Искусственный интеллект и его влияние на результаты деятельности нефтегазовой отрасли: проблемы, аналитические выводы и подходы к оценке

Нефтегазовые компании экспериментируют с инструментами искусственного интеллекта (ИИ) в разведке, добыче и торговле, однако лишь немногие способны обеспечить долгосрочные выгоды. В этом тематическом обзоре базовое внедрение ИИ разграничивается с реализацией его потенциала — устойчивой способностью интегрировать, масштабировать и использовать ИИ для получения прибыли посредством согласованных данных, навыков и рабочих процедур. Синтезированы три направления исследований. Во-первых, литература последовательно выделяет три группы факторов — человеческие, технические и управленческие, — которые ускоряют или сдерживают реализацию потенциала ИИ. Во-вторых, прогресс обычно оценивается с помощью трех групп измерительных подходов: текстового анализа корпоративной отчетности, косвенных показателей, таких как патенты, связанные с ИИ, или плотность роботизации, и индексов возможностей на основе опросов. В-третьих, реализованный потенциал ИИ влияет на три области результатов деятельности: операционную, финансовую и экологическую. В нефтегазовой отрасли этап создания стоимости (разведка и добыча, транспортировка и хранение, переработка и сбыт) и модель собственности (государственная и частная) определяют как валидность измерений, так и выраженность результатов. Эти направления объединены в концептуальном синтезе, связывающем факторы с показателями, а показатели — с результатами; при этом подчеркивается необходимость триангуляции различных индикаторов для ограничения систематических искажений. Триангулированные информационные панели, связывающие оценки возможностей с указанными результатами, выявляют компромиссы, например повышение эффективности, сопровождающееся ростом энергопотребления. Практикам рекомендуется объединять операционные, финансовые базы данных и базы данных по устойчивому развитию; ежегодно проводить опрос «готовности к ИИ», охватывающий данные, кадры и управление; а также принимать единые правила отчетности, обеспечивающие обмен опытом между компаниями. Для исследователей статья выявляет пробелы в измерениях, предлагает триангулированные исследовательские дизайны и обозначает граничные условия, требующие дальнейшего изучения. В совокупности эти выводы обеспечивают руководителям более надежную основу для распределения бюджетов на ИИ, а исследователям — более ясную дорожную карту сравнительной, основанной на фактических данных оценки ценности ИИ в сложных капиталоемких условиях.