Энергетические компании давно используют алгоритмы для отдельных задач: прогнозируют добычу, следят за состоянием оборудования, рассчитывают маршруты поставок и оценивают спрос. Но обычно эти инструменты живут в разных подразделениях и почти не видят общей картины.
ADNOC предлагает другой подход. Компания объявила о многолетнем соглашении с OpenAI и G42, в рамках которого планирует использовать платформу OpenAI Frontier и вычислительную инфраструктуру G42 в ОАЭ. Цель — не создать ещё один корпоративный чат-бот, а связать AI-агентов, которые работают с разными звеньями энергетического бизнеса.
Пока это именно объявленный проект, а не подтверждённая история о работающей автономной системе. Публичных данных о стоимости соглашения, точных сроках, точности прогнозов и результатах промышленной эксплуатации нет. Поэтому интерес здесь представляет не обещанный эффект в процентах, а сама архитектура: AI должен стать координационным слоем над цепочкой от месторождения до коммерческой реализации сырья.
Что именно хочет связать ADNOC
Первый заявленный сценарий — планирование разработки месторождений. Такая задача требует учитывать данные о тысячах скважин, нескольких пластах и наземных объектах. К ним добавляются капитальные затраты, операционные расходы, технические ограничения и коммерческие цели.
Сегодня подобные оценки часто выполняют последовательно. Геологи формируют один набор рекомендаций, инженеры проверяют производственные возможности, финансовая команда считает бюджет, а коммерческое подразделение оценивает спрос и будущую маржу. На согласование может уходить значительное время.
В проекте ADNOC несколько специализированных агентов должны работать как связанная система. Один анализирует состояние скважин, другой оценивает производственные сценарии, третий сопоставляет расходы, а отдельные компоненты проверяют переработку, транспорт и рынок. Итогом должен стать не набор разрозненных отчётов, а целостный план по месторождению.
Компания заявляет, что в перспективе такие расчёты можно будет готовить за часы вместо месяцев. Однако это целевой показатель концепции, а не опубликованный результат испытаний.
Как выглядит сценарий «от скважины до рынка»
Представим, что компания рассматривает увеличение добычи на определённом участке. На первый взгляд решение кажется простым: если скважины способны дать больше сырья, производство нужно нарастить.
Но связанная система должна задать дополнительные вопросы:
- хватит ли мощности трубопроводов и наземных объектов;
- сможет ли переработка принять дополнительный объём;
- как изменятся энергозатраты и операционные расходы;
- какие потребуются вложения в оборудование;
- не возникнет ли дефицит танкеров или складских мощностей;
- какова текущая стоимость продукта и прогноз спроса;
- сохранится ли маржа после учёта переработки, логистики и коммерческих условий.
В таком сценарии агент не просто отвечает на запрос «сколько можно добыть». Он должен показать последствия выбора для нескольких подразделений и сравнить альтернативы. Например, дополнительная добыча может увеличить выручку, но одновременно перегрузить переработку или сделать поставку менее выгодной из-за роста транспортных расходов.
Именно поэтому в ADNOC говорят об оценке каждого барреля ещё в земле. Речь идёт о попытке заранее сопоставить прогноз добычи, спрос, цены, перерабатывающие маржи и логистику — до того, как операционное решение будет принято.
Почему это не обычный корпоративный AI
Большинство внедрений генеративного AI начинается с локальной функции: поиск по внутренним документам, подготовка отчётов, ответы сотрудникам или автоматизация поддержки. Такие инструменты могут быть полезны, но обычно не меняют систему принятия решений целиком.
Агентная модель ADNOC устроена иначе. Её ценность должна возникать не из одной особенно умной модели, а из согласованной работы нескольких систем и доступа к общим данным. Это ближе к цифровому диспетчеру, который сводит воедино планы производства, финансовые ограничения и коммерческие прогнозы.
Такая конструкция применима и за пределами нефтегазовой отрасли. В производстве аналогичная система могла бы одновременно учитывать спрос, запасы, загрузку фабрик, закупки и денежный поток. В ритейле — сопоставлять ассортимент, поставки, цены и складские ограничения. В логистике — связывать маршруты, тарифы, загрузку транспорта и срочность заказов.
Но с масштабом растёт и цена ошибки. Ошибка в справочном ответе сотруднику неприятна. Ошибка в плане добычи, закупке оборудования или коммерческом контракте может стоить гораздо дороже.
Где находятся главные риски
Главная проблема таких систем — не только качество самой модели. Если данные о скважинах, расходах, поставках или рыночных прогнозах устарели, противоречат друг другу или хранятся в несовместимых форматах, AI лишь быстрее соберёт ненадёжную картину.
Есть и управленческий риск. Агент может предложить решение, выгодное одному подразделению, но ухудшающее результат для всей компании. Поэтому объединение данных не отменяет конфликт интересов — оно делает его видимым в едином процессе.
ADNOC подчёркивает, что критически важные решения останутся за людьми. Компания также заявляет о работе данных и моделей в контролируемом национальном контуре на инфраструктуре G42. Это должно отвечать требованиям к суверенности данных, но само по себе не доказывает ни точность рекомендаций, ни безопасность всей цепочки.
Что бизнесу стоит проверить до внедрения
Опыт этого проекта важен не только для крупных энергетических компаний. Перед запуском собственной агентной системы полезно ответить как минимум на четыре вопроса.
1. Есть ли единая модель данных
Если каждое подразделение использует собственные определения затрат, запасов, заказов и сроков, агент не сможет надёжно сравнивать показатели. Сначала потребуется договориться о справочниках, форматах и правилах обновления данных.
2. Какие решения нельзя отдавать без подтверждения
Нужно заранее определить зоны обязательного участия человека: крупные капитальные вложения, изменения производственного режима, сделки, влияющие на безопасность, и действия с юридическими последствиями.
3. Можно ли восстановить ход принятия решения
Компания должна видеть, какие данные использовал агент, какие сценарии сравнивал, какие ограничения учёл и почему предложил конкретный вариант. Без журнала действий ошибку будет трудно расследовать, а рекомендацию — оспорить.
4. Что произойдёт при сбое
Нужен план на случай недоступности данных, устаревших цен, неверного прогноза спроса или отказа одного из связанных агентов. Критический процесс не должен останавливаться только потому, что цифровой диспетчер временно не отвечает.
Главное в проекте ADNOC
Сделка ADNOC, OpenAI и G42 показывает, куда смещается корпоративная повестка: компании хотят покупать не отдельную модель, а целую систему из данных, отраслевой экспертизы, вычислительной инфраструктуры, интеграции и процедур контроля.
Но между архитектурным замыслом и промышленным результатом остаётся большая дистанция. На данный момент публично известны цели и предполагаемые сценарии проекта, но не его подтверждённая эффективность. Поэтому главный урок для бизнеса звучит осторожно: агентная система может стать связующим слоем между отделами, только если у компании уже есть качественные данные, понятные зоны ответственности и механизм человеческого контроля.
