О перспективах использования искусственного интеллекта и других цифровых технологий в сельском хозяйстве и на стыке агропрома и логистики, о роли и месте ИИ при принятии решений, о том, что можно доверить ИИ, а что должно остаться ответственностью человека, и как минимизировать связанные с ИИ риски, в интервью SeaNews рассказала генеральный директор АО «Агропромцифра», заместитель председателя ИЦК «Сельское хозяйство» Ольга Чебунина.
Ольга Александровна, Вы возглавляете АО «Агропромцифра». Нашим читателям в силу специфики ресурса ближе и понятнее тема цифровизации и искусственного интеллекта в транспортном секторе. А в сельском хозяйстве, где Вы видите место для цифры и искусственного интеллекта?
Наиболее активно развивающаяся отрасль, где ИИ обрабатывает большие массивы данных для оптимизации всех этапов производства, – это растениеводство.
ИИ работает с космическими снимками и данными с дронов, прогнозирует вспышки болезней за 1-5 дней до их визуального проявления и предельно точно рассчитывает нормы внесения удобрений и средств защиты растений. На выходе мы получаем рост урожайности на 10-12%, снижение перерасхода химии на 10-20%. Кроме того, точность планирования всех полевых работ повышается на 15-20%, а операционные потери сокращаются на 10-12%.
«История поля» — особо значимый проект, поддержанный ИЦК «Сельское хозяйство». Это реальный пример практического внедрения искусственного интеллекта, который даёт измеримый экономический эффект.
Система аккумулирует и анализирует данные по каждому полю: все проведённые операции, результаты осмотров, состояние посевов — и всё в динамике. Далее подключается компьютерное зрение: система обрабатывает снимки с дронов, квадрокоптеров, даже обычного смартфона. На основе нейросетей она определяет сорняки, выявляет проблемные зоны — те участки, где растения угнетены, есть болезни или нехватка питания.
На основе этого анализа формируются чёткие рекомендации по организации полевых работ. Причём система не просто говорит «вот тут плохо», а строит оптимальные маршруты для техники прямо в поле и при необходимости корректирует их по фактическим данным, например, объезжая уже обработанные участки. Всё это может интегрироваться с автопилотами комбайнов и тракторов, а может использоваться и в ручном режиме — как подсказка для механизатора.
Если говорить на языке цифр, то эффекты от внедрения ИИ говорят сами за себя:
7% — снижение расхода горюче-смазочных материалов за счёт оптимизации маршрутов и исключения лишних проездов,
До 15% — экономия средств защиты растений и удобрений. ИИ подсказывает, где именно и сколько вносить,
Не менее 2% — дополнительная урожайность. Казалось бы, немного, но для агробизнеса это чистая прибыль, которая идёт прямо в плюс, без роста затрат. И достигается она за счёт того, что рекомендательная система вовремя подсказывает нужные операции.
ИИ в «Истории поля» выполняет основную задачу: превращает сырые данные о поле — снимки, треки, показания датчиков — в точные, готовые к исполнению агрономические решения. Не абстрактные «зоны риска», а конкретные: «завтра на этом участке провести обработку таким препаратом, по такому маршруту». Это и есть практическая ценность цифровизации.
В животноводстве ключевую роль играет компьютерное зрение — оно в реальном времени анализирует поведение и состояние здоровья каждого животного. Надои молока увеличиваются на 5-15%, выживаемость скота достигает 99,5%. Системы способны предсказать болезнь за 1-3 дня до появления клинических признаков, что снижает потери от заболеваний ещё на 10-20%. И даже расход кормов уменьшается на 5-15% — за счёт более точного дозирования.
Возьмём конкретный пример — систему управления стадом молочного КРС «Молоко 2.0». Её внедрение уже показало измеримые результаты: эффективность осеменения выросла на 5%, а общая продуктивность предприятия прибавила 3%. Казалось бы, цифры не гигантские, но в молочном животноводстве каждый процент — это десятки тонн молока и прямая прибыль. При масштабе фермы в тысячу голов это очень серьёзный прирост без дополнительных затрат на корма или поголовье.
В переработке применяются системы компьютерного зрения для контроля качества. Брак снижается на 10-25% в зависимости от продукта. Кроме того, выпуск готовой продукции растёт на 3-5%, а производительность одной технологической линии увеличивается на 10-15%. Всё это — без остановки производства, в реальном времени.
И наконец, самое системное — цифровая платформа всего АПК. Правительство ставит задачу к 2030 году создать единую экосистему с искусственным интеллектом, которая объединит все государственные системы. Это полноценная экосистема с ИИ внутри.
На сегодняшний день на платформе зарегистрировано 200 тыс. активных пользователей. Она отслеживает 20 тыс. отраслевых показателей в режиме реального времени. И только представьте — уже 216 миллионов гектаров полей оцифровано. Это практически вся пашня России.
Впечатляет. А какие цифровые технологии еще только готовятся к внедрению в ближайшем будущем и в более отдаленной перспективе?
О технологиях, которые работают и приносят измеримый эффект я уже рассказала.
Если смотреть на ближайшую перспективу 3-5 лет, то прогноз такой: ИИ научится прогнозировать урожайность, климатические риски и оптимальные агротехнические решения на уровне каждого конкретного поля — причём до начала сезона, когда фермер будет получать ответ: «На этом поле сеять вот этот гибрид, в такие сроки, с таким графиком обработок — и получишь такой результат с вероятностью 90%». Это называется «предиктивное управление».
Другой пример. Системы компьютерного зрения и датчиков будут в режиме реального времени управлять здоровьем, кормлением и воспроизводством животных без участия человека. А это уже — автономное управление стадом.
Следующее — сквозная аналитика от поля до прилавка.
ИИ объединит данные по растениеводству, животноводству и переработке в единую цепочку. Вы будете видеть не разрозненные показатели, а полную картину: как решение на поле повлияло на качество молока или мяса и в итоге — на выручку. Прозрачность каждого этапа позволит оптимизировать процессы там, где раньше были «чёрные ящики».
И, наконец, агентный ИИ как цифровой управляющий.
Это, наверное, самое интересное. Появятся интеллектуальные программные агенты, которые возьмут на себя рутинные управленческие решения — от закупки семян до распределения готовой продукции по магазинам. Они будут торговаться с поставщиками, корректировать логистику при погодных аномалиях, перераспределять ресурсы между фермами. Человек освободится для стратегических задач: выбора новых рынков, внедрения инноваций, работы с кадрами.
В отдаленной перспективе — полная роботизация всех процессов к 2030-2035 годам. Сегодня роботы точечны: автопилот на комбайне, дрон для облёта. А в будущем — роботы будут делать всё: от сева до сбора урожая, и работать 24/7 без выходных и смен. Прототипы уже есть, но проблема в их стоимости и надёжности. Как только экономика сойдётся — роботизированные агросистемы станут стандартом.
Следующий уровень — полностью интегрированные интеллектуальные фермы, которые работают как фабрики с математической точностью. Каждый процесс: полив, подкормка, вентиляция, освещение — рассчитывается ИИ до миллилитра и секунды. И что важно — полная защита данных. Здесь в игру вступают сенсоры с криптографией и блокчейн. Это значит, что вы не сможете подделать происхождение продукта или данные о его выращивании. Для экспорта и премиального сегмента это будет обязательным требованием.
Идем дальше. То, что мы сейчас называем ИИ — это «слабый» ИИ: он обучен на конкретной задаче. А речь идёт о сильном, General AI. Это самообучающаяся система, которая адаптируется к любым условиям — к новому типу почвы, к неизвестной болезни растений, к аномальной погоде. И главное — такой ИИ становится единой системой управления всей цепочкой: от прогноза спроса на семена до доставки готового продукта потребителю. Без участия человека. Это самая сложная задача, и здесь мы пока ближе к научной фантастике, но темпы развития ИИ таковы, что 2030 год — не такой уж и отдалённый горизонт.
Самый дальний горизонт – фермы будущего. 2035-2050 годы — здесь мы говорим о полной автоматизации всего цикла — от семечка до прилавка. Причём это уже не будут поля в привычном смысле. Это будут вертикальные фермы, гидропонные установки, закрытые экосистемы в пустынях или даже под землёй. Такие фермы больше похожи на высокотехнологичные заводы, где каждый параметр — температура, свет, влажность, pH — контролируется с математической точностью. Урожайность там на порядки выше, а использование воды и земли — минимальное. Но это очень дорогие проекты, и массовыми они станут только к середине века, когда традиционное полевое земледелие столкнется с климатическими и ресурсными ограничениями.
Какие высокие технологии могут быть внедрены (а, возможно, уже внедряются) на стыке сельского хозяйства и транспортной отрасли, и, в частности, как может здесь быть применен искусственный интеллект?
Действительно, на стыке агропрома и транспорта сегодня происходит настоящая технологическая революция, и Россия — один из интереснейших полигонов.
Внедряются беспилотная сельхозтехника, автономные грузовики, IoT-мониторинг, ИИ-оптимизация маршрутов и предиктивная аналитика. ИИ обеспечивает сокращение затрат до 40%, повышение производительности до 25% и снижение аварийности до 8,2%, превращая агротранспортную логистику в высокотехнологичный процесс.
Если коротко: мы уходим от отдельных «умных» тракторов к полностью автономным логистическим системам, где искусственный интеллект выступает и штурманом, и диспетчером, и даже инспектором.
Во-первых — это интеллектуальное управление самой техникой. У нас уже есть решения, которые работают в полях в 15 регионах.
Например, система Cognitive Agro Pilot — она ставится на обычные тракторы. Камеры и лидары, плюс спутниковая навигация позволяют машине вести себя так, будто за рулём опытнейший механизатор: точность хода — до сантиметра, а производительность вырастает на четверть. И что очень важно — параллельно развивается импортонезависимое решение от Ростсельмаша «Агротроник». Там делают ставку на компьютерное зрение, чтобы техника работала даже там, где GPS/ГЛОНАСС глушат или нет сотовой связи — по видеоориентации. Кстати, ИИ уже используют даже для дистанционного техосмотра самоходных машин — в Челябинской области такой проект получил награду в 2025 году на выставке «Золотая осень».
Второе — полностью беспилотные транспортные средства для агрологистики. Самый свежий пример — в январе 2026 года президенту показали первый в России мини-трактор без кабины. Он сам сеет, сам опрыскивает, а в перспективе будет и коров кормить. Но это не единичный кейс. В Амурской области создают первую в стране робото-тракторную станцию — почти миллиард рублей инвестиций, 70–80 роботракторов, которые обработают до 15 тысяч гектаров. И что интересно — хозяйствам предлагают не покупать технику, а брать её в подписку. Это сильно снижает порог входа.
Ещё показательный пример — птицефабрика «Элинар-Бройлер» под Москвой. С 2025 года там бегают полностью автономные электрогрузовики. Сами развозят продукцию по территории, сами заряжаются, не нуждаются в водителях. Экономия топлива и полное исключение человеческих ошибок — это очень серьёзный эффект.
Третье — это синергия дронов и наземной техники. У нас уже научились обрабатывать дронами сотни гектаров за пару часов. Но чтобы дрон мог работать долго и далеко, ему нужна «база». В Чувашии создали беспилотный тягач, который сам подъезжает к дрону, заправляет его, заряжает батареи и даже может переносить его с поля на поле. Получается такая мобильная станция техподдержки, управляемая единым ИИ.
Уже строятся робото-тракторные станции, работающие беспилотные грузовики и государственные цифровые платформы. Мы находимся ровно в той точке, когда от экспериментов переходят к масштабной промышленной роботизации.
Какие препятствия стоят сегодня на пути внедрения искусственного интеллекта?
На мой взгляд, главные барьеры больше не в самой технологии, а в стратегическом и операционном управлении, работе с данными, подготовке кадров и решении вопросов безопасности.
Ключевой вызов — особенности инфраструктуры и качество данных, фрагментация и отсутствие единых стандартов. Наличие множества разрозненных ГИС, разобщенность данных сильно ограничивают эффективность систем.
Длительный цикл сбора данных для обучения ИИ и незрелость рынка делают многие проекты затратными экспериментами.
Внедрение ИИ идет крайне неравномерно. Если агрохолдинги активно используют передовые технологии, то большинство средних и мелких хозяйств пока в роли отстающих. Им нужны легкие сервисы, точечно решающие задачи, которые позволят экономить время и максимально снижать издержки.
Нехватка квалифицированных специалистов остаётся самым острым вопросом.
Для решения этих задач, координации усилий государства и бизнеса в области цифровизации агропромышленного комплекса был создан единый центр цифровизации – компания «Агропромцифра».
Мы развиваем собственную экспертизу, опираясь на научные разработки и опыт сотрудничества с технологическими компаниями, предлагая отрасли самые инновационные решения.
Сегодня мы работаем над созданием цифровой основы агропромышленного комплекса на ближайшее десятилетие — системы, которая объединяет данные, сервисы и ключевые процессы отрасли в едином контуре. Единая цифровая платформа АПК становится фундаментом для нового уровня управления сельским хозяйством. Она помогает аграриям быстрее получать услуги и меры поддержки, исключает дублирование данных и делает взаимодействие с государством проще и прозрачнее. Для государства это актуальная и защищённая картина отрасли в масштабе страны. Для бизнеса — понятные цифровые инструменты для роста. Для всей отрасли — неотъемлемая часть, на которой строится технологичное, эффективное и конкурентоспособное сельское хозяйство России.
«Агропромцифра» также выступает отраслевым центром компетенций. Компания выстраивает сквозной образовательный трек: от профориентации школьников до переподготовки действующих специалистов. Наша задача — подготовка кадров, которые уже сегодня умеют работать с цифровыми технологиями.
7,8 тыс. специалистов из 44 аграрных вузов страны уже стали пользователями цифровой платформы «АгроАкадемия». Слушатели осваивают искусственный интеллект, кибербезопасность и цифровую грамотность. Проекты «Я в Агро» и «Уроки АгроЦифры» охватывают тысячи студентов и школьников по всей стране.
Наша задача — не просто внедрять «умные» технологии. Необходимо вести системную работу по преодолению препятствий на пути цифровизации отрасли. Технологии ИИ в сельском хозяйстве перестанут быть «затратным экспериментом» только тогда, когда появится единая, структурированная и доступная среда данных, когда рынок сформирует понятные стандарты, а главное — когда каждый агроном или зоотехник сможет пользоваться цифровым помощником так же естественно, как сегодня — мобильным телефоном.
Мы в «Агропромцифре» создаем эту среду шаг за шагом: объединяем разрозненные ГИС, создаём единую цифровую платформу АПК, развиваем образовательную экосистему. И в чем я точно уверена: путь от точечных решений к цифровой основе всей отрасли — это не просто технологический переход, а стратегический выбор в пользу эффективности, продовольственной безопасности и технологического лидерства России.
В чем могут быть риски искусственного интеллекта и как можно эти риски минимизировать?
Если смотреть на проблему системно, внедрение ИИ несет несколько основных рисков для любой отрасли.
Грязные данные. ИИ — это зеркало. Если на этапе обучения в систему загрузили неполные, устаревшие или искаженные данные, алгоритм возведет эти ошибки в абсолют. В бизнесе это ведет к неверным стратегическим решениям и финансовым потерям.
Уязвимость цифрового контура. ИИ-системы становятся главной мишенью для хакеров. Подмена данных на входе может заставить алгоритм принять ложное решение, скрыв реальную угрозу.
Технологическая безработица и кризис управления. Риск не в том, что ИИ заменит людей, а в том, что компании бездумно сократят экспертов. Без человека, способного оценить логику машины, система становится неуправляемой.
В сельском хозяйстве ИИ сталкивается со средой высокой неопределенности. Здесь общие риски превращаются в критические угрозы для продовольственной безопасности.
Например, сбои систем в поле. Ошибка в коде обычного чат-бота — это неприятность. Ошибка в коде беспилотного комбайна весом в 15 тонн — это уничтоженный урожай, поломка дорогой техники или угроза жизни людей.
Галлюцинации алгоритмов — ИИ отлично работает в стабильных условиях, но в АПК на него влияют сотни переменных: мутации болезней растений, аномальная погода, структура почвы. Ошибочный прогноз мультиспектрального анализа может заставить систему перелить пестициды или пропустить эпидемию на ферме.
Инфраструктурный разрыв — большинство моделей ИИ требуют постоянного облачного обмена данными. В реальных условиях удаленных регионов, где связь часто пропадает, централизованные системы ИИ становятся бесполезными.
Универсального решения против рисков искусственного интеллекта не существует. Нужен комплексный, инженерный подход. Если мы хотим, чтобы технологии приносили прибыль, а не генерировали убытки, стратегия минимизации рисков должна строиться по определенным правилам.
Первое и самое главное правило — никогда не отдавать искусственному интеллекту право финального голоса. ИИ — не замена сотрудника, а его сверхмощный когнитивный ассистент.
Алгоритм может обработать гигабайты спутниковых снимков за секунды, найти аномалию и предложить схему внесения удобрений. Но окончательное решение принимает человек. Ответственность, в том числе юридическая, остается за ним. Это полностью нивелирует риск так называемых «галлюцинаций» нейросетей.
Второе — устранять инфраструктурный разрыв. Зависимость от облачных вычислений и постоянного интернет-соединения в реальном секторе — это огромная уязвимость. Глупо разворачивать систему стоимостью в миллионы рублей, которая превращается в груду железа, стоит технике отъехать на пять километров от базовой станции связи.
Решением может стать локальное развертывание оптимизированных нейросетевых моделей прямо на бортовых компьютерах умных тракторов, комбайнов или на контроллерах умных ферм. Автономные комплексы должны самостоятельно осуществлять компьютерное зрение, распознавать сорные растения, корректировать траекторию движения и проводить мониторинг состояния поголовья. Полная автономность вычислений на «конечных устройствах» гарантирует непрерывность технологических процессов даже в условиях стопроцентного отсутствия связи.
Третье — гигиена данных. Если модель учится на искаженных данных, ее выводы будут катастрофическими. Необходимо внедрять жесткие протоколы аудита и верификации всей входящей информации. Более того, чтобы подготовить ИИ к форс-мажорам — например, к аномальной засухе, редким болезням растений или экстремальным синоптическим условиям, искусственно моделируются критические сценарии в цифровой среде с обучением нейросети реагировать на них до того, как они произойдут в реальной жизни. Это защищает систему от ступора при встрече с неизвестными факторами.
Отдельно хочу отметить, что даже при наличии передовых технологий результат от внедрения ИИ будет минимальным без работы над совершенствованием операционной зрелости компаний и готовности интегрировать инновации в производственный контур.
Где, на Ваш взгляд, проходит та граница, за которую мы не должны допускать искусственный интеллект?
Это главный вопрос, который сегодня стоит перед всей мировой технологической индустрией. Нужно четко понимать: искусственный интеллект — это не субъект, это инструмент. Ограничивая ИИ, мы защищаем не алгоритмы, мы защищаем безопасность и суверенитет человеческих решений. Если мы исключим человека из контура управления жизнеобеспечивающими системами, мы создадим неуправляемую угрозу.
У искусственного интеллекта нет сознания, совести и гибкости. Он оперирует исключительно математической статистикой прошлого опыта.
Машину нельзя допускать к вынесению судебных приговоров, определению степени виновности людей, принятию ключевых кадровых решений. Как только мы делегируем алгоритму это право, мы заменяем справедливость холодным математическим кодом. А код, как показывает практика, легко перенимает человеческие предвзятости, возводя их в абсолют.
ИИ не должен заменять человеческий мозг в научном поиске и воспитании новых поколений. Если мы полностью переложим на ИИ функции анализа, проектирования, обучения и созидания, человечество столкнется с когнитивным регрессом.
Можно ли доверить ИИ какие-то управленческие задачи, или его функции могут быть только вспомогательные – сбор информации, ее систематизация и тому подобное?
Сегодня технологии ИИ не просто помогают систематизировать данные — они берут на себя полноценные управленческие функции: от тактического планирования до стратегического анализа и риск-менеджмента. При этом ИИ — это инструмент управления, который усиливает, но не заменяет полностью человеческую экспертизу.
ИИ используется для прогнозирования финансовых рисков, выявляя неочевидные нелинейные закономерности, которые упускают традиционные модели, что повышает точность прогнозов.
43% предприятий АПК рассчитывают на ИИ и робототехнику для решения кадрового голода. Автономные системы позволяют повысить безопасность труда, заменяя человека на опасных участках и в условиях дефицита кадров.
Будущее АПК — за эффективным сотрудничеством человека и ИИ. И здесь искусственный интеллект выступает как высококлассный аналитик и советник: он обрабатывает массивы данных, моделирует сценарии, выдаёт обоснованные рекомендации. Но окончательное решение — запускать или нет посевную, менять логистику, корректировать цены — остаётся за агрономом, инженером или руководителем хозяйства. ИИ расширяет их возможности, но не берет за них ответственность.
Здесь есть несколько ключевых моментов, которые часто недооценивают.
Первый – прозрачность ИИ. Мы должны понимать, почему ИИ предложил то или иное решение. Никакого «чёрного ящика». Поэтому сегодня при внедрении в АПК требуются технологии объяснимого искусственного интеллекта. Система обязана показать: на основе каких факторов, с какими рисками она выдала прогноз. Только тогда у агронома или управляющего фермой возникает доверие и возможность эффективно контролировать процесс.
Второй момент — и он, пожалуй, самый недооценённый — это данные. Любая нейросеть работает по принципу «мусор на входе — мусор на выходе». Если у нас разрозненные, неверифицированные, нестандартизированные данные с полей и ферм, никакой, даже самый продвинутый ИИ не сможет принять верное управленческое решение. Поэтому успех цифровизации начинается с инвестиций в очистку, нормализацию и унификацию данных. Без этого потенциал ИИ раскрыт не будет.
И последний — устранение цифрового неравенства. Крупные агрохолдинги уже внедряют ИИ-управление, а малые фермеры не имеют доступа к этим решениям. Необходимо развивать государственные и частные инициативы — например, субсидирование облачных платформ с ИИ или открытые отраслевые API. Задача — сделать управленческие алгоритмы доступными и для среднего, и для малого сельхозпроизводителя, чтобы избежать перекосов в отрасли.
ИИ можно и нужно доверять выполнение управленческих задач, в том числе в таких важных сферах, как финансовое планирование и управление рисками. Однако это доверие не должно быть слепым. Ключ к успеху — в ответственном подходе, создании прозрачных алгоритмов и сохранении решающей роли человека в принятии стратегического решения.
Фото: Ставропольский ГАУ, АО «Агропромцифра»
Мнение спикера может не совпадать с позицией редакции
