Обзор модуля

Модуль показывает, где AI в нефтегазе и нефтехимии уже работает как производственный инструмент, а где пока живёт в слайдах и research. Логика простая: сначала деньги и структура отрасли, затем эталон платформы, после этого — ключевые контуры применения от геологии и НПЗ до трубопроводов, агентных workflow и химических реакторов.

Это модуль для тех, кому нужно принять практическое решение: какой use case запускать, какой стек нужен, где критичны симулятор и safety-контур, и какие обещания лучше сразу вычеркнуть из презентации.

Чему вы научитесь

Отделять доказанную экономику industrial AI в нефтегазе от маркетинга и сборных цифр без контекста
Читать платформенный кейс Shell + C3 AI как архитектуру, а не как набор красивых метрик
Понимать разницу между upstream-, downstream-, midstream- и нефтехимическими сценариями
Видеть, когда для AI достаточно данных и workflow, а когда без симулятора, инженерного контекста и operator override запуск опасен
Выбирать реалистичный первый проект для добычи, переработки, трубопроводов или нефтехимии

Контекст: почему этот модуль важен

Нефтегаз часто называют идеальной отраслью для AI, но это слишком грубое упрощение. Геология, бурение, НПЗ, трубопроводы и нефтехимия живут на разных данных, с разной ценой ошибки и разной зрелостью решений.

Поэтому здесь нельзя переносить один удачный кейс на всю отрасль. То, что работает в predictive maintenance или refinery twin, не доказывает зрелость agentic AI для инженерных расчётов и тем более не означает, что catalyst discovery уже готов к продакшену.

Если пройти модуль целиком, у вас появится нормальная карта принятия решений: где ставить бюджет, какой data foundation нужен, где нужен advisory-режим, а где честный ответ звучит так: «пока рано, сначала соберите данные и процесс».

Уроки модуля

Нефтегаз и AI — экономика отрасли в цифрах Где в нефтегазе AI уже даёт деньги: государственные оценки, кейсы Big Oil, российские расходы на цифровизацию и границы маркетинга
Shell + C3 AI — самый детальный архитектурный кейс промышленного AI Как Shell собрал platform layer для predictive maintenance и масштабировал industrial AI на 10 тысяч единиц оборудования
Upstream AI — от сейсмики до скважины Как AI работает в разведке, бурении и добыче: foundation models для сейсмики, цифровые геологи, online-оптимизация бурения и российские замены
Цифровой двойник нефтепереработки — Honeywell UOP, AspenTech, Yokogawa, Сибур Как устроен digital twin НПЗ: data fabric, process simulation, soft sensors и optimisation-контур. Плюс российская линия замещения AspenTech
Reinforcement Learning в управлении процессами — Shell, Aramco, Yokogawa FKDPP Где RL уже работает в process industry: симулятор, advisory-контур, operator override и жёсткие границы безопасности
Agentic AI в нефтегазе — ONGC 600 скважин за ночь Разбор production-кейса SPE: small language model, MCP, Pipesim и supervised automation для batch-моделирования сотен скважин
Midstream AI — трубопроводы, мониторинг, LNG Где в midstream AI действительно полезен: leak detection, threat detection, трассовая видеоаналитика и защищённый edge-контур
Нефтехимия и катализаторы — что работает, что нет Где в нефтехимии AI уже полезен: soft sensors, deactivation, reactor twins. И где тема катализаторов пока остаётся research-heavy

Как проходить

Идите по порядку: модуль специально собран от экономики и платформы к более узким инженерным сценариям.
После уроков про Shell и refinery twin вернитесь к своим текущим данным и честно проверьте, есть ли у вас platform layer и action path, или пока только набор разрозненных тегов и презентаций.
Upstream, RL и agentic AI читайте с инженерной дисциплиной: без симулятора, доменного софта и safety-контуров эти темы быстро превращаются в дорогой эксперимент.
Midstream и нефтехимию проходите как урок про ограничения: здесь особенно важно понимать, где value уже подтверждён, а где публичных данных мало и обещания нужно резать.
Если вы готовите инициативу для руководства, держите рядом материалы p.4 про ROI и окупаемость: этот модуль даёт отраслевую карту, а p.4 помогает упаковать её в проект.

После модуля

После этого модуля вы сможете обсуждать нефтегазовый AI без общих слов: на языке архитектуры, контуров управления, зрелости данных и ограничений безопасности.

Дальше удобно переходить к следующему отраслевому модулю трека или возвращаться к p.10 и p.11, если вам нужно выбрать поставщика, собрать RFP и перевести отраслевые идеи в рабочую программу запуска.

Уроки