AI-Nina: Slik revolusjonerer KI letearbeidet på sokkelen

I norsk olje- og gassnæring snakker «alle» om kunstig intelligens – men hva betyr det konkret for leting på norsk sokkel? Midt i diskusjoner om energisikkerhet, kostnadskutt og klimaomstilling dukker en ny digital hjelper opp: AI-Nina, en geofaglig assistent trent på statusrapporter fra norsk sokkel.

Denne løsningen er et godt eksempel på hvordan AI i norsk olje og gass ikke lenger bare er visjoner om prediktivt vedlikehold og avansert reservoarmodellering, men helt konkrete verktøy som endrer arbeidshverdagen til geologer, geofysikere og lisensforvaltere. I denne artikkelen ser vi på hva AI-Nina er, hvorfor den er viktig, og hvordan liknende løsninger kan skape verdier i hele verdikjeden.

Hva er AI-Nina – og hvorfor er den interessant?

AI-Nina er en geofaglig, samtalebasert assistent utviklet i et samarbeid mellom Sokkeldirektoratet og teknologileverandører. Kjernen er enkel: i stedet for å lete manuelt gjennom hundrevis av tilbakeleverings- og statusrapporter, kan du stille spørsmål på norsk eller engelsk og få presise svar med kildehenvisninger.

Kort fortalt er AI-Nina:

• en spørre-assistent for letedata: utvinningstillatelser, områder, prospekter, brønner og funn
• trent på over 600 rapporter fra sokkelen
• bygget på moderne språkmodeller med vekt på nøyaktighet og sporbarhet

«Dette er mer enn bare enkle søk, her kan du snakke med en digital personlighet som prøver å forstå konteksten av spørsmål, og som har tilgang til svært mye verdifull informasjon», sier Petter Dischington i Sokkeldirektoratet.

For deg som jobber med leting, lisensstrategi eller undergrunnsanalyse, betyr dette noe veldig konkret:

• raskere innsikt
• mindre tid på manuell dokumentlesing
• bedre beslutningsgrunnlag tidlig i verdikjeden

Fra søk til samtale: Slik endrer KI utforskning av data

Tradisjonelt har letedata på norsk sokkel vært tilgjengelige, men tunge å utnytte. Statusrapporter, brønnrapporter og tekniske vedlegg er ofte hundrevis av sider, skrevet over flere tiår, med varierende struktur og begrepsbruk.

Utfordringen uten AI

Uten KI-basert støtte møter fagmiljøene typisk disse problemene:

• Tidsbruk: Analytikere bruker timer eller dager på å finne relevante avsnitt i store rapporter.
• Konteksttap: Viktig informasjon overses fordi man søker på «feil» begrep eller ikke kjenner historikken i feltet.
• Fragmentert kunnskap: Innsikt sitter i enkeltpersoner som «husker» gamle brønner, kampanjer eller prospekter.

Når konkurransen om areal i TFO-runder, CO₂-lagringslokasjoner og modne områder øker, blir dette en flaskehals.

Hva gjør AI-Nina annerledes?

En språkmodell som AI-Nina gjør tre ting bedre enn tradisjonelle søk:

1. Forstår naturlig språk
   Du kan spørre:

   • «Hvilke prospekter i Norskehavet med sandsteinsreservoar ble vurdert som marginale rundt 2015?»
     i stedet for å måtte vite nøyaktig hvilke filer du skal åpne.

2. Tolker kontekst
   Modellen gjenkjenner at «PL» betyr utvinningstillatelse, at brønnbetegnelser som 34/7-12 S er brønner, og at «marginalt funn» ofte henger sammen med visse typer vurderinger i rapportene.

3. Knytter informasjon på tvers av dokumenter
   Der du tidligere måtte åpne flere PDF-er, kan du nå få et samlet svar med referanser til hvilke rapporter informasjonen er hentet fra.

Resultatet er ikke bare effektivisering, men en kvalitativ endring i hvordan geofaglig kunnskap gjenbrukes.

Datagrunnlaget: Statusrapporter som uforløst verdipotensial

AI-Nina er bygget på et datagrunnlag som i mange år har vært underutnyttet: tilgjengeliggjorte status- og tilbakeleveringsrapporter fra sokkelen. Mange i Sokkeldirektoratet har jobbet lenge for å gjøre disse rapportene tilgjengelige nettopp i håp om at de skal brukes aktivt av næringen.

Hva inneholder rapportene?

Status- og tilbakeleveringsrapporter dekker typisk:

• letehistorikk og beslutninger i en utvinningstillatelse
• beskrivelser av prospekter, risiko og volumestimat
• brønnresultater, inkludert tørre hull og tekniske utfordringer
• reservoarmodeller, seismikktolkning og geologiske konsepter

Samlet sett representerer dette flere tiår med erfaring, feil og læringspunkter. For en KI-assistent er dette et ideelt treningsgrunnlag for domenespesifikk kunnskap.

Fra arkiv til aktiv beslutningsstøtte

Uten KI blir slike arkiv ofte:

• brukt mest ved formelle revisjoner eller myndighetsdialog
• lite utnyttet i daglig planlegging av letestrategi

Med AI-Nina kan samme datagrunnlag:

• støtte screening av nye letemuligheter
• bidra til bedre forståelse av historisk risikooppfatning
• gi rask oversikt for nye medarbeidere eller nye lisenspartnere

Dette er selve kjernen av digital transformasjon i olje- og gassnæringen: å gå fra passiv dokumentlagring til aktiv, datadrevet innsikt.

Nøyaktighet, kildehenvisninger og kampen mot «hallusinasjoner»

En sentral bekymring når man tar i bruk generativ AI i kritiske domener, er risikoen for faktafeil, ofte omtalt som «hallusinasjoner». Sokkeldirektoratet har vært tydelig på at prosjektet med AI-Nina er bygget for å minimere denne risikoen.

Hvordan reduseres risikoen?

Tre prinsipper er spesielt viktige i denne typen løsninger:

1. Begrenset og kuratert kunnskapsbase
   Modellen er koblet primært mot et definert sett med rapporter og metadata, i stedet for «hele internett». Det gjør svarene mer forutsigbare og sporbare.

2. Kildehenvisninger i alle svar
   Brukeren ser hvor informasjonen kommer fra, og kan enkelt gå tilbake til originalrapporten for å verifisere. Dette er avgjørende i tekniske og regulatoriske spørsmål.

3. Fokus på faglig domene
   Språkmodellen er tilpasset geofaglige termer, klassifisering av brønner, letestrategi og lisensstruktur på norsk sokkel.

«Vi er opptatt av nøyaktig informasjon og gode kildehenvisninger, hvor man minimerer risikoen for faktafeil eller såkalte hallusinasjoner som mange AI-produkter er kjent for.»

For selskaper som vurderer egne KI-løsninger for reservoaranalyse, havbunnsmineraler eller CO₂-lagring, ligger det flere læringspunkter her:

• start med et avgrenset, høykvalitets datasett
• sørg for gjennomsiktighet i kilder
• bygg inn en faglig kontrollmekanisme rundt verktøyet

Praktiske bruksområder for operatører og konsulenter

Hvordan kan en løsning som AI-Nina konkret brukes i arbeidshverdagen? Under er noen typiske scenarier for ulike roller i verdikjeden.

For leteteam og lisensforvaltere

• Screening før lisenssøknad
  Få rask oversikt over hva som er gjort i tilgrensende lisenser, hvilke brønnresultater som finnes, og hvilke prospekter som er vurdert tidligere.

• Støtte til interne beslutningsnotater
  Når du skal anbefale videre leteaktivitet, kan AI-assistenten hjelpe med å hente fram relevante historiske vurderinger og begrunnelser.

• Onboarding av nye medarbeidere
  Nye geologer eller prosjektledere kan raskt sette seg inn i lisenshistorikk ved å stille spørsmål i naturlig språk i stedet for å pløye seg gjennom arkivmapper.

For reservoaringeniører og geofysikere

• Historikk på brønn- og feltbasis
  Spør om tidligere konseptvalg, mislykkede brønner eller spesifikke reservoarmodeller som kan påvirke dagens arbeid.

• Kryss-sammenligning av erfaringer
  Finn mønstre mellom ulike områder (Nordsjøen, Norskehavet, Barentshavet) basert på lignende geologiske konsepter.

For ledelse og forretningsutvikling

• Strategiske oversikter
  Be om sammendrag av status, historisk aktivitet og nøkkelfunn i utvalgte regioner for bruk i styresaker eller strategiprosesser.

• Støtte til porteføljeoptimalisering
  Kombinert med andre databaser og dashboards (for eksempel ressursbilde per selskap), kan en KI-assistent gi kvalifiserte innspill til hvor videre leteinnsats bør prioriteres.

Poenget er ikke at AI skal erstatte faglig skjønn, men at eksperten får et kraftig forstørrelsesglass på historiske data – på sekunder.

AI-Nina i større sammenheng: Digital transformasjon på norsk sokkel

AI-Nina er én brikke i et større bilde der AI i norsk olje og gass gradvis beveger seg fra pilotprosjekter til integrerte arbeidsverktøy. I samme bilde finner vi:

• prediktivt vedlikehold av kritisk utstyr offshore
• automatisert analyse av seismikk og loggdata
• optimalisering av produksjon og trykkstøtte i reservoar
• KI-støtte for sikkerhet, barrierestyring og hendelsesrapportering

Sokkeldirektoratet har vært tydelig på at ny teknologi som bidrar til verdiskaping og bedre ressursforvaltning, er en strategisk prioritet. Som underdirektør Arne Jacobsen uttrykker det, handler dette om å utnytte det enorme potensialet i dataene som allerede finnes – ikke bare samle inn mer.

For selskaper som ønsker å ligge i front, er lærdommen klar:

• begynn der dere allerede har store datamengder og manuelle prosesser
• kombiner fagkompetanse og KI i tverrfaglige team
• bygg løsninger som skalerer fra pilot til daglig drift

Neste steg: Hvordan komme i gang med KI-assistenter i egen virksomhet

Enten du jobber i et stort integrert selskap eller et mindre lete- og produksjonsselskap, er veien til en egen «AI-Nina» kortere enn mange tror. En praktisk tilnærming kan se slik ut:

1. Kartlegg datakildene
   Identifiser hvor dere har størst gevinst av bedre gjenfinning: statusrapporter, brønnrapporter, interne studier, risikovurderinger.

2. Prioriter ett domene
   Start smalt – for eksempel letehistorikk i ett havområde, P&A-dokumentasjon eller CO₂-lagringsstudier.

3. Velg en språkmodell med domenetilpasning
   Bruk en modell som kan trenes eller styres med norske fagbegreper, og som kan håndtere både norsk og engelsk.

4. Bygg inn kvalitetssikring

   • krav om kildehenvisninger
   • faglig «godkjenning» av svar i startfasen
   • tydelig merking av at dette er et støtteverktøy, ikke fasit

5. Mål effekten
   Følg opp tidsbruk, beslutningskvalitet og hvor ofte verktøyet brukes. Det gir grunnlag for å skalere videre.

Slik kan dere gå fra enkeltpilot til en strategisk satsing på KI i hele beslutningsløpet, fra tidlig leting til senfase og plugging.

Avslutning: Fra pilot til ny normal på sokkelen

AI-Nina viser hvordan kunstlig intelligens i norsk olje og gass kan gjøre noe så konkret som å svare på spørsmål om leting – raskere, mer konsistent og med bedre utnyttelse av historiske data. Samtidig peker prosjektet fremover mot en hverdag der KI-assistenter er like selvsagte som reservoarsimulatorer og produksjonsdashboards.

For næringen betyr dette:

• mer kunnskapsbaserte beslutninger i leting
• bedre ressursforvaltning på norsk sokkel
• økt konkurransekraft i en tid der både kostnadseffektivitet og bærekraft står høyt på agendaen

Spørsmålet er ikke lenger om KI blir en integrert del av letestrategi og feltutvikling, men hvordan og hvor raskt. Hva blir din virksomhets neste steg – og hvilken «AI-Nina» kunne gjort deres hverdag enklere allerede i år?