Потенциальные экономические выгоды проистекают из трех основных типов улучшений:
Эффективность: задачи, которые раньше занимали несколько дней или недель, можно выполнять за несколько минут. Работу, ранее выполненную сотнями людей, можно выполнить десятками.
GenAI может оказать наибольшее влияние в сфере взаимодействия, коммуникаций и применения экспертных знаний, где ранее возможности автоматизации были ограничены.
Технологии GenAI могут радикально изменить нефтегазовую отрасль за счет оптимизации процессов, сокращения ручного труда и экономии времени. ИИ, принимая на себя «экспертные» задачи и решая их в облаке, могут высвободить ценные ресурсы и позволить людям сосредоточиться на более сложных и создающих бизнес ценность видах деятельности.
Оптимизация принимаемых решений: Gen AI предоставляет уникальную возможность «собирать» всю структурированную и неструктурированную информацию для принятия более эффективных решений. Решения, которые раннее основывались на, «5 годах опыта Джона», теперь могут быть основаны на «коллективных» знаниях всей компании, отсканированных за несколько секунд и доступных для определения альтернативных вариантов.
Используя (Gen)AI технологии, компании могут повысить качество повседневных решений и оптимальным образом решать возникающие проблемы. Например, сочетание искусственного интеллекта и технологии GenAI позволяет оптимизировать обслуживание буровых инструментов и повысить коэффициент использования активов, повысив при этом показатели надежности. Операционная эффективность на основе искусственного интеллекта может обеспечить значительное повышение EBITDA без кардинальных изменений в географическом охвате бизнеса, слияниях и поглощениях или иных стратегических действиях.
Например, SLB использует GenAI в тандеме с оптическими системамираспознавания символов (OCR) для для повышения эффективностиуправления скважинами: модель предназначена для извлечения таких атрибутов, как информация о коллекторе скважины, данные о заканчивании скважины, данные о пласте, данные о пласте и т. д., интуитивно понятный пользовательский интерфейс обеспечивает быструю проверку качества до того, как извлекаемые данные будут доступны для дальнейшей обработки. Модель оказалась очень полезной для извлечения соответствующих атрибутов из ряда документов, тем самым устраняя необходимость в ручном сканировании сотен страниц данных. Короче говоря, общая модель ИИ, подготовленная сильными экспертами в предметной области и в области обработки и анализа данных, может анализировать тяжелые неструктурированные входные данные для получения структурированного результата, который является точным, кратким и актуальным для конкретного сценария использования с очень высокой степенью точности (источник).
Дополнительная выручка: с помощью искусственного интеллекта операторы могут получить «идеальную» химическую обработку на местах за несколько часов без необходимости проводить лабораторные испытания и эксперименты. Клиенты могут получить неограниченное количество постоянно доступных виртуальных агентов, готовых ответить на вопросы, и помочь пройти на следующий этап по воронке продаж. Нефтесервисные компании могут получить возможность подавать в 2 раза больше конкурсных предложений, используя GenAI для генерации ответов на тендеры и используя ИИ для проверки на соответствие требованиям конкурса.
Внедрение технологий искусственного интеллекта открывает новые возможности для увеличения выручки в нефтесервисной отрасли. Используя (Gen)AI технологии, компании могут повысить качество обслуживания клиентов, упростить поиск новых молекул химического лечения, повысить эффективность процессов разведки и добычи, а также увеличить выручку.
По данным исследования по искусственному интеллекту проведенного в 2024 г. McKinsey Global Survey, 65% респондентов сообщили, что их организации регулярно используют искусственный интеллект, что почти вдвое превышает процентный показатель, прошлого года. Ожидания респондентов в отношении эффекта от использования искусственного интеллекта остаются такими же высокими, как и в прошлом году, при этом три четверти считают, что в ближайшие годы использование искусственного интеллекта (ИИ) приведет к существенным или радикальным изменениям в их отраслях.
Нефтегазовые операторы видят потенциал и инвестируют средства, которые быстро повлияют на нефтепромысловые компании.
Нефтегазовые операторы все больше осознают потенциал (Gen)AI и инвестируют в него (Отрасль ожидает широкого внедрения GenAI в бизнесе в ближайшие 3-5 лет — см. схему ниже). Но то, как они это делают, окажет давление на нефтесервисный бизнес.
Источник: исследование McKinsey, проведенное среди руководителей высшего звена и руководителей высшего звена нефтесервисной отрасли (2023 г.), n=122
Одним из заметных изменений, вызванных внедрением (Gen)AI, является переход от физических моделей к моделям на основе данных для моделирования резервуаров. Это изменение снижает потребность в физических скважинах и, как следствие, потенциальный спрос на нефтесервисные услуги.
Другое изменение связано с общей тенденцией к сокращению затрат, которая доминирует в повестке дня операторов. Нефтедобывающие компании внедряют технологии GenAI для оптимизации собственных затрат и создания «давления» на нефтесервисные компании.
Например, компания BP разработала высокотехнологичную систему моделирования и наблюдения под названием APEX, которая была внедрена для создания виртуальных моделей всех производственных систем. APEX позволяет компании BP планировать изменения и интервенции в «цифровом двойнике», прежде чем использовать их в реальных условиях. В качестве инструмента наблюдения он выявляет проблемы до того, как они окажут существенное влияние на производство (источник).
Ожидается, что нефтегазовые компании, работающие в секторе «апстрим», будут лидерами предстоящего витка цифровизации (см. схему ниже). Эти компании продолжают повышать эффективность разведки, добычи и цепочки поставок в секторе «апстрим». Поставщики услуг, скорее всего, будут испытывать давление со стороны клиентов, стремящихся к снижению собственных затрат.
Источник: исследование McKinsey, проведенное среди руководителей высшего звена и руководителей высшего звена нефтесервисной отрасли (2023 г.), n=122
В то же время, нефтесервисные компании утрачивают экспертов, столкнувшить с волной выхода на пенсию, которая может быть «уравновешена» GenAI, если она начать сейчас.
Тем временем, нефтесервисная отрасль в настоящее время борется с потерей опытных кадров и предстоящей волной выхода на пенсию. В соответствии с исследованием Energy Digital, дефицит навыков, с которым столкнулся нефтегазовый сектор в возрасте 35-50 лет среднего класса (с отраслевым опытом, превышающим 10 лет), становится все более острым, вплоть до кризиса.
Это представляет собой серьезную проблему, поскольку ценные знания и опыт могут быть утрачены. Для решения этой проблемы крайне важно использовать опыт и систематизировать знания опытных работников до того, как они покинут отрасль.
Gen AI может быть удобным способом «извлечения» и «сохранения» этих знаний от уходящих на пенсию экспертов, чтобы затем «загрузить» их в руководителей инженеров, которые недавно пришли в компанию.
«Извлечение» может быть организовано в форме проведения интервью или аудиозаписей, историей сообщений или сообщений по электронной почте и т. д. «Сохранение» может быть структурировано на основе векторизации знаний и построения семантических связей с фактической фактической базой фактических решений, решений и результатов. «Загрузка» может быть виртуальным экспертом, работающим в режиме реального времени, с недавно нанятыми инженерами, способными использовать все «извлеченные» знания для ответа на вопросы в формате живого общения. Но это должно произойти пока эксперты еще не вышедшие на пенсию работают в компаниях, чтобы передать знания.
Несмотря на значительный «размер приза» и срочность, в нефтесервисных компаниях возникают сложности с внедрением технологий искусственного интеллекта (Gen)AI.
Нефтегазовая отрасль и нефтесервисные компании в целом сталкиваются с трудностями при внедрении технологий (Gen)AI.
Одна из главных проблем — общая цифровая зрелость отрасли, которая отстает от других секторов. Нефтегазовая отрасль испытывает сложности с внедрением технологий, которые уже опробованы и внедрены в смежных секторах (например, ТОиР на основе состояния и диагностическое ТО вместо ТОиР по временным интервалам).
Цифровизация процессов в нефтесервисных компаниях ограничена. Бумажные носители по-прежнему широко распространены во многих областях, что ограничивает объем имеющейся информации и требует дополнительных действий (идентификация физических документов, сканирование, предварительная обработка для восстановления читабельности и т. д.) до того, как GenAI сможет использовать их.
Большинство нефтесервисных компаний не обладают достаточным масштабом, чтобы обеспечить внутренний (централизованный) персонал в сфере ИИ и развить внутренние навыки. Они обращаются к сторонним поставщикам и системны интеграторам, которые, как правило, не обладают знаниями в предметной области и поэтому могут реализовывать «типовые» сценарии, но испытывают сложности с поиском решений для конкретных направлений бизнеса, которые могут обеспечить конкурентное преимущество.
Кроме того, в рамках проектов, реализуемых на основе методов GenAI, требуется межфункциональное сотрудничество, которое традиционно не является частью нефтегазовой культуры. Эксперты (предметные эксперты) традиционно остаются за рамками команд по разработке, не имеют опыта работы с современными цифровыми методами работы и часто «говорят на разных языках» с экспертами по анализу данных и инженерами по работе с данными.
Когда речь заходит о внедрении (Gen)AI в нефтесервисные компании, сталкиваются с многочисленными проблемами и часто «мифами», мешающими им принимать решения о продолжении работы. Один из примеров — чрезмерная индексация защиты данных и вера в то, что если вы хотите использовать внутренние знания, то неизбежно необходимо открыть их всему миру. Существует несколько способов защиты данных при использовании как внутренних, так и внешних данных. Они не теоретические — они доказали свою эффективность и активно используются многими компаниями из более «чувствительных к данным» секторов, которые активно используют GenAI, включая банковский сектор, страхование, фармацевтическую отрасль. Еще один пример — качество данных, которое обычно считается блокатором для внедрения решений на основе (Gen)AI. Однако в отличие от традиционных методов искусственного интеллекта, GenAI имеет гораздо лучшие возможности для работы с неочищенными, иногда противоречивыми и неполными данными, хранящимися в различных структурированных и неструктурированных форматах.
Whitepaper Aveva отмечает, что нередко встречаются компании, управляющие более чем миллионными точками данных, по сравнению с сотнями тысяч всего несколько лет назад. Увеличение объема данных открывает новые возможности для получения новых данных о производстве, техобслуживании, безопасности, управлении энергопотреблением и бурении (источник).
Кроме того, широкая применимость технологий (Gen)AI ставит перед нефтесервисными компаниями сложные задачи по приоритизации их усилий. В связи с многочисленными сценариями использования в рамках всей цепочки создания стоимости и во вспомогательных службах компаниям сложно определить, на каких областях следует сосредоточить усилия и как эффективно распределить ресурсы.
Наконец, когда проверяется концепция (подтверждения концепции), организации испытывают трудности с выходом за рамки пилотных проектов, теряют темп, не могут продемонстрировать ценность для бизнеса, и часто становятся «технологиями ради технологии», которые не используются в бизнесе или функции. Чтобы получить экономический эффект в миллионах долларов США, (Gen)AI кейс необходимо реализовать в необходимом масштабе, включить в повседневную операционную деятельность и поддержать его мероприятиями по управлению изменениями, чтобы обеспечить его «приживаемость».
Создание ценности для бизнеса в размере миллионов долларов США за счет (Gen)AI — это не «один проект», а процесс, требующий поддержки со стороны руководства компании.
Для преодоления трудностей, связанных с внедрением технологий (Gen)AI, руководителям нефтесервисных служб необходимо обеспечить работу своих компаний в рамках многоэтапного процесса. Этот процесс включает несколько ключевых этапов:
1. Определение видения и стратегии:
• Высшее исполнительное руководство должно быть согласовано по приоритетным направлениям с учетом всей цепочки создания стоимости (например, бурение, завершение скважин, добыча, закупорку и ликвидацию) и вспомогательных функций. Возможный результат: например, мы хотим сфокусироваться на оптимизации цепочек поставок и сбыта для сегмента аренды буровых инструментов, либо мы хотим сосредоточиться на синтезе химических молекул, либо же мы хотим увеличить продажи в транзакционных сегментах бизнеса и т. д. «Все» не может быть приоритетом
• Для каждой приоритетной области/области необходимо четко сформулировать видение будущего состояния, соответствующее общим целям и задачам компании. Это видение может быть поддержано комбинированными технологиями (включая GenAI) и нетехнологическими аспектами. Как правило, для того, чтобы добиться значимого улучшения одного (Gen)AI недостаточно: потребуется сочетание традиционных ИИ, (Gen)AI, автоматизации и нетехнологических элементов (например, изменений процессов)
Домен — оптимальный уровень приоритизации, поскольку он является значимым, но в то же время относительно автономным и обладает достаточным потенциалом создания ценности (см. иллюстрацию ниже):
• Существенный результат и быстро без излишней сложности
• Эффект достаточно значителен, чтобы заручиться сильной поддержкой со стороны бизнеса
• Синергетический эффект в сфере работы с данными и технологий (например, переход на последующие решения становится более простым, поскольку данные уже готовы к использованию)
• Синергетический эффект от управления изменениями (пересекающиеся заинтересованные стороны)
2. Определение и приоритизация кейсов (сценариев использования (Gen)AI):
• В приоритетных областях компаниям необходимо определить и приоритизировать сценарии использования (Gen)AI. Обычно это делается исходя из потенциальной ценности и реализуемости. Оценка стоимости, как правило, является простой, но оценка реализуемости сопряжена с трудностями. Есть:
— Отраслевой аспект, например, это проверенный кейс? Насколько хорошо известны примеры внедрения? Насколько сложна техническая реализация, например, нужно только обобщение простых текстовых сообщений или для достижения резльтата (Gen)AI должен будет «прочитать» многоуровневые структурированные документы, таблицы и изображения?
— Внутренний аспект компании, например: Доступны ли данные? Есть ли у нас опыт разработки подобных кейсов? Сколько интеграций необходимо будет создать, чтобы включить (Gen)AI кейс в повседневную деятельность? Насколько сложны будут процессы управления изменениями?
• Приоритизированные случаи необходимо последовательно включать в дорожную карту или план действий (см. иллюстрацию ниже). Компании, пытающиеся «все одновременно» реализовать десятки инициатив в области ИИ, часто терпят неудачу.
Условный пример плана действий, объединяющего области бизнеса, инструменты реализации и эффект.
3. Разработка сценариев использования:
• Самый короткий путь к успешному минимально жизнеспособному продукту (MVP) обычно занимает около 3 месяцев и основывается на подходе «Анализ, Дизайн и Разработка».
• Цель этапа «Анализ» — понять текущее состояние (кто, где, как решает задачу в текущих реалиях), соответствующие показатели эффективности и проблемные области, а также определить целевое состояние.
• Этап «Дизайн» сосредоточен на создании интерактивного прототипа и подготовительных шагов для начала разработки и фактического написания кода (получение доступа к данным, разработка общей архитектуры решений, определение зависимостей и т. д.).
• Этап «Разработка» является самым долгим из трех и обычно выполняется межфункциональной группой (включающей специалистов по анализу данных, инженеров по работе с данными, экспертов из бизнес-подразделений и функциональных подразделений, включая, например, представителей юридической службы), которая работает в режиме двухнедельных спринтов и разрабатывает кейс как серию коротких итераций с регулярными демо продукта и циклами сбора обратной связи от пользователей и бизнес-спонсоров.
4. Масштабирование сценариев использования:
• После успешных пилотных проектов и разработки MVP компании могут масштабировать свои (Gen)AI инициативы в функциональном, либо в географическом направлении. Это требует тщательного планирования, распределения ресурсов и сотрудничества для обеспечения бесперебойного и эффективного развертывания.
• Самыми сложными на данном этапе являются внедрение и управление изменениями. Изменения того, как организована ежедневная работа даются сложно если использовать только классические методы. Чтобы добиться успеха необходимоконцентрироваться на людях в их контексте — объединяя «влияниеизвне» и «внутреннюю мотивацию».
— «Влияние извне» направлена на систематизацию изменений (»…Я понимаю, почему нам нужно изменение, и я понимаю, что это важно для меня», — я вижу лидеров, которые демонстрируют новую модели поведения на личном примере, и я чувствую себя частью сообщества, которое изменяется к лучшему…»., «. Я вижу, что структуры, процессы и формальные механизмы в компании дадют мне автономию, поддержку и награду если я изменюсь…», «…я беру на себя ответственность за свое развитие и с готовностью участвую в конкретных тренингах и обучастья новым инструментах, чтобы делать свою работу лучше…»).
— Работа по принципу «внутренней мотивации» направлена на то, чтобы сделать изменения личными («я решаю взять на себя ответственность за преобразования», «у меня есть энергия и стойкость, чтобы пройти через них», «Я сознательно успокаиваюсь и приспосабливаюсь к переменам»).
Следуя этому пути, нефтесервисные компании могут справиться со сложностями, связанными с внедрением технологий искусственного интеллекта, и полностью использовать свой потенциал. Это включает в себя устранение отставаний в цифровой зрелости, цифровизацию процессов, преодоление проблемных областей и реализацию преимуществ (Gen)AI в необходимом масштабе.
В заключение следует отметить, что внедрение (Gen)AI в нефтегазовой отрасли открывает новые возможности и ставит сложные задачи. Отрасль выиграет от эффективности, результативности и новых потоков выручки, которые (Gen)AI-технологии предлагают. Тем не менее, необходимо решить такие проблемы, как ограниченная цифровая зрелость, проблемные области и трудности в масштабировании инициатив в области (Gen)AI. Применяя стратегический и поэтапный подход к внедрению (Gen)AI, нефтесервисные компании могут преодолеть эти проблемы и воспользоваться преимуществами (Gen)AI.
В отрасли происходят революционные изменения. Компании, которые будут способны действовать быстро, имеют большие шансы завоевать рынок.
