В российском нефтегазе ИИ уже приносит заметный результат, но у компаний до сих пор нет общего языка, чтобы этот результат посчитать. По данным CNews, MWS AI и ЦТИ «Нейролаб» начали исследование, цель которого проста и болезненна для отрасли: перевести отдачу от ИИ из набора красивых кейсов в цифры, понятные CFO, CDO и совету директоров.
Проблема не в том, что эффектов нет. Проблема в том, что один игрок считает сэкономленные человеко-часы, другой смотрит на прирост добычи, третий фиксирует снижение аварийности. Сравнить такие результаты между собой почти невозможно. В итоге инвестиции в ИИ трудно защищать на уровне финансовой модели бизнеса, а удачные пилоты слишком часто остаются пилотами, потому что для масштабирования нужен не энтузиазм команды, а понятная математика.
Именно в эту точку и бьют MWS AI, центр аналитики и исследований которой входит в «МТС Web Services», и «Нейролаб». Компании объявили о первом этапе совместного исследования по оценке финансового эффекта от внедрения ИИ в промышленности. На старте они разобрали открытые данные о цифровой трансформации ведущих нефтегазовых компаний России и пришли к выводу, который для рынка звучит неприятно, но вполне ожидаемо: даже там, где ИИ уже влияет на операционные показатели и экономику, единой корпоративной методики измерения совокупного эффекта нет.
Из уже задокументированных результатов кабинетной фазы выделяется одна цифра: вклад комплексных ИИ-программ в EBITDA может составлять 3-5%. Для отрасли с длинными инвестиционными циклами и высокой капиталоемкостью это не та величина, которую можно списать в категорию «интересно, но несущественно». Но есть важная оговорка: речь не о едином отраслевом стандарте и не о верифицированной метрике, принятой всеми участниками рынка. Напротив, исследователи прямо указывают, что общих правил счета пока нет. А значит, даже впечатляющие цифры живут в разных системах координат.
Оксана Хлыстова, руководитель отдела ИИ-трансформации MWS AI, формулирует задачу без лишней романтики: отрасль давно ждет ответа на вопрос, как корректно считать ROI ИИ-проектов. Предлагаемый подход строится не от списка внедренных моделей и не от количества автоматизированных операций, а от финансовой модели бизнеса. ИИ-решения предлагается привязывать к драйверам роста и к снятию операционных ограничений, а эффект выражать в метриках, которые для финансового блока выглядят привычно. Это важный сдвиг. Пока ИИ-команды говорят на языке точности моделей, времени обработки данных и сокращения рутины, деньги на масштабирование часто остаются у тех, кто умеет связать проект с EBITDA, OPEX, сроком окупаемости и денежным потоком.
Как предлагают считать эффект
Методология, которую разрабатывают партнеры, адаптирует классические инструменты вроде ROI, NPV и срока окупаемости под специфику нефтегаза. А специфика здесь такая, что прямой перенос стандартных шаблонов почти всегда ломается: инвестиционный цикл может длиться от 3 до 15 лет, проекты зависят от ценовой конъюнктуры, геологии, состояния инфраструктуры и множества производственных ограничений. Поэтому эффекты решили разложить по пяти корзинам. Корзина A — инкрементальная выручка. Корзина B — операционные затраты, то есть OPEX. Корзина C — снижение рисков и потерь. Корзина D — стратегические энейблеры, то есть эффекты, которые помогают трансформировать операционную модель, но не всегда сразу конвертируются в деньги. Отдельно выделяется корзина E — перенос или заморозка капитальных затрат, хотя, как отмечает гендиректор АНО ЦТИ «Нейролаб» Вячеслав Береснёв, для ИИ-проектов такой сценарий встречается редко.
Логика у этой классификации здравая и довольно взрослая. Первые две корзины дают прямой эффект, который можно относительно уверенно связать с финансовым результатом. Третья и четвертая сложнее: там прямая атрибуция к выручке или затратам часто спорная. Но именно из-за таких «непрямых» эффектов в промышленных компаниях и начинается бесконечный спор между цифровым блоком и финансистами. Снижение вероятности аварии, более точная интерпретация сейсмики или рост доли отечественного ПО в ИИ-решениях важны для бизнеса, но без внятной рамки оценки они легко превращаются в презентационные слайды, которые не переживают бюджетный комитет.
Для сегмента upstream, то есть разведки и добычи, исследователи предлагают смотреть на специализированные KPI: коэффициент извлечения нефти, сокращение непроизводительного времени бурового оборудования с целевым ориентиром снижения на 30% и более, а также скорость и точность интерпретации сейсмических данных. Для midstream и downstream, где критичны транспортировка, переработка и надежность оборудования, в фокус попадают снижение затрат на техническое обслуживание и ремонт на 15-30% за счет предиктивного обслуживания, рост коэффициента готовности оборудования и сокращение удельных OPEX на 10-15%. Отдельной группой идут сквозные метрики: снижение LTIFR, уменьшение выбросов и доля российского ПО в ИИ-стеке. Иначе говоря, отдача от ИИ здесь считается не по одной универсальной формуле, а через набор финансовых и производственных сигналов, привязанных к конкретному участку цепочки.
Почему это важно не только для нефтегаза
В исследовании есть еще один важный маркер: в крупных компаниях, где внедрение ИИ уже вышло из режима отдельных экспериментов, доминирует программный подход. Это значит, что бизнес перестает смотреть на ИИ как на коллекцию разрозненных пилотов и начинает объединять проекты в сквозные программы трансформации. Для рынка это, пожалуй, главный симптом зрелости. Когда проект оценивается сам по себе, можно спорить о локальном эффекте и бесконечно защищать гипотезу. Когда речь идет о программе, нужен общий контур оценки, единые правила декомпозиции эффектов и понятные пороги для масштабирования.
Авторы исследования предлагают четырехэтапную модель. Сначала формируется информационная база и базовый сценарий. Затем параллельно считаются инвестиционный контур с адаптированными NPV и ROI и операционно-отраслевые KPI, причем с обязательной разбивкой на пять типов эффектов. Третий этап — бенчмаркинг: сравнение с внутренними критериями компании и отраслевыми ориентирами. Здесь названы и вполне приземленные сроки: типичный период окупаемости корпоративных ИИ-проектов оценивается в 2-4 года, а для предиктивного обслуживания — в 18-36 месяцев. Четвертый этап — постаудит через 12-24 месяца после внедрения, чтобы не жить в режиме разового успеха и накапливать собственную базу бенчмарков. Для российских компаний это, возможно, самый полезный элемент всей конструкции: рынок слишком долго жил на историях успеха без системной проверки того, что произошло после релиза и как эффект пережил встречу с реальной эксплуатацией.
Дальше MWS AI и «Нейролаб» собираются идти в поле: анализировать данные промышленного сектора и провести 15-20 глубинных интервью с руководителями цифровой трансформации, CDO и CFO промышленных и нефтегазовых компаний. Участников зовут из числа тех, кто уже реализовал ИИ-проекты в производственном контуре или только собирается это делать. Итоговый отчет обещают во второй половине 2026 года. Интрига здесь не в самом документе, а в том, сможет ли рынок договориться хотя бы о минимально общем стандарте. Пока у каждой компании своя арифметика, отдача от ИИ остается предметом веры, переговоров и аккуратных формулировок. Как только появляется общая методика, ИИ перестает быть модным направлением и становится обычной инвестиционной категорией. Для индустрии это, возможно, и есть главный признак взросления.