От digital transformation и hyperautomation к AI-системам: что это значит для инженерного процесса в upstream
подготовлена с использованием ИИ, своих заметок в домене “инноваций в нефтегазовой области разработки и добычи месторождений” Это основа для будущих уточнений и корректировок
Тренд: от автоматизации задач к автоматизации решений
Термины digital transformation и hyperautomation прошли за последние годы заметную эволюцию. Если в начале 2020-х цифровая трансформация означала прежде всего перевод бумажных процессов в электронные, а гиперавтоматизация — связку RPA-ботов с несколькими информационными системами, то к 2026 году ландшафт изменился принципиально.
По данным Gartner, 90% крупных предприятий включили гиперавтоматизацию в число стратегических приоритетов. Но содержание этого приоритета сместилось: речь уже не о том, чтобы автоматизировать повторяющиеся задачи, а о том, чтобы автоматизировать принятие решений, оркестрацию процессов и адаптацию к меняющимся условиям. Gartner прогнозирует, что к концу 2026 года 40% корпоративных приложений будут включать специализированных AI-агентов — по сравнению с менее чем 5% в 2025 году.
Три ключевых сдвига определяют этот переход:
Первый сдвиг — от RPA к agentic AI. Классическая RPA автоматизирует действия по жёстко прописанному сценарию. Агентный AI способен сам планировать последовательность шагов, координировать данные из нескольких систем, выполнять действия и привлекать человека только тогда, когда это необходимо. Это уже не «бот, который нажимает кнопки», а система, которая понимает цель и находит путь к ней.
Второй сдвиг — от точечной автоматизации к сквозной оркестрации. Hyperautomation 2026 года — это не набор изолированных автоматизаций, а единая интеллектуальная сеть, объединяющая AI, machine learning, RPA, process mining и аналитику данных.
Третий сдвиг — от экспериментов к инфраструктуре. Как отмечает Deloitte в Tech Trends 2025, AI масштабируется только тогда, когда к этому готова «ткань бизнеса» — данные, платформы и процессы. Поэтому компании модернизируют экосистему данных, консолидируют информационные силосы и внедряют управление качеством данных (data governance). AI перестаёт быть экспериментом и становится базовой инфраструктурой.
AI в нефтегазовой отрасли: от пилотов к промышленному масштабу
Нефтегазовая отрасль исторически генерирует огромные объёмы данных — сейсмика, телеметрия, каротажные данные, результаты исследований, производственные параметры. Однако до недавнего времени основная часть этих данных обрабатывалась традиционными инструментами, а AI-проекты оставались в зоне пилотов.
В 2025–2026 годах ситуация качественно изменилась. По оценкам McKinsey, интегрированные AI-системы способны снизить операционные расходы в upstream на 20% и повысить эффективность добычи на 5–8%. Глобальный рынок AI в нефтегазовой отрасли оценивался в $2,7 млрд в 2025 году с прогнозом роста до $5,4 млрд к 2035 году. При этом на upstream приходится более 60% этого рынка.
Ключевые области применения AI в upstream:
- Exploration и интерпретация данных — AI-агенты ускоряют сейсмическую интерпретацию, связывая данные из разных программных комплексов и генерируя контекстуализированные выводы.
- Бурение — модели с reasoning-способностями позволяют автоматизировать циклы принятия решений с учётом гидравлики, скорости проходки, выноса шлама и точности позиционирования в пласте.
- Добыча и оптимизация — агентные системы оптимизируют газлифт, работу наземного оборудования и полевую добычу, действуя в рамках пластовых моделей и оптимизируя экономический результат.
- Предиктивное обслуживание — AI-системы могут снизить незапланированные простои оборудования на 25–35%, работая с потоками данных от датчиков вибрации, акустики и температуры.
- HSE (промышленная безопасность) — мультимодальные системы технического зрения обнаруживают небезопасное поведение, утечки и аномалии до того, как они перерастают в инциденты.
Фундаментальный вывод: AI в нефтегазе 2026 года — это не отдельная технология, а стратегическая инфраструктура, которая встраивается в инженерные и управленческие процессы на всех уровнях.
Реальный опыт: что уже пробовали у нас
Прежде чем говорить о перспективах, важно зафиксировать — наша организация уже имеет опыт применения AI и машинного обучения на разных участках upstream. Этот опыт неоднороден: часть проектов работает, часть остановлена, часть — на стадии проб.
| Область | Что сделано | Статус | Урок |
|---|---|---|---|
| Сейсмика | Пробы различных вариантов ПО для AI-интерпретации сейсмических данных | Пробы (для одних объектов метод подошёл, для других нет) | Результат сильно зависит от геологической сложности объекта |
| Бурение | Цифровой двойник процесса бурения: данные с буровой поступали в программу, ML-модуль предсказывал возможные аварии | Остановлен (потеря доступа к иностранному ПО, прекращение финансирования) | Зависимость от вендора = стратегический риск |
| Анализ ГИС | Продукт анализирует данные геофизических исследований (.las), подсказывает интервалы пластов, помогает с интерпретацией | Работает | Наиболее зрелое применение AI — задача хорошо формализована |
| Управление заводнением | ML-модель, обученная на исторических данных нескольких лет. Строит карту взаимовлияний добывающих и нагнетательных скважин, помогает оптимизировать закачку | Работает | Требует качественных исторических данных и регулярной переобучки |
| Предиктивное ТОиР | Попытки использовать AI для предсказания отказов насосов и другого оборудования | Пробы | Упирается в качество и полноту данных с датчиков |
| ГДИ | Использование AI для дорисовки кривых восстановления уровня (КВУ) | Пробы | Потенциально ценно, но требует валидации на разных типах коллекторов |
| Безлюдный промысел | Концепция роботизированного промысла с AI-управлением | Далёкое будущее | Упирается в оснащение датчиками, отсутствие опыта, организационные барьеры |
Есть еще проекты, о которых я знаю немного, либо не готов раскрывать подробности.
Общая картина: точечные AI-решения уже работают там, где задача хорошо формализована и есть качественные данные (ГИС, заводнение). Но сквозного применения AI в инженерном процессе пока нет — каждое решение изолировано и не связано с другими.
Путь к цифровому двойнику промысла
Один из обсуждавшихся сценариев развития — поэтапный переход от текущего состояния к цифровому двойнику месторождения. Схема включает три уровня:
Схема построена на основе материалов руководства «Системная инженерия»:
┌─────────────────────────────────────────────────────────────────────┐
│ 1. Текущее состояние (асинхронное, ручное) │
│ │
│ Ручная интеграция Ручной замер → ручное Месторождение│
│ данных для внесение в КИС (ручное) │
│ перестроения ◄───────────────────────────────► │
│ гидродинамич. Ручное внедрение │
│ моделей результатов и предложений │
├─────────────────────────────────────────────────────────────────────┤
│ 2. Цифровая тень (автоматизация данных) │
│ │
│ Автоматизированный Ручное внедрение Месторождение│
│ процесс обновления результатов (автоматизация │
│ гидродинамич. ◄───────────────────────────────► данных) │
│ моделей Автоматизированный │
│ замер и передача в КИС │
├─────────────────────────────────────────────────────────────────────┤
│ 3. Цифровой двойник (автоматизированное управление) │
│ │
│ Автоматизированный Автоматизированная Месторождение│
│ процесс обновления адаптация энергетич. (автоматизиро- │
│ гидродинамич. ◄───────────────────────────────► ванное) │
│ моделей Автоматизированный │
│ замер и передача в КИС │
│ │
│ Замкнутый контур: данные → модель → решение → действие │
└─────────────────────────────────────────────────────────────────────┘
Руководители оценили направление как верное, но отметили: «пока очень далёкое будущее». Не по всем месторождениям мы понимаем, как строить модели из-за сложности геологии — модели строятся, но их точность низкая. Это значит, что путь к AI-управлению лежит через повышение качества описаний и данных — без этого автоматизация решений невозможна.
Перспективы AI в инженерном процессе нашей организации
Теперь о том, что всё это значит конкретно для нас — для инженерного процесса управления инновациями в upstream.
Где мы сейчас
Сейчас пробую описать процессы вокруг двух связанных контуров.
Конвейер нефти — состояния целевой системы (альфа «нефть», каждое состояние — причастие, отвечающее на вопрос «что сделано с нефтью?»):
Запланирована → Происследована → Локализована → Вскрыта → Мобилизована → Поднята → Транспортирована → Подготовлена → Сдана
На каждом переходе нефть может «застревать» — это бизнес-возможность (БВ)
Лемниската инновационного развития — метод работы с инновациями, построенный не как линейный конвейер, а как две связанные петли (подробнее — в отдельной статье):
- ProblemOps (фабрика проблем): мониторинг переходов конвейера нефти — где нефть «застревает»? Характеризация ситуации: какова обводнённость, какова динамика дебитов, что показывает телеметрия? Формирование портфеля производственных проблем с измеримыми критериями. Выбор проблемы правильного масштаба (не слишком простой, не слишком сложной). Выход — не «поручение внедрить», а спецификация сравнения и приёмки: по каким показателям мы будем сравнивать варианты решения и что считать успехом.
- DevOps (фабрика решений): под выбранную проблему генерируются варианты технологий (ГРП, химия, изменение режима, новое оборудование). Варианты проходят цепочку: eval (сравнение по характеристикам — какой вариант перспективнее?) → прототип/ОПИ (опытно-промышленное испытание) → test (проверка на ошибки — работает ли в реальных пластовых условиях?) → ставка (выделение ресурсов на масштабирование) → решение (принятый к тиражированию метод). Выход — не «внедрили и забыли», а пакет свидетельств (evidence pack): данные об эффекте, ограничениях и условиях применимости.
Пакет свидетельств из фабрики решений возвращается в фабрику проблем — так следующий цикл начинается не с мнений, а с данных о последствиях предыдущих решений. Внутри лемнискаты отслеживаются несколько альф: возможность (выявлена → оценена → приоритизирована → подтверждена), вариант/метод (гипотеза → прототип → кандидат → ставка → решение), обоснование (начато → структурировано → подкреплено → принято). Детальная проработка альф и их состояний — предмет отдельного описания.
Ключевая инженерная задача — связать производственные проблемы на переходах конвейера нефти с конкретными вариантами решений, обеспечивая сквозную прослеживаемость «проблема → спецификация сравнения → варианты → evidence pack → следующий цикл».
Сегодня значительная часть этой работы выполняется людьми вручную: кураторы проектов собирают информацию из разных систем (АСУ ТП, LIMS, ТОиР, КАС, Excel), сами формируют карточки возможностей, сами отслеживают статусы, сами готовят материалы на управляющие комитеты. Куратор становится «ответственным за всё» и занимается задачами администраторов, экономистов и бухгалтеров вместо того, чтобы погружаться в суть технологии. Это классический пример ситуации, которую hyperautomation призван устранить.
При этом уже сейчас формируется программный продукт, который объединяет работу с производственными проблемами и внедрением новых технологий — система управления бизнес-возможностями и технологическими возможностями. Именно в эту систему в перспективе может быть встроен AI-помощник.
Где AI может дать наибольший эффект
1. AI-ассистент для выявления и приоритизации возможностей. Сейчас выявление бизнес-возможностей и технологических возможностей требует ручного анализа данных по десяткам месторождений и сотням скважин. AI-система, подключённая к телеметрии и данным мониторинга, способна автоматически выявлять аномалии на переходах конвейера нефти — рост обводнённости, падение продуктивности, нестабильность режимов — и формировать предварительные карточки возможностей с привязкой к участку цепочки, оценкой потенциала и предложением гипотез. По нашим оценкам, из 182 объектов разработки, которые необходимо анализировать, мы вручную успели проанализировать лишь 43. AI-ассистент мог бы кардинально расширить охват и скорость этого анализа.
2. Интеллектуальный подбор технологий (technology scouting с AI). Один из этапов фабрики решений — поиск подходящей технологии для решения выявленной проблемы. Это включает патентный поиск, анализ баз данных по неуспешным испытаниям, поиск по мировым практикам. LLM-системы с доступом к нашей базе знаний и внешним источникам могут существенно ускорить этот процесс — формируя «воронку вариантов» с критериями выбора и оценкой релевантности для конкретных геолого-промысловых условий. Более того, AI может обращаться к каталогу типовых ошибок и предупреждать о рисках, характерных для выбранного направления.
3. AI для построения обосновывающих дел (assurance case) и gate-решений. В нашей модели каждый проект проходит gate-решения — точки, в которых проверяется достаточность доказательств для перехода на следующую стадию. Сейчас эта проверка выполняется вручную и часто формально — проект переходит по факту завершения набора работ, а не по факту наличия обоснования успешности. Простой чеклист («есть ли baseline? да/нет») не решает проблему: галочку можно поставить формально, не связывая данные с аргументами. Более сильный подход — обосновывающее дело (assurance case): структурированный аргумент, где претензия на успешность метода подкрепляется иерархией аргументов и свидетельств. Например: «метод X увеличит нефтеотдачу на участке Y» → аргумент «испытан на аналогичном коллекторе» → свидетельство «результаты ОПИ на объекте Z»; аргумент «экономика положительна» → свидетельство «???». AI-система способна автоматически собирать свидетельства из данных мониторинга, связывать их с аргументами и показывать пробелы: «аргумент не подкреплён данными — gate проходить рано». Это превращает gate из формальности в реальный инструмент инженерного обоснования.
4. AI для упаковки и тиражирования методов. Одна из ключевых проблем, зафиксированных в нашем проекте: технологии «не тиражируются», потому что результат остаётся знанием конкретной команды, а не упакованным методом. AI-система может помогать формировать «пакет метода» — автоматически структурируя результаты испытаний, условия применимости, требования к данным и оборудованию, инструкции по применению. LLM, работающая с нашей онтологией (различение целевой системы, метода, работы и описания), может контролировать полноту и корректность пакета до его передачи в промышленную эксплуатацию.
5. Agentic AI для оркестрации лемнискаты. В перспективе наиболее амбициозное применение — AI-агент, который «видит» конвейер нефти и обе петли лемнискаты одновременно и может: выявлять рассогласования (например, проект в фабрике решений «зелёный», но нефть на соответствующем переходе по-прежнему «застревает»); обнаруживать, что evidence pack не вернулся в фабрику проблем и следующий цикл начинается с мнений, а не с данных; отслеживать движение вариантов по цепочке «гипотеза → прототип → кандидат → ставка → решение» и предупреждать о ставке на единственный вариант (а это, по Левенчуку, обычный источник ошибки — недоисследованное пространство решений); обнаруживать системные очереди и задержки (закупки, окна на скважины, подрядчики); предупреждать о деградации ранее внедрённых методов. Это уже уровень «decision intelligence» — не автоматизация задач, а автоматизация управленческих выводов.
Что нужно для этого подготовить
Прямо сейчас AI-системы не могут быть эффективно внедрены «поверх» разрозненных Excel-файлов и ручных коммуникаций. Для того чтобы AI заработал, необходимо:
- Единая онтология — уже создаётся в виде формализованного пакета предметного знания. Это «язык», на котором AI-системы смогут интерпретировать данные из разных источников.
- Интегрированное ядро данных — программный продукт для управления возможностями, который сводит три конвейера в единое информационное пространство. Без этого ядра AI будет работать с фрагментами, а не с целой картиной.
- Качество данных — подключение телеметрии, LIMS, ТОиР через API с валидацией и нормализацией. AI-модели бесполезны на «грязных» или неполных данных.
- Культура data-driven решений — переход от «делаем, потому что привыкли» к «делаем, потому что данные показывают». Это организационная, а не технологическая задача.
Каким мы видим результат
Через 2–3 итерации внедрения мы рассчитываем выйти на следующее состояние:
- Куратор проекта тратит основное время на инженерную экспертизу, а не на сбор данных и подготовку отчётов — рутинные задачи выполняет AI-ассистент.
- Карта возможностей обновляется в режиме, близком к реальному времени, на основе данных мониторинга, а не по итогам квартальных обзоров.
- Gate-решения принимаются на основании объективных критериев, проверенных автоматически, а не на основании презентационных материалов.
- Пакеты методов формируются полуавтоматически по результатам испытаний, и библиотека проверенных решений с условиями применимости становится реально работающим инструментом, а не архивом отчётов.
- Конвейер нефти и обе петли лемнискаты видны одновременно, и управленческие решения принимаются с учётом сквозного промышленного результата, а не локальных KPI отдельных подразделений.
Заключение
Тренд digital transformation → hyperautomation → AI-системы — это не последовательная смена модных слов, а реальная эволюция того, что именно автоматизируется. Сначала автоматизировали документы, потом задачи, потом процессы. Сейчас автоматизируются решения. И именно в нашей области — управлении инновациями в upstream — этот переход особенно ощутим, потому что здесь критически важна не скорость выполнения отдельных операций, а качество сквозных инженерных решений: от выявления проблемы на конвейере нефти до устойчивого промышленного результата.
AI не заменит инженера, который понимает физику пласта и логику воздействия. Но AI способен снять с инженера рутину сбора, сопоставления и оформления данных — и дать ему возможность заниматься тем, что действительно создаёт ценность: думать о том, какой метод изменит конкретный переход конвейера нефти, и доводить этот метод до воспроизводимого промышленного результата.
Источники
- Gartner, «Top Strategic Technology Trends 2026: Agentic AI» (2025).
- Deloitte, «Tech Trends 2025: AI-fueled transformation» (2025).
- McKinsey, «The next satisfier of AI in oil and gas» (2025).
- А. Левенчук и др., «Методология» — руководство Мастерской инженеров-менеджеров, курс Aisystant (2025–2026). В частности: альфы и состояния, assurance case, элегантность/lean, выбор инженерного процесса.
- А. Левенчук и др., «Системная инженерия» — руководство Мастерской инженеров-менеджеров, курс Aisystant (2025–2026). В частности: цифровой двойник промысла.
- А. Левенчук, «Ошибка — не вариант! Три варианта — нормально. Три ошибки — нет» — семинар, 22 марта 2026. В частности: три фабрики (проблем, решений, фабрик), цепочка вариантов, eval vs test.
- OMG Essence — Kernel and Language for Software Engineering Methods (альфы, состояния, чеклисты).