Менее 20% компаний в сфере энергетики и природных ресурсов успешно масштабируют решения на базе искусственного интеллекта. Разбираем главные барьеры и стратегии лидеров рынка.
3 мин
Согласно недавнему исследованию Bain & Company, 68% руководителей компаний в сфере энергетики и природных ресурсов ожидают, что искусственный интеллект окажет трансформирующее влияние на их бизнес в ближайшие 5-10 лет. Однако реальность пока отстает от ожиданий: менее 20% опрошенных смогли масштабировать ИИ-решения и получить измеримый экономический эффект. Большинство корпораций застряло в так называемом «чистилище пилотных проектов».
Эта ситуация типична не только для энергетики, но именно в этой капиталоемкой отрасли цена ошибки особенно высока. Компании запускают десятки изолированных экспериментов, которые редко перерастают во что-то большее. Главная причина кроется не в несовершенстве технологий, а в организационных барьерах.
Опрос более 800 руководителей по всему миру показал, что почти половина из них считает главным препятствием оторванность ИИ-проектов от реальной бизнес-ценности. Инициативы часто не имеют четких критериев успеха. На втором и третьем местах среди проблем — нехватка технических специалистов и низкое качество данных вкупе со слабым управлением ими.
visualization
Опыт компаний, которым удалось преодолеть этот барьер, сводится к четырем фундаментальным принципам.
Во-первых, необходим жесткий фокус. Вместо распыления ресурсов на множество мелких задач, успешные организации выбирают два-три сквозных направления, где ИИ может существенно повлиять на финансовый результат. Например, это может быть оптимизация цепочек поставок или предиктивное обслуживание оборудования. В нефтегазовом секторе применение больших языковых моделей (LLM) для анализа разрозненных данных позволило одной из компаний выявить возможности для экономии более 15 миллионов долларов в год на одном активе.
Во-вторых, требуется перепроектирование самих рабочих процессов. Нельзя просто «прикрутить» алгоритм к устаревшим регламентам. Внедрение ИИ требует изменения ролей сотрудников, метрик и способов принятия решений. Если планировщики или диспетчеры используют рекомендации ИИ, старые формы отчетности и многоступенчатые согласования должны быть упразднены, иначе они сведут на нет всю скорость и эффективность новых инструментов.
visualization
В-третьих, лидеры строят «достаточно хороший» фундамент, а не идеальный. Нет необходимости создавать глобальные озера данных для всей корпорации перед запуском первого алгоритма. Достаточно подготовить данные, архитектуру и команду для решения конкретной приоритетной задачи. Кросс-функциональные команды, объединяющие экспертов отрасли, инженеров данных и специалистов по ИИ, добиваются быстрых побед, которые затем оправдывают дальнейшие инвестиции в общие платформы.
Наконец, необходим системный механизм масштабирования. Это подразумевает создание понятной операционной модели: кто владеет продуктом, кто его разрабатывает и как происходит финансирование. Европейские энергетические компании, например, создают центры компетенций и профильные комитеты, которые разрабатывают единые протоколы для перехода от идеи к промышленной эксплуатации в течение шести-девяти месяцев.
Разрыв между потенциалом искусственного интеллекта и его текущим применением в ресурсодобывающих отраслях — это проблема управления, а не технологий. Руководителям предстоит принять важные решения: какую часть разработки оставить внутри компании, чтобы сохранить контроль над критически важными процессами, а что доверить внешним партнерам. Те, кто сможет перестроить корпоративную структуру под новые реалии, получат значительное конкурентное преимущество.
Изображение из источника
Главная преграда для внедрения ИИ в энергетике — не технологии, а устаревшие бизнес-процессы и отсутствие связи проектов с финансовыми результатами.
Стремление создать идеальную глобальную инфраструктуру данных тормозит прогресс; успешные компании строят «достаточно хороший» фундамент под конкретные задачи.
