Восхождение Neo-Integrator: кто заберёт экономику роботизации

Оригинал: avi в X.

В типичном проекте внедрения промышленного робота железо составляет 40–50% общей стоимости. Всё остальное — инженерные услуги, связанные с развертыванием, которые выставляет системный интегратор (Systems Integrator, SI).

SI — это, по сути, forward-deployed инженеры робототехники. Именно они отвечают примерно за 70% из 400 тысяч промышленных роботов, уже развернутых в США. Их работа делится на три фазы: discovery — понять, что и где автоматизировать; development — спроектировать ячейку, написать траектории робота, настроить зрение, обработать edge cases; integration — монтаж, сеть, проверка безопасности, интеграция с WMS/MES/PLC, обучение операторов, отладка и обслуживание. Сегодня именно разработка и интеграция съедают почти весь бюджет проекта: примерно 50% и 40% соответственно.

Есть три структурные причины, почему SI берут столько, сколько берут:

1. Труд дефицитен. Спрос на инженеров промышленной автоматизации растёт более чем на 10% в год, а предложение — всего на 1–2%. Профессиональные училища не закрывают разрыв, а старшие инженеры, которые умеют надзирать за внедрениями, начинают выходить на пенсию.
2. Для заказчика внедрение — разовая стоимость. Большинство клиентов автоматизируются нерегулярно, поэтому нанимают подрядчиков вместо штатной команды. А подрядчики в любой отрасли берут премию.
3. Маржа SI строится на оплачиваемых часах. Это вознаграждает инженерное время, а не пропускную способность, и создаёт структурную силу против более быстрого и дешёвого внедрения.

Совокупный эффект — нижняя граница стоимости, которая исключает большую часть физического труда из зоны экономически разумной автоматизации. Автоматизация окупается только для задач с достаточным объёмом и маржой, чтобы амортизировать шестизначную или семизначную стоимость внедрения. Поэтому промышленная автоматизация спустя 50 лет всё ещё сосредоточена в автопроме, сборке электроники и ещё нескольких высокопоточных вертикалях. Та же экономика делает промышленные ячейки трудными для перепрофилирования.

Robot learning меняет это — или, по крайней мере, мы на это надеемся. Новые foundation models для роботов начинают показывать способности, которые недавно казались невозможными. Превращая кастомную разработку в переиспользуемые данные и политики, они сжимают значимую часть стоимости внедрения. Но физическая работа по интеграции в основном остаётся. Разрыв между тем, что модели умеют в лаборатории, и тем, что нужно, чтобы заставить их работать на площадке, обычно описывают как capability vs deployability — способность против внедряемости. Для инженеров такая рамка нормальна, но она плохо показывает, где находится бизнес-возможность.

Остальную часть текста структурируют два вопроса: где robot learning действительно создаёт ценность — и какой слой забирает излишек?

The Neo-Integrator Playbook

Старый цикл разработки для внедрений был в основном кастомной инженерией: техник пишет траектории робота, настраивает систему зрения, разбирает исключения. Новый цикл разработки — это телеоперация, сбор и обработка данных, а затем post-training модели. Состав труда меняется: дефицитных SI-техников и инженеров заменяют два более дешёвых и доступных ресурса — телеоператоры, которые собирают данные и ведут supervised deployments, и ML-инженеры, отвечающие за жизненный цикл policy. В режиме foundation models данные и policy-активы переносятся дальше. Их ценность ограничена пересечением embodiment, задач и окружений, но предельная стоимость разработки падает с каждым новым внедрением.

Discovery и integration выглядят почти так же, как раньше. Discovery начинает выигрывать от возможности перепрофилировать робота по мере того, как обобщение моделей становится надёжной функцией — например, cross-embodiment. Integration всё ещё site-specific и трудоёмка: проверки безопасности, монтаж, сеть, интеграция с WMS/PLC/MES, обучение операторов, обработка исключений, обслуживание и так далее. По мере сжатия development cost интеграция становится большей долей общей стоимости, что может привести к большему распределению ресурсов на масштабируемость интеграции. А когда общая стоимость сжимается, рынок роботизированной автоматизации может вырасти на порядки: длинный хвост тоже становится покупателем.

Эти компании — «Neo-Integrators». Они используют robot learning, чтобы снизить стоимость разработки. Они используют телеоперацию, чтобы сразу получать выручку и обучающие данные. Они владеют отношениями с клиентом в конкретной вертикали. Уже сейчас таких компаний работают десятки.

Плейбук Neo-Integrator следует кривой возможностей базовых моделей в три стадии.

Стадия 1: телеоперация как мост. Один час телеоперации создаёт сразу две вещи: выручку от клиента и данные для post-training модели. Телеоперация — не новая технология, но экономика вокруг неё изменилась. Клиенты будут за неё платить, потому что альтернатива — держать людей на ролях с высоким риском травм, высокой текучкой и сложным наймом. Операторы обходятся дешевле, чем персонал на площадке, потому что работа может выполняться удалённо, в разных географиях, в пределах допустимой задержки.

Стадия 2: автономность расширяет маржу. Конечное состояние роботизированной автоматизации может быть больше похоже на Waymo с human-in-the-loop, чем на coding agents: гибридный control stack из телеоперации, вмешательств и автоматизации подзадач масштабирует gross margin без требования полной end-to-end автономности. Когда собрано достаточно данных телеоперации, автономность забирает steady-state задачи. Успешность post-training регулярно достигает 95%+ в лаборатории — GEN-1, pi0.7, — хотя production-внедрения robot foundation models всё ещё редки.

Neo-Integrator получает приоритетный доступ к frontier-моделям и post-training инфраструктуре. Lab получает real-world data pipeline, профинансированный клиентской выручкой. Это более устойчивый источник данных, чем standalone data vendors, и со временем он может их вытеснить.

Стадия 3: подготовка к zero-shot. North Star для Intelligence Labs — zero-shot intelligence. North Star для Neo-Integrators — zero-shot deployment. Клиент заказывает робота, распаковывает его и получает пользу в тот же день. Предельная стоимость схлопывается до доставки. Чтобы туда прийти, нужно решить задачи, не имеющие отношения к качеству модели: надёжность железа, plug-and-play setup, управление флотом, сервис и логистика, человеко-роботные интерфейсы. Humanoid-компании вроде Figure и 1X делают ставку, что смогут добиться этого с первого дня.

Почему Neo-Integrators победят

Аналогия с LLM полезна, но её важно правильно понять. В LLM distribution — это API и consumer brand, оба легко переключаемы. Anthropic и OpenAI защищают эту дистрибуцию, строя продукты вокруг модели — Claude Code, потребительские поверхности ChatGPT, — которые накапливают usage и brand. В робототехнике дистрибуция intelligence — это сам робот, которого на большинстве клиентских площадок ещё нет. Когда-нибудь model generalization между embodiment может сделать switching costs пренебрежимыми, но внутри этого окна компания, владеющая deployment, владеет клиентом.

Вертикальная специализация — механизм накопления доли рынка внедрений. Data flywheel и integration playbook специфичны для вертикали. Например, Neo-Integrator в 3PL-складах накапливает warehouse-specific данные — задачи, окружения — и операционное integration know-how, которое усиливается внутри 3PL, но не переносится напрямую в пищевую переработку. При этом каждый 3PL-объект может обслуживать нескольких клиентов с разными правилами инвентаря, биллинговой логикой, SLA, требованиями к маркировке и конфигурациями WMS.

Психология клиентов усиливает специализацию. Покупатели обычно работают в низкомаржинальном бизнесе — ниже 30% — и ставят выше всего надёжность, сроки и предсказуемые затраты. Когда роботы Neo-Integrator встроены в ключевые рабочие процессы, риск и стоимость перехода на другой стек редко оправдывают маржинальную выгоду.

Когда Neo-Integrator получает плотность флота внутри клиентской площадки, естественные следующие слои выручки — сопутствующие сервисы: обслуживание флота и предсказуемые maintenance contracts, запчасти и расходники — например, end effectors и сенсоры, — а со временем финансирование и/или страхование от отказов железа и проблем надёжности. Ни один из этих слоёв не требует новой model capability. Традиционные SI тоже продают на эту поверхность, но продают её как оплачиваемые часы. Neo-Integrators могут продавать эти дополнения как managed service, priced against the labor it replaced.

Естественный контрвопрос к позиции Neo-Integrators: почему Intelligence Lab просто не заберёт этот слой напрямую? Есть три структурные причины, почему, вероятно, не заберёт — по крайней мере в масштабе.

Во-первых, организационный fit. Талант, который обучает frontier-модели, фундаментально отличается от операционной мышцы, нужной для развертывания и обслуживания роботов на клиентских объектах. Движение downstream означает построить продажи, field operations и high-touch customer support — фактически создать вторую компанию рядом с первой.

Во-вторых, platform cannibalization. Lab, конкурирующая со своими партнёрами-Neo-Integrators, рискует схлопнуть экосистему, которую строит, пусть эти экосистемы пока и малы и незрелы. Per-unit margin в deployment привлекательна, но она меньше мультипликатора от роли model layer для каждого Neo-Integrator на рынке, когда generalization станет реальностью.

В-третьих, профиль выручки. Вертикальная интеграция означает концентрированную, неровную выручку, зависящую от enterprise-контрактов. Инфраструктурная игра даёт более гладкую и диверсифицированную базу выручки через множество партнёров. Второй вариант лучше подходит под капиталоёмкость frontier training runs, а Labs — самые капиталоёмкие R&D-операции в мире.

Lab в принципе может работать гибридно: открытая экосистема для большинства вертикалей и вертикальная интеграция в нескольких высокомаржинальных нишах. Но мой базовый сценарий: Neo-Integrators заберут большую часть deployment surplus.

Экономический приз в робототехнике — это система, которая делает deployment повторяемым. Именно такую систему строит Neo-Integrator: отчасти интегратор, отчасти data company, отчасти vertical software, отчасти hardware OEM. Возможно, ни один из этих слоёв сам по себе сегодня не является долговечным, но владение всеми или некоторыми из них внутри вертикали — уже да.

Для основателей вывод прямой: запускайте Neo-Integrator в вертикали со слабой экономикой труда и достаточным пересечением задач, чтобы данные накапливались и усиливали друг друга. Model layer будет коммодитизироваться в сторону нескольких Labs, и при правильных партнёрствах ваша компания сможет оседлать эту волну.