ИИ и автопром: почему GM делает ставку на софт и автономию

Крупные автоконцерны всё меньше похожи на «заводы с конвейером» и всё больше — на продуктовые IT-компании. Генеральный директор GM Мэри Барра прямо требует, чтобы в автомобилях стало больше вычислительной мощности, а ключевые функции — от управления до сервисов — переходили под контроль софта. На этом фоне показательно, что одним из главных кандидатов на роль преемника Барра называют Стерлинга Андерсона — человека из мира автономного вождения и больших продуктовых платформ.

Для рынка транспорта и логистики это не светская хроника. Это сигнал: AI-first подход в автопроме становится критерием лидерства. Если топ-менеджер способен собрать команду, перестроить архитектуру автомобиля под software-defined vehicle и довести автономные функции до эксплуатации, значит компания сможет зарабатывать не только на продаже «железа», но и на цифровых сценариях — включая коммерческие перевозки, безопасность автопарков и оптимизацию затрат.

Ниже разберу, почему ставка GM на софт и автономию важна, где здесь реальная роль ИИ/ML, и какие практические выводы стоит сделать тем, кто управляет перевозками, автопарками и логистическими операциями.

Смена лидера как индикатор: автокомпания становится софт-компанией

Ключевой факт: назначение «софт-ориентированного» лидера — это не PR, а способ закрепить стратегию: автомобиль должен стать платформой, а не разовой покупкой.

Андерсон пришёл в GM в 06.2025 как chief product officer после опыта в Tesla (Model X и AutoPilot) и в Aurora (автономные грузовики). Такой бэкграунд важен по одной причине: он про масштабирование сложных систем — от сенсоров и моделей восприятия до обновлений по воздуху и продуктовой экономики.

Почему это меняет правила игры в транспорте

В логистике давно понятно: выигрывает не тот, у кого больше машин, а тот, кто лучше управляет данными и процессами. Автопроизводители приходят к той же логике:

• Софт становится центром стоимости: функции можно добавлять, дорабатывать, монетизировать подписками.
• Данные становятся активом: телематика, события безопасности, деградация батареи, стиль вождения — всё это топливо для ML.
• Обновления по воздуху ускоряют цикл улучшений: меньше «сервисных кампаний», больше A/B-проверок функций.

Для перевозчиков это означает: через 2–5 лет на рынок массово выйдут машины, которые изначально спроектированы как «подключённые» и готовые к интеграции с системами управления автопарком.

Software-defined vehicle: где ИИ реально живёт внутри автомобиля

Прямой ответ: ИИ в современных авто — это не «автопилот как шоу», а набор моделей и сервисов, которые делают транспорт управляемым, предсказуемым и экономичным.

GM уже демонстрирует, что функции могут приходить «по сети»: например, обновления мультимедиа и режимы управления. Это витрина. Главная ценность — глубже: когда софт начинает контролировать больше механики (в статье упоминаются рулевое управление и торможение), компания получает возможность строить единый контур управления автомобилем.

Три слоя ИИ, которые важны для бизнеса

1. Восприятие и помощь водителю (ADAS → автономность)

   • компьютерное зрение, трекинг объектов, оценка рисков;
   • сценарии безопасности: предупреждения, удержание полосы, адаптивное управление.

2. Диагностика и предиктивное обслуживание

   • модели, которые прогнозируют отказ узлов по телеметрии;
   • оптимизация ТО: меньше простоев, точнее планирование запчастей.

3. Энергоменеджмент и стоимость владения (особенно для EV)

   • прогноз остатка хода и деградации батареи;
   • оптимизация зарядки под маршруты и тарифы;
   • управление тепловыми режимами батареи для продления ресурса.

Короткая формула: софт превращает автомобиль в управляемый актив, а ИИ — в актив, который учится на эксплуатации.

Автономные грузовики и логистика: почему опыт Aurora важнее, чем кажется

Суть: автономность для грузоперевозок — это прежде всего экономика стабильности, а не «вау-эффект».

Андерсон участвовал в развороте Aurora от роботакси к автономным грузовым перевозкам и выводе беспилотных грузовиков на дороги в Техасе. Для логистики это логично: магистральные перевозки проще стандартизировать, чем городские поездки. Меньше хаоса, больше повторяемых сценариев, проще доказать безопасность.

Что это даёт перевозчикам (даже без полного беспилотника)

Даже если «полная автономность» в городе — история более длинная, промежуточные технологии уже сейчас дают измеримые эффекты:

• Снижение аварийности за счёт контроля дистанции, предупреждений и мониторинга внимания.
• Ровный стиль вождения → экономия топлива/энергии и меньше износ.
• Стандартизация качества рейса: меньше зависимости от человеческого фактора.

И вот где лидеры автоконцернов становятся важны: кто сумеет довести эти функции до стабильного продукта (а не демо), тот станет поставщиком «инфраструктуры эффективности» для автопарков.

Электромобили, прибыль и батареи: логистика затрат решает всё

Прямой ответ: прибыльность EV — это не только цена батареи, но и управление цепочкой поставок, качеством и сервисом. ИИ здесь — рабочий инструмент.

GM признаёт сложный период: списания по EV-бизнесу, пересмотр планов, паузы в проектах. На рынок влияет и политика: отмена федеральных субсидий в США ухудшила экономику спроса. Это важно понимать российскому читателю не из-за деталей США, а из-за общего принципа: как только исчезают стимулы, остаётся только операционная эффективность.

Андерсон делает ставку на LMR-батареи (lithium manganese-rich), которые по стоимости сопоставимы с LFP-подходом, популярным у китайских производителей, и оценивает потенциал снижения себестоимости крупных EV примерно на 10 000 долларов на автомобиль (горизонт — 2028).

Где ИИ помогает сделать EV-бизнес устойчивым

1. Оптимизация производственных параметров

   • ML-модели для контроля качества ячеек и раннего выявления дефектов.

2. Планирование запасов и поставок

   • прогнозирование спроса и потребности в компонентах;
   • снижение избыточных складских остатков.

3. Управление жизненным циклом батареи

   • прогноз деградации на уровне партии/поставщика;
   • стратегии гарантии и вторичного использования.

Для логистических компаний, которые рассматривают электрификацию автопарка, вывод простой: нужно считать TCO (стоимость владения) как модель, а не как таблицу. ИИ-подходы в планировании маршрутов и зарядной инфраструктуры часто дают больше, чем «скидка на покупку».

Главный риск: люди, процессы и «проклятие пришельца»

Ключевой тезис: технологическая стратегия проваливается не из-за моделей, а из-за организационной несостыковки.

В тексте прямо звучит «проклятие пришельца» — историческая проблема Детройта: внешних лидеров часто «перемалывает» корпоративная инерция. Это очень знакомо любому бизнесу, который пытается внедрить AI/ML в критичные процессы: сопротивление возникает не потому, что «все против прогресса», а потому что цена ошибки высока, а изменения затрагивают ответственность.

Что GM придётся сделать правильно (и чему стоит поучиться логистике)

Андерсон говорит о «хирургических изменениях», а не о ломке. На практике это означает:

• Единая продуктовая архитектура: платформа, API, стандарты данных, управление релизами.
• Кадровая перезагрузка: не просто нанять ML-инженеров, а связать их с эксплуатацией, безопасностью и юридическими требованиями.
• Культура качества софта: тестирование, телеметрия, быстрый откат обновлений.

Для транспортных компаний это зеркальная ситуация. Если вы внедряете ИИ для маршрутизации, безопасности или прогнозирования спроса — не начинайте с «внедрим модель». Начинайте с данных, ответственности, метрик и процесса принятия решений.

Практический чек-лист для руководителей автопарков (на 2026 год)

Если вы хотите подготовиться к «автомобилю как платформе», вот что работает:

1. Определите 3 бизнес-метрики, которые ИИ должен улучшить: аварийность, простои, расход топлива/кВт⋅ч, выполнение SLA.
2. Соберите контур данных: телематика, ТО, рейсы, инциденты, погодные/дорожные факторы.
3. Начните с пилота на 1–2 типах маршрутов (например, магистральные рейсы), где легче измерить эффект.
4. Включите безопасность и юристов в дизайн проекта с первого дня.
5. Требуйте интеграций, а не «отдельного кабинета»: ИИ должен жить в TMS/FMS, а не рядом.

Что будет дальше: лидерство = способность поставить ИИ «на рельсы»

GM хочет к 2028 году запустить полноценную программную систему автомобиля и довести функции до режима, где водитель может не смотреть на дорогу на трассе; дальше — амбиция выйти в городские сценарии. Но реальная проверка лидерства будет не в презентациях. Она в том, получится ли:

• стабильно выпускать обновления без «трёхмесячных пауз на исправление»;
• собрать команду софта после сокращений и уходов ключевых людей;
• довести автономные функции до массового продукта и понятной ответственности;
• сделать EV экономически устойчивым, не надеясь на субсидии.

Эта история напрямую ложится в нашу серию «Искусственный интеллект в транспорте и логистике»: ИИ перестал быть отдельным проектом. Он становится способом управлять активами, рисками и маржой — от автомобиля до цепочки поставок.

Если вы отвечаете за перевозки или логистику, лучший момент начать — сейчас, в конце 2025 года: бюджеты на 2026 уже формируются, и компании, которые заложат данные, интеграции и пилоты, окажутся в позиции силы, когда «софт-автомобили» станут нормой.

Вопрос, который стоит поставить на ближайшем стратегическом совете: ваш автопарк и ваша логистика готовы работать как система, которая учится на данных — или всё ещё живут в режиме ручного управления?