Exxon рекордтық өндіріс арқылы төмен бағада да күтуден жоғары табыс көрсетті. Осы мысал Қазақстандағы мұнай-газда AI-дың ең тиімді қолдану нүктелерін ашады.
Төмен бағада да өсім: мұнай-газдағы AI сабағы
ExxonMobil 2025 жылдың 4-тоқсанында (Q4) мұнай бағасы төмен болғанына қарамастан, нарық күткеннен жоғары нәтиже көрсетті: $7.3 млрд кіріс (identified items-ты қоспағанда) және $1.71 EPS, ал консенсус $1.70 болды. Бұл ұсақ айырма сияқты көрінуі мүмкін, бірақ инвесторлар үшін сигнал анық: баға құбылғанда ұтатындар — өндіріс пен операцияны өте жақсы басқаратындар.
Осы жаңалықтың ең қызық жері — «баға төмендесе де неге олар құламай тұр?» деген сұрақ. Жауаптың бір бөлігі қарапайым: рекордтық өндіріс (Пермь бассейні мен Гайананың офшоры). Екінші бөлігі — компаниялардың көбі ашық айтпаса да, қазіргі мұнай-газдың «жасырын қозғалтқышы»: деректер, модельдер, автоматтандыру, яғни жасанды интеллектке (AI) жақын технологиялық тәртіп.
Бұл пост біздің серияға тікелей сай: «Қазақстандағы энергия және мұнай-газ саласын жасанды интеллект қалай түрлендіріп жатыр». Exxon мысалы арқылы Қазақстан компаниялары үшін ең практикалық сұрақты тарқатайық: төмен баға кезеңінде AI нақты қай жерден пайда әкеледі және оны қалай дұрыс енгізуге болады?
Exxon нәтижесі нені көрсетеді: баға емес, өнімділік шешеді
Exxon-ның Q4 нәтижесі бір нәрсені дәлелдейді: маржа қысылғанда, өндірістік тәртіп бірінші орынға шығады. Компанияның табысы жылмен салыстырғанда төмендегені айтылды — себебі мұнай бағасы төмен және химия сегментіндегі маржа әлсіз. Бірақ рекордтық өндіріс бұл қысымды жұмсартты.
Бұл жерде «өндірісті өсіру» деген тек бұрғылау санын арттыру емес. Нақты операциялық шындық басқаша:
- ұңғы жұмысының тоқтауын азайту (downtime)
- жабдықтың жоспардан тыс істен шығуын қысқарту
- өндірудің нақты режимін тұрақтандыру (lift optimization)
- логистикадағы «тар мойынды» ерте көру
- энергия тұтынуын (электр, газ, бу) бақылап, шығынды түсіру
Мұның бәрі процесс пен дерекке сүйенген басқару арқылы ғана масштабталады. Ал дәл осы жерде AI-пен жақын технологиялар өндірістің «шуын» (noise) азайтып, шешім қабылдау жылдамдығын арттырады.
Мұнай бағасы төмендегенде компанияның құны «баррель бағасына» емес, «баррельдің өзін қаншалықты тиімді шығаратынына» байланады.
Рекордтық өндірістің артындағы технологиялық логика: AI қай жерде жұмыс істейді
Рекордтық өндірісті жалғыз «тәртіппен» ұстап тұру қиын. Үлкен активтерде мыңдаған датчик, жүздеген қондырғы, ондаған мердігер бар. Сондықтан ең мықты әсер беретін тәсіл — AI-ды тар, өлшенетін міндеттерден бастау.
1) Predictive maintenance: тоқтауды ақшаға айналдырмай тұрып тоқтату
Мұнай-газдағы ең қымбат нәрсе — жабдықтың жоспардан тыс тұрып қалуы. AI-дың классикалық қолдануы:
- сорап/компрессор вибрациясы
- температура/қысым трендтері
- электр қозғалтқыш токтарының аномалиясы
Осы сигналдардан модель «ақаудың ерте белгілерін» ұстайды. Нәтиже: жөндеуді апаттан кейін емес, апатқа дейін жоспарлау.
Қазақстанда бұл әсіресе маңызды, өйткені көптеген кен орындарында жабдықтың паркі әртүрлі (әр жыл, әр өндіруші), ал дерек сапасы ала-құла. Менің тәжірибемде дәл осы жағдайда да жұмыс істейтін тәсіл бар: бірден “идеал” модель қумай, алдымен 2–3 критикалық торапты таңдап, сенсор/SCADA дерегін тазалап, содан кейін ғана модель құру.
2) Өндірісті оңтайландыру: бір актив емес, бүкіл жүйе деңгейінде
Пермь мен Гайана сияқты жобаларда басты артықшылық — масштаб. Масштаб болған сайын «жүйелік» оптимизация қажет:
- ұңғы дебитін шектеулермен басқару (қысым, су кесіндісі, газ факторы)
- су айдау/газ айдау режимдерін теңгеру
- жинау коллекторлары мен сепарациядағы шектеулерді есепке алу
AI мұнда «суперми» болудан бұрын, өте жақсы калькулятор рөлін атқарады: мыңдаған комбинацияны есептеп, диспетчерге/инженерге ең қауіпсіз әрі ең пайдалы режимдерді ұсынады. Қазақстандағы мұнай-газ компаниялары үшін бұл блок көбіне KPI-ға тікелей әсер етеді: баррель/күн және энергия шығыны.
3) Геология мен бұрғылау: NPT-ны қысқартатын жер
RSS қысқаша мәтінінде бұрғылау туралы толық айтылмаса да, өндіріс рекордының артында бұрғылау тиімділігі тұратыны анық. AI/ML бұрғылауда жиі мына жерде қолданылады:
rate of penetration(ROP) оптимизациясы- stuck pipe тәуекелін ерте болжау
- бұрғы ерітіндісі параметрлерін дұрыс ұстау
- бұрғылау кезінде геонавигация (қабатты «ұстап жүру»)
Ең практикалық метрика: NPT (non-productive time). Егер AI NPT-ны азайтса — бұл тікелей ақша.
Мұнай бағасы төмен болғанда AI неге «қосымша емес», негізгі құрал
Баға құлдырағанда көп компанияның рефлексі бірдей: CAPEX қысқарту, мердігерді қысып ұстау, жобаларды тоқтату. Бұл кейде қажет. Бірақ ұзақ мерзімде қауіпті: сіз технологиялық және операциялық мүмкіндігіңізді бірге қысқартып жібересіз.
AI-дың экономикалық логикасы басқа:
- Түсімге тәуелділікті азайтады. Баға сыртқы фактор. Ал шығын, тоқтау, тиімділік — ішкі фактор.
- Шешім қабылдауды жеделдетеді. Бірнеше күн талданатын себептерді сағат ішінде көруге болады.
- Қауіпсіздік пен тәуекелді басқаруды күшейтеді. Апаттың құны көбіне өндірістік шығыннан да жоғары.
Қазақстан контекстінде бұл ой 2026 жылы тіпті өзекті: жаһандық нарықта OPEC+ шешімдері, геосаяси тәуекелдер, логистика, ESG талаптары — бәрі бағаны құбылтады. Компанияның қорғаны — операциялық тиімділік.
Қазақстан компаниялары Exxon тәжірибесінен не үйрене алады
Exxon-ның нақты ішкі жүйелерін білмесек те, нәтиже «операцияны масштабта басқару» мәдениеті барын көрсетеді. Қазақстандағы мұнай-газ және энергетика компаниялары үшін бұдан шығатын практикалық сабақтар:
1) «AI жобасы» емес, «өндірістік нәтиже» ретінде қою
Егер мақсат: «AI енгізу» болса — жоба әдемі презентациямен бітеді.
Егер мақсат: «Q2-де жоспардан тыс тоқтауды 10% азайту» немесе «электр энергия шығынын 5% түсіру» болса — AI құралға айналады.
2) Дерек сапасын KPI деңгейіне көтеру
AI-дың 70% жұмысы модель емес, дерек. Сондықтан:
- тегтердің (tag) бірыңғай каталогы
- сенсор калибровкасы
- уақыт синхронизациясы
- historian/SCADA деректерін қолжетімді ету
осыларсыз «ақылды» модель тек «ақылды қате» береді.
3) OT + IT + өндіріс бір үстелде отырсын
Мұнай-газда AI-дың өлуінің ең жиі себебі — бөлімдер арасындағы қабырға:
- OT қауіпсіздікке бола жабады
- IT стандарт талап етеді
- өндіріс «маған тез нәтиже керек» дейді
Жұмыс істейтін формат: кросс-функционал команда (өндіріс инженері + деректер инженері + OT қауіпсіздік + бизнес иесі).
4) 90 күндік пилот: тез дәлел, тез масштаб
Төмен баға кезеңінде ұзақ экспериментке ақша жоқ. Сондықтан ең дұрыс тәсіл:
- 1 актив, 1 процесс, 1 KPI
- 90 күн ішінде базалық деңгей (baseline) өлшеу
- Модель/аналитика енгізіп, A/B салыстыру
- Нәтиже берсе — стандартқа айналдыру
People Also Ask: қысқа, нақты жауаптар
AI мұнай-газда ең көп қай жерде пайда әкеледі?
Ең тез ROI көбіне predictive maintenance, өндірісті оңтайландыру және энергия тұтынуын басқарудан келеді, өйткені бұл жерлерде тоқтау мен шығын бірден ақшаға айналады.
AI енгізу үшін міндетті түрде “үлкен data lake” керек пе?
Жоқ. Бастау үшін historian/SCADA дерегі жеткілікті болатын жағдайлар көп. Маңыздысы — деректі тәртіпке келтіру және KPI-ды дұрыс таңдау.
Қазақстандағы кен орындарына қандай кедергілер тән?
Әдетте: дерек сапасының әркелкілігі, жабдық паркінің әртүрлілігі, OT киберқауіпсіздік талаптары, кадрдың жетіспеуі және пилоттан масштабқа шығару мәдениетінің әлсіздігі.
Ендігі қадам: рекордтық өндіріс «формуласына» жақындау
Exxon-ның нәтижесі бізге романтика емес, прагматика үйретеді: баға қысым жасағанда, өндірістің дәлдігі мен жылдамдығы жеңеді. Рекордтық өндіріс — тек геологияның сыйы емес; ол — жоспарлау, бақылау, ақауды ерте көру, режимді үздіксіз түзету сияқты күнделікті тәртіптің жиынтығы.
Қазақстандағы энергия және мұнай-газ саласын жасанды интеллект қалай түрлендіріп жатыр деген сұрақтың нақты жауабы да осы жерде: AI ең алдымен «әдемі инновация» емес, операциялық артықшылық береді. Жақсы енгізілсе, ол компанияға баға құбылғанда да тепе-теңдігін сақтауға көмектеседі.
Егер сіз 2026 жылы AI бастамасын жоспарлап жүрсеңіз, өзіңізге бір сұрақ қойыңыз: қай процесте бүгінгі шешім “интуицияға” сүйенеді — және оны дерекпен басқаруға қанша күнде көшіруге болады?