Урок 6: Agentic AI в нефтегазе — ONGC 600 скважин за ночь

Чему вы научитесь

• Отличать agentic AI для инженерных workflow от обычного RAG-бота по документам
• Разбирать production-кейс ONGC как архитектуру: planner, tools, evaluator и batch execution
• Понимать, зачем в нефтегазовом агенте нужен MCP (Model Context Protocol) и где проходит граница между LLM и доменным симулятором
• Видеть, какие задачи в скважинном моделировании реально подходят для агентного исполнения
• Формулировать минимальный безопасный контур для запуска своего industrial agent

В нефтегазе agentic AI имеет смысл не там, где надо «поболтать с документами», а там, где нужно автоматизировать повторяющийся инженерный workflow: открыть модель, подтянуть параметры, прогнать сценарий, проверить результат, собрать сводку. Именно поэтому кейс ONGC так важен: он показывает не презентационный чат-бот, а рабочий агентный контур на реальной domain task.

Что именно сделала ONGC

В апреле 2026 Journal of Petroleum Technology опубликовал case study ONGC по large-scale well modeling (Aman Sharma, 1 апреля 2026). Архитектура построена на small language model, command-line AI agent, domain-specific Python library и Pipesim. В первом кейсе автоматизация охватила около 600 скважин за ночь и дала экономию более 700 инженерных часов. Во втором агент выполнил 370 simulation scenarios менее чем за 1 час и сэкономил более 320 часов. Накопленная экономия по двум кейсам превысила 1000 часов (JPT/SPE case study).

Для industrial AI это сильный сигнал. Агент не просто отвечает на вопрос, а делает реальную работу, которую раньше неделями закрывала команда инженеров.

Почему это не RAG

В кейсе ONGC агент не просто вспоминает, как выглядит well model. Он реально создаёт, калибрует, прогоняет и анализирует модели на domain software.

Архитектура ONGC по слоям

flowchart LR
    A[Engineer task] --> B[Planner LLM or SLM]
    B --> C[MCP tool interface]
    C --> D[Python library over Pipesim]
    D --> E[Simulation runs]
    E --> F[Evaluator and checks]
    F --> G[Aggregator and report]
    G --> H[Engineer supervision]
    H --> I[Approve rerun or adjust]
    I --> B

Ключевой вывод: agentic AI здесь полезен только потому, что у него есть formal action space. Он не «творит», а вызывает набор строго описанных операций вокруг симулятора.

Где MCP действительно нужен

В онлайновой дискуссии про агентов MCP часто обсуждают как модный протокол. В промышленном контуре ценность другая: он задаёт чистую границу между reasoning layer и tool layer.

• Модель не получает прямой доступ ко всему подряд.
• Инженерный инструмент раскрывается через ограниченный интерфейс.
• Действия можно логировать, повторять и аудитировать.

Для нефтегаза это критично. В скважинном моделировании ошибка обычно не катастрофична как на НПЗ, но стоит денег, времени и доверия к системе. Поэтому auditability важнее «магии агента».

Почему кейс ONGC важнее многих GenAI-пилотов

Большинство enterprise GenAI-проектов в отрасли застревает на документных ассистентах. Это полезно, но не меняет throughput инженерной функции радикально. ONGC показывает другой класс эффекта: compressing engineering cycle time.

Именно поэтому агентный AI в нефтегазе интересен там, где есть много однотипных domain operations: sensitivity studies, tubing sizing, liquid loading diagnostics, batch simulation, scenario generation.

Какие задачи подходят лучше всего

Где агент ломается

• Данные по скважинам не стандартизованы.
• Названия сущностей и единицы гуляют между системами.
• У симулятора нет нормального API или library layer.
• Инженеры не принимают black-box планирование без traceability.
• Токеновая стоимость и latency не контролируются.

Как построить свой агентный workflow

1. Возьмите одну повторяющуюся инженерную задачу. Не «весь reservoir engineering», а tubing sensitivity, batch calibration или сценарии расстановки скважин.

2. Сначала опишите tools, потом выбирайте LLM. Если нет библиотечного слоя поверх симулятора, агенту нечем работать.

3. Ограничьте action space. Агент должен уметь делать только то, что действительно нужно задаче и безопасно в domain context.

4. Добавьте evaluator. Без отдельного слоя проверки агент будет тихо копить некорректные модели.

5. Держите человека в контуре. Хороший агент сокращает ручную рутину; он не отменяет инженерную ответственность.

Какой стек использовать в РФ

Для западного кейса ONGC естественно смотреть на Pipesim и похожие инструменты. В российском контуре логика переносится так:

Здесь важна та же санкционная граница, что и в остальных уроках модуля: прежде чем проектировать agentic layer, проверьте допустимость моделей и внешних API через p.3/05.

Чем этот урок связан с остальными

• Если вам нужен сам framework, переходите в p.9/07.
• Если вам нужен on-prem lifecycle и деплой, смотрите p.9/06.
• Если задача на самом деле не агентная, а расчётная по time series или anomaly detection, вернитесь к p.2/07.