторинг Лебединского ГОКа, геоинформационная система «Металлоинвеста», фабрика ЕВРАЗ КГОКа, СУЭК |
| Диспетчеризация карьера с ИИ | 0 | в публичных описаниях |
Ноль в последней строке — счёт по публичным описаниям: ни в одном из них у российской диспетчерской системы карьера ИИ не упомянут. Ближе всех модуль загрузки СГОКа, но он отдаёт данные диспетчерам, а технику не расставляет.
Деньги от ИИ на российском карьере компания назвала один раз: Стойленский ГОК в презентации 2023 года оценил эффект модуля контроля загрузки в 15 млн руб. в год, без методики (слайды СГОКа). Цифры 118 и 121 млн руб. в год из материалов того же комбината относятся к контролю крупности машинным зрением и взяты из разных лет; нейросеть в презентации названа только у модуля загрузки, так что приписывать их нейросети нельзя.
На фабриках цифры есть, но без базы сравнения. Быстринский ГОК отчитался о росте переработки более чем на 10 тыс. т при сохранении извлечения («Норникель»). Усольский калийный комбинат — о +9,9 тыс. т гранулированного хлористого калия в год от рекомендательных систем («ЕвроХим»). У диспетчеризации числа крупнее: +15 % к использованию самосвалов на «Зарнице» (АЛРОСА), более 1,5 млрд руб. у «Металлоинвеста» с нераскрытым методом (ComNews).
Как читать цифры эффекта цифрового карьера
Я разобрал 51 цифру эффекта по карьерам и фабрикам — российским и зарубежным — и разложил их по классам. Разница между классами важнее самих процентов.
| Класс | Сколько | Что это значит |
|---|---|---|
| Замер против базы | 22 | до и после, контрольные машины, параллельные парки, чередование режимов |
| Факт без базы | 15 | компания сообщила результат, но не сказала, с чем сравнивала |
| Прогноз или расчёт | 10 | «позволит», «ожидается», «потенциал»; сюда попали почти все суммы в деньгах |
| Только в пересказах | 4 | первоисточник не найден или протокола нет |
Если отделить ИИ, картина жёстче. Из 16 цифр, где ИИ назван дословно, против базы замерены три — и все из одного кейса поставщика. У диспетчеризации, автоматизации и автономии без ИИ таких 19 из 31. Независимой проверки нет ни у одной цифры.
Способы проверки различаются по силе:
| Способ | Пример | Чем хорош и где слаб |
|---|---|---|
| Чередование режимов на одном контуре | Aurizona, Бразилия: 48 часов с ИИ, 48 часов вручную, 25 дней; мельница 435 против 412 т/ч (Brainiall, поставщик) | самый сильный из найденных; опубликован поставщиком, аудита нет |
| Контрольные машины | никелевый рудник в Бразилии: часть самосвалов на старой системе (Komatsu) | параллельный контроль; ИИ не назван |
| Поэтапное разделение | RTB Bor, Сербия: флотомашины и автоматизация в разные годы (Metso) | не даёт приписать весь прирост цифре |
| До и после | Freeport Bagdad | средний: руда и ремонты меняются вместе с системой |
О стоимости. Цены внедрения по названному проекту нет ни в одном источнике. Единственная пара «вложили — получили» — у «Металлоинвеста»: больше 330 млн руб. затрат, и это проект без ИИ. Окупаемость ИИ на ГОКе по открытым данным пока не посчитать.
С чего начинают: два документированных маршрута
Восточная горнорудная компания, Солнцевский угольный разрез. Путь описан в колонке руководителей компании за 2021 год (CNews). Начали с конечных операций: планирование, взрывы, контроль ковша, съёмка коптерами. Потом больше двух лет внедряли систему управления горнотранспортным комплексом, во многом доработав её под разрез. Потом своя система ежеминутной сверки факта с планом: три десятка экскаваторов и сто двадцать самосвалов одному диспетчеру не охватить. Машинное обучение пришло последним — в двойнике надёжности 220-тонных БелАЗов, который предупреждает об износе примерно за 20 дней до осмотра.
Freeport-McMoRan, Bagdad, Аризона. Путь описал McKinsey, который вёл программу (2023; 2020). Сначала стандарт показателей, датчики и сеть на технике, общее хранилище с посекундными данными. Потом команда из людей фабрики, рудника и специалистов по данным работала двухнедельными спринтами. Машинное обучение нашло в руде семь типов вместо одной общей уставки. Ранние рекомендации подводили из-за ошибочной логики и неисправных датчиков, часть шла против многолетней практики и подолгу обсуждалась. К декабрю 2018 года металлурги принимали больше 80 % рекомендаций, а модель вели уже свои сотрудники, без консультанта.
Результат, по данным консультанта: медь +5 % в ближайшие месяцы, переработка +10 % к предыдущему кварталу, извлечение +1 п. п. Контрольной группы не было. При тиражировании 60 % кода использовали повторно, 40 % писали под площадку, а учёт эффекта вёл финансовый директор программы. Сумма $350–500 млн EBITDA — потенциал, а не итог.
Похожий порядок у «Норникеля» на Кольской площадке: советчик на измельчении и флотации, затем пилот на двух флотомашинах с нейросетью, оценивающей пену (TechInsider), и только в ноябре 2025 года — промышленная эксплуатация.
Почему ИИ-проекты на карьере и фабрике застревают
Названного карьерного или фабричного ИИ-проекта, который остановили, в открытых источниках нет. Поэтому честнее говорить о том, что приходилось решать в работающих проектах.
Данные. Пример Bagdad выше показывает, что неисправные датчики всплывают уже на пилоте. Закрытые протоколы производителей техники мешают свести данные карьера в одно место: системы на собственных протоколах производителя плохо обмениваются данными (Wenco).
Люди и доверие. Рекомендацию, которая идёт против привычной практики, металлурги и операторы принимают не сразу. Зато именно разбор таких подсказок помогает найти ошибку модели. На фабрике Lihir, по данным поставщика, двойник на физических моделях и машинном обучении технически внедрили, но ввод задержался из-за смены персонала (Metso).
Соседний передел. Расширенное узкое место передаёт нагрузку дальше, на дробилку и мельницу. Не продумаете это до пилота — эффект уйдёт в очередь на следующем участке.
Чек-лист: 12 вопросов перед ИИ на карьере и фабрике
Вопросы выросли из случаев, разобранных выше. Часть из них стоит задать подрядчику, часть — своей команде.
- Видим ли мы карьер. Показывает ли диспетчерская система каждую машину, рейс и простой уже сейчас, до разговора об ИИ?
- Где главная потеря. Какое одно место — недогруз, негабарит, очередь у дробилки, мельница, флотация — теряет больше всего тонн или рублей, и кто это посчитал?
- Хватит ли данных. Есть ли у этой задачи история, исправные откалиброванные датчики и одно хранилище для данных карьера, дробления и фабрики?
- Нужен ли ИИ. Не решат ли задачу диспетчеризация, регулирование или автоматика без машинного обучения?
- Распознавать, советовать или управлять. Какую роль подрядчик отводит модели, кто принимает решение и в каком коридоре она может менять режим?
- Что будет с соседним участком. Выдержат ли дробилка, мельница или подача руды, когда узкое место расширится?
- Кто разбирает рекомендации. Будут ли технологи на пилоте проверять каждую подсказку и записывать, почему от неё отказались?
- С чем сравниваем. Какой способ замера утверждён до запуска: чередование режимов, контрольные машины, соседний участок или «до и после»?
- Кто ведёт учёт эффекта. Считает ли результат наша финансовая служба, а не поставщик и не команда проекта?
- Чья это цифра. Цифра в предложении подрядчика — замер, расчёт или прогноз, и названы ли в ней площадка и период?
- Кто ведёт модель после пилота. Есть ли у нас своя команда и один владелец, отвечающий за результат в тоннах?
- Что переносится на следующую площадку. Какая доля кода и данных пойдёт повторно, а что придётся делать заново?
Если на вопросы с пятого по десятый подрядчик отвечает без общих слов, о проекте можно говорить предметно.
Вывод
Карта показывает, что на ГОКе у ИИ две понятные роли. На карьере и на потоке руды он смотрит и сообщает человеку о недогрузе, негабарите или усталости водителя. На фабрике он подсказывает технологу режим или держит его в заданных рамках. Расстановку техники, планы и маршруты в российских публичных описаниях ведут системы без ИИ, и именно они пока дают самые крупные числа.
Отсюда практический первый шаг: найти на своей карте одну строку, где потеря уже посчитана, данные уже собраны и есть человек, который будет разбирать подсказки модели. А дальше — до запуска записать, с чем будете сравнивать, и отдать учёт результата своей финансовой службе.
Внедряю ИИ в процессы продаж, маркетинга и аналитики промышленных компаний. 20+ лет на B2B-рынке оборудования и сервиса. В блоге разбираю, где ИИ даёт измеримый эффект, а где только расход.