AI көмегімен шығынды қысқарту және тұрақтылықты сақтау

2025 жылдың соңында NatWest Business Growth Tracker бір жағымсыз сигнал берді: ШОБ арасында тұрақтылық (sustainability) “жоғары басымдық” деп айтқандар небәрі 30% ғана. Бұл көрсеткіш 2020 жылдан бері ең төмен деңгейге түсті. Хабардың астарында бір-ақ себеп бар: шығын өссе, компаниялар алдымен “аман қалуды” ойлайды.

Бұл үрдіс Қазақстандағы энергия және мұнай-газ саласына да таныс. Құбыр, кен орны, электр станциясы, сервистік мердігер — бәріне ортақ қысым: энергия бағасының құбылуы, жабдықтың қымбаттауы, логистика, кадр тапшылығы, қауіпсіздік талаптары. Мұндайда тұрақтылық бастамалары “қосымша шығын” болып көрінеді.

Меніңше, ең үлкен қателік осы жерде: тұрақтылықты бөлек бюджет, бөлек жоба деп қарау. Дұрыс тәсіл — оны операциялық тиімділікпен біріктіру. Ал оны біріктіріп, нақты ақшаға айналдыратын құралдың бірі — жасанды интеллект (AI). Бұл жазба “жасыл мақсаттан бас тартпау үшін не істеу керек?” деген сұраққа Қазақстанның мұнай-газ және энергетика контекстінде практикалық жауап береді.

Неге бизнес тұрақтылықтан бас тартады — және бұл қымбатқа түседі

Нақты жауап: себебі тұрақтылықты көп компания “қосымша құн” емес, “қосымша шығын” ретінде өлшейді. Ақша тарылғанда, бірінші қысқартылатын нәрсе — ROI-ы ұзақ көрінетін бастамалар.

Бірақ тұрақтылықтан шегіну әрдайым үнем емес. Энергетика мен мұнай-газда оның “жасырын бағасы” бар:

• Энергия тиімділігінің төмендеуі → отын/электр шығыны өседі.
• Факелдік жағу (flaring) және метан шығарындылары → өнім жоғалту, экологиялық тәуекел.
• Жоспардан тыс тоқтап қалу → өндірістік шығын, қауіпсіздік тәуекелі.
• ESG талаптарының күшеюі (банктер, ірі сатып алушылар, мемлекет) → қаржыландыру құны артады.

Тұрақтылықтан бас тарту кейде “ақша үнемдеу” емес, “шығынды басқа бапқа көшіру” ғана.

Қазақстандағы энергия және мұнай-газ саласын жасанды интеллект қалай түрлендіріп жатыр деген тақырыптың өзегі де осы: AI шығынды қысқарта отырып, тұрақтылықты сақтауға мүмкіндік береді, өйткені ол “экология үшін” емес, “тиімділік үшін” жұмыс істейді — ал тиімділік көбіне экологияға да плюс береді.

AI шығын қысқарту мен sustainability-ді қалай бір мақсатқа байлайды

Нақты жауап: AI ең қымбат шығындарды (энергия, тоқтап қалу, жөндеу, жоғалтулар) дерек арқылы басқарады, ал бұл автоматты түрде көміртек ізін де азайтады.

AI-ды “бір үлкен платформа” деп елестетудің қажеті жоқ. Көп жағдайда ол мына тізбектен басталады:

1. Дерек көздері: SCADA, DCS, historian, ERP, CMMS, зертханалық деректер, дрон/камера, IoT датчиктері
2. Модельдер: аномалия детекциясы, болжамды модельдер, оңтайландыру (optimization), компьютерлік көру
3. Шешім: нақты әрекет — параметрді түзету, жөндеуді жоспарлау, энергия режимін өзгерту, ағып кетуді табу

1) Энергия менеджменті: электр мен отынды AI арқылы “нормалау”

Нақты жауап: AI жабдықтың нақты жүктемесіне сай энергия тұтынуды оңтайландырады.

Энергетикада да, upstream/downstream активтерде де энергия шығыны — ең үлкен баптардың бірі. AI мына жерлерден тез пайда береді:

• Сорғылар/компрессорлар: нақты жүктемеге қарай режимді автоматты таңдау
• Қазандықтар мен турбиналар: жану процесін тұрақтандыру, артық отынды азайту
• Көмекші жүйелер: HVAC, су айдау, салқындату контурлары

Практикалық өлшем (компания ішінде қойылатын KPI):

• 1 өнім бірлігіне кететін кВт·сағ / ГДж
• Peak demand төмендету (айыппұл мен тариф үшін маңызды)
• Жұмыс режимдерінің “норма картасы” (operating envelope)

2) Predictive maintenance: жоспардан тыс тоқтауды азайту

Нақты жауап: болжамды техникалық қызмет көрсету (predictive maintenance) жөндеуді “уақытпен” емес, “күймен” жоспарлайды.

Мұнай-газда бір компрессордың тоқтауы немесе ұңғымалық сораптың істен шығуы бірнеше күндік өндіріс жоғалтуға әкелуі мүмкін. AI діріл, температура, қысым, ток, акустика сияқты сигналдардан ақаудың ерте белгілерін ұстайды.

Нәтижесі:

• Қымбат апаттық жөндеу азаяды
• Қосалқы бөлшек қорын дәлірек жоспарлайсыз
• Қауіпсіздік тәуекелі төмендейді

Мұнда маңыздысы — “идеал модель” емес, операциялық процесс: кім алады, кім бекітеді, қалай work order ашылады, SLA қандай.

3) Метан және ағып кетуді анықтау: компьютерлік көру және аномалия детекциясы

Нақты жауап: камера/дрон/датчик дерегін AI өңдеп, ағып кетуді ерте тауып, шығынды да, эмиссияны да азайтады.

Бұл жерде sustainability тікелей ақшаға айналады: метан — әрі парниктік газ, әрі сатылатын өнім. Қазақстандағы көптеген объектілерде инспекция әлі де кесте бойынша қолмен жасалады. AI болса:

• Кескіннен (термокамера, оптикалық газ бейнелеу) аномалияны табады
• Дабылды “жалған позитивтен” сүзеді
• Қай учаскеге бару керегін нақтылайды

Метанды қысқарту жобалары “PR үшін” емес, көбіне өнім жоғалтуды тоқтату үшін керек.

4) Өндірісті оңтайландыру: ұңғыма, жинау жүйесі, зауыт режимі

Нақты жауап: AI көп айнымалысы бар процестерді (қысым, дебит, су үлесі, температура) бірге есептеп, ең арзан режимді ұсынады.

Мысалдар:

• Ұңғымаларда газлифт режимін тиімділеу
• Су айдау бағдарламасын қайта теңшеу
• Мұнай өңдеуде шығым (yield) пен энергия шығынын қатар оңтайландыру

Классикалық “тәжірибеге сүйенген” басқару бұны да жасайды, бірақ AI-дың артықшылығы: жүйелі түрде, тәулігіне жүздеген сценарийді есептей алады.

Қазақстанда AI енгізуде жиі кездесетін 5 қате

Нақты жауап: технологиядан бұрын дерек, процесс, жауапкершілік рөлдері шешілмесе — нәтиже шықпайды.

1. “Алдымен платформа сатып алайық” — use case анықталмаған.
2. Деректер сапасын бағаламау: historian-та “тесіктер”, тегтер аты шатасқан.
3. OT/IT қауіпсіздігін кейінге қалдыру.
4. Модельді пилоттан кейін өндірістік контурға енгізбеу (MLOps жоқ).
5. KPI дұрыс қойылмауы: “AI енгіздік” емес, теңге және сағатпен өлшеу керек.

Қысылған бюджетте бастауға болатын AI use case-тер (90 күндік жоспар)

Нақты жауап: ең жылдам нәтиже беретін, дерегі бар және әсері өлшенетін нүктеден бастаңыз.

1-қадам: 2 аптада “ақша картасын” жасаңыз

• Топ-5 шығын драйвері: энергия, тоқтап қалу, жөндеу, жоғалтулар, сапа
• Қай актив/цех “ең ауыр”
• Дерек бар ма, жоқ па (SCADA/ERP/CMMS)

2-қадам: 30–60 күнде 1 пилот

Төмендегі пилоттардың бірін таңдаңыз:

• Компрессор/сорғы үшін аномалия детекциясы
• Энергия тұтынуды нормалау (baseline + ауытқу себептері)
• Ағып кетуді камерамен автоматты триаж

Пилоттың шығуы тиіс 3 нәтижесі:

• Дәлел: нақты оқиға (incident) немесе үнем фактісі
• Процесс: кім не істейді (operating model)
• Экономика: айлық/тоқсандық әсері теңгемен

3-қадам: 90 күнде масштабтау логикасы

• MLOps: модельді бақылау, drift, қайта оқыту
• Интеграция: work order автоматтандыру, диспетчерлік панель
• Change management: инженерлерге арналған “қысқа нұсқаулық”

“AI sustainability-ді арзан қыла ала ма?” деген сұраққа нақты жауап

Нақты жауап: иә, егер sustainability-ді бөлек жоба емес, шығынды басқарудың әдісі ретінде құрсаңыз.

NatWest трекеріндегі 30% көрсеткіші бизнестің шынайы көңіл күйін көрсетеді: қысым артқанда ниет емес, есеп жүреді. Энергетика мен мұнай-газда есеп тіпті қатал. Сондықтан дұрыс аргумент — “жасыл болайық” емес, “шығынды азайтып, тәуекелді төмендетейік”.

Қазақстандағы энергия және мұнай-газ саласын жасанды интеллект қалай түрлендіріп жатыр деген серияда мен үнемі бір ойға келемін: AI-дың ең мықты әсері — бірден екі KPI-ды жақсартуы: OPEX төмендейді, эмиссия да азаяды. Бұл жерде таңдау “қаржы немесе тұрақтылық” емес, дұрыс құрылған жүйеде екеуі қатар жүреді.

Келесі қадам керек пе? Командаңызға бір-ақ тапсырма беріңіз: “Бізде ең көп ақша қай жерде жоғалады, және ол жерде қандай дерек бар?” Сол сұраққа жауап табылса, AI жобасы қағазда емес, өндірісте басталады.