Искусственный интеллект в нефтегазе: возможности и риски

Дискуссии вокруг ИИ не утихают последние несколько лет. И это неудивительно: по прогнозам авторитетных экспертов, эта технология уже в ближайшие годы принципиально изменит жизнь человечества, и нефтегазовый сектор не сможет остаться в стороне от этой глобальной трансформации. Однако в отрасли достаточно громко звучат и голоса скептиков, которые не готовы во всём доверять искусственному разуму, особенно если речь идёт о генеративном ИИ. Аргументы каждой из сторон мы выслушали на Промышленно-­энергетическом форуме TNF‑2025.

Доводы за: перечисляем эффекты

Достоинства классического ИИ давно известны. Большие вычислительные мощности позволяют решать задачи в разы быстрее, исчезают ошибки из-за усталости, невнимательности оператора. Эти технологии уже активно применяются в нефтегазовой отрасли.

Аналитики Кеpt в своём исследовании «Вызовы и возможности использования ИИ в практике цифровой трансформации нефтегазовых компаний» отмечают, что международные корпорации начали внедрение инструментов по предиктивной аналитике отказов оборудования на основе машинного обучения ещё в 2016–2017 гг.

Если говорить о конкретных результатах, то отметим кейс Chevron, где в 2024 году презентовали ИИ-модели для интерпретации сейсмики. А в Saudi Aramco разработали первую в мире большую языковую модель для нефтегазовой отрасли под названием Metabrain. Впрочем, это уже генеративный искусственный интеллект, о котором речь пойдёт позже.

В качестве ключевого направления для развития ИИ называют также в British Petroleum и Exxon Mobil. В то же время в Кеpt подчёркивают, что «в публичном поле мало конкретики и совершенно отсутствуют открытые объективные данные об эффективности и реальной производственной полезности подобных решений.

Это косвенно свидетельствует о том, что результаты внедрения весьма противоречивы, а опыт использования этих решений и их апробации ещё недостаточен».

Стараются не отставать и российские ВИНК.

«Уже активно используем ИИ для локализации запасов. Мы внедрили решение, которое позволяет определять пропущенные интервалы. Используем его и при бурении. Раньше человек, исходя из своего опыта, определял скорость вращения, промывки, чтобы максимально быстро осуществлять проходку. Сейчас это делает искусственный интеллект на основе обучающих выборок
Следующий этап — использование ИИ для оркестрации процессов, чтобы он решал не только алгоритмические, но и более сложные, с нелинейными связями, задачи.

Очень важно, с одной стороны, не увлечься ИИ раньше времени, с другой — не опоздать. Замыкающий этап — автономизация. Когда есть цифровой двой­ник, на основе которого вы принимаете решения на всех уровнях, и „мозги” в виде искусственного интеллекта.

То есть чтобы в результате, происходило что‑то конкретное в поле: регулировалась какая‑то задвижка, выполнялась определённая операция и т. д.», — рассказал советник по цифровой трансформации департамента по добыче ПАО «Газпром нефть» Александр Ситников.

Есть и другие успешные кейсы от российских компаний, которые в своём отчёте отразили аналитики Кеpt. Так, благодаря ИИ-алгоритмам с использованием цифровых двой­ников месторождений, удалось увеличить скорость обработки геоданных на 40% и сократить затраты на геологоразведку на 15–20% по сравнению с традиционными методами.

Интеллектуальное управление закачкой воды позволило увеличить нефтеотдачу пластов на 7–10% и в 1,2 раза повысить ROI (показатель рентабельности инвестиций). Создание системы интеллектуальной предиктивной аналитики привело к снижению затрат на ремонт на 25% и уменьшению утечек на 30%.

В целом ИИ оценивают как перспективный инструмент, эффективность которого, впрочем, ещё не так высока, как хотелось бы.

«Сейчас искусственный интеллект помогает принимать решения, а лучше, если он будет делать это самостоятельно. Я не говорю, что мы придём к этому завтра, но в долгосрочной перспективе хотелось бы иметь набор соответствующих моделей», — отметил директор по цифровой трансформации ПАО «Газпром нефть» Олег Третьяк.

Объём мирового рынка ИИ в нефтегазовой отрасли в 2024 году составил $4 млрд. Такие цифры приводит Кеpt. При этом к 2030 году ожидается рост до отметки $11–18 млрд. А, по оценкам Precedence Research, эти цифры увеличатся с $7,64 млрд (2025 год) до $25,24 млрд (2034 год).

Зачем нефтегазовым компаниям развивать GenAI?

Всё становится куда сложнее, когда речь заходит о генеративном искусственном интеллекте. С одной стороны, он открывает больше возможностей, с другой — риск ошибок также кратно возрастает.

Начнём с плюсов: чем может быть полезен GenAI (Generative Artificial Intelligence — генеративный искусственный интеллект) для современных предприятий?

«Во-первых, теперь человек может общаться с машиной на естественном языке без программирования. Во-вторых, если раньше мы рассуждали в жёсткой логике формул, алгоритмов, конечных наборов вариантов, то сейчас ИИ может заменять эксперта.

Если говорить о том, где генеративный искусственный интеллект реально приносит эффект, то это кросс-­индустриальные задачи — то, что касается производительности любого офисного сотрудника, разработки, написания кода. Плюс рекрутинг, финансовый анализ, юридические вопросы, то есть всё, что связано с работой с большим неструктурированным объёмом текстов.

При этом, на мой взгляд, технология уже не является узким местом. Генеративный ИИ в том виде, какой есть сейчас, способен приносить гораздо больше ценности для бизнеса. Сложность на этапе постановки качественной задачи», — отметил вице-президент по развитию технологического бизнеса ПАО «Сбербанк» Сергей Крылов.

Партнёр ГК «Б1» Виталий Баум полагает, что переход к использованию GenAI на производстве — естественный шаг в развитии компаний.

«Прогнозирование на базе машинного обучения известно давно и активно развивается. Сейчас появились сложные трансформерные модели, которые учитывают сотни факторов. И интерпретация результатов становится для человека сложной задачей. Когда объединяем в гибрид генеративный искусственный интеллект и машинное обучение, получаем фантастический эффект, когда GenAI может обобщать, систематизировать и трактовать факторы, которые выдаёт прогнозная модель. В результате ИИ подсказывает, что нужно делать, вовремя обращает внимание на риски», — объяснил г-н Баум.

В крупных российских корпорациях активно присматриваются к языковым моделям. Если говорить о нефтегазовом секторе, то здесь одним из первопроходцев является ПАО «СИБУР».

«Наш основной фокус — это производительность. И генеративный интеллект здесь — это следующий шаг. Но это скорее не технология, а изменение подхода. Очевидно, что с аналитикой, какими‑то выводами система справляется на раз. Вопрос, что с этими решениями делать. Сейчас мы идём по стандартной схеме автоматизации, где ИИ сначала выступает советчиком. На основе рекомендаций принимаем решение и потом работаем с отклонениями.

И этим агентом управляет сотрудник. Думаем, как упростить, сделать меньше человеческих проверок. Это приводит к пересборке компании в принципе, пересмотру того, какие отделы чем занимаются. Первое, что сейчас происходит, — это изменение персональной эффективности, постепенно это перейдёт на уровень процессов.

ИИ встраивается в систему где‑то в виде советчиков, где‑то принимает решения, где‑то упрощает контроль. Уверенность в процессах, которые раньше выполняли люди, позволит поменять логику компании. Мне кажется, это большой вызов на ближайшие несколько лет», — отметил генеральный директор ООО «СИБУР Диджитал» Денис Юдаков.

В нефтехимической корпорации отмечают, что пока уровень технологий не позволяет внедрять GenAI повсеместно. Но общий настрой оптимистичный: скорость их развития позволяет рассчитывать, что уже через несколько лет недоступные сейчас задачи будут решены.

«Достаточно много гипотез, над которыми мы работаем. Первое, что на поверхности, — это рост персональной эффективности. Второе, мы можем получать эффект уже от внедрения в процессы. Например, поиск аналогов, то, что раньше было достаточно сложно сделать, сейчас упрощается. Конечно, какие‑то из них не сработают. Или нам не хватает уверенности, что их можно подключать к работам на производстве.

Есть области, где ошибка недопустима. Что‑то мы отложили и поставили на паузу, потому что верим, что дальше технология станет более совершенной. Придём к тому, что агенты будут проверять агентов. Самое сложное — научиться жить в новом культурном подходе, когда некоторые задачи можно заменять ИИ», — подытожил Денис Юдаков.

Нефтегазовые компании пока не готовы доверять генеративному ИИ

Если обратиться к компаниям, которые работают в сегменте upstream, то отношение к GenAI становится куда более настороженным. Олег Третьяк видит перспективы внедрения генеративного искусственного интеллекта в том, что касается работы с документами. Хорошие перспективы, по его мнению, в части оркестрации моделей и цифровых двой­ников.

Однако у крупных корпораций остаются серьёзные вопросы к технологии. И ключевой из них, какую именно выгоду получит бизнес от внедрения языковых моделей. Классические модели определения эффектов хорошо работают с технологиями автоматизации чего‑то конкретного. А вот с GenAI всё куда сложнее.

«Разработчики говорят, что генеративный ИИ выдаёт результаты чаще. На самом деле, это не очевидно, потому что такой задачи раньше не ставили. Мы не можем прожить две жизни, где в одной используем GenAI, в другой нет, и потом сравнить. Как доказать, что конкретная дополнительная тонна нефти стала возможной только из-за того, что мы использовали эту технологию в этом месте?

На больших цифрах все видят результат, но доказать, что на это повлияла конкретная технология, не получится. Генеративный ИИ, в отличие от классических моделей, необъяснимо принимает решения. С обычным искусственным интеллектом мы передаём человеку роль контролёра. С GenAI это не так просто сделать. Нельзя доверять всему, что он выдаёт, особенно с учётом его галлюцинаций.

Дело в том, что все модели настроены на то, чтобы удовлетворить запрос любой ценой. Даже если он не знает ответа, он будет стараться, чтобы придумать его. На самом деле, для нас это большая проблема, так как мы компания, работающая с физическим миром, в том числе в зонах высокого риска», — подчеркнул Олег Третьяк.

О том, что генеративный искусственный интеллект — пока ещё недостаточно зрелая технология для того, чтобы доверить ей принятие решение на месторождении, говорил и советник генерального директора по цифровизации и автоматизации ООО «БурСервис» Ашот Мосесян.

«Он до сих пор нуждается в человеке, чтобы тот сформулировал запрос и проверил результаты работы ИИ. Автономность должна идти под руку с надёжностью. А, когда GenAI сам ставит задачу и сам её выполняет, у нас исчезает резервирование, нет никого, кто проверил бы правильность выполнения. А всем известно, что он тоже может ошибаться. В бизнес-­процессе исполнитель не может сам быть контролёром», — отметил г-н Мосесян.

Изучением возможностей GenAI занимаются и в ПАО «Сургутнефтегаз». Правда, к внедрению новой технологии в реальные производственные процессы здесь подходят с осторожностью.

«Классический ИИ уже работает. Например, системы компьютерного зрения, виртуальные датчики, подбор режимов оборудования мы скоро уже перестанем называть искусственным интеллектом. С точки зрения использования больших языковых моделей мы находимся в опытной фазе. Сейчас мы на пути к прагматизации: появляются умные ассистенты, которые помогают обрабатывать информацию, готовить тексты, выделять что‑то важное.

Это влияет на качество решений, например методологических, где требуется учесть все нюансы. Это уже не инновация, а технология. Внутри компании развёрнуто несколько систем, и пытаемся их использовать для принятия решений, например, в области методологии бухгалтерского учёта.

О конкретных кейсах будем готовы говорить немного попозже, когда уже введём в промышленную эксплуатацию», — поделился опытом начальник управления информационных технологий ПАО «Сургутнефтегаз» Ринат Гимранов.

Это подтверждают и результаты опроса Кеpt. Лишь 2% респондентов готовы полностью доверять решениям, принятым ИИ. Подавляющее большинство (91%) считают, что результаты работы искусственного интеллекта можно использовать, но только с верификацией по другим источникам. Ещё 7% указали вариант «отношусь скептически». В выборку попали представители отраслевых компаний, научно-­исследовательских и проектных организаций.

Впрочем, на форуме прозвучали и более лестные оценки в адрес GenAI.

«До прорыва далеко, но конкретные эффекты есть здесь и сейчас. В первую очередь это выросшая производительность. Пока эту технологию надо каким‑то образом сопрягать с другими или с человеком. Но есть ощущение, что мы идем к изменению парадигмы культуры работы», — отметил Сергей Крылов.

Поговорим о барьерах

Консерватизм руководителей в нефтегазовой отрасли — далеко не единственное препятствие для внедрения GenAI. Респонденты, опрошенные Кеpt, в числе основных барьеров назвали:

• кибербезопасность данных и ИИ-моделей (50%);
• ошибки искусственного интеллекта (48%);
• дефицит специалистов, компетентных одновременно в отраслевой специфике и ИИ (45%);
• нехватку исторических данных (45%);
• непроработанность регулирования (36%);
• организационные и культурные барьеры (31%);
• ограничения IT-инфраструктуры (29%).

В свою очередь, аналитики Кеpt среди технологических барьеров, помимо дефицита данных и роста риска кибератак, называют необходимость значительных инвестиций в инфраструктуру для обучения моделей (GPU, edge-устройства, облачные платформы).

Также, по их мнению, нужно учитывать дополнительные сложности, присущие рынку РФ. Сюда относятся ограниченный доступ к зарубежным ИИ-технологиям и платформам, строгое законодательство по защите объектов критической информационной инфраструктуры, слабая цифровая доступность удалённых нефтегазовых регионов, а также ограниченное число участников рынка и слабая кооперация между ними.

В свою очередь, в аналитическом отчёте «Смена бизнес-­парадигмы или ещё одна технология?», подготовленном организаторами Промышленно-­энергетического форума TNF, выделяют следующие барьеры:

• низкий уровень отраслевой конкуренции;
• отсутствие понимания прикладного значения ИИ в решении конкретных задач;
• консервативные внутренняя среда и культура;
• высокая маржинальность бизнеса (не создаёт стимулов для внедрения инноваций, «и так всё работает»);
• низкая доля фонда оплаты труда в общей структуре расходов;
• мировая турбулентность, нестабильность цепочек поставок;
• кадровый дефицит.

Опрошенные авторами исследования эксперты отдельно выделили ограничения нормативной базы. Так, до сих пор не урегулирован вопрос, кто несёт ответственность за ошибки, допущенные искусственным интеллектом, отсутствуют сертификация и аттестация алгоритмических решений. Кроме этого, существуют некоторые прямые ограничения на использование технологий и внешних вычислительных мощностей.

Не обошли стороной авторы отчёта и тему санкций, которые повлекли за собой ряд серьёзных последствий. Так, компании столкнулись с необходимостью ручной адаптации инструментов и архитектур, ограниченным доступом к зарубежным разработкам, дефицитом или несовершенством отечественного оборудования и «железа». Нужно учитывать и рост нагрузки на внутренние команды, которые должны одновременно решать задачи по импортозамещению и разработке ИИ-решений.

Вообще кадры — это отдельная головная боль. Сегодня остро ощущается нехватка экспертов именно на стыке ИИ и отраслевой специфики. В результате возникает зависимость от одного-двух ключевых специалистов. И, если они уходят из компании, это может на время парализовать проекты. Всё это приводит к высокой стоимости таких сотрудников даже для крупных компаний. Несмотря на это, в отрасли сохраняется высокая мобильность кадров, отмечают эксперты, принявшие участие в опросе.

Однако у этого явления есть и обратная сторона. Разработчики, погрузившиеся в нефтегазовую отрасль, уже не могут легко сменить отрасль, так как их специфические компетенции не будут там востребованы.

Кадровый вопрос нужно рассматривать и в ещё одном аспекте. Речь идёт о дефиците цифровых компетенций за пределами IT-блока. Всё это приводит сопротивлению инновациям, которое проявляется как явно (отказ от использования инструментов), так и латентно (затягивание согласований, формализм). Получается, что в идеальном сценарии IT-специалисты должны заниматься не только разработкой продуктов, но и цифровым просвещением. Насколько это реализуемо в текущих условиях, вопрос открытый.

Наконец, ещё один важный пункт — это вопросы энергоэффективности.

«При глобальном использовании ИИ мы даже представить себе не можем, сколько киловатт-­часов надо будет закладывать в технико-­экономическое обоснование. Крупные игроки уже задумались о том, где они будут брать электричество», — добавил генеральный директор ПАО «Софтлайн» (ГК Softline) Владимир Лавров.

Не всяким данным можно доверять

Участники форума TNF отдельно остановились на двух барьерах: качестве и объёме информации и киберугрозах.

«Традиционные системы представляют собой набор экранов, для каждого сотрудника свой. То есть логика процесса строилась от человека к человеку. Сейчас огромный объём данных уже оцифрован изначально. И, когда решения принимают алгоритмы, качество данных приобретает критически важное значение. Их непрерывность при переходе из системы в систему также является основополагающей», — подчеркнул Денис Юдаков.

С этим, однако, возникают сложности: имеющейся информации зачастую недостаточно. Тому есть сразу несколько причин. Во-первых, такие события, как отказы оборудования, аварии происходят редко. Таким образом, выборка здесь является неполной, а именно подобные ЧП больше всего интересуют разработчиков. Во-вторых, нужно учитывать закрытость нефтегазовых компаний.

Не любыми сведениями они готовы поделиться со сторонней организацией.

С той информацией, что всё же есть в распоряжении, работать зачастую неудобно, так нет единой среды хранения и вся она находится в разрозненных форматах, отмечают авторы исследования «Смена бизнес-­парадигмы или ещё одна технология?»: Excel, PDF, устаревших SCADA, бумажных архивах.

Наконец, в имеющиеся данные могут закрасться неточности. В качестве причин можно назвать высокую долю ручного ввода (особенно в исторических массивах), ошибки телеметрии. В каких‑то случаях причиной может быть даже злой умысел.

«В нефтегазе вся информация, с которой приходится работать, прошла через человеческие руки. И люди в погоне за собственными интересами очень часто вносят в неё определенные изменения, например, чтобы руководство не расстраивалось, читая сводки.

Раньше специалист, который должен был построить модель, 80% своего времени тратил на то, чтобы запросить информацию у других людей. Сейчас он может сделать запрос в базу данных, причём используя GenAI даже человеческим языком, и без задержки начать производить полезный для компании продукт.

Однако использование генеративного ИИ решает проблему с доступностью данных, но не с их качеством. Ему всё равно, на какой информации он обучался, он просто тщательно её воспроизведёт. А у компаний есть завышенные ожидания, что GenAI не просто найдёт то, что ему нужно, но и ещё выберет из этого правильные данные. Это, к сожалению, не так. Опять же нужен человек или другой контрольный механизм, который позволит отлавливать подобные ситуации», — прокомментировал практику Ашот Мосесян.

Как открыться миру без рисков для себя?

Впрочем, здесь есть понимание, как решить проблему при условии, что есть необходимые время и финансы. А вот в случае с кибербезопасностью речь идёт о системном противоречии. Использование генеративного искусственного интеллекта, как правило, подразумевает определённую открытость системы, на которую нефтегазовые компании идти не готовы.

«Когда ИИ берёт на себя управление, то, с одной стороны, это очень быстро и эффективно. Но встаёт вопрос, под чьим контролем он остаётся. И где находится водораздел между тем, что тебя уже обманывает ИИ или тебя „хакнули” и заменили систему?» — отметил Владимир Лавров.

Логичным выходом из сложившейся ситуации видится разработка подобных решений в замкнутом контуре компании. В этом направлении уже двигаются некоторые ВИНК, в частности «Сургутнефтегаз».

«Для нас ИИ — это исключительно On-­Prem, который работает внутри предприятия. Мы сами его будем обучать и не поделимся никакими данными», — подчеркнул Ринат Гимранов.

Однако в таком сценарии также есть свои подводные камни, считают в «Б1».

«Просто решить вопрос размещением генеративного ИИ в On-­Prem, к сожалению, не получается. Модели получаются слабенькие. Они требуют большого количества серверов и дают не очень хороший результат, в отличие от облачных аналогов», — сказал Виталий Баум.

С тем, что отсутствие платформ тормозит внедрение искусственного интеллекта на предприятиях нефтегазового сектора, согласна и генеральный директор ООО «Аналитический центр ТЭК» Дарья Козлова.

«Чтобы обучить даже одного агента, уходит достаточно много времени и инвестиций. Задачи схожие, но по отдельности мы будем делать это достаточно долго и затратно, пока нет единой открытой экосистемы, где возможно делиться наборами обучения», — подчеркнула аналитик.

В «Б1» видят решение проблемы безопасности в гибридном подходе.

«То есть, когда у вас есть On-­Prem, который работает с очень важными конфиденциальными данными, и много облачных моделей, которые позволяют заниматься разработкой, делать презентации и т. д. И маршрутизатор, который за всем этим следит», — предложил Виталий Баум.

К схожим выводам пришли и авторы исследования «Смена бизнес-­парадигмы или ещё одна технология?». К недостаткам in-house-­модели, когда ИИ развиваются исключительно внутри компании, они также относят дефицит кадров (особенно в регионах), высокие затраты на формирование и удержание команды и отставание в компетенциях из-за корпоративной замкнутости.

Свои риски есть и в партнёрской модели. Это зависимость от вендора, ограниченный контроль над архитектурой и данными, возможные сложности с интеграцией в уникальные производственные процессы. В то же время есть и аргументы за. Открытость даёт доступ к передовым компетенциям и быстроразвивающимся технологиям.

С этой точки зрения, гибридный подход, действительно, может стать хорошим компромиссом.

Однако она предъявляет серьёзные требования к заказчику. Нужно понимать, что при жёсткой управленческой связке возможно замедление инноваций, подчёркивают авторы отчёта. А это в значительной степени нивелирует плюсы от внедрения элементов партнёрской модели.

Будущее за искусственным интеллектом?

И всё же все эти барьеры не отпугивают крупные корпорации. До 130 млрд руб­лей в год инвестиций в нейротехнологии и ИИ прогнозируют российские эксперты в ТЭК РФ к 2030 году.

А перспективность реализации решений на базе генеративного искусственного интеллекта в нефтегазе оценивается в 343 млрд руб­лей в год. Речь идёт о геологоразведке, разработке и обустройстве месторождений, бурении и добыче. Такие цифры есть в исследовании Kept «Вызовы и возможности использования ИИ в практике цифровой трансформации нефтегазовых компаний».

Аналитики агентства выделяют следующие драйверы роста рынка ИИ в нефтегазовой отрасли:

• рост доли ТРИЗ;
• снижение цен на нефть и сокращение рентабельности;
• рост зарплат и нехватка персонала для реализации как рутинных, так и тех, что не требуют высокой квалификации;
• увеличение экологических требований.

Свои стимулы для внедрения искусственного интеллекта назвали и участники исследования «Смена бизнес-­парадигмы или ещё одна технология?». К ним относятся:

• сложные технологические процессы, требующие новых решений;
• наличие финансовых ресурсов для инвестиций в текущий момент;
• риски падения маржинальности в отдалённой перспективе;
• стремление быть в числе лидеров инновационных практик, несмотря на внутреннюю консервативность;
• развитие внутренней среды для привлечения молодых сотрудников, решение HR-задач.

Наконец, немаловажно, что если говорить об ИИ, то Россия не находится среди отстающих, так как эта технология внедряется «здесь и сейчас» по всему миру. Это даёт шанс на лидерство, в том числе за счёт новых нестандартных подходов.

«Хотелось бы здесь какого‑то технологического суверенитета. Сейчас мы развиваемся в русле западной парадигмы, где один из принципов — кормить полупроводниковую промышленность. Было бы здорово провести какие‑то фундаментальные исследования, придумать математику, чтобы всё это работало по-другому», — отметил Ринат Гимранов.

В то же время, когда двигаешься вперёд, не имея ориентира перед глазами, вероятность ошибки резко возрастает. Что перевесит: риски или возможности? Судя по всему, ответ на этот вопрос мы получим уже в ближайшие годы.

По мнению экспертов Кеpt, ключевым направлением для внедрения ИИ в России станет автоматизация анализа сейсмических данных. Также стоит отметить роботизацию буровых операций, оптимизацию работы нефтеперекачивающих и газотранспортных систем, предиктивную аналитику, автоматизацию отчётности и рутинную работу с документами.

Текст: Андрей Халбашкеев.
Фото: freepik.com.