ИИ в нефтегазе: почему «Газпром нефть» ещё не на автопилоте

У ИИ в нефтегазе дорогой гардероб: цифровые двойники, собственные языковые модели, многоагентные системы. В мае 2026 года Александр Дюков добавил к нему эффектную цифру: цифровые двойники покрывают 80% цепочки создания стоимости «Газпром нефти» — от поиска нефти до продажи топлива. В том же выступлении глава компании сообщил, что интеграция двойников и превращение их в агентов ещё идут (Интерфакс).

На этой фразе стоит задержаться. Нарисовать цифровую копию бизнеса и дать ей право действовать — две задачи совершенно разной сложности. Между ними находятся реальные трубы, давление, бюджеты и человек, которому придётся подписать решение. Мы прочитали выступления руководителей, рассказы инженеров и описания проектов, чтобы понять, кто сегодня держит руль этой машины. И что именно компания уже доверила алгоритмам.

Это расследование по открытым источникам. Deckard не работает с компанией «Газпром нефть».

ИИ в нефтегазе: какую работу он должен изменить

До того как нефть окажется в баке автомобиля, нужно найти перспективный участок, изучить данные сейсморазведки — по сути, ультразвука земных недр, — спроектировать скважины, пробурить их, управлять добычей, доставить сырьё на завод, переработать его и развезти топливо. На каждом шаге есть своя модель и своё решение. Инженер сравнивает геологические сценарии; буровая команда меняет траекторию скважины; оператор завода следит за состоянием оборудования. Именно такую цепочку — от геологоразведки до сбыта — «Газпром нефть» включает в разговор о цифровых двойниках (Интерфакс).

В этой цепочке у ошибки появляются физические последствия. Скважина проходит через пласт на километровой глубине. Подозрительное пятно на снимке трубы может оказаться дефектом. Убедительный ответ модели здесь быстро встречается с проверкой, которую невозможно пройти одной хорошей формулировкой: оборудование должно работать. А кто-то должен отвечать за выбранный режим.

Триллионы оборота. Скидок на эксперимент нет

По итогам 2025 года «Газпром нефть» добыла 130,7 млн тонн нефти и газа (газ пересчитан в тонны нефти) и переработала 43,9 млн тонн нефти. Выручка группы составила 3,6 трлн рублей; чистая прибыль при этом сократилась почти вдвое на фоне сложной рыночной конъюнктуры (Коммерсантъ). При таком масштабе удачный эксперимент обязан пережить встречу с повседневной работой: сменами, устаревшими данными, ремонтом оборудования.

Падение прибыли удобно использовать для дешёвой колкости: столько ИИ, а деньги куда делись? Только финансовая отчётность не позволяет выделить вклад нейросетей среди цен на нефть, курса рубля и других факторов. Требовать от ИИ доказательств полезно. Назначать его виновным в движении нефтяных цен — уже театр.

До нейросети пришлось построить нервную систему

2016. Компания открыла центр сопровождения строительства скважин «Геонавигатор»: инженеры в нём удалённо следят за бурением и подсказывают буровикам, куда вести скважину в пласте. По данным компании, специалисты центра контролировали бурение более тысячи скважин в год. К 2025 году подобных центров стало тринадцать (форум TNF). Сначала компания научилась собирать данные и показывать их людям в одном месте — без этого последующий разговор об ИИ был бы бессмысленным.

2022. На сложных скважинах в ЯНАО компания применила комплекс, который автоматически контролировал часть процесса бурения в заданных пределах. Специалисты получали данные и корректировали программу комплекса. Компания сообщила об увеличении скорости бурения более чем на 10% по сравнению со стандартом для скважин этого типа (форум TNF). Это важная оговорка к слову «автопилот»: локальная автоматика уже существует, но она не означает автономного управления всей компанией.

2023. Директор по геологоразведке Юрий Масалкин рассказывал, что нейросеть взяла на себя значительную часть интерпретации сейсмических данных — то есть превращения сырых замеров в карту подземных пластов, а затраты времени специалистов на эту работу снизились примерно на четверть. Для северных проектов скорость особенно важна: сезон полевых работ короткий, и задержка анализа может отложить бурение («Энергия+»).

2026. Компания стала показывать уже не только отдельные модели, но и попытку соединить их. Дюков сообщил о 80% покрытия процессов цифровыми двойниками и о работе над многоагентной системой (Интерфакс). В сентябре «Газпром нефть» и «СберТех» объявили о совместной разработке платформы, которая должна объединить разрозненные программы, базы и цифровые двойники разведки и добычи (сообщение о соглашении).

У этой истории длинный подготовительный период. До моды на агентов компания собирала данные, развивала центры управления и училась описывать производство математически. Теперь накопленные инструменты нужно соединить. Десять лет цифровизации привели к задаче, которую невозможно закрыть покупкой ещё одной модели.

Где машина уже отрабатывает своё место

Перебирать варианты быстрее инженера. В апреле 2026 года компания представила алгоритм, который перебирает до тысячи вариантов размещения скважин в час и предлагает инженерам сценарии с учётом геологии и экономики. По сообщению компании, решение испытали на трёх месторождениях; заявленное ускорение расчётов — примерно в пять раз (Neftegaz.RU со ссылкой на пресс-службу). Здесь есть конкретная задача и понятная метрика. Есть и граница доказанного: три месторождения. Превращать их в автоматизацию всего бурения пока рано.

Замечать то, от чего устал человеческий глаз. На нефтеперерабатывающих заводах нейросеть просматривает рентгеновские снимки соединений труб и отмечает места, требующие внимания специалиста. По данным компании, систему обучили на 70 тысячах изображений; объём снимков, который человек разбирает в течение рабочего дня, алгоритм обрабатывает примерно за 15 минут («Энергия+»). Такое применение легко недооценить: оно плохо подходит для фантазии о заводе без людей. Зато понятно, кому помогает система и какую часть работы ускоряет. Следующий вопрос к результатам — сколько дефектов теперь находят и сколько ложных тревог приходится проверять.

Научиться говорить на языке нефтяников. Компания разрабатывает отраслевую языковую модель O1L. По словам её представителя, инструменты на основе модели уже помогают инженерам искать информацию и выполнять расчёты (Газпромбанк). В описании проекта говорится о библиотеке из более чем 50 тысяч технических материалов по 63 направлениям («Энергия+»). Отраслевая эрудиция даёт модели полезную специализацию. Право вмешиваться в производство придётся обосновывать отдельно: знать термин и надёжно выбрать действие — разные компетенции.

Направление	Что публично подтверждено	Что остаётся открытым
Бурение	Алгоритм испытан на трёх месторождениях	Масштаб применения и устойчивый эффект после испытаний
Проверка снимков	Нейросеть помогает специалисту искать подозрительные участки	Как изменилась частота пропущенных дефектов
Отраслевая модель O1L	Инженеры используют инструменты поиска и расчёта	Какие решения уже встроены в регулярные производственные процессы

У цифры 80% нужно проверить документы

Цифровой двойник — виртуальная модель объекта или процесса, которая помогает смотреть на его состояние и просчитывать сценарии. ИИ может быть частью такой модели. Но у эффектной цифры покрытия есть важная граница: она ничего не говорит о доле решений, которые машина принимает самостоятельно. Сам Дюков описывает интеграцию двойников и создание агентов как продолжающуюся работу (Интерфакс).

Представитель компании Александр Ситников предлагает различать три уровня применения двойника: аналитика для человека, подсказки при принятии решения и управление в автоматическом режиме. Его короткая формулировка точно объясняет развилку: «Не в каждом случае нужен автопилот» («Нефтегазовая промышленность»). Это разумная инженерная позиция. Вопрос в другом: какие задачи компания уже перевела на второй и третий уровни, а где модель пока лишь показывает данные?

Для сравнения, «Роснефть» сообщает о сборе и контроле более 85% технологических параметров и оценивает эффект от платформенных решений и ИИ за первые четыре месяца 2026 года в 44 млрд рублей («Роснефть»). Поставить рядом 80%, 85% и миллиарды, а затем объявить победителя — соблазнительный редакционный трюк. Только параметры, процессы и деньги измеряют разные вещи. Общий эффект платформ и ИИ тоже нельзя целиком записать на счёт нейросетей. Для честного сравнения сначала нужна общая линейка.

Двести баз данных сами себя не подружат

В июле «Газпром нефть» рассказала о прототипе помощника для инженеров: он должен выбирать данные из более чем 200 баз и цифровых двойников, запускать расчёты и сравнивать сценарии разработки месторождения: сколько скважин бурить, где и в каком порядке. Компания сообщила, что прототип уже решает десятки типовых задач; оценку эффекта от промышленного внедрения в этом сообщении не приводила (Neftegaz.RU со ссылкой на пресс-службу).

Через два месяца компания объявила о сотрудничестве со «СберТехом» для объединения цифровых двойников. Руководитель её научно-технического центра назвал систематизацию десятков разрозненных программ следующим этапом (сообщение о соглашении). Эксперты отраслевых ИТ-компаний описывают ту же проблему шире: данные лежат в разных системах, а даже хорошая модель не всегда попадает в цепочку принятия решения («Нефтегазовая промышленность»).

Слово «разрозненных» заслуживает больше внимания, чем очередное количество моделей. Здесь начинается дорогая, плохо фотогеничная работа. Нужно договориться, какие данные актуальны, какой расчёт можно использовать, кто проверит рекомендацию и куда она попадёт после одобрения. Пока эти вопросы не решены, красивый ответ рискует закончить жизнь в окне программы.

Наша гипотеза: следующий большой эффект компания будет получать на стыках уже созданных систем. Основание для неё — июльский прототип и сентябрьское соглашение. Мы видим направление работы; степень готовности внутри каждого производственного процесса по этим сообщениям установить нельзя.

У конкурентов ИИ тоже вышел из презентации

Рассматривать «Газпром нефть» в одиночестве слишком удобно: любое применение ИИ легко принять за технологический прорыв. Соседи по отрасли дают полезный масштаб.

«Татнефть»: скважина меняет режим сама

В проекте по добыче сверхвязкой нефти — настолько густой, что её разогревают паром, чтобы она пошла к скважине, — система «Татнефти» охватывает 24 участка месторождений. Она анализирует показания датчиков с оборудования, при отклонениях автоматически меняет режим работы скважины и возвращает прежние параметры, когда проблема устранена («Татнефть — Цифровое развитие»). Карточка проекта не датирована, и из описания нельзя заключить, что каждым переключением управляет нейросеть. Но это содержательный пример локальной автономности: алгоритму разрешено менять физический процесс в пределах определённой задачи.

Там же компания прямо пишет, что в тяжёлых условиях промысла датчики выходят из строя и дают ложные показания, поэтому сначала нужно добиться устойчивой работы измерений и автоматики (описание цифровизации нефтедобычи). Умный алгоритм на ложных показаниях — дорогой способ уверенно ошибаться.

«Роснефть»: сначала прочитать архив, затем советовать оператору

В июне 2025 года «Роснефть» внедрила «ЛитоТекст»: сервис на основе больших языковых моделей извлекает из геологических описаний 16 характеристик керна («Роснефть»); проверку на эталонных данных авторы описали в отраслевом журнале. Задача скромнее отраслевой модели O1L, зато с чёткими границами: взять текст, извлечь признаки, проверить результат. Для руководителя за пределами нефтегаза это знакомый сценарий — превратить архив документов в данные.

В июне 2026 года компания показала прототип помощника для оператора установки предварительного сброса воды: вместе с нефтью из скважин поднимается много воды, и такая установка отделяет её ещё на месторождении. Компания оценила возможное снижение расходов до 80 млн рублей в год («Роснефть»). Экономия пока рассчитана, а не заработана. Зато видны оператор, его задача, данные эксплуатации за три года и способ проверить будущий эффект.

Что это меняет в оценке «Газпром нефти»

У конкурентов уже есть проекты с понятными границами ответственности, поэтому сам факт использования ИИ — слабое основание для заявления о лидерстве. Следующий экзамен для «Газпром нефти»: показать, что совместная работа систем даёт больше, чем набор удачных локальных решений. Быстрее ли принимается решение? Учитывает ли оно ограничения соседнего участка производства? Дошла ли рекомендация до исполнения?

Что мы думаем

«Газпром нефть» — неудобный герой для лёгкого разоблачения. В открытых материалах есть годы работы, конкретные применения и измерения скорости. Отмахнуться от них как от корпоративного хайпа было бы так же лениво, как перепечатать пресс-релиз с восхищённым заголовком.

Сравнение с «Татнефтью» и «Роснефтью» делает запрос к компании точнее. Покажите судьбу одного решения: от исходных данных до действия на производстве. Где вмешался инженер? Что он исправил? Сколько стоила проверка? Что изменилось благодаря соединению нескольких моделей? Такой разбор рассказал бы о зрелости ИИ больше, чем ещё одна цифра покрытия.

В изученных нами публикациях есть показатели ускорения отдельных операций. Полной картины затрат на поддержку моделей, доли принятых рекомендаций и эффекта после масштабирования мы не нашли. Делать из этого вывод о бесполезности ИИ нельзя. Но и дописывать недостающую экономику за компанию мы не будем.

Компания сама поставила высокую планку, заговорив о многоагентных системах и цифровой модели всего бизнеса. Теперь интересно увидеть, как эти амбиции выдерживают обычную рабочую смену. Модель уже умеет предлагать. Кто разрешает ей действовать — и готов подписаться под результатом? Вот где начинается следующая глава этой истории.