Cordek

Мы уже привыкли, что производители занижают вес продукта, или указывают ГОСТ на систему менеджмента, как подтверждение качества продукции. Но есть ещё более изощренные способы обмануть покупателя.

В метрологии есть понятие приведенная погрешность средства измерений. Приведённая погрешность - это погрешность прибора, поделённая на максимальное значение его шкалы измерений, выраженное в процентах. Не надо путать с относительной погрешностью, которая задаётся относительно измеренного значения величины.
Изначально это придумано было для аналоговых приборов с переключающейся шкалой. Ну знаете, наверно раньше видели, были такие вольтметры, амперметры со стрелочками, и у них можно было рукояткой или тумблером переключать шкалы на кратные единицы измерения, либо с напряжения переключать на измерение сопротивления.

Сейчас в основном все приборы цифровые. Зачем им приведенная погрешность?

Приведенная погрешность для современных приборов зачастую является обманом потребителя. Вот два наглядных примера:
К определению загрязняющих веществ в воздухе рабочей зоны относятся требования в ПП РФ 683
3.1. Измерение массовой концентрации органических и неорганических веществ:
3.1.2. в атмосферном воздухе
от 10 до 2000 мг/ м³ с предельно допустимой погрешностью ±(10-25)%

1) Согласно описанию типа СИ 60202-15 у газоанализатора Геолан для Формальдегида установлены следующие метрологические характеристики: диапазон от 0,00 до 0,1 мг/ м³ и предел погрешности ± 25% приведенной, диапазон от 0,1 до 2,00 мг/ м³ и пределы погрешности ± 20% относительные.
И вот фактически, приведенная погрешность считается от верхней части диапазона и является постоянным числом = 25%*0,1 мг/ м³ = 0,025 мг/м³., соответственно в сфере ГРОЕИ данный газоанализатор может использоваться только в диапазоне диапазон от 0,1 до 2,00 мг/м³.

2) В описании типа к СИ 75185-19 Газоанализатор оксидов азота APXA-370 в диапазоне 0−0,07 мг/м³ указана приведенная погрешность 15%, свыше 0,07 до 4 мг/м³ относительна 15%.
Рассчитаем фактическую абсолютную погрешность 0,07*15/100=0,0105 (мг/м³).
Можно вычислить минимальное значение результата измерения, при котором относительное значение будет 25%.
Cmin=0,0105/25% = 0,042 (мг/м³).
Следовательно нижний предел измерения будет не от 0 мг/м³, а от 0,042 мг/м³.

Но ведь покупатель этих приборов, не сильно разбираясь в метрологии может увидеть только три факта:
1) Прибор находится в реестре СИ, значит допущен к применению в сфере ГРОЕИ.
2) Диапазон измерений начинается от 0 мг/м³.
3) Предел погрешности вроде бы соответствует значению в ПП РФ 693, которое задано в процентах в виде диапазона ±(10-25)%.

При этом те люди, которые занимались вопросом испытаний и регистрации этих средств измерений в реестре СИ конечно же понимали, что означает приведенная погрешность и чем отличается от относительной, но сознательно шли на такой шаг, чтобы повысить привлекательность этих СИ в глазах потребителей.

Решил написать текстовую версию своего анализа. Более подробно в видео, которое можете посмотреть на моем канале в предыдущих постах или по ссылке https://vkvideo.ru/video-222122076_456239116?list=d303fdc90f...

С 1 сентября 2026 года вступило в силу Постановление Правительства РФ № 683, утверждающее новый перечень измерений, относящихся к сфере государственного регулирования обеспечения единства измерений (заменившее ПП РФ № 1847). Несмотря на декларируемые цели упорядочивания, простое прочтение документа выявляет не просто технические шероховатости, а фундаментальные логические противоречия и метрологическую необоснованность ряда требований.
Ключевые проблемы документа
1. Логический абсурд в нормировании погрешностей
В перечне массово встречаются бессмысленные диапазоны пределов допускаемой погрешности. Формулировки вида «от 0,01 кг ± 60 кг» для измерения массы животных или «от 0,01 м ± 0,5 м» для линейных размеров делают нормирование фиктивным. Более того, структура некоторых требований парадоксальным образом предполагает, что методика с более высокой точностью (например, с погрешностью 9%, когда в перечне указан диапазон от 10%) формально «не подходит» для измерений. Это противоречит базовым принципам метрологии.
2. Разрыв с практикой в здравоохранении и ветеринарии
Документ жестко регламентирует контактные термометры, оставляя бесконтактные (широко сейчас применяемые в медицине) вне сферы госрегулирования без каких-либо требований к их точности. В ветеринарном разделе фигурируют требования к методам измерений: ИФА, микробиологическая частота, ПЦР - без привязки к конкретным измерениям. В ветеринарной сфере эти методики, как правило, дают качественный результат без метрологических характеристик. А те методики, которые имеют количественный результат (например для ветпрепаратов), всё равно почему-то не имеют аттестации.
3. Бессодержательные «диапазоны ради диапазонов»
Некоторые пункты содержат привязку к каким-то нормативным документам, которые не указываются явно, например «предельно допустимая погрешность измерений для значения 0,5 предельно допустимой концентрации не должна превышать 1,2δ», «в соответствии с техническими требованиями к приборам учета активной электрической энергии утвержденного типа с классом точности от 0,2S до 2», «в соответствии с техническими требованиями к приборам учета реактивной электрической энергии утвержденного типа с классом точности от 0,5 до 3». Отсутствие привязки к конкретным документам и конкретных значений делает эти требования формальными и неприменимыми на практике.

С чем связаны эти проблемы?
Анализ структуры перечня позволяет выявить две системные причины его низкого качества:
1) Отсутствие профильной компетенции у разработчиков.
Очевидно, что многие разделы составлялись лицами, не обладающими глубоким пониманием метрологии. Механическое копирование устаревших данных из ведомственных приказов по принципу «от сих до сих» без анализа физического смысла нормируемых величин привело к тиражированию ошибок. Там, где должны быть четкие метрологические характеристики, мы видим хаотичный набор диапазонов процентов.
2) Двойные стандарты: «Где речь про деньги, там порядок».
Наиболее критичный вывод заключается в неравномерности качества проработки разделов. Сферы, напрямую связанные с финансовыми потоками (торговые операции, учет энергоресурсов, таможенный контроль, драгоценные металлы), прописаны понятно: с четкими диапазонами, конкретными пределами погрешности.
В то же время разделы, касающиеся здоровья человека, охраны труда, благополучия животных и окружающей среды, составлены по остаточному принципу («и так сойдет»). Государство демонстрирует высокую требовательность там, где речь идет о фискальных интересах, и проявляет нормативный нигилизм там, где на кону стоит безопасность и здоровье человека.
Заключение.
Перечень измерений по ПП РФ № 683 в его текущем виде не может в полной мере выполнять свою функцию инструмента государственного контроля. Наличие в нем логических противоречий и неисполнимых требований создает правовую неопределенность для лабораторий и бизнеса, повышая риски для всех.

Хайп вокруг ИИ заставляет компании искать «серебряную пулю». Но как только проект доходит до этапа реализации, он разбивается о классические 6 слоев сопротивления Голдратта (Теория ограничений).
Для бизнес-аналитика понимание этих слоев — это не психология, а конкретные вопросы, требующие решений. Разберем их суть на примере внедрения ИИ в бизнес-процессы.
1️ Несогласие с проблемой
Что говорят: «У нас и так все работает, незачем усложнять?».
Суть: Компания пытается внедрить решение, не имея диагностированной «боли». Если проблема не оцифрована (мы не знаем точную стоимость ручной обработки одного документа, не знаем даже занятости работников в тех или иных процессах). Невозможно доказать необходимость изменений там, где нет проблем.

2️ Несогласие с направлением решения
Что говорят: «Проблема с обработкой данных есть, но ИИ тут ни при чём. Нам нужно просто модернизировать текущую информационную систему, автоматизировать вот этот процесс, допилив существующий софт».
Суть: Специалисты признают проблему, но предлагают традиционное, понятное им IT-решение. Они не верят, что ИИ сможет помочь, и считают его избыточным инструментом для данной задачи. И они же правы (см.предыдущий пост про выбор между ИИ и автоматизацией)

3️ Сомнение в выгодах решения
Что говорят: «Да, это интересно, но стоимость внедрения, лицензий, очистки данных и поддержки ИИ явно превысит ту экономию, которую мы получим. Где здесь реальный ROI?»
Суть: Любое внедрение — это всегда затраты. Тут и скептики и энтузиасты захотят посмотреть финансовое обоснование: будет ли реальная прибыль или ценность от ИИ превышать совокупную стоимость владения? Без четкого расчета, в котором выгоды гарантированно перевешивают затраты, проект выглядит как неоправданная трата бюджета. А времена нынче непростые, надо экономить. Также можете посмотреть предыдущий пост про ИИ и Excel.

4️ Опасение негативных последствий
Что говорят: «ИИ галлюцинирует, уверено врет, неправильно интерпретирует. А человек физически не может проверить каждую рекомендацию.»
Суть: Это не абстрактный страх, а конкретный риск. ИИ — вероятностная система, которая может уверенно выдавать не то. В существующих процессах человек несет персональную ответственность за каждое решение. С ИИ эта цепочка разрушается: кто отвечает, если алгоритм ошибся, а сотрудник доверился системе? Это может привести к катастрофическим последствиям, вплоть до от судебных исков и потери клиентов. Без четкого процесса верификации результатов проект будет нежизнеспособен.

5️ Опасение непреодолимых препятствий
Что говорят: «Мы понимаем, что хотим сделать, но не понимаем, какими силами. Готовых коробочных решений под наши задачи нет. У нас нет внутренней экспертизы, а на рынке мы не наблюдаем вендоров с реальным, а не маркетинговым опытом. Технология еще сырая, и найти настоящих носителей этих компетенций невозможно».
Суть: Это объективный фактор новой технологии. Внедрение ИИ в конкретный бизнес-процесс - это не просто развернуть сервис и научить пользоваться. Требуется большое исследование процессов организации в контексте внедрения ИИ. Сейчас многие уже ищут специалистов с опытом внедрения ИИ, и не могут найти. Попытка решить это «в лоб» приводит к расходам и зависанию проекта на этапе первых экспериментов, которые так и не переходят в реальную работу.

6️ «Да», но без действий
Что говорят: «Всё понятно, отличная инициатива, давайте внедрять» - но ничего не делают. Не выделяют время на тесты, не приходят на обучение, саботируют пилот другими задачами.
Суть: Даже если из-за политического давления или нажима руководства менеджеры и специалисты согласились участвовать во внедрении ИИ, это не значит, что сопротивление угасло. Конечно, чтобы успешно преодолеть этот слой нужно преодолеть предыдущие, а ещё иметь достаточно энтузиастов, готовых продвигать проект. Тут нужны не только аргументы, но и изменение контекста: новые правила и примеры успешных коллег.


Внедрение ИИ — это наконец-то проекты полной трансформации бизнес-процессов, чем и отличается от внедрений инструментов цифровизации, которые накладывались на текущие процессы сверху или служили только основой для выстраивания процессов.
Прежде чем говорить о технологиях, ответьте на три вопроса:
1. Какую конкретную проблему мы решаем и как это измерено в деньгах/времени?
2. Действительно ли нам здесь необходим ИИ? Может есть варианты пока сделать упор на упорядочивание процессов и классическую автоматизацию?
3. Понимает ли бизнес, что первые 3–6 месяцев работа скорее замедлится из-за настройки и контроля, прежде чем произойдет реальное ускорение и окупаемость?
4. Готовы ли мы переписать регламенты под вероятностную природу ИИ и взять на себя риски его ошибок?
5. Есть ли у нас специалисты, готовые решить эту проблему, перестроить процессы и не сломаться на пол-пути?
6. Достаточно ли энтузиастов среди сотрудников, можно ли выделить их в отдельную команду внедрения?
Без честных ответов на эти вопросы ИИ останется дорогим экспериментом с отрицательным эффектом.

Многие сотрудники, освоив Word и Excel, начинают искать пути автоматизации своей работы с использованием этих программ. Сначала это формулы в Excel, затем макросы. Делают сетевые папки чтобы делиться файлами, потом начинают использовать Google Таблицы. Это всё «ползучая» автоматизация, которая дает эффект в виде локального ускорения процессов.
Проблема «Excel-подхода»
Работа в электронных таблицах чревата разными проблемами: данные перемешаны с логикой, разрозненность файлов, отсутствие контроля версий бизнес-правил и решений, теневые процессы. Решения принимаются в уме или в личных файлах, сохраняясь только у сотрудника, причем иногда только в голове.
Сегодня ИИ часто сравнивают с Excel: «С ним тоже можно делать кучу задач быстрее». Будет ли ИИ повторять этот путь и тоже приводить к проблемам? Несомненно.
Давайте посмотрим на это через призму Теории Ограничений (ТОС).
Если использовать ИИ как «умный калькулятор» без интеграции в систему, мы получим локальную оптимизацию. Сотрудник пишет промпт, получает ответ за 5 секунд вместо 30 минут. Он доволен. Но результат остается в его личном чате, логика не зафиксирована, данные не попали в общую базу. Даже если это не чат, а локальный агент, всё равно итог будет похожим. Вроде агент работает, но работает только пока сотрудник работает и ускоряет свою работу. На общие процессы организации это может влиять крайне слабо.
Согласно Теории Ограничений, оптимизация любого элемента системы, кроме узкого места (constraint), не дает прироста общей производительности. Если ваше ограничение - согласование или качество данных, то ускорение генерации черновиков просто создаст затор на следующем этапе https://habr.com/ru/companies/vktech/articles/1086302/
и https://habr.com/ru/articles/1090612/
Агентов нужно загонять в единый процесс, выводить из зоны локального применения. Конечно одно дело, когда за это берутся программисты, которые ускоряют кодинг за счет четкого пайплайна https://habr.com/ru/companies/sberbank/articles/1088632/, другое дело, когда мы хотим автоматизировать разные задачи обычной офисной работы (как Excel). Я думаю выход будет только в использовании лоу-код платформ с встроенными ИИ-агентами.
https://habr.com/p/1054790/ вот пример лоукод платформы с ИИ агентами, которых можно привлекать как к задачам разработки, так и к выполнению рабочих задач бизнеса/

К новости https://fsa.gov.ru/press-center/news/26928/
Коротко: потому что ужесточение требований без адекватного контроля не убивает серый рынок, а делает его дороже и выгоднее.
Логика простая. Чем сильнее закручивают гайки в обязательной оценке соответствия, тем дороже становится легальное испытание: оборудование, персонал, аккредитация, документы, сроки. Бизнесу всё равно нужен сертификат или декларация. И там, где легальный путь слишком дорогой или долгий, появляется спрос на "протокол без образца". Его выписывают те, кто реальных испытаний не проводит. Чем выше барьер - тем выше риск-премия и доход таких посредников.
У ФСА при этом нет ресурса, чтобы закрыть проверками всех: тысячи аккредитованных лиц, нужны выездные проверки, аудит не по документам а по результатам работы. А за периметром ФСА вообще неподконтрольная зона: «добровольные аккредитации» от коммерческих структур, поддельные бланки, фальшивые подписи, копипаст старых протоколов, «теневые лаборатории» без оборудования и специалистов. Формально это не зона ответственности ФСА, но красиво нарисованный протокол испытаний или сертификат для рынка выглядит как легитимный документ.
В общем закручивание гаек для аккредитованных лиц не уменьшает фальсификацию, а делает её выгоднее. Пока спрос на "протокол без образца" и "быстрый сертификат" выше спроса на реальную безопасность, ФСА будет играть в догонялки. Проблема тут не в надзоре и реестрах, а в экономике всей системы.
Конечно сейчас ФСА активно включает в работу цифровые инструменты контроля, но это по сути должно отслеживать только те документы, которые изначально в серой зоне. Проверять все документы аккредитованных лиц всё ещё некому и нечем. Напомню, что про проверку загруженных во ФГИС протоколов испытаний с помощью ИИ говорили с 2019 года, а в 2025 году заставили всех дополнительно выписывать все результаты испытаний. Сейчас ещё опять начали инициативу по видеофиксации испытаний https://fsa.gov.ru/press-center/news/26921/

Многие руководители задаются вопросом: «Нам нужен ИИ-агент или достаточно внедрения системы автоматизации?» Ответ часто ищут в технологиях, но он кроется в зрелости процессов.
Здесь всё просто. Прежде чем выбирать инструмент, задайте один вопрос: «А что у нас уже автоматизировано?»
Вариант 1: Автоматизации нет или она хаотична
Если процессы выполняются вручную, разрозненны или зависят от «серых схем» в Excel и почте — забудьте про ИИ.
Почему: ИИ не умеет наводить порядок. Если вы подадите ему хаос, он масштабирует этот хаос с невероятной скоростью.
Что делать: Сначала наведите порядок. Опишите регламенты, устраните «узкие горлышки», внедрите систему учета задач и процессов, CRM, SRM, ERP, MES, LIMS или сделайте интеграции между системами, если у вас их несколько.
Правило: Сначала детерминированная автоматизация (правила «если-то»), потом вероятностный ИИ.
Вариант 2: Уровень автоматизации высокий
У вас всё работает по регламентам, данные чистые, системы интегрированы. Но дальше упираться в стену: новые задачи требуют сложного программирования, нестандартной логики обработки данных или работы с неструктурированными данными (тексты, голоса, изображения).
Почему: Традиционный код становится слишком дорогим, слишком сложным и ненадежным из-за поддержки каждого исключения.
Что делать: Здесь пора подключать AI-инструменты. Они берут на себя ту часть, где нужны «человеческие» навыки: понимание контекста, генерация текста, принятие решений в условиях неполной информации.
Перспектива: Когда AI-инструменты научатся самостоятельно ставить подзадачи и использовать другие сервисы, они превратятся в полноценные AI-агенты.

Формула выбора:
Хаос в процессах ➡️ Пишем стандарты и регламенты на процессы, налаживаем базовую автоматизацию.
Стандартизированные процессы ➡️ Глубокая автоматизация (CRM, SRM, ERP, MES, LIMS).
Сложные, неформализуемые задачи на фоне автоматизации ➡️ AI-инструменты (LLM, компьютерное зрение).
Автономное выполнение цепочек задач ➡️ AI-агенты.

Для получения правильных результатов на выходе, нужно давать правильные данные на вход. Это актуально как для классической автоматизации, так и для нейросетей (ИИ). И дело не в промтах, а в налаженных процессах.
UPD. Забыл про тележку https://t.me/limsaccreditation