Многие программы реализации цифровых двойников заходят в тупик не только из-за качества модели, но и потому, что организации пытаются перейти к оркестрации до того, как моделирование заслужит операционное доверие, пишет в корпоративном блоге Сара Ли, старший директор IDC по исследованиям ИТ-стратегий в производстве.

Цифровые двойники превращаются из инструментов визуализации в операционную основу физического искусственного интеллекта на производственном участке, и этот термин теперь охватывает две возможности, которые часто рассматриваются как одно целое. Моделирование подтверждает изменения до того, как они достигнут производства. Оркестрация координирует выполнение в реальном времени машинами, системами ИИ и работниками.

Какую возможность производитель создаст первой и насколько она будет обоснована, прежде чем перейти ко второй, часто определяет масштабируемость программы.

Согласно отчету IDC «Industry Market Trends: Worldwide Manufacturing, 2026», примерно 57% производственных предприятий имеют инициативы в области ИИ, застрявшие на стадии проверки концепции, при этом менее половины демонстрируют измеримые результаты.

Программы реализации цифровых двойников находятся в той же ситуации.

Моделирование: проверка изменений до того, как они достигнут производственного цеха

В этой роли цифровые двойники моделируют поведение процессов, производительность оборудования и конфигурации продукции, сочетая физические и основанные на данных модели, а также гибридные подходы, объединяющие инженерный опыт с операционными данными. Традиционная аналитика объясняет, что уже произошло. Моделирование позволяет производителям изучить, что может произойти дальше — это становится все более важным, поскольку автоматизация и роботизация повышают стоимость неудачных изменений.

Сценарии применения различаются в зависимости от отраслевой структуры. Процессные производства моделируют отдельные технологические операции и переходы между партиями — прогнозируют производительность линий отбеливания на целлюлозно-бумажных комбинатах, моделируют загрязнения теплообменников на химических заводах или симулируют ферментацию в производстве напитков. Дискретные производства работают на уровне ячеек и линий: виртуальный ввод в эксплуатацию роботизированных ячеек до прибытия оборудования на место, балансировка времени такта при сборке смешанных моделей и генерация синтетических данных для обучения моделей визуального контроля.

Возможности одинаковые, единицы анализа разные. Программы, заимствующие эталонную архитектуру с не той стороны этого разделения, как правило, застревают на структуре данных задолго до того, как застрянут на моделировании.

Оркестрация: превращение интеллекта в скоординированные действия

В этой роли цифровые двойники объединяют данные реального времени с датчиков, контрольных систем и систем управления производственными процессами для координации решений между машинами, агентами ИИ и работниками. Области применения включают координацию парков автономных мобильных роботов (AMR) и автоматизированных транспортных средств (AGV), динамическое балансирование производственных линий, управление энергетическими нагрузками в системах коммунального хозяйства и диспетчеризацию мероприятий по техническому обслуживанию или контролю качества в зависимости от изменяющихся условий.

По мере внедрения агентного ИИ в производственную среду оркестрация становится средой выполнения, определяющей, какой агент действует, когда и в каких границах. Производители уже консервативно устанавливают эти границы.

Согласно опросу IDC «2026 Agentic AI Functional Use», примерно 43% респондентов из производственной отрасли сообщают, что их агенты либо не обладают полномочиями по принятию решений, либо требуют одобрения человека для каждого решения. Только 8,5% допускают полную автономию по любому критически важному вопросу. В то же время 62,5% сообщают, что расширение автономии агентов находится в стадии активного рассмотрения.

Устранение этого разрыва — это та работа, которую должна выполнить оркестрация.

Почему последовательность не является необязательной

Моделирование отдает приоритет точности прогнозирования и экспериментам в автономном режиме. Оркестрация отдает приоритет задержке, надежности и интеграции с системами управления и выполнения. Объединение их в единую программу обычно означает, что один набор требований уступает другому, и редко бывает очевидно заранее, какой именно.

Доверие не предоставляется по запросу. Операторам и инженерам необходимы доказательства того, что модель отражает реальные условия работы предприятия, прежде чем они начнут действовать в соответствии с ее рекомендациями, и задолго до того, как они позволят агенту действовать от их имени. Трех ложных срабатываний за квартал обычно достаточно, чтобы операторы перестали открывать дашборд.

Искушение перейти непосредственно к оркестрации понятно. Координация роботов, агентов ИИ и производственных систем обещает видимые операционные преимущества. Но без проверенного цифрового представления производства организации рискуют ускорить принятие решений, которым они еще не научились доверять.

Программы, дающие результаты, начинаются с принятия операционного решения, а не с выбора технологии. Независимо от того, является ли целью выход годной продукции с первого раза, время переналадки, доступность активов или энергоемкость, это решение принимается в первую очередь. Что именно должен обеспечивать цифровой двойник?

От моделей мира к цифровым двойникам и физическому ИИ

По мере того, как производители готовятся к внедрению физического ИИ, различие между общим интеллектом и оперативным интеллектом становится все более важным.

Модели мира дают системам ИИ широкое понимание того, как ведет себя физическая среда. Цифровые двойники обеспечивают промышленную специфику, которой не хватает этим моделям: геометрию предприятия, параметры процессов, логику управления и историю эксплуатации.

Вместе они создают основу для более надежного физического ИИ. Модель мира может понимать, как ведут себя объекты и силы в целом, но цифровой двойник обеспечивает контекст, необходимый для определения того, является ли действие безопасным и эффективным на конкретном производстве, на конкретной линии, с конкретными материалами и ограничениями.

Что требуется для масштабирования

Ограничения должны быть согласованы между процессными и дискретными средами.

Точность двойника зависит от точности потребляемых им данных. Без непрерывной синхронизации он превращается в устаревшее представление, которое обладает авторитетом модели, но не ее точностью.

Безопасность становится все более важной по мере того, как двойники расширяют связность в операционных средах. Соединение инженерных моделей, систем ИИ и управления производством расширяет поверхность атаки и требует обеспечения безопасности на этапе проектирования для архитектуры, связности и управления.

Работа также меняется по мере того, как двойники и агенты получают все больше возможностей принятия решений. Операторы и технические специалисты переходят от выполнения рутинных задач к контролю за системами, проверке рекомендаций и управлению исключениями. Это требует четкого определения ролей и путей эскалации, поскольку одних дополнительных часов обучения недостаточно для устранения этого пробела.

Успешные программы цифровых двойников редко являются исключительной прерогативой ИТ-службы. Они требуют сотрудничества между операционными, инженерными, операционными группами, группами обработки данных и функциями управления ИИ. По мере того, как двойники эволюционируют из инженерных инструментов в платформы для принятия операционных решений, определение ответственности становится столь же важным, как и архитектура.

Вопрос, который стоит изучить производителям

Для руководителей операционных подразделений реальный вопрос заключается в том, достаточно ли развиты аспекты фундамента данных, проверки моделей, доверия операторов и управления, чтобы перейти на следующую ступень: от визуализации к автономному моделированию и далее к замкнутой системе оркестрации и к принятию агентами автономных решений.

Переход на каждую следующую ступень должна быть обеспечен подтвержденными результатами на предыдущей.

Программы, которые пропускают ступень, не движутся быстрее. Они застревают из-за отсутствия доверия модели, а доверие восстановить сложнее, чем исправить модель.