На воронежском ИТ-форуме «Цифроземье» агрокомпании показали, какие задачи уже поручают цифровым системам, а какие пока доверяют нейросетям лишь в пилотном режиме. Липецкая «Аврора» предложила следить за ростом сахарных кристаллов прямо во время варки, «ЭкоНива» испытывает компьютерное зрение на фермах, а «Золотой Початок» — помощника для анализа продаж. «Абирег» разобрался, где за эффектом стоят работающие процессы, а где экономику внедрения еще предстоит проверить.
Сначала данные, потом нейросеть
Прежде чем поручать искусственному интеллекту работу в поле или на заводе, нужно понять, как устроен сам производственный процесс и какие данные о нем собираются. С этой позиции начала обсуждение директор департамента цифровизации и технологического развития Минсельхоза РФ Маргарита Хисаметдинова. По ее словам, алгоритм должен помогать специалисту анализировать информацию и снимать рутину, а не подменять собой плохо описанный процесс.
У государственных информационных систем уже есть значительный массив отраслевых данных. Теперь задача — повысить их достоверность, согласовать показатели между системами и избавить предприятия от повторного ввода одних и тех же сведений. Запросы у хозяйств при этом разные: крупным компаниям нужны интеграции с собственными ИТ-системами, средним — единый интерфейс, малым — понятные инструменты и сопровождение.
Среди направлений работы Хисаметдинова назвала единую цифровую платформу, обучение пользователей и оценку времени, которое аграрии тратят на взаимодействие с госсистемами. По ее данным, ведомство уже обсудило эти вопросы с 15 крупными сельхозтоваропроизводителями и посетило две площадки. Срок запуска платформы в материалах выступления не назван.
Агробизнес просит показать деньги
Даже работающая технология не гарантирует, что хозяйство ее купит. Заместитель гендиректора АО «Агропромцифра» Алексей Артемьев отметил, что заказчикам нужен подтвержденный экономический результат, а не только демонстрация возможностей ИИ.
По его наблюдениям, для прикладных решений агробизнес ориентируется на окупаемость за шесть–девять месяцев или примерно за год. У крупных систем срок может быть больше. Это оценка запросов клиентов, а не универсальный норматив для всех проектов в АПК.
Разницу между действующими инструментами и экспериментами показал пример «ЭкоНивы». Директор по устойчивому развитию и взаимодействию с органами власти группы Любовь Аксенова рассказала, что компания уже использует собственные системы для учета полевых работ и кормления животных, датчики на технике и метеостанции. А вот компьютерное зрение для контроля доения, оценки остатков корма и раннего выявления хромоты животных пока испытывают. В числе других экспериментов — оценка качества семян и инструменты для ценообразования.
Аксенова подняла и более приземленный вопрос: что делать предприятию, если при работе с государственной информационной системой сбой возник на его стороне. По ее мнению, для таких случаев нужен предусмотренный порядок действий.
Сахарные кристаллы под наблюдением
Один из самых наглядных примеров на секции представил ИТ-директор липецкого АО АПО «Аврора» Михаил Алимухамедов. Речь шла о контроле кристаллов сахара во время варки. По словам спикера, сейчас технологи оценивают происходящее в вакуум-аппарате по косвенным показателям и визуально. Система с оптическим зондом должна показывать размер кристаллов и долю мелкой фракции непосредственно в процессе — пока его еще можно скорректировать.
Изображение, как рассказал Алимухамедов, обрабатывается на площадке без передачи видео в облако. Потенциальную дополнительную прибыль он оценил примерно в 20 млн рублей для типового вакуум-аппарата. Однако это не полученный заводом финансовый результат: экономику решения предстоит рассчитать для конкретного производства и проверить в пилоте.
Другой сценарий показала руководитель направления АПК «Салют для бизнеса» Анна Цандыкова. ИИ-агент считывает данные из документа и готовит запись в «1С», после чего сотрудник проверяет результат и решает, проводить ли документ. В показанном примере обработка заняла около трех минут. Распространять этот показатель на любые документы нельзя.
ИИ ищет клиентов и советует агроному
В селекционно-семеноводческом холдинге «Золотой Початок» искусственный интеллект тестируют не только для производственных задач. Операционный директор Екатерина Царенко рассказала о помощнике, который работает с данными «Битрикс24» и помогает руководителю анализировать продажи: например, выяснять, где сократилось число клиентов и в каких регионах изменились показатели. Измеренного экономического эффекта компания пока не представила.
ИТ-директор агрохолдинга «Доставка Морем» Павел Конев рассказал об ИИ-агрономе «Андрей Тимофеевич». По описанию разработчиков, запущенный в мае 2026 года сервис отвечает на вопросы по агрономии и животноводству, помогает распознавать проблемы растений по фотографиям, рассчитывать внесение удобрений, проверять совместимость препаратов и вести журнал полей. Конев связал интерес к такому инструменту в том числе с кадровым дефицитом в отрасли.
Разработчики заявляют, что в информационную базу сервиса вошли 25 тыс. книг и методических материалов, 740 тыс. публикаций, 140 тыс. документов, 500 тыс. изображений и 20 тыс. технологических карт. По их данным, менее чем за месяц после запуска у помощника появилось более тысячи активных пользователей. Эти показатели характеризуют заявленный масштаб проекта, но сами по себе не доказывают точность его рекомендаций или экономическую отдачу для хозяйств. Описание сервиса и приведенные цифры также опубликованы в рекламном материале.
Конев упомянул и другие проекты холдинга — «Цена зерна» и «Агроточка». Сессию завершил генеральный директор «Рексофт Консалтинг» Андрей Скорочкин, выступивший с докладом о переходе от отдельных ИИ-решений к изменениям бизнес-процессов.
От пилота к результату
Кейсы секции показывают, что за общим словом «цифровизация» стоят проекты с разной степенью готовности. Учет полевых работ и данные с датчиков уже используются в компаниях; компьютерное зрение на ферме и анализ продаж пока тестируются; экономический эффект контроля сахарных кристаллов еще нужно подтвердить на конкретном заводе.
Для агробизнеса следующий шаг — не просто внедрить больше алгоритмов. Ему предстоит наладить данные, встроить решения в работу специалистов и посчитать, где технология действительно приносит деньги.
