Galp–Moeve бірігуі: AI үшін нақты сабақтар

8 қаңтар 2026 күні Galp пен Moeve (бұрынғы Cepsa) downstream бизнесін біріктіру туралы міндетті емес (non-binding) келісімге келгенін хабарлады. Ұсынылған құрылым екі бөлек компанияға бөлінеді: IndustrialCo (мұнай өңдеу) және RetailCo (жанармай құю станциялары). Біріккен өңдеу қуаты шамамен 710 000 баррель/тәулік болады — бұл Оңтүстік Еуропадағы ең ірі downstream ойыншылардың қатарына кіретін көрсеткіш.

Бұл жаңалықты тек «тағы бір M&A» деп қабылдау қате. Downstream — маржасы тар, реттелуі қатаң, логистикасы ауыр жүйе. Мұнда тиімділік бір процесті «жөндеумен» емес, операциялық архитектураны қайта құрумен келеді. Ал дәл осы жерде жасанды интеллект (AI) ең көп пайда әкеледі: деректерді бір стандартқа түсіру, жоспарлауды нақтылау, активтерді сенімді басқару, сұранысты болжау, қауіпсіздікті күшейту.

Біздің серияның фокусы — Қазақстандағы энергия және мұнай-газ саласын жасанды интеллект қалай түрлендіріп жатыр. Galp–Moeve мәмілесі осы тақырыпқа өте дәл келеді: стратегиялық қайта ұйымдастыру мен цифрлық/AI-оңтайландыру бір-бірін күшейтетін трендке айналды.

Неге downstream-та бірігу жиі «тиімділік» үшін жасалады?

Downstream-та негізгі ой қарапайым: бірдей жұмысты екі компания бөлек-бөлек жасағанша, ортақ платформаға жинасаң — шығын азаяды, шешім жылдамдайды. Бұл әсіресе үш жерде сезіледі: сатып алу, өндіріс жоспарлау және бөлшек сату.

Galp пен Moeve құрылымды екіге бөлу арқылы (IndustrialCo және RetailCo) басқаруды «таза» етеді: мұнай өңдеу активтері бөлек P&L, бөлек тәуекел профилі, бөлек инвестиция циклі; ал retail — тұтынушыға жақын, маржа логикасы мен баға саясаты бөлек.

Қысым қайдан келіп тұр?

Downstream бизнесіне 2026 басында бірнеше фактор қатар әсер етіп отыр:

• Еуропадағы сұраныс динамикасы: бензин/дизель тұтыну ұзақ мерзімде баяулайды, бірақ қысқа мерзімде құбылмалылық жоғары.
• Маржа мен қуат жүктемесі: өңдеу маржасы циклдік, ал активтердің тоқтап қалуы өте қымбат.
• Декарбонизация және реттеу: биоотын, SAF, төменкүкіртті өнімдер, көміртек есептілігі — бәрі капиталоёмкий.
• Логистика мен қор басқаруы: қойма, теңіз терминалы, құбыр/теміржол, станцияға дейінгі жеткізу — кідіріс пен шығынға сезімтал.

Осындай ортада «ірі болу» өздігінен артықшылық емес. Артықшылық — біріктірілген операцияларды дерекке сүйеніп басқару. Сондықтан M&A-ның логикалық жалғасы ретінде AI күн тәртібіне шығады.

IndustrialCo + RetailCo: бөлу не үшін пайдалы және AI қай жерде тұрады?

Негізгі ұтыс: әр бизнес өзіне тән KPI-мен басқарылып, сонымен бірге ортақ дерек пен жоспарлау қабатымен байланысады. Бұл — AI енгізудің ең дұрыс архитектурасы.

IndustrialCo: өңдеу активтерін «болжаулы» басқаруға жақындату

Мұнай өңдеу зауытында тоқтап қалудың құны минут сайын өседі. Сондықтан AI-дың ең практикалық қолдануы — predictive maintenance және өндіріс режимін оңтайландыру.

IndustrialCo деңгейінде әдетте мыналар керек болады:

1. Болжамды техникалық қызмет (PdM): вибрация, температура, қысым, май талдауы сияқты сенсор деректері арқылы жабдықтың ақауға дейінгі күйін болжау.
2. APC + ML гибриді: Advanced Process Control бар жерде ML модельдері шикізат құрамы мен өнім спецификациясына қарай «ең тиімді терезені» табуға көмектеседі.
3. Turnaround жоспарлау: жөндеу науқандарын тәуекелге негіздеп жоспарлау (risk-based planning) — ең көп пайда әкелетін бағыт.

Snippet-worthy ой: Өңдеуде AI-дың мақсаты — «көрсеткіштерді әдемілеу» емес, тоқтап қалу ықтималдығын ақшаға айналдырып, жөндеу мен өндіріс жоспарын күн сайын қайта есептеу.

RetailCo: сұраныс, баға және логистика — бір жүйе

Жанармай станциялары желісінде жеңіс әкелетін үш нәрсе бар: дұрыс баға, дұрыс қор, дұрыс клиент тәжірибесі. Бұлардың үшеуі де дерекке тәуелді.

RetailCo үшін AI қолданулары:

• Demand forecasting: апталық/күндік/сағаттық сұраныс болжамы (ауа райы емес, нақты факторлар: мереке, жол ағыны, өңірлік оқиғалар, бәсекелес баға).
• Dynamic pricing governance: толық автомат емес — «ережелер + модель» тәсілі. Мысалы, бәсекелес станциялар радиусы, маржа шегі, қор статусы.
• Inventory & replenishment optimization: қай станцияға қай күні қандай көлем жеткізу керегін есептеу; логистика шығынын азайту.

Retail-та AI-ды енгізу көбіне тез жүреді, себебі дерек цифрлық: POS транзакциялар, loyalty, карта/қолма-қол, жеткізу журналдары. Бірақ ең қиын жері — дерек сапасы мен филиалдардағы тәртіп.

710 000 б/т: үлкен қуат үлкен синергия емес — басқару маңызды

Біріккен жүйенің шамамен 710 000 баррель/тәулік қуаты бар деген цифр әсерлі естіледі. Бірақ өңдеу қуатының «үлкендігі» автоматты түрде:

• жоғары маржа,
• тұрақты жүктеме,
• жақсы жоспарлау

дегенді білдірмейді. Үлкен жүйе — күрделілігі жоғары жүйе. Егер дерек стандартталмаса, активтер әртүрлі саясатпен басқарылса, ал жоспарлау «әр бөлім өз бетінше» жүрсе — масштаб керісінше минусқа айналады.

Бірігу кезінде ең жиі қателік

Мен көрген ең кең тараған қате: компаниялар ERP/BI жүйесін біріктіруді «цифрлық трансформация» деп ойлайды. Ал шын мәнінде мәні — decision intelligence: нақты шешімдерді (жүктеме, өнім шығымы, жөндеу, логистика, баға) жақсартатын модельдер мен басқару процесі.

M&A кейін төмендегілер болмаса, синергия «қағазда» қалады:

• бірегей KPI ағашы (refinery–terminal–retail деңгейінде)
• master data басқаруы (өнім кодтары, локация, жабдық иерархиясы)
• модельдерді өндірістік контурда жүргізу (MLOps)

Қазақстанға сабақ: downstream пен энергетикада AI-ды қалай дұрыс бастауға болады?

Қазақстанда мұнай-газ бен энергетикада AI енгізудің әлеуеті жоғары, бірақ көп команда «бірден үлкен платформа жасаймыз» деп қателеседі. Galp–Moeve кейсі жақсы принципті көрсетеді: алдымен құрылымды анықта, содан кейін AI-ды дәл шешім нүктелеріне қой.

1) «Қайта ұйымдастыру» мен AI бір жоба болуы керек

Егер компания бөлімдерді қайта құрып, KPI өзгертіп, жеткізу тізбегін қайта жоспарлап жатса — дәл сол сәт AI үшін ең тиімді. Себебі:

• процесс қайта жазылады,
• дерек талаптары нақтыланады,
• адамдардың рөлі жаңарады.

Қазақстандық контекстте бұл мұнай базалары, терминалдар, ЖҚС желілері немесе өңдеу/петрохимия активтерінде анық көрінеді.

2) 90 күндік «нәтиже беретін» use case таңдаңыз

Lead-generation тұрғысынан да ең сенімді жол — ұзақ презентация емес, өлшенетін пилот. 90 күнде нәтиже беретін бағыттар:

• сорғы/компрессор/турбина үшін predictive maintenance (1–2 тип жабдық)
• ЖҚС сұранысын болжау және жеткізуді жоспарлау (1 өңір)
• энергия тұтынуын оңтайландыру (энергоменеджмент, peak shaving)

3) Дерек келісімі: модельден бұрын саясат

AI жобасының «үнсіз өлтірушісі» — дерек иелігі мен сапасына жауапты адамның жоқтығы. Бірігу кезінде де, Қазақстандағы кәсіпорында да бірдей:

• дерек иесі (data owner) кім?
• дерек стандарты қайда жазылған?
• өзгеріс енгізу кімнің қолында?

Осы үшеуі бекітілмей, модельді өндіріске шығару қиын.

4) Қауіпсіздік және өндірістік контурды ұмытпаңыз

Мұнай-газда AI әрдайым OT/IT шекарасында тұрады. Сондықтан:

• киберқауіпсіздік (network segmentation, access control)
• модельдің түсіндірмелілігі (оператор сенуі үшін)
• авариялық режимдегі саясат

алдын ала шешіледі. Бұл «кейін қосамыз» дейтін нәрсе емес.

People also ask: Galp–Moeve мәмілесінен қандай нақты сұрақтар туындайды?

Бұл келісім неге “non-binding” деп аталады?
Бұл — тараптар ниетін білдіретін, бірақ барлық реттеуші/қаржылық/құқықтық шарттар толық бекітілмеген кезең. Downstream-та активтер мен нарық үлесі маңызды болғандықтан, тексеріс (due diligence) пен реттеуші келісімдер уақыт алады.

Неге активтерді екі компанияға бөледі (IndustrialCo және RetailCo)?
Өйткені өңдеу мен бөлшек сатудың капиталы, тәуекелі, табыс логикасы әртүрлі. Бөлу басқаруды нақтылап, инвестиция мен тиімділік бағдарламаларын жылдамдатады.

AI бұл жерде “міндетті” ме, әлде қосымша ма?
Үлкен интеграцияда AI міндеттіге жақын. Себебі біріктірілген жүйе тек дерекке сүйенген жоспарлау арқылы ғана синергия береді: жөндеу, жүктеме, логистика, баға — бәрі бір-біріне тәуелді.

Қазақстандағы компанияларға практикалық next step

Егер сіз downstream, энергетика немесе мұнай-газ активтерін басқарып отырсаңыз, Galp–Moeve тарихынан алынатын ең пайдалы әрекет — AI-ды стратегияға емес, шешім нүктелеріне “байлау”. Мен ұсынатын қысқа чек-лист:

1. Қай жерде ақша жоғалтып отырсыз: тоқтап қалу ма, артық қор ма, логистика ма, энергия шығыны ма?
2. Сол жерде шешім қабылдайтын адам кім және ол қандай дерекке сүйенеді?
3. 8–12 аптада өлшенетін пилот қалай көрінеді (KPI, baseline, мақсат)?
4. Пилот табысты болса, MLOps және дерек басқаруын қалай тұрақтандырасыз?

Galp пен Moeve downstream-ты қайта құру арқылы тиімділікті іздеп отыр. Қазақстан үшін сабақ одан да тікелей: AI енгізу — IT жобасы емес, операциялық басқаруды қайта құру тәсілі.

Сіз өз компанияңызда қай use case ең тез нәтиже береді деп ойлайсыз: жабдықтың тоқтап қалуын азайту ма, әлде ЖҚС логистикасын нақтылау ма?