Технологии на базе искусственного интеллекта прочно вошли в жизнь крупных промышленных предприятий. Например, машинное зрение может остановить дефектную заготовку перед станком, а предиктивная аналитика — дать время на подготовку ключевого оборудования к ремонту.
Что касается нефтегазовой отрасли, то здесь ИИ нашлось применение на разных этапах добычи и переработки углеводородов. Один из них — промышленный контроль качества. На конкретном предприятии под ним могут подразумевать как прямую проверку продукции, так и диагностику оборудования или выявление нарушений последовательности операций. Поэтому оценку стоит начинать с вопроса о том, какте именно потери завод собирается сократить за счёт внедрения ИИ.
Между обнаруженным отклонением и экономией для предприятия существует несколько обязательных шагов. Эксперты рассказали «Нефтегазовой промышленности», как оценивать промышленный ИИ, почему успешные пилоты не всегда доходят до внедрения и какие расходы могут сделать проект невыгодным.
Почему внедрение ИИ в нефтегазе застревает на пилоте
Проблема масштабирования заметна и за пределами России. В апреле 2026 года McKinsey опубликовала результаты опроса 164-х руководителей нефтесервисных компаний и производителей оборудования, проведённого в мае 2025-го. По данным исследования, менее четверти компаний продвинулись дальше пилотной стадии применения генеративного ИИ.
Среди барьеров названы:
разрозненные данные,
интеграция с устаревшими системами,
трудности с обоснованием окупаемости.
Отметим, что упомянутое исследование относится именно к генеративному ИИ в международном нефтесервисе. Оно не устанавливает долю успешных проектов машинного зрения или предиктивной диагностики в российском нефтегазе. Однако в документе описана знакомая экспертам организационная проблема: хороший результат испытания ещё нужно превратить в устойчивый рабочий процесс.
Залина Русинова, сотрудник Исследовательского центра УЦСБ, объясняет разницу:
«На пилоте необходимо доказать, что модель в принципе способна обнаруживать дефект, прогнозировать отказ или выявлять аномалию. В промышленной эксплуатации требования гораздо выше: система должна стабильно работать на потоке реальных данных, интегрироваться с существующей инфраструктурой, выдерживать изменение режимов оборудования и при этом иметь понятную экономику и контролируемую цену ошибки».
В условиях промышленного предприятия важно заранее определить, кто получает сигнал, как проверяются данные и т. д. Если уведомление об аномалии не связано с осмотром, ремонтом или корректировкой режима, дополнительная аналитика может не изменить производственные показатели.
По данным разных отраслевых источников, лишь около 30% промышленных ИИ-проектов доходят от пилота до промышленной эксплуатации. Как отмечает Антон Дьяков, партнёр группы ИТ-компаний TeamIdea (ООО «Тимидея Групп»), это усреднённый показатель:
«Во-первых, 30% — близкий к среднему по рынку показатель: S&P Global насчитал 46% пилотов, не дошедших до продуктива, по всем отраслям сразу. Нефтегаз здесь не отстающий и держится своего обычного тренда: McKinsey зафиксировал 70% инициатив нефтегаза, застрявших в пилотной фазе, ещё в 2022 году. Четыре года спустя, другой класс технологий — пропорция та же».
Во-вторых, подчёркивает г-н Дьяков, причина — в границах пилота. У BCG есть пропорция 10-20-70: 10% усилий — алгоритмы, 20% — данные и инфраструктура, 70% — люди и процессы. Пилот покрывает первые тридцать: обучили модель на одном участке, показали точность, закрыли этап. Оставшиеся семьдесят — переписанные регламенты, новые роли, передел ответственности между функциями — в предмет пилота не входят, их никто не заказывал и не бюджетировал.
Поэтому пилот и промышленная эксплуатация отвечают на разные вопросы. Пилот — «работает ли модель». Эксплуатация — «кто подписывает решение модели, как перестраиваются бизнес и ответственность, что происходит, когда модель ошибётся (как иногда ошибается и человек)», это вопрос к бизнесу. Успешный пилот не приближает ответ на второй вопрос.
Эксперт отмечает, что за 12 месяцев, которые занимает корпоративный проект по созданию или адаптации своей модели, публичный фронтир обновляется около двадцати раз и полностью меняет поколение. К моменту, когда пилот готов к тиражу, основание под ним отстало на поколение, и проект переоткрывают вместо того, чтобы масштабировать. Собственная разработка при этом оправдана там, куда фронтир не идёт: сейсмику и каротаж текстовые модели не читают, и устаревать там нечему.
Алексей Оносов, основатель компании «Юнисофт», объясняет, почему реакция на сигнал должна быть закреплена в рабочих инструкциях:
«Не прописано в инструкции — и система превращается в очередной экран с графиками, на который через месяц перестают смотреть. Вложения в железо опережают вложения в перестройку привычек людей, а вот это самое непростое».
Управляющий партнёр компании «Зинин, Штурбин и партнёры» Тим Зинин рассматривает проблему со стороны внедрения ИИ в бизнес-процессы.
По его наблюдениям, переход к эксплуатации требует договорённостей, которые тестирование модели не заменяет:
«Эксплуатация требует ответов на другие вопросы: кто принимает результат работы системы, что происходит при ошибке, кто чинит её среди ночи, если она встала? Без такого разговора внутри команды проект остаётся демонстрацией для отчёта».
Машинное зрение для контроля качества и сокращения простоев
В качестве удачного примера внедрения технологии можно рассмотреть опыт компании «Аконит», где камеры проверяют поверхность труб до подачи во фрезерный узел. При обнаружении дефекта линия останавливается, после чего оператор подтверждает проблему и решает, убрать трубу или продолжить подачу. Так входной контроль защищает оборудование следующей операции.
Для выбора аналогичной задачи на нефтегазовом предприятии важен сам механизм получения эффекта. Дефект должен быть доступен используемому способу контроля, обнаружен вовремя, а реакция на него — предотвращать конкретные затраты. Камера, подсветка, положение трубы и связь с управлением линией становятся частью решения наравне с моделью.
Алина Скалыга, начальник отдела маркетинга и информационных технологий ООО «ВМиК», предлагает ориентироваться на измеримые потери:
«На мой взгляд, быстрее всего ИИ будет окупаться там, где результат можно посчитать в деньгах: меньше простоев, брака, аварий, ручного контроля. А вот внедрение ИИ просто по той причине, что „сейчас всем нужен ИИ“, действительно может превратиться в дорогой эксперимент».
Видеоаналитика на производстве от отклонения до реакции
Другой сценарий — контроль выполнения операций. Например, ТУСУР совместно с компанией «ОЙЛТИМ» разработал систему интеллектуального видеомониторинга автоматизированной станции налива. По сообщению Социоцентра со ссылкой на руководителя проекта Ивана Тикшаева, в первый месяц работы система выявила более 200 отклонений от регламента различной значимости.
Залина Русинова предлагает осторожно судить о возможных последствиях зафиксированных событий:
«Экономический эффект таких систем нельзя оценивать просто по количеству обнаруженных отклонений. Более 200 нарушений, выявленных системой контроля налива нефти за первый месяц, подтверждают её способность находить отклонения. Но для расчёта ROI (Return on Investment — коэффициент окупаемости или показатель возврата инвестиций, который показывает доходность или убыточность вложений в бизнес — прим. ред.) необходимо понимать, к каким последствиям могло привести каждое из них: потерям продукта, простою, внеплановому ремонту или аварии».
Две сотни зафиксированных отклонений вовсе не означают равное количество предотвращённых аварий. Для оценки результата нужно установить, какие действия последовали за сигналами и какие потери удалось сократить. Рост числа зарегистрированных нарушений после установки камер также сам по себе не доказывает ухудшения дисциплины: система могла сделать видимыми ранее неучтённые события.
Артём Маракин, основатель платформы «Взор», связывает ценность видеоаналитики с организацией реагирования:
«Важно понимать: сама по себе способность ИИ обнаружить нарушение ещё не создаёт экономического эффекта. Ценность появляется тогда, когда сигнал автоматически поступает ответственному сотруднику, запускает понятный регламент реагирования, а руководство видит, было ли нарушение устранено. Если система просто формирует ещё один поток уведомлений, она быстро превращается в дорогую игрушку».
Поэтому в таком проекте полезно измерять не только число срабатываний, но и долю подтверждённых событий, время реакции и повторяемость нарушений. Это позволяет понять, помогает ли аналитика исправлять процесс или лишь увеличивает объём отчётности.
Отдельное условие успешного внедрения ИИ — отношение сотрудников к видеоконтролю. Артём Маракин рекомендует заранее обсуждать с коллективом назначение системы:
«Сопротивление персонала тоже возникает чаще всего там, где систему воспринимают как инструмент тотальной слежки и наказания. Поэтому необходимо заранее объяснить сотрудникам, что задача аналитики — не собирать компромат, а предупреждать происшествия, снижать количество ручных проверок и помогать быстрее реагировать на опасные ситуации».
Предиктивная аналитика и оптимизация режимов требуют разных оценок
Предиктивная диагностика ищет признаки будущей неисправности. Её практический результат зависит от того, достаточно ли рано получено предупреждение и может ли предприятие за это время подготовить обслуживание. Если для ремонта нет запчастей или согласованного окна, даже верный прогноз не гарантирует сокращения простоя.
А вот оптимизация режима решает уже другую задачу. В декабре 2025 года «Роснефть» сообщила об экономическом эффекте 100 млн рублей за год от нейросетевого моделирования работы добывающих скважин Самотлорского месторождения. Программа анализирует данные, выполняет технологические расчёты и формирует мероприятия для каждой скважины. Это результат, заявленный компанией для оптимизации добычи, а не показатель снижения брака или эффективности машинного зрения.
В другом сообщении, в июне 2026 года, «Роснефть» представила прототип ИИ-помощника для установки предварительного сброса воды. По предварительным расчётам компании, снижение эксплуатационных расходов может составить до 80 млн рублей в год.
Разница между такими показателями принципиальна для выбора проекта. Фактическое уменьшение расходов, дополнительный доход, расчётные предотвращённые потери и прогноз будущего эффекта должны быть видны в обосновании.
Качество данных и цена ошибки ИИ
«Если данные собираются разными системами, часть показаний теряется, а специалисты по-разному фиксируют результаты, то даже хорошая модель не даст нормального результата», — отмечает Алина Скалыга.
«Больше данных не значит лучше, умение отобрать релевантное — отдельная компетенция», — добавляет Алексей Оносов.
Для системы диагностики важна связь показаний с реальным состоянием оборудования и историей обслуживания. Для машинного зрения нужны согласованные признаки дефектов и изображения, соответствующие условиям на линии. Иначе испытание может показать результат, который не повторится после смены сырья, освещения или режима работы.
Тим Зинин описывает похожую зависимость на примере работы с корпоративными базами документов:
«На справочных ИИ-ботах поверх внутренних баз документов я вижу то же самое: результат определяют актуальность и структура источников. Там, где регламенты компании противоречили друг другу, модель лишь честно показывала это противоречие — и застревала вместе с ним».
В рекомендациях NIST AI RMF 1.0 качество ИИ-модели предлагается оценивать на данных, отражающих условия её применения, с учётом ложных срабатываний и пропущенных событий. После внедрения необходимы проверки или мониторинг, подтверждающие сохранение работоспособности системы.
Поэтому единственной цифры «точность 95%» недостаточно для решения о внедрении. Нужно знать, какие именно ошибки допускает модель и сколько они стоят предприятию. Ложный сигнал может вызвать лишний осмотр или остановку. Пропущенный дефект — привести к браку либо повреждению оборудования. Допустимое соотношение этих ошибок зависит от задачи.
Подготовку данных, работу технологов над разметкой, обслуживание камер и датчиков, а также повторную проверку модели при изменении условий следует включать в бюджет. Если учитывать только разработку алгоритма, срок окупаемости окажется заниженным.
Как распределить решения между ИИ и человеком
Антон Дьяков, партнёр группы ИТ-компаний TeamIdea (ООО «Тимидея Групп»), предлагает принцип распределения решений:
«Практический выход — делить решения по цене ошибки и обратимости».
Наличие оператора не делает систему безопасной автоматически. Важно, сколько сигналов он способен проверить, какие сведения видит и когда может вмешаться. Залина Русинова описывает следующий подход:
«Сегодня наиболее зрелой выглядит риск-ориентированная модель: ИИ самостоятельно анализирует данные и формирует рекомендации, а критические действия либо подтверждаются специалистом, либо выполняются автоматически только в заранее определённых безопасных пределах. Важно также, чтобы была возможность понять причину рекомендации, оценить качество исходных данных, обнаружить деградацию модели и в любой момент вернуть управление человеку».
Такой подход оставляет место и автоматизации, и экспертной проверке. Например, в описанном кейсе «Аконита» линия останавливается автоматически, а решение о дальнейшей подаче трубы принимает оператор. В прототипе помощника «Роснефти» режим симуляции позволяет виртуально оценивать последствия изменения входных параметров. Это разные способы встроить проверку в конкретный процесс.
Алексей Оносов рекомендует объяснять назначение системы через помощь специалисту:
«Поэтому внутри компании такие системы стоит подавать не как замену эксперта, а как раннее предупреждение, снимающее часть нагрузки с оператора».
Для каждого сценария необходимо определить разрешённые действия системы, условия передачи решения человеку и порядок работы при недостоверных данных или отказе. Эти правила должны быть известны смене до запуска пилота в реальном производстве.
Как рассчитать окупаемость промышленного ИИ
Антон Дьяков советует начинать расчёт до испытаний:
«Совет компании в начале пути один: посчитайте эффект на единицу актива до старта пилота и зафиксируйте „как было“ в рублях».
Предприятию нужна исходная база: продолжительность простоев, количество дефектов, расходы на ремонт, потери сырья или трудозатраты на проверку. Результат после внедрения следует сравнивать при сопоставимых объёмах выпуска и условиях работы. Иначе изменение загрузки или плановый ремонт можно ошибочно принять за эффект ИИ.
Для разных задач набор показателей будет отличаться.
Сценарий применения
Что измерять
Что может увеличить затраты
Машинное зрение для контроля продукции
Пропущенные дефекты, ложная отбраковка, стоимость переделок и повреждений оборудования
Время предупреждения, подтверждённые неисправности, длительность простоев и расходы на ремонт
Плохая история отказов, поздние сигналы, отсутствие возможности провести обслуживание
Видеоаналитика операций
Подтверждённые отклонения, время реакции, повторяемость нарушений
Избыток уведомлений, ручная проверка каждого сигнала, отсутствие ответственного
Оптимизация технологического режима
Затраты энергии и сырья на единицу продукции, выпуск при заданных требованиях к качеству
Изменение состава сырья, ограничения оборудования, дорогое сопровождение модели
В расходы проекта входят обследование объекта, оборудование, подготовка данных, интеграция с производственными системами, обучение сотрудников и последующее сопровождение. Высвободившееся время персонала тоже требует отдельного объяснения: оно превращается в денежный результат, если позволяет уменьшить сверхурочную работу, избежать дополнительного найма или выполнить больший объём задач.
Для редких аварий расчёт, конечно же, будет сложнее. Отсутствие происшествия за несколько месяцев пилота не доказывает, что его предотвратил алгоритм. Здесь необходима оценка риска с явными допущениями о вероятности и последствиях события. Её нельзя выдавать за уже полученную экономию.
Когда промышленный ИИ остаётся дорогим экспериментом
Залина Русинова выделяет условия, при которых технология может не окупиться:
«Если данных мало, события редки, каждый объект уникален, а интеграция требует дорогостоящей инфраструктуры, стоимость внедрения и сопровождения может оказаться выше предотвращаемых потерь. Поэтому при оценке промышленного ИИ нужно смотреть не столько на точность модели, сколько на то, можно ли связать её работу с конкретным производственным KPI — сокращением простоев, энергозатрат, ремонтных расходов или потерь сырья».
Ещё один повод пересмотреть проект — невозможность объяснить, почему нужна именно обучаемая модель. Если задачу достаточно надёжно решает обычный датчик или фиксированное правило, их следует включить в сравнение стоимости и результатов. Установка ИИ сама по себе не является производственным показателем.
Алина Скалыга предлагает начинать обсуждение проекта со следующей проблемы:
«Поэтому начинать я бы советовала не с выбора модели, а с конкретной проблемы: что именно хотим обнаруживать или предсказывать, сколько компания сейчас на этом теряет и какие данные для этого уже есть. Если на эти вопросы есть нормальные ответы, тогда уже имеет смысл говорить о технологии».
Таким образом, перед запуском проекта полезно ответить на четыре вопроса:
Какая потеря возникает сейчас и как её измеряют?
Какое действие последует после сигнала модели и кто за него отвечает?
Какие затраты останутся после завершения пилота?
При каких результатах проект будут масштабировать, дорабатывать или закрывать?
Артем Маракин рекомендует начинать с ограниченного числа задач:
«Нужно выбрать один объект и два-три сценария с понятной стоимостью проблемы, запустить пилот, зафиксировать исходные показатели и через несколько месяцев сравнить результат. Если снизилось число нарушений, время реакции, объём брака или затраты на контроль, решение можно масштабировать».
Продолжительность проверки при этом должна соответствовать задаче: частые дефекты на поточной линии можно оценить быстрее, чем редкие отказы агрегата. Решение о тиражировании имеет смысл принимать, когда предприятие видит устойчивое изменение производственного показателя и понимает стоимость его сохранения на других объектах.
Вопрос-ответ
Где ИИ в нефтегазе может быстрее окупиться
У проектов с повторяющейся операцией, достаточными данными и понятным действием после сигнала проще проверить экономику. Это могут быть контроль дефектов, диагностика оборудования или оптимизация режима. Единого срока окупаемости для этих задач нет.
Почему высокая точность модели не гарантирует экономию
Результат зависит от цены пропусков и ложных тревог, затрат на сопровождение и реакции персонала. Если сигнал не меняет работу предприятия, даже точная модель может не уменьшить потери.
Может ли ИИ управлять оборудованием без подтверждения человека
Это зависит от конкретного действия, цены ошибки и проверенных ограничений системы. Автоматические действия допустимы в заранее определённых условиях; критические рекомендации требуют соответствующей проверки. Единого режима автономности для всех нефтегазовых процессов нет.
Что включать в расчёт окупаемости ИИ
Разовые затраты на внедрение и все текущие расходы: подготовку данных, инфраструктуру, интеграцию, обучение, обслуживание и обновление модели. Эффект оценивают относительно исходных показателей, отдельно обозначая фактическую экономию и расчётные предотвращённые потери.
С чего начать внедрение промышленного ИИ
С одного процесса, ответственного за результат, и измеримой стоимости проблемы. До пилота нужно определить критерии успеха, действия после сигнала и порядок работы при отказе системы. Это даст основание решить, стоит ли масштабировать проект.
