Что должен уметь промышленный специалист в эпоху развития ИИ
Следующее десятилетие может изменить жизнь сильнее, чем мы сейчас предполагаем. Я бы не удивился, если к 2036 году некоторые привычные способы работать будут казаться нам такими же далекими, как сегодня заводская жизнь середины семидесятых. Особенно там, где человек тратит время на поиск информации, расчеты, согласования и подготовку решений. Для промышленности это вполне практический вопрос: сегодняшние студенты будут работать в этих новых условиях, а основы профессии осваивают уже сейчас.
Представьте механический цех 1976 года. Предстоит изготовить корпус редуктора, и на стол технолога ложится чертеж. Нужно решить, за какие поверхности закрепить заготовку, в какой последовательности ее обрабатывать, какой инструмент использовать и как проверить точность отверстий. Что-то можно взять из прежних разработок, что-то придется обсудить с конструктором, а удачность отдельных решений станет понятна после пробной обработки. Между чертежным столом и готовой деталью будут разговоры, записи, измерения и работа людей, которые хорошо знают свое дело.
Станки с ЧПУ и промышленные роботы к тому времени уже существовали. На заводе General Motors робот Unimate работал еще в 1961 году, а в СССР с шестидесятых разрабатывали системы автоматизированного проектирования и готовили на компьютерах управляющую информацию для оборудования. Но появление технологии и ее приход в обычный цех всегда разделяло время. Чертежи, маршрутные карты и журналы контроля продолжали жить на бумаге, а ответ на сложный вопрос нередко приходилось искать у коллеги, который уже сталкивался с похожей задачей.
Перенесемся в 2026 год и оставим тот же корпус. Его геометрию можно подготовить в системе проектирования, обработку запрограммировать заранее, а результаты измерений сравнить с моделью. Технолог способен за несколько минут найти документацию, на поиски которой прежде ушел бы день. При этом на соседнем участке вполне могут стоять станки разных поколений, а важнейшая поправка к режиму обработки по-прежнему храниться в памяти одного наладчика. Знакомая ситуация: программа есть, инструкция есть, но когда человек уходит в отпуск, привычная работа вдруг становится сложнее.
В обследовании НИУ ВШЭ за 2025 год участвовали более 1,7 тыс. организаций машиностроения. Системы цифрового проектирования и моделирования применяли 55% опрошенных, технологии обработки визуальных данных, включая компьютерное зрение, 14,1%.
Теперь попробуем представить 2036 год. Инженер получает новый заказ, и система сразу находит похожие детали, поднимает результаты прежних испытаний, предлагает несколько способов обработки и показывает, где раньше возникал брак. Часть вариантов удается проверить до изготовления заготовки. Вместо долгого сбора сведений человек раньше приступает к выбору решения, но ему все равно нужно понимать, почему предложенный маршрут подойдет именно этому материалу, станку и приспособлению.
Что в таком случае должен уметь сам специалист? Раньше заметную часть его ценности составляло знание того, где найти нужный ответ и как выполнить расчет. Теперь ответ можно получить гораздо быстрее, причем сразу в нескольких вариантах. Сложнее становится разобраться, какой из них заслуживает доверия, чего система не учла и что произойдет после запуска оборудования.
Какие технические знания станут еще важнее
Допустим, программа предлагает облегчить наш корпус редуктора: убрать металл в слабо нагруженных местах, сохранив прочность и жесткость. На экране появляется изящная конструкция. А теперь представьте, что ее надо отлить, закрепить, обработать, собрать и через несколько лет отремонтировать. Доступен ли инструмент к нужной поверхности? Не поведет ли деталь? Удастся ли заменить подшипник без разборки половины машины? Ответы требуют знания конструкции, материала и технологии.
Поэтому я не жду, что развитие ИИ избавит инженера от необходимости изучать механику, физику, материаловедение и измерения. Скорее изменится способ применения этих знаний. Человек будет реже повторять знакомые вычисления вручную и чаще проверять чужое, в том числе машинное, решение. Для такой проверки нужно представлять хотя бы порядок величин: какую нагрузку способен выдержать узел, насколько правдоподобна температура, может ли предложенный инструмент обеспечить требуемую точность.
Конструктору понадобится уверенная работа с трехмерными моделями и инженерными расчетами, технологу с подготовкой производства и программами обработки, специалисту по качеству с измерительными системами. Но владение программой будет включать понимание ее допущений. Если в расчете неверно задали закрепление или свойства материала, аккуратная цветная картинка может убедительно показать поведение детали, которой в действительности не существует.
В международной дорожной карте промышленного ИИ 2026 года исследователи, в том числе из американского NIST, разбирают зависимость цифровых двойников от знания процесса. На примере аддитивного производства они показывают трудности переноса моделей между разным оборудованием и материалами. Специалисту нужно понимать, какие данные получает модель и чего она не видит: после изменения оборудования или режима прежний расчет может перестать описывать процесс правильно.
Новые способы изготовления добавят к этой основе свои требования. При металлической 3D-печати мало получить нужную форму: нужно учитывать направление построения, свойства материала, возможные внутренние дефекты и последующую обработку. У сварщика, работающего с роботом, сохраняется потребность понимать соединение, подготовку кромок и причины дефектов шва. Удобный интерфейс установки не объяснит ему, почему один и тот же режим дал разный результат на двух заготовках.
Как специалист будет работать с ИИ
Представьте, что технолог просит помощника: «Сделай обработку быстрее». Программа может предложить повысить подачу, сократить переходы или применить другой инструмент. Но что именно мешает выпуску? Слишком долгий цикл, частые переналадки, нестойкая пластина или брак после последней операции? Пока человек сам не разобрался в задаче, быстрый ответ только добавляет вариантов для проверки.
Умение ставить задачу станет одним из главных рабочих навыков. В нашем случае нужно описать материал и состояние заготовки, оборудование, закрепление, требуемую точность, доступный инструмент и ограничения. Затем объяснить, какой результат нужен: сократить время, повысить устойчивость размера, уменьшить расход инструмента. Между этими целями бывают противоречия, и выбрать приоритет предстоит человеку вместе с коллегами, отвечающими за изделие.
Хорошая постановка задачи пригодится и при разговоре с ИИ, и при обращении к конструктору или наладчику. Специалист должен уметь отделить то, что уже известно, от предположений. «Размер уходит после прогрева станка» и «станок неисправен» звучат похоже только до начала разбирательства. В первом случае есть наблюдение, во втором уже названа причина, которую еще предстоит доказать.
Ответ помощника тоже придется разбирать по существу. Откуда взято значение? Для какой марки материала оно подходит? Использована ли действующая редакция документа? Можно ли проверить расчет другим способом? Если система уверенно ссылается на инструкцию, полезно открыть саму инструкцию и прочитать нужный раздел. Знание этих приемов будет такой же частью работы, как сегодня умение пользоваться справочником и понимать его ограничения.
По мере развития ИИ ему, вероятно, станут поручать более длинные последовательности действий: собрать сведения о заказе, подготовить варианты, сопоставить их с прежними испытаниями, оформить проект документации. Тогда специалисту понадобится еще одно умение: делить работу на шаги и определять, после какого шага нужна проверка. Ошибка в обозначении материала, незаметная в начале, способна перейти в расчет, программу обработки и инструкцию для оператора.
В этом и проявляется критическое мышление: найти слабое место в предложении и выбрать способ проверки. Человек не тратит одинаковое время на оформление пояснительной записки и на решение, от которого зависит прочность узла. Чем серьезнее последствия ошибки, тем убедительнее должны быть расчет, измерения и испытания, на которые он опирается.
Что нужно будет понимать в производственных данных
В цехе будущего станет больше измерений, сообщений и прогнозов. Но большое количество цифр само по себе не делает происходящее понятным. Допустим, система сообщает, что во второй смене вырос брак. Прежде чем обсуждать работу людей, стоит выяснить, что они выпускали: ту же деталь или новую, из прежнего материала или из другой партии, на том же оборудовании или после ремонта.
Специалисту понадобится привычка проверять происхождение данных. К какому изделию относится запись, чем и когда выполнено измерение, в каких единицах указан результат? Пропуск показания нельзя бездумно считать нулем, а результаты двух приборов сравнивать без учета способа измерения. Такие вещи кажутся мелкими, пока на их основе не начинают менять технологию.
В исследовании «Сколково» «Генеративный ИИ в промышленности» за 2025 год собраны интервью с 15 крупными компаниями промышленности, энергетики и разработки ПО. Среди препятствий названы нехватка качественных данных и специалистов, понимающих и ИИ, и отрасль. Нашему технологу придется разобраться в архиве и объяснить аналитику, какие записи можно сравнивать.
Следом идет понимание статистики. Для многих работников достаточно будет читать график, видеть разброс, отличать единичное отклонение от устойчивого изменения. Инженеру качества или аналитику потребуется более глубокая подготовка: оценивать погрешность, выбирать объем проверки, сравнивать партии и планировать эксперимент. Средний размер может оставаться прежним, хотя разброс уже вырос и часть деталей начала выходить за допуск.
С машинным зрением появятся свои вопросы. Камера может находить царапины на привычной поверхности и ошибаться после смены покрытия или освещения. Поэтому работа специалиста включает проверку пропущенных дефектов и годных изделий, которые система ошибочно забраковала. Общая цифра точности мало помогает, если за ней теряется редкий, но опасный дефект. Здесь встречаются знание изделия, метрология и понимание того, как проверяют модель.
Навыки программирования будут полезны многим инженерам, особенно для обработки измерений и повторяющихся расчетов. Одному хватит электронной таблицы, другому понадобятся запросы к базе данных или небольшой скрипт. Даже если код подготовит ИИ, кто-то должен проверить единицы, формулы, пропуски и результат на известном примере.
Как изменится работа со станками и роботами
По данным Международной федерации робототехники IFR, в 2025 году в мире установили более 603 тыс. промышленных роботов, а их эксплуатационный парк превысил 5 млн. Каждую такую систему нужно встроить в производство, настроить и обслуживать.
У роботизированной ячейки остановился выпуск. Станок готов, робот стоит, на экране сообщение об ожидании сигнала. Причина может быть в положении заготовки, захвате, датчике или обмене данными. Наладчику будущего придется хотя бы в пределах своего участка понимать, как связаны механика, электрика и управление, иначе каждая такая остановка будет превращаться в ожидание чужой помощи.
Сам по себе робот не обязательно использует ИИ: многие операции выполняются по заданной программе. Машинное зрение, автоматическое управление и генеративный помощник решают разные задачи. В устройстве своего участка специалисту придется различать эти возможности, чтобы понимать причины ошибки и способ ее проверки.
Глубина подготовки будет различаться. Оператор готовит рабочее место, проверяет заготовку, следит за процессом и распознает отклонение. Наладчик глубже разбирается в параметрах, диагностике и восстановлении работы. Инженер по автоматизации занимается логикой управления, сигналами и взаимодействием устройств, включая их поведение при отказах.
Всем троим придется читать сообщения, находить записи в журнале событий, различать версии программ и понимать, какие настройки можно менять. Восстановить вчерашний файл бывает недостаточно: после замены инструмента или изменения оснастки прежняя программа уже может не соответствовать рабочему месту.
Знание устройства машины сохранит цену. Опытный ремонтник различает признаки износа, нарушения смазки и плохого закрепления. Датчики дадут ему дополнительные сведения, а диагностическая модель поможет заметить изменение раньше. Чтобы пользоваться этой помощью, придется сопоставлять сигнал с режимом работы: повышенная вибрация при другой нагрузке еще не объясняет причину неисправности.
Работа с подключенной машиной потребует и понимания кибербезопасности. В программу исследований и разработок Comau на 2025-2028 годы вошли робототехника, автоматизация, станки, цифровизация и интеграция киберзащиты в продукцию. В декабре 2025 года Европейский инвестиционный банк подписал с компанией договор на 50 млн евро.
Удаленный сервис и обновления требуют понимания доступа и сохранности рабочих настроек. Даже сотруднику без специальности в кибербезопасности нужно знать, какие подключения допустимы, кому сообщить о неожиданном изменении и какие действия он вправе выполнять сам.
Ручные профессии будут меняться по-разному. Инструментальщик чаще обратится к цифровой модели и результатам измерений, сборщик к электронной документации, сварщик к настройке и контролю автоматической операции. На нестандартном ремонте или при изготовлении единичного изделия практический опыт останется особенно важным.
Почему придется видеть дальше своей операции
Вернемся к предложению ускорить обработку корпуса. Технолог добился меньшего времени на станке, но новый режим сократил стойкость инструмента, а более грубая поверхность добавила работу следующему участку. Локальное улучшение получилось, общий результат еще нужно посчитать. Специалисту потребуется представлять, что происходит с изделием до его рабочего места и после него.
Так проявляется системное мышление. Конструктор учитывает изготовление и ремонт, технолог понимает назначение размеров, специалист по данным знает, при каких условиях получены записи. Всю цепочку никто не обязан знать с одинаковой глубиной, но человеку нужно замечать, когда его решение затрагивает чужую работу, и вовремя привлекать нужного коллегу.
Понадобится и понимание экономики своей работы. Быстрее обработать деталь не всегда значит дешевле ее изготовить: результат меняют переналадка, стойкость инструмента и вероятность переделки. Инженеру полезно уметь сравнивать решения с учетом этих затрат, а при разработке оборудования учитывать и его будущую эксплуатацию.
Творческий подход тоже станет вполне практическим навыком. Когда ИИ предлагает десятки вариантов, ценность имеет способность заметить возможность, которую не заложили в исходный вопрос. Может быть, деталь трудно обрабатывать потому, что ее конструкцию давно не пересматривали? Или дорогая автоматическая подача вообще не нужна, если иначе организовать установку заготовки? Такой ход начинается с наблюдения и понимания задачи, а проверяется расчетом и опытом.
В микроэлектронике особенно важны материал, устойчивость процесса и причины изменения выхода годных. В энергетическом и транспортном машиностроении особое внимание уделяют ресурсу, испытаниям и надежности. Разработчик оборудования учитывает условия работы у заказчика, сервисный инженер разбирается в машинах разных лет выпуска.
Как придется общаться и принимать решения
Представьте обычный спор после запуска новой программы. Конструктор считает, что деталь выполнена по модели, технолог уверен в маршруте, наладчик говорит, что заготовку ведет, а специалист по данным видит допустимые значения. Каждый описывает свою часть происходящего. Разобраться поможет один вопрос: в какой момент появляется отклонение и что именно было измерено?
В опросе ОЭСР 2022 года в семи странах 41% производственных компаний, уже применявших ИИ, сообщили о росте значения навыков вроде творческого подхода и общения внутри компании.
Умение общаться здесь означает способность понятно объяснить наблюдение, выслушать другого и договориться о проверке. Фраза «у нас все нестабильно» почти не помогает коллеге. Сообщение о том, что размер начал уходить после замены инструмента и проявляется только на прогретом станке, уже позволяет искать причину. Чем больше в работе программ и смежных специальностей, тем важнее такая точность речи.
Понадобится и умение писать. После ремонта, испытания или изменения программы должно оставаться понятное объяснение: что заметили, что проверили, что изменили и почему. ИИ поможет оформить запись, но исходное наблюдение и смысл решения вносит человек. Через полгода эти несколько строк могут оказаться полезнее длинного отчета, в котором невозможно найти причину изменения.
Еще сложнее бывает выслушать возражение, когда решение уже готово и все ждут запуска. Молодой инженер заметил несоответствие в чертеже, опытный наладчик усомнился в новом режиме, оператор сообщил о странном звуке. Специалисту будущего понадобится готовность обсуждать такие сигналы независимо от должности собеседника. В общей системе человек на соседнем рабочем месте нередко видит то, чего нет в твоих данных.
Здесь же проявляется ответственность. Сослаться на рекомендацию программы будет легко, но дальше кто-то должен разрешить изготовление партии или остановить работу до проверки. Для этого требуется понимать границы собственной подготовки и вовремя обращаться за помощью. Признание «я пока не могу подтвердить этот результат» бывает профессиональнее уверенного ответа, особенно когда дело касается безопасности и надежности изделия.
При неожиданном поведении оборудования понадобится выдержка: последовательно проверять предположения, фиксировать изменения и спокойно пересматривать свое решение. Правдоподобные варианты будут появляться быстрее, чем подтверждения их правильности.
Как учиться с помощью ИИ
Здесь я вижу одну из самых серьезных трудностей для будущего инженера. Простые расчеты, поиск справочных данных и подготовка первого чертежа занимают время, но именно через них человек начинает понимать профессию. Если с первого курса отдавать эту работу помощнику целиком, можно научиться быстро получать результат и так и не научиться замечать, что он неверен.
Самостоятельное обучение начинается с понимания того, чего ты пока не знаешь. Физические связи, устройство своей машины, смысл допусков нужно освоить настолько, чтобы проверять результат без подсказки. ИИ поможет разобрать тему или найти возможные причины ошибки, но знание придется применить к новой задаче: сравнить расчет с измерением и объяснить расхождение. Именно такую практику стоит сохранять и в вузе, и в колледже, и на рабочем месте.
В том же обследовании ВШЭ за 2025 год лишь 28,1% компаний считали цифровые навыки всех имеющихся профессиональных групп достаточными и для текущих обязанностей, и для внедрения цифровых технологий.
В исследовании немецкого банка развития KfW, опубликованном в 2026 году, видно, как подготовка становится частью цифровизации. Среди наукоемких производственных МСП Германии, завершивших цифровые проекты в 2022-2024 годах, 43% занимались развитием знаний через обучение работников или привлечение консультантов.
Для тех, кто уже работает, обучение все чаще будет происходить внутри профессии. Наладчик освоит анализ сигналов, инженер качества работу с изображениями, технолог новые способы программирования обработки. Молодой коллега поможет быстрее разобраться с цифровым инструментом, опытный объяснит поведение материала и оборудования. Такая работа требует умения и спрашивать, и учить без раздражения, а также готовности признать, что у другого есть знания, которых пока нет у тебя.
Каким будет специалист к 2030 и 2040 годам
До 2030 года для многих специалистов перемены будут связаны с освоением уже существующих инструментов: цифрового проектирования, измерений, автоматизации и отдельных задач ИИ. По мере развития более самостоятельных систем придется чаще оценивать целую последовательность предложенных решений. Именно тогда особенно пригодятся умение проверять исходные допущения и понимание работы соседних специальностей.
К 2040 году на одних предприятиях человек, возможно, будет разбирать редкие отклонения большой автоматизированной системы, на других продолжит работать со смешанным парком и нестандартными заказами. Оба варианта требуют глубокой подготовки в своей профессии и способности освоить новый инструмент.
