Речь идёт о внутренней разработке «Газпром нефти», предназначенной для подбора рецептур смазочных материалов. Каждая рецептура представляет собой комбинацию базового масла и пакета присадок, а число возможных сочетаний исчисляется тысячами. Готового программного продукта, который решал бы эту задачу, на рынке не было ни у российских, ни у зарубежных вендоров, поэтому компания пошла по пути собственной разработки на базе нейросетевых моделей. По оценке компании, новый инструмент позволил сократить срок вывода рецептуры с примерно полугода до месяца.

Ключевая сложность задачи состоит в масштабе перебора вариантов. Классический подход предполагает лабораторные испытания: база соединяется с пакетом присадок, затем образец проверяется на вязкость, стабильность и поведение под нагрузкой, и при неудовлетворительном результате цикл повторяется со следующей комбинацией. При тысячах возможных сочетаний такой перебор занимает месяцы даже при наличии опытной лаборатории. Увеличение штата исследователей проблему не решает: физический стендовый тест нельзя распараллелить простым добавлением людей, поскольку каждая комбинация всё равно требует отдельного цикла испытаний. Именно на этом участке и работает нейросетевая модель: она сужает пространство поиска и подсказывает перспективные комбинации до того, как они попадут на стенд. Архитектуру системы компания не раскрывает, поэтому оценить конкретные алгоритмы и качество предсказаний по внешним данным пока нельзя. Тем не менее заявленный эффект — сокращение цикла с полугода до месяца — указывает на то, что модель используется как фильтр, отсекающий заведомо неподходящие варианты и снижающий число дорогостоящих лабораторных прогонов. Для производств, где каждая итерация испытаний требует времени и ресурсов лаборатории, такое сокращение перебора даёт прямой экономический эффект.

Кейс «Газпром нефти» вписывается в более широкий контекст импортозамещения промышленного ПО, который в последние годы стал одной из главных тем для российских холдингов. После официального прекращения продаж SAP в России в 2022 году крупные компании оказались перед выбором: закупать готовые отечественные решения или разрабатывать собственные. По данным РБК, около 40% крупных холдингов в энергетике, металлургии и машиностроении по-прежнему используют SAP, а реестр отечественного ПО с 2022 года вырос в четыре раза, до 27 тысяч продуктов. При этом часть задач, как в случае с рецептурами масел, не закрывается готовыми продуктами в принципе, поскольку узкоспециализированных решений для таких процессов на рынке просто не существует. Показательно, что путь собственной разработки выбирают и другие крупные игроки. «Северсталь» три года создавала MES-систему «Металлургия», заменившую итальянскую QMet Danieli, и уже продаёт её на сторону: затраты на ввод информации снизились на 30%, общая эффективность оборудования выросла на 20%. КАМАЗ вывел в промышленную эксплуатацию платформу Kamotive, заменившую модуль зарубежного Teamcenter, с более чем 600 пользователями и 238 организациями-партнёрами. «Росатом» с 2009 года развивает линейку инженерного ПО «Логос» и строит дистрибьюторскую сеть для продаж на открытом рынке. На этом фоне решение «Газпром нефти» выглядит частью общей тенденции, когда внутренний инструмент сначала закрывает собственную потребность, а затем может превратиться в самостоятельный продукт.

Для российского рынка промышленного ПО такие кейсы важны по двум причинам. Во-первых, они демонстрируют, что дефицит готовых решений закрывается не только закупками, но и внутренней инженерией, причём в узких доменах, где зарубежные вендоры исторически не предлагали специализированных продуктов. Во-вторых, они формируют спрос на компетенции в области машинного обучения внутри промышленных компаний, а не только в ИТ-секторе. Отраслевые аналитики при этом отмечают, что главным барьером остаётся не нехватка софта, а нежелание предприятий первыми переводить критичные процессы на непроверенные системы — и здесь наличие собственного успешного кейса работает как аргумент в пользу тиражирования. Кроме того, разработка «Газпром нефти» показывает, что даже в условиях ограниченного доступа к зарубежным технологиям российские компании способны создавать конкурентоспособные решения на основе нейросетей, что укрепляет позиции отечественного ПО на внутреннем рынке и создаёт задел для экспорта в дружественные страны.

Если рассматривать ситуацию шире, история с рецептурами масел иллюстрирует общую динамику импортозамещения в промышленности. После ухода SAP и Oracle компании столкнулись с необходимостью срочно закрывать бреши в ИТ-ландшафте, и далеко не всегда на рынке находились зрелые аналоги. Минцифры отказалось от идеи единой национальной ERP-системы, вместо неё формируется консорциум под эгидой АНО «Национальный центр компетенций по информационным системам управления холдингом», куда вошли представители металлургии, нефтегаза, химии и транспорта. Консорциум уже собрал более 1300 требований бизнеса к ERP-продуктам, сводя их с тем, что есть на рынке. Однако, как отметил CIO Магнитогорского металлургического комбината Вадим Феоктистов, «пока нет полностью готовых российских ERP, способных полноценно заменить Oracle и SAP». В таких условиях путь собственной разработки становится не просто альтернативой, а необходимостью для решения уникальных задач, подобных подбору рецептур масел.

Опыт «Газпром нефти» также перекликается с подходами других компаний, которые создавали собственные системы под конкретные производственные нужды. Например, «Северсталь» разрабатывала MES-систему «Металлургия» три года, и в результате не только закрыла свою потребность, но и начала продавать продукт на сторону, подписав контракты с другой металлургической корпорацией и компанией горнорудной промышленности. КАМАЗ вывел в промышленную эксплуатацию платформу Kamotive, которая заменила модуль зарубежного Teamcenter и уже используется более чем 600 пользователями и 238 организациями-партнёрами. «Росатом» с 2009 года развивает линейку инженерного ПО «Логос» в РФЯЦ-ВНИИЭФ, и сейчас госкорпорация строит дистрибьюторскую сеть для продаж на открытом рынке, включая зарубежный. Все эти примеры показывают, что внутренние разработки могут перерастать в самостоятельные бизнесы, и решение «Газпром нефти» потенциально может пойти по тому же пути.

Открытым остаётся вопрос, насколько применима модель «Газпром нефти» за пределами компании и появится ли у неё коммерческая версия. Пока не раскрыты ни архитектура системы, ни объём обучающих данных, ни методика валидации предсказаний на реальных стендовых испытаниях, поэтому независимо оценить точность модели невозможно. Кроме того, неясно, ограничивается ли применение подбором рецептур или распространяется на прогнозирование эксплуатационных свойств готовых продуктов. Дальнейшее развитие будет зависеть от того, решит ли компания открыть инструмент для рынка по примеру «Северстали» и «Росатома» — в этом случае он может стать ещё одним примером того, как внутренняя разработка под давлением импортозамещения превращается в отраслевой продукт. Однако уже сейчас ясно, что подобные инициативы способствуют накоплению компетенций и могут ускорить цифровую трансформацию отрасли в целом.