AI в нефтегазе и переработке: 6 кейсов внедрения генеративного AI

По оценке McKinsey, генеративный AI способен создать от $2,6 до $4,4 трлн дополнительной ценности в год для мировой экономики. Минэнерго России оценивает накопленный эффект от внедрения AI в нефтегазовой отрасли в ₽5,4 трлн за 15 лет.

При этом большинство проектов в отрасли пока используют классическое машинное обучение — предиктивную аналитику, компьютерное зрение, оптимизацию процессов. Генеративный AI — языковые модели, AI-агенты, ассистенты для сотрудников — только начинает появляться в нефтегазе.

Мы собрали шесть кейсов компаний, которые уже перешли от экспериментов к работающим GenAI-решениям: от массового развертывания AI-помощников на десятки тысяч сотрудников до создания отраслевых языковых моделей, обученных на данных за 90 лет. Два кейса — российские.

AI-помощники на рабочих местах: от пилота к массовому развертыванию

Нефтегазовые компании начинают с самого понятного сценария — AI-помощник для каждого сотрудника для суммаризации документов, подготовки писем, анализа отчетов и генерации кода.

Кейс СИБУР: четыре AI-ассистента на GigaChat

СИБУР — российский нефтехимический холдинг. В мае 2024 года СИБУР, Сбер и ЦРТ заключили соглашение о развитии решений на базе GigaChat.

Решение. Компания разработала четырех AI-ассистентов:

AI-ассистент инженера-диагноста — инженер описывает аномалию в работе оборудования текстом, а система предлагает гипотезы о причинах и варианты устранения
AI-советчик по закупкам — переводит номенклатурные данные в параметрические карточки и подбирает аналоги с оптимизацией по цене, качеству и доступности
AI-помощник R&D — моделирует полимеры и материалы с новыми свойствами, сокращает количество лабораторных экспериментов
AI-ассистент финансиста — агрегирует корпоративные данные для анализа динамики ключевых факторов и повышения точности прогнозирования

Результат: решения находятся на стадии пилотирования, метрики экономии пока не раскрыты.

Кейс Repsol: AI-помощник для 25 000 сотрудников

Repsol — испанская энергетическая компания с добычей, переработкой и сетью АЗС. В июне 2023 года создала Центр компетенций по генеративному AI и начала внедрение.

Решение. Repsol развернул Microsoft 365 Copilot: сначала 550 сотрудников прошли четырехмесячный пилот, затем доступ получили более 25 000 сотрудников — вся компания. Параллельно 5 000 человек прошли обучение промптингу, а 200 разработчиков протестировали GitHub Copilot для генерации кода.

Результат:

121 минута экономии в неделю на сотрудника
16,2% рост качества документов, подготовленных с помощью Copilot

Кейс TotalEnergies: Copilot для 30 тысяч сотрудников и два AI-агента для операций

TotalEnergies — французская энергетическая компания. В сентябре 2023 года запустила пилот с 300 сотрудниками, а к началу 2024 — масштабировала на десятки тысяч человек.

Решение. TotalEnergies развернула 30 тысяч лицензий Microsoft 365 Copilot и создала два специализированных AI-агента в Copilot Studio:

MARGE — агент для промышленного обслуживания. Анализирует и классифицирует отчеты о вмешательствах, помогает инженерам быстрее находить причины неисправностей
BuyerCompanion — агент для закупок (транзакции до €50 000). Составляет спецификации, находит поставщиков, проверяет соответствие требованиям и генерирует рекомендации. Рассчитан на 15 000 сотрудников по всему миру

Результат:

70% сотрудников используют Copilot еженедельно, почти 50% — ежедневно
70% рекомендуют Copilot коллегам
25-45% улучшения в определении причин неисправностей дает MARGE
До 10% экономии обеспечивает BuyerCompanion на определенных категориях закупок

AI-агенты для операционных задач

От универсальных AI-помощников компании переходят к специализированным AI-агентам — системам, которые самостоятельно выполняют конкретные задачи: диагностируют неисправности, обрабатывают закупки, управляют документацией.

Кейс Repsol: мультиагентная платформа с 22 AI-агентами

Repsol — испанская энергетическая компания с добычей, переработкой и сетью АЗС. После успешного развертывания Copilot для всех сотрудников Repsol перешла к созданию автономных AI-агентов.

Решение. Совместно с Accenture Repsol разработала платформу, которая позволяет сотрудникам создавать AI-агентов, способных координироваться и выполнять задачи. В пилоте участвовали три команды из подразделения цифровизации (700+ человек), более 50 специалистов работали с AI-агентами напрямую.

Результат:

60+ GenAI-кейсов в продакшене по всей компании
22 кейса масштабированы на весь бизнес
22 AI-агента развернуты в пилоте платформы: управление газовыми заказами, закупки, инциденты, юридическая поддержка

Корпоративные базы знаний и отраслевые LLM

За десятилетия у нефтегазовых компаний накопились терабайты документации. Найти нужный регламент или отчет — задача на часы. Генеративный AI позволяет задать вопрос на естественном языке и получить ответ с опорой на корпоративные данные.

Кейс «Татнефть»: «Цифровой экспертный совет» на открытых LLM

«Татнефть» — одна из крупнейших нефтяных компаний России. За 70+ лет накопился массив данных: научные статьи, исследования, отчеты, регламенты. Быстрый доступ к этим знаниям — задача, которую раньше решали вручную.

Решение. Совместно с ИТМО разработали «Цифровой экспертный совет» — мультиагентную систему на ансамбле открытых моделей: LLama, Qwen, Mistral. Система обучена на данных «Татнефти» за 70+ лет и совмещает роли специалиста по бурению, охране труда, IT и инженерии.

Результат: прототип, тестируют около 60 сотрудников. Планы — развертывание на департаменты к концу 2026 года.

Кейс Saudi Aramco: собственная LLM на 250 миллиардов параметров

Saudi Aramco — крупнейшая нефтяная компания мира с добычей, переработкой и нефтехимией. В компании работают десятки тысяч инженеров и геологов, которым нужен доступ к данным.

Решение. В марте 2024 года Aramco представила генеративную модель Aramco Metabrain AI: 250 миллиардов параметров, обучена на 7 триллионах точек данных за 90+ лет. Анализирует планы бурения, геологию, затраты и рекомендует оптимальные варианты скважин. Для переработки — прогнозирует цены на нефтепродукты и динамику рынка.

Результат:

На 90% ускорились инспекции трубопроводов и оборудования с дронами и AI

Кейс ADNOC: агентная AI-платформа ENERGYai

ADNOC — национальная нефтяная компания ОАЭ. В 2023 году AI-решения уже принесли компании $500 млн дополнительной ценности — и следующим шагом стала ставка на генеративный AI.

Решение. В ноябре 2024 года ADNOC совместно с AIQ представила ENERGYai — агентное AI-решение для энергетической отрасли:

Собственная языковая модель на 70 млрд параметров, обученная на 50+ годах операционных данных ADNOC — от сейсмоактивности до отчетов по добыче
Специализированные AI-агенты под конкретные задачи: интерпретация сейсмических данных, мониторинг резервуаров, обнаружение аномалий в работе оборудования
Стек: Azure, OpenAI, платформа OSDU (Open Subsurface Data Universe) — отраслевой стандарт хранения геологических данных

В январе 2025 года ADNOC завершила 90-дневное испытание ENERGYai.

Результат:

70% рост точности в ключевых аспектах сейсмоинтерпретации — задаче, где ошибка стоит миллионы долларов на этапе бурения

Три уровня зрелости: от доступа к автономии

Кейсы из статьи складываются в логику последовательного наращивания — каждый следующий уровень приносит больше ценности, но требует больше инфраструктуры.

Уровень 1 — Доступ для сотрудников. Дать каждому сотруднику AI-помощника для базовых задач: суммаризация, письма, код, перевод. Порог входа минимальный, результат измерим сразу: Repsol посчитала 121 минуту экономии в неделю на человека, а при 25 000 сотрудников это больше 50 000 человеко-часов в неделю.

Уровень 2 — Интеграция с данными компании. Подключить корпоративные данные — превратить архив за десятилетия в рабочий инструмент. Saudi Aramco обучила модель на 90 годах инженерных данных, «Татнефть» — на 70 годах регламентов и исследований. Эти инвестиции уже сделаны, а GenAI превращает их в работающий актив.

Уровень 3 — Автономные агенты. Финальный шаг — создать AI-агентов, которые самостоятельно выполняют задачи в бизнес-процессах. MARGE у TotalEnergies ускоряет диагностику неисправностей на 25-45% — это прямое сокращение простоев оборудования. BuyerCompanion экономит до 10% на закупках. У Repsol 22 агента управляют операциями от газовых заказов до инцидентов. На этом уровне AI становится участником процесса со своей зоной ответственности и измеримым влиянием на P&L.

Кейсы в статье показывают: компании, которые быстрее проходят путь от AI-помощника до агентов, получают измеримый эффект на P&L. Ключевое условие для российского нефтегаза — платформа, которая работает в закрытом контуре и поддерживает отечественные модели.

Just AI Agent Platform позволяет строить AI-агентов на российских и зарубежных моделях в едином контуре, комбинирует LLM с NLU-технологиями для снижения расхода токенов и включает встроенную защиту данных. А готовые шаблоны агентов для HR, закупок и техподдержки сокращают путь от пилота до масштабирования.

Оцениваете сценарии внедрения генеративного AI?

Оставьте заявку — обсудим, какие процессы уже можно автоматизировать.

Оставить заявку

Другие материалы

Кейсы AI-внедрений в ритейле и e-commerce

От автоматизации клиентского сервиса до HR-процессов

Кейсы AI-внедрений в финансах и страховании

От контакт-центров до оценки рисков

Где деньги, AI?

Карта экономии: где AI экономит больше всего денег для бизнеса