Миронов В.О., Кальченко С.Н.

Приветствую вас, бравые хаброжители ;-) В наше время искусственный интеллект очень быстро развивается, при этом, вносит значительные коррективы в развитие различных профессий, диктуя там свои правила и виденье. При этом основные козыри — это скорость, время и профит. В этом контексте мы и будем говорить о сложившейся ситуации, а именно, о дифференцированной трансформации профессий. 

Да-да, все видели, эти километровые лонгриды, когда ИИшка выкатывает список профессий, которые попадают под трансформацию. При этом какие-то прогнозы сбываются какие-то нет, как и в целом всё в жизни. Однако, почему именно дифференцированной, да всё потому что, профессии даже не столько дифференцируются, сколько видоизменяются, но их суть остаётся той же. Бывает даже так, что не всегда удаётся охватить весь спектр нововведений. 

Почему вообще такая мысль появилась (именно написание статьи), это было связано с тем, что не так давно я участвовал в хакатоне DRW (HFT Trading) (DenoiseLAB) и там я увидел такую вещь, что вся разработка сейчас — это в массе своей, мультиагентная тема. То есть мультиагенты стали новый «слоем» кода. Уже сейчас есть оркестраторы мультиагентов, многочисленные коммуникаторы и анализаторы. Я никогда не видел за всё моё участие в хакатонах (а их было уже 15 штук, и я руководитель большого студенческого клуба Финансового университета при Правительстве РФ, который насчитывает уже 136 человек) чтобы лидерборд так «лихо» менялся. 

Более того, я даже скажу, что сейчас мы пришли к тому, что код, ведёт постоянную самоэволюцию и пересматривает устоявшиеся паттерны, даже внутри себя. Я по роду деятельности сейчас читаю больше кода, чем его реально пишу и могу сказать, что он эволюционирует, уже как самостоятельная личность. Думаю, что скоро надо будет вводить классификацию на стили кодирования и паттерны, здесь уже господа, извиняйте, ИИшка задаёт тренды. Даже больше не задаёт, а, наверное, она невольно классифицирует, то, что наработано нами людьми. Но об этом «скрытом» её влиянии поговорим в следующей статье. Забегая вперёд, дорогой читатель, могу сказать, что единого языка не будет. Хотя недавно с товарищем мы придумали такой, конечно же, ИИшка помогла нам в этом, но об этом в следующей статье. Да-да, статей будет много, очень, очень.

В этой работе хотелось бы поговорить о таком интересном явлении, как дифференцированной трансформации профессий вследствие широкого внедрения ИИ-агентов. Мы рассмотрим одну из самых крупных отраслей: Агропромышленный комплекс (АПК). Эта сфера идеальна для анализа, поскольку здесь одновременно используются самые разнообразные ИИ-системы: от агропилотов до видеоаналитики на фермах. На примере АПК мы увидим, как ИИ трансформирует профессии и какой это имеет результат. Кстати, положительный экономический эффект этого явления неоспорим уже сейчас: по прогнозам НИУ ВШЭ, внедрение ИИ может увеличить валовую добавленную стоимость (ВДС) в растениеводстве на 25%, а в животноводстве — на 13% к 2025 году.

Также здесь скажу, у нас был хакатон, помнится от DSWorks, там мы предсказывали, как будет расти соя в зависимости от её генотипа. Там же мы учитывали погоду, солнечную инсоляцию, состав почвы. Суть была очень простая, это выяснить, какой сорт (генотип) сои высаживать, чтобы получать как можно больше урожая с квадратного метра. На kaggle также очень много подобных челленджей, но привожу его здесь, чтобы с одной стороны показать, как всё эволюционирует, с другой, что работа идёт сразу по всем фронтам и данные, и модели и железо. Итак, други, далее будет перечисление разных направлений и если вам тема интересна, погнали ;-)

I. Растениеводство: От Руля к Консоли

Начнём, пожалуй, с растениеводства. Когда мы говорим о сельском хозяйстве, в голове сразу возникают картины бескрайних полей, убегающих за все горизонты сразу. И здесь в этом есть именно преимущество, нежели проблема, именно масштаб этой работы сделали растениеводство идеальной мишенью для AI-технологий (много данных, они разнородные, много экспериментов, так что есть где развернуться).  

Подумайте сами: как обеспечить одинаковый уход и контроль над тысячами гектаров? Классический ручной труд с этим не справляется. Поэтому ИИ-агенты здесь — не роскошь, а необходимость. Они берут на себя рутинный труд, чтобы максимизировать эффективность на каждом квадратном метре. Вот для примера несколько стартапов и готовых фирм, которые активно применяют ИИ в этой сфере:

• Cognitive Pilot (Россия): Автономная система для тракторов и комбайнов на базе ИИ, обработавшая миллионы гектаров; снижает потери и экономит ресурсы на 20–40%.

• Prospera (Израиль): Платформа анализирует данные с камер для выявления вредителей, болезней и дефицита питательных веществ в реальном времени, оптимизируя управление урожаем в теплицах и на открытых полях.

• CropX (Израиль): Облачная система с датчиками почвы даёт рекомендации по поливу и удобрениям на основе ИИ, повышая устойчивость и урожайность.

• Sencrop (Франция): Предоставляет метеостанции и сенсоры для мониторинга погоды, влажности почвы и здоровья растений с предиктивной аналитикой.

• Arugga AI Farming (Израиль): Роботы собирают данные внутри теплиц для раннего обнаружения вредителей и прогнозирования урожая

В частности, изменения претерпевают механизаторы. Трансформация в этой импакт-группе — классический пример замещения рутинных функций. На смену изнурительному вождению приходит контроль за алгоритмами. Одним из ярких примеров является система Cognitive Agro Pilot на агропредприятии "Победа", которая превращает обычную сельскохозяйственную технику (комбайны, тракторы) в полноценные автономные единицы.

Как это работает?

• ИИ-агент использует комплекс сенсоров и компьютерное зрение (камеры), а не только GPS. Система ориентируется не просто по спутнику, а "видит" границы поля, ряды скошенной культуры или валки, обрабатывая изображение в реальном времени.

• ИИ-агент постоянно принимает решения о траектории движения, корректирует курс и самостоятельно объезжает препятствия (например, столбы, деревья).

• Самое главное: система контролирует не только движение, но и работу навесного оборудования. Это гарантирует полный захват жатки, что исключает пропуски или двойную обработку одних и тех же участков.

Что это дало?

• Экономический рост: Агропредприятие, внедрившее эту систему, повысило производительность на 25% (техника может работать круглосуточно) и снизило потери урожая на 13% (за счет точности, исключающей пропуски).

• Изменение профессии: Роль обычного тракториста исчезает, но на ее месте возникает роль инженера-оператора. Его работа смещается из кабины — к планшету и консоли. Он отвечает за тонкую настройку ПО, калибровку сенсоров и оперативное вмешательство при нештатных ситуациях. Успех теперь зависит не от физической выносливости, а от цифровой грамотности и навыков технического контроля.

• ИИ-агенты предоставляют новые возможности для анализа данных, оптимизации расходов и максимально точного управления ресурсами, что невозможно достичь при ручном контроле.

Один из примеров — компания Blue River Technology, которая с помощью компьютерного зрения и роботов реализует систему точечного применения гербицидов. Их технология See & Spray наносит препараты только на сорняки, практически полностью исключая обработку культурных растений. Это снижает расход гербицидов до 90%, помогая фермерам значительно сократить издержки и минимизировать вредное воздействие химикатов на окружающую среду. Внедрение таких систем требует нового типа специалистов, способных управлять и обслуживать высокотехнологичные роботы и анализировать получаемые данные, что меняет квалификационные требования в отрасли.

Дроны и IoT-датчики также активно меняют работу в поле. Дроны DJI Agras, к примеру, способны обработать до 30 гектаров за один полёт, что существенно ускоряет обработку посевных площадей и снижает трудозатраты. Благодаря возможности оснащения различными сенсорами, они помогают собирать данные о состоянии культур, уровне увлажнённости, выявлять заболевания и вредителей на ранних стадиях. IoT-датчики, установленные в почве и на растениях, мониторят за показателями влажности, температуры, содержания питательных веществ и других важных параметров. Эти данные интегрируются с системами прогнозов, что позволяет повысить урожайность до 5% благодаря точному контролю и своевременному реагированию на проблемы.

Такая цифровизация кардинально меняет роль агронома. Он трансформируется из специалиста, ориентированного на практические полевые работы, в агронома-аналитика и стратега. ИИ-агенты снимают с него рутинную задачу диагностики; вместо этого его фокус смещается на интерпретацию предиктивных моделей и принятие стратегических решений. Агрономы получают новые информационные инструменты в виде прогнозных данных, которые были недоступны ранее. Однако, человеческий взгляд все же необходим и с человека не снимается роли работы в поле. 

II. Животноводство: предиктивная забота о здоровье

В отличие от полей, где ИИ-агенты заменяли рутинное вождение, здесь фокус совсем другой: контроль за каждым животным. Их задача — перевести уход за стадом из «интуитивного» в цифровой и предиктивный. Начнём с самого простого — кормления и содержания. На классической ферме это трудозатратный процесс, который сильно зависит от человеческого фактора. Как AI берёт на себя рутину? Возьмём характерный пример — систему SmartFeeding AI на современных молочных фермах. ИИ-агент постоянно анализирует данные о продуктивности, весе и даже периоде лактации каждой коровы. В результате ИИ автоматически корректирует рацион для каждой особи, обеспечивая идеальное питание. Человеку это было бы просто не по силам. 

На фермах, внедривших SmartFeeding, потери корма снижаются примерно на 15%, а удой растёт на 12% благодаря точного подбора питания. Профессия «дояр» или «скотник» в привычном понимании уступает место оператору автоматизированных линий, при этом контроль со стороны человека никто не отменяет, ибо оператор может проводить сбор данных более полно, чем любая ИИ-система, данные системы являются не только системами мониторинга, но и поддержки принятия решений.

Следующий, более сложный, слой трансформации — это мониторинг здоровья. Это самая дорогая и рискованная часть животноводства, потому что болезни быстро распространяются. Большую роль играет качественная диагностика. Теперь эту работу берут на себя камеры и компьютерное зрение. Компании, вроде, AnimalEyeQ используют видеоаналитику, чтобы круглосуточно отслеживать каждую особь, идентифицируя её с точностью до 99%. AI-агент ищет незаметное: он отслеживает мельчайшие изменения в поведении, например, еле заметную хромоту или необычную позу — маркеры, которые человек мог бы заметить лишь через дни. Добавьте сюда робота-зоотехника, который контролирует микроклимат и чистоту, минимизируя контакт человека с животными и снижая безопасность. Что это дало? В итоге зоотехник и ветеринар получают систему раннего оповещения, позволяющую изолировать и лечить животное до того, как болезнь разовьётся. «Ручной» зоотехник превращается в зоотехника-стратега. Его главный фокус — это интерпретация данных с дашбордов, принятие решений на основе алгоритмических рекомендаций и обслуживание сенсоров и камер. Таким образом, формируется система поддержки принятия решений для зоотехника. 

Важно понимать, что внедрение ИИ в животноводстве хорошо масштабируется. Одна команда, работающая с цифровыми системами, может эффективно управлять существенно бо́льшим поголовьем, чем в классической модели. Это ведёт к двум ключевым эффектам: Экономический эффект: снижение себестоимости и рост конкурентоспособности, что подтверждается прогнозами: рост валовой добавленной стоимости (ВДС) в животноводстве при внедрении ИИ составит порядка 13% к 2025 году.

II. Селекция: от поля к виртуальной лаборатории

Традиционная селекция всегда была долгой и непредсказуемой лотереей. Выведение нового сорта зерновых или породы скота, устойчивой к новому вирусу, могло занимать 10, а то и 15 лет тяжёлой, полевой работы. Селекционер должен был ждать, пока урожай вырастет, чтобы оценить его свойства. Что меняет ИИ? Используя геномику и машинное обучение, компьютер может проанализировать данные тысяч геномов и предсказать, какой гибрид будет самым урожайным, устойчивым к засухе или болезням, даже не сажая его в землю. 

Показательный пример — компания Heritable. Они используют мощные AI-модели и базу из порядка 14 000 генетических образцов. Система анализирует данные, прогнозируя, какие комбинации признаков дадут нужный результат. Механизм работы уникален: мы получаем «виртуальную лабораторию», где компьютер перебирает миллионы генетических комбинаций. Алгоритм ищет не просто «удачное скрещивание», а оптимальную ДНК-последовательность для получения нужного нам свойства. В итоге это сокращает цикл выведения нового сорта или улучшения породы с 10–15 лет до 3–5 лет. Выгода от такой скорости для глобального рынка, который постоянно борется с изменением климата и новыми болезнями, просто невероятно. 

Роль селекционера трансформируется в роль вычислительного генетика. Его задача — не скрещивать растения вручную, а ставить задачу алгоритму, проверять его сложные гипотезы и интерпретировать массивы генетических данных, которые ИИ выдаёт. Важно и то, что селекция уже не существует в отрыве от остального цифрового контура. Данные из полей и результаты производственных испытаний возвращаются в модели, замыкая цикл «данные — модель — поле — данные». Это усиливает взаимосвязь между селекционерами, агрономами и менеджерами. В итоге профессия селекционера перестаёт быть «штучным ремеслом», основанным только на опыте и интуиции. Она превращается в высокотехнологичную аналитическую деятельность, встроенную в общую систему управления агробизнесом и использующую ИИ-агентов как ключевой инструмент ускорения и повышения точности решений.

Заключение

Теперь после рассмотрения всех кейсов, становится очевиден главный тренд. ИИ-агенты не только трансформируют старые роли, но и создают абсолютно новые, высокоинтеллектуальные профессии. Это роли, которые не могли существовать без огромного объёма данных и сложных алгоритмов, генерируемых AI-агентами:

• Инженер по интеграции AI-систем в АПК: Он занимается не только обслуживанием техники, но и калибровкой, настройкой и обеспечением совместимости сложнейших программных комплексов — от автопилота комбайна до лабораторных баз данных.

• Специалист по управлению агрономическими данными (Data Scientist): Это мозг, который создаёт предиктивные модели на основе всех данных фермы, чтобы оптимизировать работу всего хозяйства и выявлять глобальные закономерности.

• Биоинформатик: Необходим в связке с селекционером-аналитиком для создания и поддержки генетических баз данных и платформ машинного обучения.

Источники:

1. Искусственный интеллект в агропромышленном комплексе России: возможности и барьеры внедрения // Аналитический доклад Yakov & Partners. – М., 2023.

2. Искусственный интеллект в сельском хозяйстве // Официальный портал решений на основе ИИ. – 2025. – URL: developers.sber.ru/help/gigachat-api/ai-agricultural (дата обращения: укажи сам).

3. Ключевые тренды в сельском хозяйстве с использованием ИИ // Milknews. – 2025. – Режим доступа: https://milknews.ru/longridy/AI-v-selskom-hozjajstve.html

4. Искусственный интеллект и машинное обучение в сельском хозяйстве (кейсы применения, в т.ч. Cognitive Agro Pilot) // AI Russia: кейсы. – 2023–2025 гг. – URL: ai-russia.ru/case/sel'skoe-hozjajstvo

5. Cognitive Agro Pilot: автономное управление сельхозтехникой (кейсы агропредприятия «Победа» и др.) // Материалы компании Cognitive Pilot и отраслевые обзоры по ИИ в АПК.

6. Blue River Technology. See & Spray: precision weed control machine // Официальный сайт компании Blue River Technology и материалы SBIR-STTR Success. – 2018–2023 гг.

7. Практики применения искусственного интеллекта в сельском хозяйстве // ict.moscow – 2025. – URL: https://ict.moscow/projects/ai/research/praktiki-primeneniia-iskusstvennogo-intellekta-v-selskom-khoziaistve/

8. Влияние дронов и искусственного интеллекта на сельское хозяйство // Научные статьи и обзоры на портале CyberLeninka по применению БПЛА DJI Agras в АПК.

9. «Умное поле: как искусственный интеллект и дроны меняют сельское хозяйство» // Ведомости. – 2025.

10. Козицкий Д. Автоматизация животноводства с помощью ИИ // Агроинвестор. – 2025.

11. Искусственный интеллект в управлении животноводством: мониторинг здоровья, видеоаналитика, роботизированные фермы // Отраслевые обзоры по AI в животноводстве (AnimalEyeQ и др.).

12. ИИ-трансформация животноводства: взгляд изнутри // Материалы российских животноводческих комплексов о внедрении «умных ферм» и систем микроклимата. – 2025.

13. Вычислительные способности ИИ помогают селекции // Oleoscope. – 2025.

14. Новые технологии ИИ: ускорение селекции, «умная теплица» и поиск устойчивых сортов // Отраслевой портал (материалы о Heritable и AIселекции). – 2023.

15. Цифровизация агропромышленного комплекса России: проблемы и предлагаемые решения // Аналитический доклад Yakov & Partners. – 2023.

16. Цифровизация АПК способна за 10 лет повысить производительность труда в отрасли на 55% // Strategy.ru. – 2025.

17. Сельское хозяйство 4.0: инновации и технологии // Аналитический обзор по цифровизации сельского хозяйства (Foodsmi). – 2024.

18. ВЦИОМ: использование ИИ в сельском хозяйстве – уровень осведомленности и отношение населения // Agroinvestor / ВЦИОМ. – 2025.

19. Кадровый голод в аграрной сфере: что делать? // Delovoy Mir. – 2024.

20. Искусственный интеллект в сельское хозяйство внедрят с помощью господдержки // Новости о программах поддержки внедрения ИИ в АПК. – 2025.

21. Доклады международных организаций и консалтинговых компаний по влиянию ИИ на рынок труда (ООН, PwC и др.) – 2023–2025 гг.

P.S. Еще больше полезных новостей и нововведений в области ИИ и анализа данных, можно подчерпнуть на нашем канале, будет рады всем, подписывайтесь и оставайтесь в тренде. Так же у нас есть ламповый чатик для обсуждения любых вопросов в области ИИ.

Канал: https://t.me/DenoiseLAB

Чатик: https://t.me/DenoiseLABQuestions