Экспертное интервью | Джимшер Челизде: «Мы можем выиграть три года производительности и проиграть поколение экспертизы»

Тема промышленного ИИ сегодня — одна из самых обсуждаемых, но сложных для понимания. В России запущены сотни проектов, потрачены десятки миллиардов рублей, а системного ответа на вопрос, что действительно работает, до сих пор нет. В первой части нашего большого интервью Джимшер Челидзе* объяснил, почему гонка фронтирных моделей — не наш путь, а конкурентное преимущество лежит в цеху: в данных, инженерии и доступе к реальным объектам.

Во второй части разговора эксперт переходит к главному «человеческому» вопросу: как меняется роль инженера, когда в цех приходят ИИ-ассистенты? О том, почему верификация сложнее самостоятельной работы, кто останется в профессии, а кто уйдет, и как не проиграть поколение экспертизы, выиграв три года производительности, — читайте в продолжении.

Ответы публикуются без купюр.

*Джимшер Челидзе — генеральный директор ООО «Челидзе и Партнеры», бизнес-партнёр по цифровому развитию ООО «Центр Горизонтального Бурения», член Комитета по промышленности ФБА ЕАС. А также статей и публикаций по философии технологий и пяти книг о цифровой трансформации и двух ИИ-пролуктов. Имеет практический опыт работы с «Газпром нефть», ЛУКОЙЛ, Минэнерго России, Газпром Бурение и другими промышленными компаниями РФ, Казахстана и Китая.

Ассистенты инженеров-технологов и конструкторов уже тестируются на крупных предприятиях. Как будет трансформироваться роль инженера в ближайшие 5 лет и какие компетенции станут критически важными?

Начну не с прогноза, а с факта — чтобы разговор был предметным.

На ЦИПР‑2026 представили два ИИ‑ассистента для заводских инженеров на базе нейросети GigaChat: ассистента инженера‑технолога, который по конструкторской документации формирует прототип технологического процесса, и ассистента инженера‑конструктора для обратного проектирования, восстанавливающего по детали или чертежу редактируемую цифровую CAD‑модель; пилотные проекты идут на предприятиях «Технодинамика», «Тяжмаш» и Объединённой двигателестроительной корпорации, а «Норильский никель» отчитывается о внедрении генеративного ИИ в промышленное проектирование, что позволяет существенно сократить сроки подготовки проектной документации и ресурсы проектных команд.

Обратите внимание, что именно сжимается. Не профессия. Сжимается конкретная фаза работы — черновая генерация вариантов и рутинное оформление документации. Ровно та фаза, на которой раньше учился и рос младший инженер. Запомните это — в конце я вернусь к этому, там главный риск.

Три сдвига, которые перестроят работу инженера

Сдвиг первый: от генерации к верификации. Инженер перестаёт быть автором первого варианта и становится редактором и валидатором. Это когнитивно сложнее, а не проще. Критиковать правдоподобный, но неверный техпроцесс труднее, чем создать свой с нуля: модель ошибается уверенно, красиво и в правильном формате. Она не подаёт сигнала «здесь я не уверена».

И здесь я скажу вещь, которую обычно относят к техническим деталям, а она определяет всё. Требовать от инженера верификации, выдавая ему голый ответ модели, — бессмысленно. Верификация физически возможна только тогда, когда система показывает, откуда она это взяла: ссылка на конкретный пункт вашего техпроцесса, на конкретный чертёж, на конкретную рекламацию в вашей базе. Не «модель считает», а «основание — вот эти три документа, посмотрите сами».

Это архитектурное требование к решению, а не пожелание к сотруднику. Ассистент без прослеживаемости источника — это генератор правдоподобия, и никакой инженер его не проверит: он просто нажмёт «принять». Прежде чем требовать от людей нового поведения, дайте им инструмент, который делает это поведение возможным. Иначе получите ритуал вместо контроля.

Сдвиг второй: от одного варианта к управлению пространством вариантов. Когда генерация стоит копейки, ценность смещается к постановке ограничений и критериев выбора: допуски, доступная оснастка, реальный парк станков, себестоимость, ремонтопригодность, требования по безопасности. Умение точно сформулировать ограничение становится главной инженерной компетенцией. По сути, это возвращение старой культуры технического задания — просто теперь плохое ТЗ наказывает вас не через полгода, а через пять минут, и в промышленных масштабах.

Сдвиг третий: от личной экспертизы к капитализации знания. Ассистент, который реально работает, — это ассистент, обученный на вашей конструкторской документации, ваших техпроцессах, ваших рекламациях и ваших отказах. Значит, знание, которое тридцать лет жило в голове ветерана цеха, должно попасть в данные.

И вот тут начинается самое недооценённое. Это меняет социальный контракт на предприятии. Неформализованное знание перестаёт быть личной страховкой сотрудника от увольнения и становится активом компании. Здесь и будет главный источник сопротивления — гораздо больший, чем страх «нас заменят роботы». Люди сопротивляются не машине. Люди сопротивляются потере монополии на знание. Пока вы не решите этот вопрос честно — через статус, деньги, роль наставника-верификатора, — вы не получите данных. А без данных ассистент останется красивым демо.

Компетенции, которые станут критически важными

●      Доменная глубина — физика процесса, а не широта. Парадокс: чем доступнее ИИ, тем ценнее глубокое понимание сути. Верифицировать выход модели может только тот, кто понимает, почему так, а не что написано.

●      Постановка задачи и работа с ограничениями. Плохое ТЗ плюс ИИ равно быстро и качественно оформленная ерунда. Ограничения — новый интерфейс инженера.

●      Грамотность в работе с данными. Понимать, откуда взялась обучающая выборка, что такое дрейф модели, почему ассистент, безупречный на серийной детали, врёт на единичном производстве.

●      Трассируемость и ответственность за решение. Подпись останется человеческой. Инженер должен уметь объяснить решение — а не сказать «так сказала модель».

●      Инженер-«переводчик» между цехом и специалистом по данным. Самая дефицитная и самая недооценённая роль. В моей практике управления портфелем именно её отсутствие губило проекты чаще, чем плохие алгоритмы.

А теперь главный риск, о котором говорят непозволительно мало

Если ИИ забирает работу младшего инженера — откуда через десять лет возьмётся старший, способный ИИ верифицировать? Мы рискуем выиграть три года производительности и проиграть поколение экспертизы.

Кадровая пирамида в инженерии держится на том, что человек проходит через рутину и в ней набивает интуицию: почему эта деталь так себя ведёт, почему этот техпроцесс не пойдёт на нашем станке. Если рутину забрал ассистент — интуиция не формируется. А верификация без интуиции невозможна: вы просто нажимаете «принять».

Ответ здесь не в том, чтобы «не давать ИИ новичкам» — это проиграно, они уже им пользуются, просто не говорят вам об этом. Ответ в том, чтобы перепроектировать обучение: младший инженер учится не на черновой работе, а на разборе ошибок модели. Дайте ему сто выходов ассистента, из которых двадцать неверны, и задачу — найти и обосновать ошибки. Это гораздо более быстрый и жёсткий тренажёр, чем три года на подхвате. Но его надо построить осознанно, а не ждать, что сложится само. Не сложится.

Что делать — по трём столпам

Управление.

●      Определить, какие 2–3 фазы работы инженера реально сжимаются ИИ, и измерить их долю в трудозатратах до внедрения. Без базового уровня вы никогда не докажете эффект — ни себе, ни совету директоров.

●      Ввести роль владельца модели — того, кто отвечает за качество ассистента после запуска. Без неё модель тихо деградирует, и через год ею никто не пользуется.

●      Ответить на вопрос «кто подписывает» — до внедрения, а не после первого спорного случая.

Технология.

●      Прослеживаемость источника — обязательное требование в техническом задании. Без этого верификация превращается в ритуал.

●      Метрики точности на своей выборке, а не на вендорской. И дашборд качества модели, за который отвечает её владелец.

●      Формализовать неявное знание — рекламации, отказы, «так у нас не делают». Это и есть обучающая выборка, и начинать надо с неё, а не с выбора модели.

Люди.

●      На этапе адаптации платить за использование, а не за результат. Это снимает страх ошибки — а страх ошибки и есть главный тормоз.

●      Честно закрыть вопрос с носителями знания. Ветеран, чью экспертизу вы забираете в базу, должен получить новый статус — наставника-верификатора, владельца доменной модели, — а не ощущение, что он выкопал себе яму.

●      Переписать программу подготовки инженеров под верификацию, а не под генерацию.

Через пять лет инженер никуда не денется. Исчезнет инженер, который был ценен скоростью рук. Останется инженер, который ценен качеством суждения. Это хорошая новость — но только для тех, кто начал перестраивать подготовку кадров сегодня, а не собирается прочитать об этом в аналитическом отчёте через три года.