Перейти до вмісту
виробництво кліматичного обладнання

Kuken Industries: Запровадили AI-пошук креслень і запасних частин в архіві за 70 років…

Виміряний результат: Стаття наводить скорочення пошуку з майже години до 4,5 хвилини, але без вибірки й періоду; у супровідному відео озвучено приблизно 60 → 10 хвилин, тому узгодженого виміру немає, а приблизно 90% річного скорочення годин — прогноз, не досягнутий річний результат. [Джерело](https://openai.com/index/kuken/)[2]

Японська компанія Kuken Industries, виробник кліматичного обладнання, разом із стартапом Recursive створила пошуковий інструмент на базі OpenAI API для архіву чертогів за 70 років. Інженер знаходить чертог за 4,5 хвини замість майже години. Компанія прогнозує скорочення годин пошуку на 90% на рік, але досягнутий річний результат не підтверджений.

Результат

  • Виміряний результат: Стаття наводить скорочення пошуку з майже години до 4,5 хвилини, але без вибірки й періоду; у супровідному відео озвучено приблизно 60 → 10 хвилин, тому узгодженого виміру немає, а приблизно 90% річного скорочення годин — прогноз, не досягнутий річний результат. [Джерело](https://openai.com/index/kuken/)[2]

    Джерело 1 ↗

Контекст

Компанія
Kuken Industries
Галузь
виробництво кліматичного обладнання
Країна
Японія
Розмір
501–1000 працівників

Дата публікації: 9 листопада 2026 року; супровідне відео — 10 листопада 2026 року. [Джерело](https://openai.com/index/kuken/)[2] Цитата з атрибуцією: “People now have time to do work they’ve wanted to try” — Takatsugu Naraki, Director and Factory Manager, 9 листопада 2026 року. [Джерело](https://openai.com/index/kuken/) Дані для калькулятора: Кількість працівників — не вказано; хвилини до/після — майже 60 → 4,5 у статті або приблизно 60 → 10 у відео, не об’єднувати; кількість пошуків за період — не вказано; зарплата з валютою — не вказано. [Джерело](https://openai.com/index/kuken/)[2]

Обмеження

Потрібно було знайти модель, яка вміє читати чертоги Kuken, і оцінити точність витягування деталей та вартість. Система має працювати в мобільному додатку для інженерів на полі. Інженерам потрібно було перевіряти специфікації та записи попередніх заміни, щоб обрати правильний чертог.

Що зробили

Разом із японською AI-компанією Recursive протестували моделі на точність видобування даних із креслень і вартість, після чого побудували застосунок на OpenAI API. Інженер вводить номер деталі або завантажує зображення, PDF чи скриншот переліку деталей; система пропонує відповідні креслення, а людина звіряє характеристики установки й історію замін; тривалість впровадження не вказана. [Джерело](https://openai.com/index/kuken/)

Що могло провалитись

Схоже креслення не гарантує сумісності деталі; перевірка інженером залишається обов’язковою, а окремий AI-контроль креслень у матеріалі описано лише як прототип. [Джерело](https://openai.com/index/kuken/)

Що з цього переноситься

Підхід працює, коли архів даних вже існує, а бізнес-процес залежить від пошуку і перевірки документів, а не від генерації нового контенту; він не підходить, коли немає історичних даних для навчання або коли рішення можна приймати без посилання на оригінал.

Як повторити в себе

Редакційна порада: обрати один клас технічних документів, підготувати контрольні запити з відомими правильними відповідями й запустити пошук із посиланнями на оригінали; рахувати час до підтвердженого правильного документа, включно з перевіркою.

Джерела

  1. 1
    openai.com ↗

    openai.com

Щотижневі кейси на пошту

Нові кейси з цифрами й посиланнями на джерела.