Искусственный интеллект в нефтегазовой отрасли
91% российских нефтегазовых специалистов готовы применять ИИ в работе — и всё равно не доверяют ему полностью. Rystad Energy оценивает потенциальный эффект цифровизации и ИИ для добычи в $500 млрд за 2026–2030 годы, а на активе Chevron похожая технология уже подняла добычу на 6% против плана. При этом часть пилотов в других компаниях не пережила переход от презентации к продакшену. Разбираем, где эффект ИИ в нефтегазе уже измерен цифрами, а где остаётся обещанием — и что нужно, чтобы обещание стало результатом.
ИИ в нефтегазе — это не одна технология, а десяток разных моделей на разных этапах: от прогноза по сейсмике до расчёта NPV. Там, где данных много и задача измерима — бурение, добыча, обслуживание оборудования — эффект уже считается в процентах и рублях. Там, где данных мало или результат некому перепроверить, пилот чаще остаётся пилотом, а не окупаемостью.
Где ИИ уже даёт измеримый эффект в геологии и бурении?
Rystad Energy делит потенциальный эффект цифровизации и ИИ в добыче на четыре категории: разработка активов, обслуживание и ремонт, геологоразведка и работа с резервуаром, бурение и скважины. У каждой — свой темп внедрения: где-то ИИ считает уже сегодня на конкретных цифрах, где-то остаётся горизонтом до 2035 года.
Геологоразведка — самая зрелая область: операторы годами копят сейсмику, историю бурения и каротаж, и именно на этих данных модели работают увереннее всего. Но пока эффект здесь в основном прогнозный, а не измеренный постфактум.
«По прогнозам, к 2035 году ИИ автоматизирует 70-80% процессов анализа сейсмических данных с точностью прогноза залежей до 85%, роботизирует 60-70% буровых операций, снижая аварии и затраты на 15%, а также оптимизирует работу нефте- и газотранспортных систем, НПЗ и ГПЗ, уменьшая расходы на 10–15%.» — АНГИ — прогноз развития ИИ в нефтегазе до 2035 года
В бурении цифры уже не прогнозные, а измеренные на реальных скважинах. «РН-Пурнефтегаз», дочернее предприятие Роснефти, внедрила автоматизированную систему бурения, которая работает по принципу автопилота: каждые 10 миллисекунд считывает показания датчиков, самостоятельно рассчитывает оптимальную скорость проходки и останавливает процесс при критических значениях.
«Новая АСУ позволила сократить время механического бурения скважин в среднем на 11,7 час/скв. Средний экономический эффект при бурении 1 скважины - порядка 1,7 млн руб.» — Neftegaz.RU — Роснефть внедрила систему ИИ в процесс бурения скважин
- Скорость механической проходки на опытно-промышленных испытаниях выросла в среднем до 8%
- Система совместима с любым типом буровых установок — не требует замены оборудования
- Технология предложена к тиражированию на других предприятиях нефтегазодобывающего комплекса
Что показывают цифры в добыче и обслуживании оборудования?
В добыче задача ИИ обычно не «найти», а «не потерять»: вовремя заметить аномалию на скважине или единице оборудования, прежде чем она обернётся простоем. Именно здесь эффект проще всего перевести в проценты и деньги — база для сравнения есть: та же скважина месяцем раньше.
«Examples demonstrate how an Integrated Operations Center as a Service (IOCaaS) model, powered by artificial intelligence, reduced costs by 5% and increased production by 6% in Canada.» — JPT (SPE) — Case Study: Field Deployments of AI-Based IOCaaS
За общими процентами — конкретные активы. На месторождении Chevron в формации Kaybob Duvernay (Канада) система за первый год снизила эксплуатационные расходы на добычу на 5% — в основном за счёт меньшего расхода топливного газа и сокращения аварийных выездов, а добыча в пересчёте на баррели нефтяного эквивалента оказалась примерно на 6% выше плана. На активе Montney у ConocoPhillips прирост добычи составил 3–4% сверх прогноза, расходы снизились на те же 5%, а система помогла избежать потерь добычи на расчётные 71 000 баррелей нефтяного эквивалента.
Похожая логика — в мониторинге самого оборудования, а не только скважин. В рамках альянса Shell, Baker Hughes, Microsoft и C3 AI к клапанам и компрессорам подключили тысячи датчиков и постепенно масштабировали систему на нефтепереработку.
«К оборудованию подключили 10 тыс. датчиков. … Сейчас обрабатывается более 20 млрд показателей с датчиков в неделю.» — ИА «Девон» — прогноз развитию ИИ в нефтегазе
Почему часть ИИ-проектов в нефтегазе не доходит до окупаемости?
Цифра в $500 млрд не означает, что каждый проект получит свою долю поровну. Rystad прямо указывает: точка отсчёта у компаний разная, и ИИ работает не как волшебная надбавка сверху, а как способ подтянуть отстающих до уровня лидеров.
«A key structural finding across all four workflow categories is that AI, in general, does not necessarily raise the ceiling for the best operators; it lifts the rest of the industry toward the performance level that the best operator already achieves.» — JPT (SPE) — Rystad Puts Benefits of Digitalization, AI in Upstream Oil and Gas at $500 Billion
Второй разрыв — между пилотом и продакшеном. Пилот работает на аккуратно подобранном наборе данных под одну гипотезу; промышленная система должна работать на всём потоке — с шумом, пропусками и сотнями скважин одновременно. Это тот самый последний рывок, который выдерживают не все проекты.
«Evolving from proof of concept on small projects to scale is a complex undertaking, and it’s the last mile that proves most daunting.» — JPT (SPE) — Scaling AI for Maximum Impact in Oil and Gas
Показательно, что и сама оценка эффекта у Rystad растянута на пять лет (2026–2030), а не подаётся как разовый скачок: ценность нарастает по мере того, как компании инвестируют в данные и организационную зрелость, а не в момент подписания контракта с вендором.
Что нужно для внедрения — данные, интеграция, доверие?
Три предпосылки повторяются в отраслевых обзорах независимо от того, идёт речь о геологии, бурении или переработке: структурированные данные, интеграция с уже работающими системами и — отдельным пунктом — доверие к результату, который нельзя просто принять на веру.
«Они могут допускать ошибки в фактах, «галлюцинировать» и сильно зависеть от качества входных данных и формулировки задач. Кроме того, многие модели не раскрывают логику своих решений, что затрудняет верификацию результатов.» — АНГИ — около 91% специалистов готовы внедрять ИИ, но не доверяют ему полностью
Ниже данных — инфраструктура для их сбора. На старых и удалённых активах её часто просто нет.
«Месторождения углеводородов часто расположены в труднодоступных и малоизученных регионах с неразвитой инфраструктурой (болота, пустыни, арктические зоны). Это создаёт дополнительные сложности для сбора и передачи данных.» — ИА «Девон» — прогноз развитию ИИ в нефтегазе
Практический вывод один и тот же во всех источниках: там, где нельзя проверить, откуда взялась цифра, ей не доверяют — и правильно делают. Прослеживаемость расчёта до источника данных и формулы важна не меньше, чем точность самой модели.
Как ИИ в нефтегазе устроен на платформе AVP AI?
AVP AI — платформа оценки нефтегазовых активов, построенная на тех же принципах, о которых шла речь выше: не одна модель на всё, а координатор и восемь профильных агентов — поиска, геологии, гидродинамического моделирования, обустройства, экономики, скважин, бизнес-кейса и стандартизации данных. Каждый агент отвечает за свой участок цепочки: геологический — за запасы и аналоги, агент ГДМ — за профиль добычи, агент экономики — за NPV и IRR.
Все вместе агенты используют 34 расчётных инструмента. Каждый шаг фиксируется: какие данные взяты, из какого источника и какой формулой посчитан результат, — поэтому итоговую цифру можно перепроверить, а не просто поверить в неё. Это прямой ответ на риск недоверия из предыдущего раздела: платформа не прячет расчёт за интерфейсом, а показывает его целиком.
Подробнее об агентной архитектуре платформы — в разборе агентных систем в нефтегазе. Как именно ИИ оценивает запасы по аналогам до бурения — в разборе ИИ в геологоразведке, а чем это отличается от классической выгрузки данных по расписанию — в разборе автоматизации оценки активов. Быстрее всего эффект виден на скрининге лицензионных участков — там счёт идёт не на недели ручного свода, а на минуты на один актив.
Частые вопросы об ИИ в нефтегазе
Там, где есть база для сравнения «до и после» на конкретном активе. У Роснефти на «РН-Пурнефтегаз» автоматизированная система бурения подняла скорость проходки в среднем до 8% и сэкономила около 1,7 млн руб. на скважину. На активе Chevron в формации Kaybob Duvernay похожая ИИ-система снизила расходы на 5% и подняла добычу примерно на 6% против плана. Геологоразведка и переработка пока больше опираются на прогноз до 2035 года, чем на измеренный факт.
Чаще всего — из-за разрыва между пилотом и промышленной системой. Пилот работает на аккуратно подобранных данных под одну гипотезу, а масштабирование требует того же результата сразу на многих активах — это, по формулировке JPT (SPE), «последний рывок», который проходят не все проекты. Rystad Energy добавляет: ИИ обычно не поднимает потолок для лучших операторов, а подтягивает к нему отстающих, а для этого нужны время и инвестиции, а не разовое внедрение.
Только при условии, что результат можно проверить. По данным опроса Kept, 91% нефтегазовых специалистов в России готовы применять ИИ, но не доверяют ему полностью — из-за ошибок в фактах, зависимости от качества данных и моделей, которые не объясняют логику решения. Правильный ответ на это — не отказ от ИИ, а прослеживаемость: видно, откуда взята цифра и какой формулой она посчитана.
Координатор и восемь профильных агентов — поиска, геологии, ГДМ, обустройства, экономики, скважин, бизнес-кейса и стандартизации данных — вместе используют 34 расчётных инструмента. Каждый шаг фиксируется: какие данные взяты и какой формулой посчитан результат, поэтому цифру можно перепроверить, а не просто поверить в неё.
Источники
- Исследование JPT (SPE) ↗ Rystad Puts Benefits of Digitalization, AI in Upstream Oil and Gas at $500 Billion
- Отраслевое СМИ АНГИ ↗ Около 91% специалистов в российской нефтегазовой сфере готовы внедрять ИИ
- Отраслевое СМИ Neftegaz.RU ↗ Роснефть внедрила автоматизированную систему искусственного интеллекта в техпроцесс бурения скважин
- Отраслевое СМИ ИА «Девон» ↗ Эксперты дали прогноз развитию ИИ в нефтегазе
- Исследование JPT (SPE) ↗ Case Study: Field Deployments of AI-Based IOCaaS Advancing Artificial Lift and Flow Assurance
- Исследование JPT (SPE) ↗ Scaling AI for Maximum Impact in Oil and Gas
Покажем ИИ-оценку на одном из ваших активов — бесплатно
Назовите лицензию или координаты — платформа соберёт геологию, посчитает запасы, добычу и NPV за минуты вместо недель ручной работы.