Исследование искусственного интеллекта в нефтегазовой отрасли для TNF на Forbes
Не вызывает сомнений, что GenAI способен совершить настоящую революцию в промышленности и кардинально изменить правила конкурентной борьбы. Опрошенные авторами исследования эксперты отмечают, что ключевым приоритетом внедрения GenAI в отрасли являются разведка и добыча углеводородов (так считают 66% респондентов), отдельные задачи бэк-офиса (45%) и нефтепереработка (37%).
Однако на пути к технологическому прорыву российские компании сталкиваются не только с дефицитом вычислительных мощностей, но и с барьерами внутри бизнеса. В число ключевых входят долгое согласование проектов в компании (47%), недостаток квалифицированных специалистов (47%), консервативное отношение к GenAI со стороны руководства (39%). Преодолеть инертность мышления способны не инвестиции, а люди — лидеры, сочетающие в себе стратегическое видение, смелость в лоббировании изменений внутри «контура» и глубокое понимание технологических тенденций.
Между Скайнетом и инертностью: культурный код неприятия
Любая новая технология вызывает полярные мнения: технооптимисты восторгаются и ждут перемен, а скептики сомневаются и критикуют. Сегодня с GenAI происходит ровно то же самое. Одни считают его просто «болталкой», другие предостерегают от потенциальных угроз вроде Скайнета, третьи занимают выжидательную позицию: «Мы 30 лет жили без этих больших языковых моделей (LLM) и еще 30 лет проживем». Причина такого отношения кроется в недостатке наглядных примеров и проверенных схем эффективного применения технологии. Отсутствие ясного «шаблона» порождает неопределенность и тормозит принятие решений.
Также в крупных компаниях, особенно промышленных, регулярно возникают внутренние противоречия. Одни подразделения, привыкшие к стандартизованным тендерам и предсказуемым инвестициям, не готовы работать с технологией, у которой нет ни сложившейся инфраструктуры, ни опыта внедрения. У них нет ответа на простой вопрос финансиста: «Сервер плюс модель стоит X, но где эффект в PNL-отчете о прибылях и убытках?» Параллельно существуют бизнес-заказчики, глубоко понимающие производственные трудности и способные грамотно формулировать запросы. Но система управления корпорацией накладывает ограничения: инициатива по многомиллионным расходам не может исходить исключительно снизу. Так устроены большие организации — это объективная реальность.
Самый оптимальный сценарий — осознанный запрос сверху, от высшего руководства или подразделений, занимающихся трансформацией компании, поддержанный инициативой снизу.
Инфраструктурный разрыв и парадокс «насмотренности»
Сегодня наиболее успешно GenAI внедряется в компаниях, где сходятся два фактора: высокая доля фонда оплаты труда в себестоимости и наличие «буйных» (в хорошем смысле) управленцев в менеджменте. Там, где ФОТ — значимая часть затрат (например, банки, IT-разработка, маркетплейсы), мотивация к автономизации процессов максимальна, ведь каждый внедренный кейс прямо влияет на PNL через экономию дорогостоящего труда.
Там, где себестоимость труда незначительна и высока маржинальность, как в нефтяной отрасли, доминирует иной культурный код: традиционализм и ставка на проверенные решения.
Но проблема глубже. Да, есть GenAI как базовая технология. Но это лишь малая часть, основная сложность — в «обвязке»: интеграции с данными, создании контрольных контуров, доступе к внутренним системам.
При этом индустриальный сектор тоже не стоит на месте. Такие компании, как «Сибур», «Лукойл» и «Норникель», уже активно запускают пилотные проекты с GenAI. Один из самых показательных кейсов — внедрение системы на базе технологии для анализа закупок, которая позволила избежать дублирования и сэкономить сотни миллионов рублей, просто дав сотрудникам современный инструмент для работы с данными. Эти примеры доказывают: точечные кейсы уже работают и приносят измеримую пользу. Задача сейчас — перейти к массовому внедрению, и здесь без тех самых решительных менеджеров не обойтись.
Ситуация усугубляется инфраструктурным вызовом. Мы входим в новую технологическую эпоху с недостаточным парком GPU (Graphics Processing Unit, графические процессоры, которые также применяются для обучения нейронных сетей. — Прим. ред.). У любого крупного западного или восточного разработчика LLM сегодня больше графических карт, чем во всей России. Следующее поколение суперкомпьютеров для обучения моделей будет потреблять гигаватты энергии. Сроки строительства новых электростанций — 5–7 лет, что создает системное ограничение для развития. Это вызов глобального уровня, и решить его в одиночку не под силу даже самым крупным компаниям. Оптимальным решением является переход на разделяемые облачные ресурсы — жизненная необходимость заставит бизнес адаптироваться, поскольку другого варианта попросту не будет.
Чтобы не упустить возможности, иногда нужно рискнуть
Ключевой выбор касается не технологии, а философии ведения бизнеса. Становится ли компания AI-native, то есть перестраивает ли всю свою бизнес-модель вокруг искусственного интеллекта, или рассматривает его как еще один инструмент автоматизации?
В отраслях, где стоимость человека критична (софтверная разработка, банки), ответ очевиден: без тотальной трансформации вы просто не выживете. Уже сейчас IT-компании перераспределяют часть задач с разработчиков на GenAI. В нефтяной отрасли с ее длинными инвестиционными циклами и низкой долей расходов на персонал в общих затратах вопрос остается открытым. Но именно здесь скрывается главный парадокс.
«Наибольший эффект GenAI принесет не за счет прямого сокращения затрат, а через повышение качества и скорости принятия экспертных решений — в геологоразведке, диагностике оборудования, анализе больших данных. Модель уже сегодня обладает большей «насмотренностью», чем средний специалист, которого можно нанять на рынке»
В этом и заключается роль менеджера-визионера — того самого агента изменений. Это не обязательно CEO; часто это люди на один-два уровня ниже, но обладающие нужными качествами. Ценность таких людей в том, что они способны разглядеть трансформационный потенциал технологии там, где другие видят лишь затраты и риски. Именно они переводят веру в технологию в конкретные пилоты и проекты. Будущее индустрии зависит от того, смогут ли компании найти и поддержать таких внутренних энтузиастов.
Будущее через аналогии с прошлым: брать лучшее и не бояться
Появление электричества, интернета и даже мобильной связи тоже начиналось с непонимания и недоверия. Но скорость нынешних изменений на порядок выше: если число пользователей iPhone достигло миллиарда за семь лет, то ChatGPT — за полтора-два года.
Управлять этим процессом «по старинке», через центры цифровизации и каскадные внедрения, бессмысленно. Будущее — в сотнях точечных применений, которые собираются самими бизнес-пользователями. Впервые у нас есть технология, для взаимодействия с которой не нужно учить новый язык — ни Python, ни даже BASIC. Общаться с ней можно на человеческом языке — без хештегов и кодовых слов. Это меняет саму природу, саму парадигму подхода к бизнес-процессам.
Культурный код российской промышленности, построенный на консерватизме и устоявшихся правилах, столкнулся с динамичной логикой GenAI, требующей смелости и быстрого принятия решений. Победят те компании, чьи руководители найдут мужество отказаться от простого расчета и сделать ставку на ясное видение будущего, поддержав своих внутренних визионеров — основных проводников в эру технологической трансформации.
Как когда-то было и с электричеством: сначала проводка, затем свет в цехах и только потом промышленный бум. Попытки «очистить зебру» от черных полос обречены — это ее естественная окраска. Остается либо принять правила игры, либо остаться за ее пределами.
Источник: журнал Forbes
