В СИБУРе столкнулись с типичной для крупной промышленности проблемой: корпоративный справочник материально-технических ресурсов (МТР) содержал сотни тысяч позиций, значительная часть которых дублировала друг друга под разными наименованиями. Например, «Кабель ВВГнг 3×2.5» и «провод ВВГнг-LS 3×2.5 ГОСТ» — для инженера одно и то же, но для системы это разные товары, что приводило к закупкам уже имеющихся на складе материалов и лишним расходам. Проект стартовал на внутреннем хакатоне, где команда отобрала из 12 гипотез наиболее перспективную — поиск аналогов МТР, и вскоре разработала первый прототип на подшипниках, который показал жизнеспособность подхода. Эта проблема оказалась масштабнее, чем казалась на первый взгляд: по данным СИБУРа, 43% базы из более чем 400 000 позиций составляли дубли и синонимы, а филиалы закупали одинаковые материалы под разными названиями, не видя связи между ними. До внедрения решения специалисты ТОиР вынуждены были вручную листать базу в SAP SRM, полагаясь на личный опыт и знание предметной области, что было медленно и ненадёжно.

Первоначально алгоритм не использовал нейросети для самого поиска: языковая модель применялась лишь для интерпретации «кривых» запросов, например, строки «Подшипник 30×62×16 ГОСТ 8338-75» разбирались на характеристики. Сам поиск строился на трёхуровневой системе: блокирующие правила исключали заведомо неподходящие варианты, точные совпадения по размерам и артикулу давали «сильный аналог», а близкие совпадения распознавали разные написания брендов, таких как SKF и СКФ. Скорость поиска составляла менее 0,1 секунды, но важнее была честность подхода: для точных размеров нейросеть не требовалась, и её не добавляли искусственно. Такой гибридный подход позволял быстро получить работающий прототип на ограниченной номенклатуре подшипников (20 000 наименований) и продемонстрировать заказчику реальную ценность решения, не перегружая его сложной инфраструктурой.

Когда систему расширили на кабели, задвижки, насосы и крепёж, стало очевидно, что жёсткие правила не масштабируются: у МТР нет единого артикула, описания различаются по длине и формулировкам, а синонимы материалов и размеров создают множество вариантов. Это потребовало перехода к семантическому поиску, что привело к созданию четырёхшаговой архитектуры: нормализация названий, понимание запроса с помощью LLM, поиск по смыслу и выдача вердикта по шкале от A (точный аналог) до D (не аналог). Каждый результат сопровождался пояснением на русском языке, что совпало и что отличается, что критически важно для инженеров, принимающих решения. Шкала вердиктов позволяла не просто выдавать бинарный ответ, а давать инженеру контекст: A — характеристики идентичны, B — малые отличия, C — значимые отличия, требующие проверки, D — не аналог. Это повышало доверие к системе и снижало риск ошибок при закупках.

Однако проверка точности алгоритма выявила проблему: дистанционная валидация с заводами работала плохо — ответы приходили медленно и противоречиво. Тогда команда отправилась на площадку «Нижнекамскнефтехим», где вместе с технологами разобрала категории материалов и выяснила, какие характеристики действительно критичны для подбора, а какие нет. Оказалось, что единого правила «что важно» не существует, и его можно определить только в поле, после чего критерии были заложены в справочник категорий, что повысило точность и объяснимость системы. Например, для подшипника критичны диаметр, тип и класс точности, а для расходных материалов — совершенно иные параметры. Эта командировка стала поворотным моментом: она показала, что ИИ-решения в промышленности требуют глубокого погружения в производственные процессы и тесного взаимодействия с инженерами, иначе алгоритм рискует остаться «игрушкой», оторванной от реальности.

В процессе развития системы случилась показательная ошибка: при добавлении подсказки о цене алгоритм однажды выдал задвижку Flowserve за 1 рубль, а подшипник SKF за 34 рубля, поскольку внутренний код в каталоге СИБУРа совпал с посторонним товаром в интернете. Этот случай привёл к важному выводу: уверенно-неверный ответ не должен проходить без проверки человеком, поэтому от поиска по внутреннему коду отказались в пользу поиска по бренду и названию, добавили перекрёстную проверку источников и человеческое подтверждение сомнительных результатов. Урок универсален: защита в критичных процессах строится не на точности модели, а на архитектуре проверки. Этот инцидент подчёркивает, что даже самые продвинутые алгоритмы нуждаются во встроенных механизмах контроля, особенно когда речь идёт о закупках, где ошибка может стоить миллионы.

Итоговые показатели впечатляют: точность подбора составила 98,4%, что подтверждено на выборке из 1800 позиций на площадке НКНХ, а экономический эффект превысил 1 миллиард рублей. Для российского рынка это значимый пример того, как ИИ решает не абстрактные задачи, а конкретные производственные боли, снижая издержки и повышая эффективность закупок. В отличие от западных аналогов, которые часто требуют значительной доработки под локальные стандарты, данное решение учитывает специфику ГОСТов и внутренних кодов, что делает его более адаптированным к условиям отечественных предприятий. Успех СИБУРа может стать ориентиром для других промышленных гигантов, которые ищут пути цифровой трансформации, показывая, что даже «скучные» задачи, такие как очистка справочника МТР, способны приносить ощутимую финансовую отдачу.

Впереди — масштабирование системы на другие категории МТР и филиалы СИБУРа, а также интеграция с существующими ERP-системами для автоматизации процесса закупок. Открытым остаётся вопрос о том, как система будет вести себя при появлении новых материалов и изменении стандартов, а также как обеспечить постоянное обновление справочников синонимов и характеристик. Разработчики подчёркивают, что ключевым фактором успеха стало сочетание технологий с глубоким пониманием производственных процессов, что требует тесного взаимодействия ИИ-специалистов и инженеров на всех этапах — от гипотезы до внедрения. Без такой синергии даже самая точная модель рискует остаться невостребованной, а при правильном подходе ИИ становится надёжным помощником, который не только экономит ресурсы, но и высвобождает время специалистов для более сложных задач.