Turbiny nie potrzebują chatbota. Potrzebują AI, która rozumie fizykę

👁 129 przeczytań

Każda branżowa konferencja AI wygląda tak samo: slajdy z robotami humanoidalnymi, wykresy wykładniczego wzrostu, demo chatbota odpowiadającego na pytania o urlopy. A gdzieś daleko od tych sal konferencyjnych, na platformach wiertniczych i w zakładach skraplania gazu ziemnego, dzieje się coś nieporównanie bardziej skomplikowanego i nieporównanie mniej instagramowalnego.

Woodside Energy, australijski producent energii działający globalnie, nie zaczął swojej przygody z AI od wdrożenia enterprise copilota. Nie ogłosił partnerstwa z OpenAI. Spędził lata na budowaniu predyktywnych systemów analitycznych, narzędzi optymalizacyjnych i modeli uczenia maszynowego rozsianych po całym łańcuchu operacyjnym - od eksploracji złóż, przez wiercenie, po utrzymanie zakładów przetwarzania. To nie jest historia cyfrowej transformacji z okładki Forbes. To historia żmudnej, niewidowiskowej roboty, która teraz zaczyna procentować.

Dane, które zawsze tam były

"Zawsze mieliśmy bardzo duże wolumeny danych operacyjnych napływających z urządzeń, zakładów i aktywów, którymi zarządzamy" - mówi Andrew Melouney, wiceprezes ds. cyfrowych Woodside. "To stworzyło naprawdę wyraźne, dość wysokowartościowe przypadki użycia."

To zdanie brzmi skromnie, ale kryje w sobie coś ważnego. Sektor energetyczny generuje dane operacyjne od dziesięcioleci - ciśnienie, temperatura, przepływy, wibracje turbin, stan zaworów. Te dane istniały zanim ktokolwiek wymyślił słowo "big data". Przez lata siedziały w bazach danych, z których wiele było trudno dostępnych, słabo opisanych i rozsianych po nieskompatybilnych systemach. AI nie stworzyła tu nowej wartości z niczego - ona odblokuje wartość, która czekała zamknięta.

Różnica między Woodside a dziesiątkami firm, które "wdrażają AI" przez wykupienie licencji na jakiś SaaS, jest fundamentalna. Woodside zainwestowało najpierw w infrastrukturę danych i ich governance - w to żmudne, niewidoczne z zewnątrz porządkowanie. Dopiero na tej podstawie można sensownie budować systemy, które działają w środowisku gdzie awaria nie oznacza że ktoś nie może sprawdzić maila, ale może oznaczać katastrofę przemysłową.

AI, która rozumie, że LNG to nie jest zabawka

Najlepszym przykładem tego podejścia jest projekt nazwany wewnętrznie "Startup Advisor" - asystent AI wspomagający operatorów podczas uruchamiania instalacji do skraplania gazu LNG. To zadanie, które w branży uchodzi za jedno z najtrudniejszych w codziennej operacji energetycznej: setki zmiennych, ścisłe sekwencje proceduralne, ogromne ryzyko błędu, i do tego zawsze robiące to pod presją czasu i z niedosypiającą zmianą nocną.

Melouney podkreśla, że Startup Advisor nie zastępuje operatora - on go wzmacnia. "Myślimy o tym, jak wspierać ludzi w organizacji, jak umożliwić im podejmowanie lepszych decyzji, szybszych decyzji" - mówi. To rozróżnienie jest kluczowe i, w mojej ocenie, jedyne rozsądne w kontekście infrastruktury krytycznej. Model językowy halucynujący na temat historii literatury to zabawny błąd. Model halucynujący instrukcję uruchamiania instalacji LNG to coś zupełnie innego.

Właśnie dlatego przemysłowe AI musi być projektowane inaczej niż konsumenckie. Nie chodzi o to, żeby było imponujące - chodzi o to, żeby było niezawodne w dokładnie zdefiniowanym, wąskim zakresie. Paradoksalnie, to jest trudniejsze do zbudowania niż model, który odpowiada na dowolne pytanie z mniej więcej zadowalającą dokładnością.

Myśleć dużo, prototypować mało, skalować szybko

Melouney sformułował motto, które stało się filozofią operacyjną firmy: "Think big, prototype small, and scale fast". Brzmi jak slogan z plakatów motywacyjnych, ale w tym kontekście ma konkretne znaczenie operacyjne. Woodside nie wdraża AI jako jednorazowego projektu - buduje powtarzalne wzorce deploymentu, standaryzowane platformy i struktury governance, które pozwalają przenosić sprawdzone rozwiązania między różnymi częściami organizacji.

To jest właśnie ta przepaść, która oddziela firmy poważnie wbudowujące AI w swoje operacje od tych, które naklejają logo "AI-powered" na istniejące procesy i liczą na efekt PR. "Nie przyklejamy po prostu AI do istniejącego procesu" - mówi Melouney wprost. "Głęboko myślimy o tym, jak ta praca musi zostać przemyślana od nowa."

Docelowo Woodside dąży do czegoś, co wiceprezes nazywa "autonomicznym przedsiębiorstwem" - strukturą, w której agenty AI są w stanie głęboko wchodzić w interakcje z kluczowymi procesami operacyjnymi. To nie jest wizja z za dziesięć lat - to jest kierunek, w którym firma aktywnie zmierza, budując kolejne warstwy integracji na fundamencie lat pracy nad danymi i infrastrukturą.

Niewidoczna rewolucja

Jest pewna ironia w tym, że najtrudniejsze i najważniejsze zastosowania AI rozwijają się z dala od mediów technologicznych. Nie ma tu premierowych wydarzeń z demonstracjami na żywo, nie ma viralowych nagrań na YouTube, nie ma możliwości samodzielnego przetestowania w przeglądarce. Jest za to wiceprezes australijskiej firmy energetycznej cierpliwie tłumaczący, jak lata inwestycji w governance danych pozwalają dziś budować systemy wspomagające operatorów pracujących z materiałami, które w razie błędu wybuchają.

Branża AI jest pełna narracji o tym, że "wszystko się zmienia". Woodside Energy jest dowodem, że naprawdę ważne zmiany wymagają najpierw lat pracy, której nikt nie widzi i nikt nie oklaskuje na konferencjach.