|
|
 |
|
|
 |
«Нейролаб» и MWS AI разрабатывают методологию измерения финансового эффекта от внедрения ИИ в промышленности
Кабинетный анализ открытых данных нефтегазовых компаний зафиксировал: комплексные ИИ-программы вносят вклад в EBITDA на уровне 3–5%, однако единой методологии оценки этого эффекта в отрасли не существует.
Центр аналитики и исследований компания MWS AI (входит в МТС Web Services) и ЦТИ «Нейролаб» анонсировали на ПМЭФ первый этап совместного исследования, посвящённого оценке финансового эффекта от внедрения искусственного интеллекта в промышленности.
Перед началом исследования были проанализированы открытые данные о ходе цифровой трансформации ведущих нефтегазовых компаний России. Результаты зафиксировали принципиальную проблему: компании достигают значимых операционных и экономических эффектов от ИИ, однако применяют несопоставимые между собой методы их измерения. Одни оценивают сэкономленные человеко-часы, другие — прирост добычи, третьи — снижение аварийности. Отсутствие единых правил счёта не позволяет обосновывать инвестиции в отрасли и тормозит масштабирование успешных пилотов.
Среди задокументированных эффектов кабинетной фазы — вклад комплексных ИИ-программ в EBITDA на уровне 3–5%. При этом ни в одной из проанализированных компаний не зафиксирована единая корпоративная методология измерения совокупного эффекта. В крупных компаниях, где проекты внедрения ИИ вышли на уровень масштабирования, преобладает программный подход: отдельные ИИ-проекты объединяются в сквозные программы, нацеленные на трансформацию операционной модели.
«Отрасль давно ждёт ответа на вопрос, как корректно считать ROI от ИИ-проектов. Даже лидеры нефтегаза оперируют несопоставимыми метриками: одни считают сэкономленные часы, другие — прирост добычи. Наш подход — строить оценку от финансовой модели бизнеса: ИИ-решения привязываются к ключевым драйверам роста и снятию операционных ограничений, а эффекты выражаются в привычных для CFO показателях. Это даёт рабочий инструмент, а не отчёт ради отчёта», — руководитель отдела ИИ-трансформации MWS AI Оксана Хлыстова.
«Разрабатываемая методология адаптирует универсальные финансовые инструменты — ROI, NPV и срок окупаемости — к специфике нефтегазовой отрасли: длительным инвестиционным циклам от 3 до 15 лет, высокой капиталоёмкости, геологической и ценовой неопределённости. В основу классификации положены пять типов финансовых эффектов: корзина A — инкрементальная выручка, корзина B — операционные затраты (OPEX), корзина C — снижение рисков и потерь, корзина D — стратегические энейблеры. Первые две корзины формируют прямые эффекты с верифицируемой связью с финансовым результатом; третья и четвёртая — косвенные, где прямая атрибуция к выручке или затратам затруднена. Отдельно рассматривается корзина E — заморозка или перенос капитальных затрат (CAPEX deferral), — однако в ИИ-проектах она встречается редко», — прокомментировал Вячеслав Береснёв, генеральный директор АНО ЦТИ «Нейролаб».
Для сегмента разведки и добычи (upstream) методология вводит специализированные KPI: коэффициент извлечения нефти (КИН), сокращение непроизводительного времени бурового оборудования (целевой показатель — снижение на 30% и более), скорость и точность интерпретации сейсмических данных. Для транспортировки и переработки (midstream/downstream) ключевыми становятся снижение затрат на ТОиР на 15–30% за счёт предиктивного обслуживания, рост коэффициента готовности оборудования и сокращение удельных OPEX на 10–15%. Отдельную группу составляют сквозные метрики: снижение показателя частоты травматизма (LTIFR), сокращение выбросов и доля отечественного ПО в ИИ-решениях.
Поэтапная модель оценки, выработанная на основе анализа лучших отраслевых практик, включает четыре последовательных контура. На первом этапе формируется информационная база и определяется базовый сценарий. Второй этап предполагает параллельный расчёт инвестиционного контура (адаптированные NPV, ROI) и операционно-отраслевых KPI с обязательной декомпозицией на пять типов эффектов — от прямых (инкрементальная выручка, снижение OPEX) до косвенных (снижение рисков, стратегические энейблеры). Третий этап — бенчмаркинг: сопоставление с внутренними пороговыми критериями компании и отраслевыми ориентирами (типичный срок окупаемости корпоративных ИИ-проектов составляет 2–4 года, для предиктивного обслуживания — 18–36 месяцев). Четвёртый этап — обязательный пост-аудит через 12–24 месяца после внедрения для накопления внутренней базы бенчмарков.
На следующих этапах исследования запланированы анализ данных промышленного сектора, 15–20 глубинных интервью с руководителями цифровой трансформации, CDO и CFO промышленных и нефтегазовых компаний. К участию приглашаются компании, реализовавшие или планирующие ИИ-проекты в производственном контуре. Данные используются в агрегированном виде; участники получают ранний доступ к итоговому отчёту. Полная публикация запланирована на вторую половину 2026 года. Заявки принимаются по адресу: e.ermakova@mts.ai
Справка:
ЦТИ «Нейролаб» — центр технологических инноваций, выступающий платформой развития отрасли искусственного интеллекта России. При разработке методологии в числе референтных источников рассматриваются методологии АНО Цифровая Экономика, Альянса в сфере ИИ (2025) наряду с другими рыночными подходами к оценке эффекта от внедрения ИИ.
MWS AI — ИИ-подразделение MTS Web Services, входит в группу МТС. Разрабатывает языковые модели семейства Cotype, платформу ИИ-агентов и промышленные ИИ-решения для корпоративного рынка.
Контактное лицо: Татьяна Алексеева (написать письмо автору)
Компания: MWS AI (все новости этой организации)
Добавлен: 21:28, 15.06.2026
Количество просмотров: 57
Страна: Россия
| 3Logic Group расширяет линейку Crusader новыми серверами для задач искусственного интеллекта, 3Logic Group, 22:49, 01.10.2026, Россия |
231 |
| Компания 3Logic Group, дистрибьютор комплектующих и ИТ-решений, расширила линейку серверов собственной торговой марки Crusader двумя высокопроизводительными конфигурациями Squire 4245R. Новые платформы ориентированы на ресурсоемкие вычислительные нагрузки, включая генеративный искусственный интеллект, обучение больших языковых моделей и математическое моделирование. |
 |
|
|
|
|
|
|
Разделы //
Новости по странам //
Сегодня у нас публикуются //
|
|
