MWS AI и Нейролаб разрабатывают методику оценки финансового эффекта ИИ в промышленности

ЦТИ «Нейролаб» совместно с MWS AI, подразделением «МТС Web Services», приступили к реализации первого этапа исследования, направленного на формализацию финансовой оценки внедрения технологий искусственного интеллекта в промышленном секторе. Пилотная фаза проекта была сфокусирована на анализе опыта цифровой трансформации крупнейших отечественных нефтегазовых холдингов. Исследование выявило существенный разрыв в подходах к расчету эффективности: отсутствие единого методологического стандарта затрудняет обоснование инвестиций и масштабирование технологических инициатив.

Проблематика оценки ROI в промышленном ИИ

Текущая практика показывает, что крупные игроки фиксируют операционный эффект от ИИ-решений, однако измеряют его через разрозненные метрики. В одних случаях критерием выступает сокращение человеко-часов, в других — рост объемов добычи или минимизация аварийности. По предварительным данным, комплексные программы ИИ способны обеспечивать прирост EBITDA в диапазоне 3–5%. Тем не менее, системная методология для оценки совокупного эффекта в отрасли на текущий момент отсутствует. Там, где проекты перешли из фазы узких пилотов в стадию масштабирования, компании чаще используют программный подход, объединяя отдельные разработки в сквозные трансформационные цепочки.

С инженерной и финансовой точек зрения, ключевой вопрос заключается в привязке ИИ-инструментов к драйверам роста и устранению «узких мест» производства. Если коротко, то текущая задача — отойти от отчетности ради отчетности в сторону инструментов, понятных финансовым директорам (CFO), где эффекты жестко коррелируют с финансовой моделью предприятия.

Методология сегментированной оценки и финансовые инструменты

Разрабатываемый подход адаптирует классические финансовые показатели — ROI, NPV и срок окупаемости — под специфические условия энергетического сектора. Последние характеризуются высокой капиталоемкостью, длительностью циклов инвестиций (до 15 лет) и значительной неопределенностью рыночных и геологических факторов.

В основе классификации лежит пятиуровневая структура эффектов:

• Категория A: инкрементальная выручка.
• Категория B: оптимизация операционных затрат (OPEX).
• Категория C: снижение рисков и потерь.
• Категория D: стратегические энейблеры.
• Категория E: перенос или оптимизация капитальных затрат (CAPEX deferral).

Проще говоря, категории A и B относятся к прямым эффектам с верифицируемой финансовой связью, тогда как D и C представляют собой косвенные величины, для которых прямая атрибуция к финансовому результату чаще всего затруднена.

Отраслевые KPI и этапы внедрения методологии

Для сегмента разведки и добычи (upstream) методика интегрирует такие технические показатели, как коэффициент извлечения нефти (КИН), точность сейсмической интерпретации и снижение непроизводительного времени работы буровых установок (плановый показатель сокращения — от 30%). В направлениях транспортировки и переработки (midstream/downstream) акценты смещаются на снижение затрат на техобслуживание и ремонт (ТОиР) на 15–30% посредством предиктивной аналитики, а также общее сокращение удельных OPEX на 10–15%. Отдельным вектором выступают показатели ESG и технологического суверенитета, включая долю отечественного ПО.

Процесс оценки выстроен в четыре контура:

1. Первичный сбор данных и формирование базового сценария.
2. Расчет инвестиционного контура в связке с операционными KPI.
3. Бенчмаркинг: сравнение с корпоративными и отраслевыми стандартами (средний срок окупаемости для ИИ-решений составляет 2–4 года).
4. Пост-аудит спустя 1–2 года для накопления базы эталонных показателей.

В рамках следующего этапа исследования, который продлится до второй половины 2026 года, планируется проведение серии глубинных интервью с руководителями цифровой трансформации и финансовыми директорами промышленных компаний для агрегированного анализа накопленных данных.