VizorLabs: как российское компьютерное зрение тихо стало стандартом для всей тяжёлой промышленности

Краткая сводка: где уже стоит Если коротко — практически везде, где в России что-то добывают, перерабатывают или плавят: Энергетика: все АЭС страны (Росэнергоатом), на подходе ТЭЦ и ГЭС ИнтерРАО, идёт внедрение в Россети Сибирь. Нефтегаз: все НПЗ ЛУКОЙЛа, буровые ВэллТех и Газпром Бурение. Горная добыча: Полюс (Магадан), УГМК, Распадская, Nordgold. Металлургия: ЕВРАЗ (включая ЗСМК и НТМК), Северсталь. Общее число — более 100 реализованных проектов за последние пять лет. Для нишевого вендора компьютерного зрения это, по сути, доминирование рынка тяжёлой промышленности. Что именно делает система — и почему это не «ещё одна нейросеть для каски» Самый растиражированный сценарий компьютерного зрения в промышленности — детекция СИЗ (средств индивидуальной защиты). Каска, очки, перчатки, жилет. Этим занимаются десятки стартапов по всему миру, и на первый взгляд кейс с Кольской АЭС («снижение нарушений в 10 раз») выглядит как стандартный маркетинг подобных решений. Но если вчитаться в функционал по слайдам, становится видно расслоение по сложности: Базовый уровень — контроль СИЗ. Здесь VizorLabs делает то же, что делают все: распознаёт каски, жилеты, перчатки. Интересна деталь из кейса ЛУКОЙЛа — система обучена на противогазы и газоанализаторы, а пользователь может сам дообучить её на новые типы снаряжения. Это уже не «коробка», а платформа, и для НПЗ с их специфическими СИЗ это критично. Средний уровень — поведенческая аналитика. Подсчёт сотрудников в периметре, время нахождения в зоне, категоризация по цвету каски, контроль движения по лестничным пролётам. Это уже не просто «надел/не надел», а полноценная аналитика присутствия и поведения. Высокий уровень — технологический контроль. И вот здесь начинается самое интересное: ВэллТех: автоматический подсчёт и измерение длины насосно-компрессорных труб с погрешностью ≤0,3%. Это уже не безопасность — это метрология поверх компьютерного зрения. Полюс: мониторинг состояния конвейерных лент с прогнозом износа и контролем отклонения полотна от оси. Predictive maintenance в чистом виде. УГМК: видеоанализ полноты загрузки шахтных самосвалов. ЕВРАЗ: автоматическое распознавание номеров спекательных тележек и диагностика их состояния — болты, ролики, борта, крепёж. Последний кейс получил звание «Лучший IT-проект 2022 года в металлургии» по версии Global CIO — и, судя по тому, что в металлургии живёт куча куда более «громких» цифровых инициатив, награда здесь говорит сама за себя. Цифры, на которые стоит посмотреть критически Презентации поставщиков ИИ-решений традиционно страдают «синдромом круглых процентов»: 30%, 40%, 50%. VizorLabs не исключение, но к их числам можно отнестись чуть серьёзнее, чем обычно, по двум причинам. Во-первых, диапазоны вместо точечных значений: «снижение инцидентов на 25–30%», «рост выработки на 8%», «экономия 5–15 млн руб. в год на конвейер». Это честнее, чем «+47,3% эффективности», и больше похоже на реальные результаты пилотов в разных условиях. Во-вторых, есть проверяемые якоря: Кольская АЭС — нарушений ТБ/ПБ стало меньше в 10 раз (есть ссылка на источник в исходной презентации). УГМК — рейсов с недогруженным кузовом меньше в 2,5 раза, ежемесячная выработка руды +8%. ВэллТех — погрешность измерения труб 0,3% (это инженерная характеристика, её легко перепроверить). Самый интересный с экономической точки зрения кейс — УГМК с самосвалами. Здесь компьютерное зрение работает не как «страховка от штрафов», а как прямой множитель выручки: каждый недогруженный рейс — это сожжённое дизтопливо, время оператора, износ техники без производственного результата. Снижение таких рейсов в 2,5 раза и +8% к выработке — это деньги, которые видно в P&L уже в следующем квартале. Для горной добычи, где маржа сильно зависит от удельной себестоимости тонны руды, это не «ИИ-проект для галочки», а реальный CapEx с понятным сроком окупаемости. Что говорят кейсы о зрелости индустрии Если посмотреть на подборку отстранённо, видны три тенденции, которые лично мне кажутся важнее любого отдельного кейса. 1. ИИ-видеоаналитика перешла из категории «пилотов» в категорию «стандартов». В презентации это сформулировано почти буднично: «утверждено стандартом в УГМК», «является стандартом на шахте Распадская», «утверждено стандартом для мониторинга ОТиПБ в Nordgold», «стандарт в Северстали с покупкой лицензий на 5000+ камер». В корпоративном лексиконе слово «стандарт» означает совершенно конкретную вещь — обязательность к применению на всех новых объектах. Это уже не про «попробовать», это про инфраструктуру. 2. Use-cases уходят далеко за пределы охраны труда. Исторически компьютерное зрение в промышленности — это про каски. И в кейсах VizorLabs три из семи слайдов — действительно про СИЗ. Но четыре остальных — про производственные процессы: измерение труб, состояние тележек, загрузка самосвалов, состояние конвейеров. Это означает, что отрасль научилась доверять CV-системам не только «безопасностные», но и производственные решения, влияющие на технологию и оборудование. Психологически это совсем другой уровень принятия. 3. Один вендор закрывает четыре отрасли. Это либо признак того, что задачи в энергетике, нефтегазе, металлургии и горной добыче на уровне CV-движка действительно похожи (камера + детектор объектов + правила), либо что VizorLabs построил универсальную платформу с отраслевыми надстройками. Скорее всего — и то, и другое. С точки зрения архитектуры это разумный паттерн: ядро одно, дообучение под отраслевые СИЗ, объекты, регламенты — снаружи. К чему стоит относиться осторожно VizorLabs — хороший пример того, что российский промышленный ИИ перестал быть про «давайте сделаем пилот и опубликуем пресс-релиз». Это уже про инфраструктурные контракты на тысячи камер, про утверждённые корпоративные стандарты, про предсказуемую экономику внедрения. На фоне общего шума вокруг генеративного ИИ, ассистентов и копилотов такой «скучный» компьютерное зрение для каски и конвейера кажется менее эффектным — но именно он сейчас приносит конкретные деньги конкретным предприятиям. Если читать подборку кейсов как индикатор зрелости рынка, то главный сигнал такой: тяжёлая промышленность в России закончила фазу экспериментов с CV-видеоаналитикой и перешла к фазе тиражирования. Планы на 2026–2029 годы у нескольких заказчиков — это уже не «попробуем», а «масштабируем то, что доказано работает». А это, пожалуй, лучшее, что может случиться с любой технологией: момент, когда о ней перестают спорить и начинают её просто покупать.