Как и зачем применять искусственный интеллект в агропромышленном комплексе
Внедрение ИИ в агробизнесе: кейс Агрохолдинга «СТЕПЬ»
Агрохолдинг «СТЕПЬ» — один из крупнейших агропромышленных холдингов России. Земельный банк — 578 тыс. га (топ-10 в РФ). Компания работает в пяти ключевых сегментах: растениеводство (1,5 млн т), молочное животноводство (267 тыс. т), сахар и бакалея (60 тыс. т), фасовка и производство сыра (20 тыс. т), элеваторы (500 тыс. т).
В 2020 году холдинг начал системную цифровую трансформацию, а сегодня ИИ и собственные инженерные разработки стали ядром R&D-стратегии. Цель — не эксперименты, а коммерциализация технологий и прямой вклад в прибыль.
Приоритетные направления R&D
Холдинг выделяет три вектора развития:
- Прибыль — снижение себестоимости выращивания культур и совершенствование технологий производства.
- НИОКР — разработка новых устройств, собственный инженерный центр, внедрение новых технологий.
- ИИ — формирование внутреннего центра экспертизы, трансформация команды, тесное взаимодействие ИИ-специалистов с отраслевыми экспертами.
Такой подход позволяет не просто тестировать гипотезы, а быстро масштабировать работающие решения на все почвенно-климатические зоны присутствия холдинга.
Ключевые кейсы внедрения
1. Программное планирование севооборота
Проблема: до 2020 года размещение культур на полях планировалось экспертным (агрономическим) методом — трудоёмко и не всегда оптимально с учётом рыночной конъюнктуры и рисков.
Решение: внедрена оптимизационная модель, которая рассчитывает сценарии размещения культур с учётом агрономических правил, прогнозных экономических параметров, погодных условий и изменений рынка. Система позволяет выбрать наилучшую стратегию с учётом возможных рисков.
2. Автоматизация наземного скаутинга
Проблема: запрет на использование БПЛА и глушение GPS-сигналов ограничивают традиционный мониторинг полей. Требовалось решение, работающее в этих условиях.
Решение: разработан собственный программно-аппаратный комплекс (ПАК), устанавливаемый на полевую технику. Во время полевых операций он автоматически делает снимки, распознаёт сорную растительность, строит тепловые карты сорняков и рассчитывает биологическую урожайность. Получение фактического состояния всех полей с высокой детализацией.
3. Дифференцированная обработка полей
Проблема: сплошная обработка пестицидами ведёт к перерасходу химикатов, особенно на участках без сорняков или с выпавшими деревьями.
Решение: создано устройство, автоматически отключающее форсунки опрыскивателя в местах отсутствия сорной растительности и при выезде из ряда в садах. Аналог AMAZONE AmaSpot. Разрабатывается система для полевых условий, отключающая форсунки там, где нет сорняков.
4. LLM и RAG-системы в административных задачах
Проблема: большой объём рутинных операций: мониторинг законодательства, заполнение ФГИС, обработка первичной документации, распознавание счетов.
Решение: внедрены несколько ИИ-инструментов:
- Цифровая GR-витрина (LLM + RAG): непрерывно отслеживает законодательство и отраслевые изменения, автоматически приоритизирует риски, определяет затронутые подразделения и сроки реакции. Единое цифровое пространство для документов и аналитики.
- Автоматизация заполнения ФГИС: родословные животных в государственной системе заполняются через API. Обработано более 50 тыс. карточек КРС.
- LLM-модель для распознавания первички: обучена гибкая модель для распознавания показателей в документах и формирования счетов в 1С. Развёрнута во внутреннем контуре для безопасности.
5. Цифровизация процесса выращивания культур
Задача: создание цифрового паспорта полей с актуальными показателями плодородия и консолидация лучших практик выращивания по каждой зоне.
Ведётся разработка технологии оцифровки состояния посевов, включая программно-аппаратные комплексы для регулярного мониторинга полей.
Результаты внедрения в цифрах
Отдельно стоит отметить, что все решения разрабатываются с учётом ограничений внешней среды (запрет БПЛА, глушение GPS) — ставка на собственные инженерные компетенции позволяет сохранять технологический суверенитет.
Сводная таблица проектов
| Направление | Описание | Ключевой результат |
|---|---|---|
| Планирование севооборота | Оптимизационная модель с учётом агроправил, рынка и погоды | > 1 млрд ₽ доп. прибыли в год |
| Наземный скаутинг | ПАК на технике: снимки, распознавание сорняков, карты | Рост урожайности до 15% |
| Дифференцированная обработка | Автоотключение форсунок в местах без сорняков/деревьев | Экономия ХСЗР 10%, глифосатов до 50% |
| GR-витрина (LLM+RAG) | Мониторинг законодательства, приоритизация рисков | Раннее предупреждение рисков, экономия времени |
| Автоматизация ФГИС (КРС) | Заполнение родословных через API | Экономия 920 рабочих дней (3,7 года) |
| Распознавание первички | LLM-модель для счетов и документов в 1С | Пилот, развёрнут во внутреннем контуре |
| Цифровой паспорт полей | Данные о плодородии, консолидация практик | В разработке |
Выводы для бизнеса: чему учит кейс «СТЕПИ»
- Цель — коммерциализация, а не хайп. В основе любого внедрения лежит снижение себестоимости или рост выручки. Внутренний R&D-центр работает по принципу «прибыль → НИОКР → ИИ».
- Софт не работает без хардвера. В условиях ограничений (глушилки GPS, запрет дронов) прорыв дают собственные инженерные разработки (ПАК, датчики на технике).
- ИИ — это не только производство. Огромный потенциал скрыт в рутине: обработка документов, законодательных актов и первички через LLM экономит годы рабочего времени.
- Внутренняя экспертиза важнее аутсорса. Компания формирует собственное сообщество ИИ-специалистов, которые погружаются в отраслевые задачи вместе с профильными экспертами.
Вывод прост: агробизнес сегодня — это высокотехнологичная отрасль, где побеждает тот, кто быстрее оцифрует свои поля и процессы.