Модуль p.6 · Урок 1
Урок 1: Нефтегаз и AI — экономика отрасли в цифрах
Чему вы научитесь
- Быстро оценивать, где в нефтегазе AI уже доказал экономику, а где пока продаётся через презентации
- Различать государственные, корпоративные и рыночные цифры по степени надёжности
- Видеть, какие сегменты отрасли забирают основную часть AI-бюджета: upstream, downstream, midstream или HSE
- Переводить большие отраслевые цифры в управленческий вопрос: куда именно ставить бюджет на своём активе
- Не путать эффект от цифровизации в целом с эффектом именно от AI-решений
В p.1/05 мы уже использовали Газпром нефть, Роснефть и Сибур как ориентиры амбиции. Здесь задача другая: отделить деньги от шума. В нефтегазе слишком много крупных чисел, и без разборки их происхождения CFO очень быстро перестаёт верить презентации.
Сначала — масштаб рынка
| Метрика | Что именно означает | Почему это важно для CDTO |
|---|---|---|
5,4 трлн ₽ до 2040 года | Оценка совокупного эффекта от применения ИИ в нефтегазе на горизонте 2025–2040 годов по линии Минэнерго; на пике — до 700 млрд ₽ в год (ТАСС, 11.12.2020; Neftegaz.ru) | Это отраслевой потолок эффекта, а не бизнес-кейс конкретного проекта |
162 млрд ₽ в 2025 году | Оценка годовых расходов российского нефтегаза на IT-продукты и сервисы; рост около 20% год к году (TAdviser; Ведомости, 27.01.2026) | Показывает, что рынок уже живёт не в PoC-режиме |
$1,8 млрд в 2024 году | AI-driven Technology Realized Value у Saudi Aramco; 442 use cases, 200+ deployed, 100+ in development к концу 2025 года (Aramco, 24.11.2025; Aramco) | Это хороший глобальный потолок эффекта для крупнейшего игрока, но не «средняя температура по отрасли» |
$920 млн | Контракт ADNOC на расширение AI-powered well digitalization до 2000+ скважин (ADNOC, 05.11.2024) | В upstream большие деньги уходят не только в модели, но и в instrumentation, связь и инфраструктуру |
90% к 2030 году | В отраслевой аналитике 2026 фигурирует цель довести долю отечественного ПО в нефтегазе до 90% к 2030 году; в открытом поле эта цифра идёт через свежие отраслевые исследования и обзоры, в том числе по линии СиСофт Девелопмент (CSoft, 29.01.2026) | Для российского заказчика импортозамещение — не боковая тема, а часть economics и platform strategy |
Из этого уже видно главное: в нефтегазе деньги идут не в абстрактный «корпоративный чат с LLM», а в тяжёлые production use cases с прямым влиянием на добычу, переработку, энергопотребление и надёжность.
Какие корпоративные цифры реально стоит держать в голове
| Компания | Публичная цифра | Как читать правильно |
|---|---|---|
| Saudi Aramco | $1,8 млрд AI-driven realized value за 2024 год, 442 use cases, 200+ deployed (Aramco) | Это не один проект, а портфель industrial AI на масштабе крупнейшей энергокомпании мира |
| Shell | 10 000+ единиц оборудования под predictive maintenance, 3 млн+ data streams, 20 млрд строк в неделю, 15 млн+ предсказаний в день (C3 AI blog, 07.03.2022) | Это эталонная архитектура платформы, а не только PdM-кейс |
| ExxonMobil | По прямым материалам ExxonMobil корректнее держать в голове $15 млрд cumulative structural cost savings к 2027 году, включая вклад цифровизации и AI; цифры про 50 тыс. bpd и −75% времени на seismic interpretation живут во вторичных обзорах и требуют отдельной прямой ссылки (ExxonMobil, 01.12.2021; Klover.ai) | Хорошо как ориентир по масштабу, плохо для board-пакета без доп. верификации |
| BP | По прямым материалам BP полезнее держать в голове record refining availability >96% и снижение unplanned downtime; конкретные +20% throughput, −25% downtime и $1 млрд value к 2025 году — это вторичные обзоры, а не жёсткий primary benchmark (BP FY25 results; BP Energy Outlook 2025) | Использовать как отраслевой ориентир, не как жёсткий benchmark для бюджета |
| Honeywell UOP | Medium refinery с UOP Digital Solutions может давать около $34 млн дополнительной прибыли в год по assumptions самого вендора; отдельный кейс — +$11,2 млн operating margin за 8 недель продлённого run (Honeywell UOP brochure, 2024; Honeywell Connected Services) | Хорошо показывает потенциал downstream, но цифры надо читать как vendor-provided assumptions |
Здесь важно одно правило: чем ближе число к PR-материалу вендора, тем осторожнее его надо переводить в свой бизнес-кейс. Для нефтегаза это особенно важно, потому что разница между «потенциалом платформы» и «реализованным эффектом на активе» огромна.
Где в нефтегазе AI забирает основные бюджеты
По компиляции отраслевых материалов Gartner/McKinsey в research pack большая часть value-pool лежит в upstream, затем в downstream, и только потом в midstream и HSE. Для рабочей карты CDTO это удобно раскладывать так.
flowchart TD
A[AI-бюджет нефтегаза] --> B[Upstream 40-50%]
A --> C[Downstream 25-30%]
A --> D[Midstream 10-15%]
A --> E[Supply chain и HSE 15-20%]
B --> B1[Геология и бурение]
B --> B2[Оптимизация добычи]
C --> C1[Soft sensors]
C --> C2[Digital twin НПЗ]
D --> D1[Контроль утечек]
D --> D2[PdM трубопроводов]
E --> E1[Логистика и planning]
E --> E2[HSE и аварийность]| Сегмент | Где типично лежит бюджет | Почему туда идут деньги раньше всего | Что это значит для вас |
|---|---|---|---|
| Upstream | 40–50% отраслевого AI-value pool | Добыча и бурение имеют высокий операционный рычаг: скважина, траектория, геология, ROP, простой бригады | Если вы E&P-компания, самые крупные деньги обычно не в LLM, а в геологии, бурении и production optimization |
| Downstream | 25–30% | НПЗ и нефтехимия хорошо инструментированы, а 1–3% оптимизации режима быстро превращаются в маржу | Для НПЗ первые кандидаты — APC, soft sensors, yield optimization, digital twin |
| Midstream | 10–15% | Эффект идёт через надёжность, утечки, threat detection и безопасность трассы, но выручка движется косвенно | Это зона надёжности и compliance, а не быстрых «AI-денег» |
| Supply chain и planning | 10–15% | Оптимизация логистики, закупок, хранения и расписаний даёт стабильный, но не самый крупный эффект | Часто хороший второй эшелон после добычи или переработки |
| HSE | 5–10% | Прямая окупаемость считать сложнее, но это критично для снижения аварийности и риска остановов | Проекты HSE продаются через risk avoidance, а не через валовую маржу |
Отсюда практический вывод простой: если вы приходите к руководству нефтяной компании с первым AI-проектом, лучший шанс на поддержку обычно дают либо upstream-эффект, либо downstream-эффект. Midstream и HSE чаще становятся второй волной.
Куда реально уходят деньги внутри проекта
Большая ошибка — считать, что бюджет нефтегазового AI-проекта равен бюджету на модель. В реальности деньги уходят в четыре разных слоя.
| Слой расходов | Что туда входит | Почему это дорого |
|---|---|---|
| Data foundation | historian, data fabric, ETL, нормализация тегов, контекст, quality rules | Без этого модель не доживает до эксплуатации |
| OT/field instrumentation | датчики, edge, связь, retrofit старого оборудования | Особенно тяжело на удалённых активах и старых НПЗ |
| Model layer | ML/LLM, MLOps, inference, симуляторы | Это важно, но редко главный cost driver |
| Action path | dashboards, alerts, work orders, интеграция с EAM/ERP/SCADA | Если action path не построен, эффект не монетизируется |
Именно поэтому p.4/01 и p.4/02 для нефтегаза обязательны. Здесь почти всегда окупаемость решает не качество модели само по себе, а способность довести рекомендацию до изменения режима, плана бурения или задания на ремонт.
Как отличать реальные деньги от маркетинга
Смотрите, есть ли action path. Если кейс заканчивается на «модель построила prediction», а дальше нет задания в EAM, смены режима или инженерного решения, деньги там ещё не реализованы.
Разделяйте портфель и один use case.
$1,8 млрду Aramco — это не один алгоритм, а сотни развёрнутых сценариев. Нельзя переносить эту цифру на свой пилот.Читайте assumptions. У Honeywell и других вендоров крупные цифры почти всегда основаны на конкретном throughput, margin и времени работы установки.
Сверяйте контур с РФ-реальностью. Если архитектура завязана на C3 AI, Databricks, Azure OpenAI или закрытые западные платформы, её надо сразу прогонять через p.3/05.
Что делать дальше
Если вы хотите понять, как выглядит лучшая публичная архитектура industrial AI в process industry, следующим уроком читайте про Shell + C3 AI. Если вы из E&P, затем идите в upstream-урок про сейсмику, бурение и цифровых геологов. Если вы из НПЗ или нефтехимии — в урок про refinery digital twin.