Konserwacja predykcyjna to nowy standard operacyjny dla Shell dzięki agentom C3 AI
Konserwacja predykcyjna oznacza dziś coś znacznie więcej niż tylko wykrywanie anomalii — Shell i C3 AI ogłosiły w 2025 roku rozszerzenie partnerstwa, które przenosi zarządzanie niezawodnością urządzeń na poziom w pełni autonomicznych agentów sztucznej inteligencji, monitorujących ponad 30 000 kluczowych elementów infrastruktury energetycznej.
Globalny gigant energetyczny od dłuższego czasu korzysta z platformy C3 AI Reliability Suite — rozwiązania do monitorowania stanu technicznego maszyn w czasie rzeczywistym. Teraz Shell zamierza przejść od reaktywnego wykrywania problemów do w pełni zautomatyzowanego cyklu życia konserwacji, w którym ingerencja człowieka będzie ograniczona do minimum lub całkowicie opcjonalna.
Według Stephena Ehikiana, Prezydenta C3 AI: „To rozszerzone partnerstwo z Shell udowadnia, co jest możliwe, gdy enterprise AI jest w pełni operacjonalizowane w skali globalnej dla konserwacji predykcyjnej — redukując nieplanowane przestoje i dostarczając setki milionów dolarów wartości ekonomicznej”. Cytat pochodzi z oficjalnego komunikatu C3 AI towarzyszącego ogłoszeniu współpracy.
Ewolucja systemu — od wykrywania anomalii do autonomicznych agentów AI
Ewolucja podejścia Shell do konserwacji predykcyjnej to wieloetapowy proces, który zaczął się od stosunkowo prostego uczenia maszynowego. Na początku systemy opierały się na analizie danych sensorycznych w celu wykrywania odbiegających od normy wzorców — tzw. anomaly detection — i informowania inżynierów o potencjalnych problemach z wyprzedzeniem.
Kluczowym elementem architektury było połączenie ogromnych ilości danych OT (Operational Technology) w czasie rzeczywistym z kontekstem biznesowym pochodzącym z systemów klasy ERP, takich jak SAP. Pozwoliło to na korelowanie stanu technicznego urządzeń z danymi finansowymi i logistycznymi, co znacząco zwiększyło trafność prognoz.
Czym różni się nowa generacja agentów AI od wcześniejszych rozwiązań?
Poprzednie systemy kończyły swoją rolę na wysłaniu alertu do operatora. Nowa architektura oparta na agentach AI (ang. agentic AI) idzie znacznie dalej — agent nie tylko wykrywa odchylenie od normy, ale samodzielnie analizuje jego przyczynę źródłową, zbiera kontekst sytuacyjny i proponuje konkretne działania naprawcze.
Agent działa na zasadzie pętli: wykrycie → analiza przyczyny → rekomendacja → wykonanie (lub zatwierdzenie przez operatora). W praktyce oznacza to, że po wykryciu anomalii system może samodzielnie wygenerować zlecenie serwisowe, sprawdzić dostępność części zamiennych w magazynie i wystawić zamówienie zakupu — bez angażowania człowieka na każdym etapie.
Jak konfiguruje się agenta dla konkretnego urządzenia?
Operatorzy definiują dla każdego urządzenia indywidualny profil agenta, określając jego cele oraz zakres dopuszczalnych odpowiedzi. Modele bazowe uczenia maszynowego uczą się normalnego zakresu pracy konkretnych maszyn — pomp, turbin, kompresorów — tworząc tzw. baseline operacyjny.
Gdy modele wykryją odchylenie od tego baseline’u, agent aktywuje się i zbiera rozszerzone dane kontekstowe: historię konserwacji urządzenia, aktualne warunki środowiskowe oraz zmienne procesowe z instalacji znajdującej się wyżej w łańcuchu produkcji. Na podstawie tej analizy formułuje rekomendację poparta dowodami, którą operator może zatwierdzić lub odrzucić.
Skala wdrożenia — liczby, które robią wrażenie
Skala wdrożenia to jeden z najbardziej imponujących aspektów całego projektu — ponad 30 000 krytycznych urządzeń monitorowanych jednocześnie, zarówno w operacjach upstream (wydobycie surowców), jak i downstream (rafinacja i dystrybucja).
| Parametr | Poprzedni system | Nowy system agentowy |
|---|---|---|
| Liczba monitorowanych urządzeń | 30 000+ | 30 000+ (z rozszerzeniem) |
| Zakres działania | Wykrywanie anomalii | Pełny cykl życia konserwacji |
| Integracja danych | OT + ERP (SAP) | OT + ERP + historia konserwacji + zmienne procesowe |
| Reakcja na alert | Powiadomienie inżyniera | Autonomiczne zlecenie serwisowe + zamówienie części |
| Nadzór ludzki | Wymagany przy każdym kroku | Opcjonalny (zatwierdzanie lub pełna automatyzacja) |
| Wartość ekonomiczna | Redukcja awarii | Setki milionów dolarów oszczędności |
Wartość ekonomiczna generowana przez system jest szacowana na setki milionów dolarów — tak wynika z deklaracji C3 AI przy okazji ogłoszenia rozszerzonego partnerstwa. Należy podkreślić, że według wstępnych danych firmy, szczegółowy podział tych oszczędności na poszczególne obszary operacyjne nie został jeszcze opublikowany w pełnej formie audytowanego raportu.
Platforma C3 AI jako fundament technicznej transformacji Shell
Platforma C3 AI jest to środowisko model-driven, zaprojektowane do integracji wysokoczęstotliwościowych strumieni danych sensorycznych ze strukturalnymi danymi finansowymi i konserwacyjnymi. Architektura platformy pozwala na łączenie danych OT (zbieranych np. co sekundę) z danymi z systemów klasy ERP w ujednoliconym środowisku analitycznym.
Warstwa agentowa (agentic layer) stanowi nakładkę na ten fundament. Modele uczenia maszynowego działające w warstwie bazowej odpowiadają za ciągłe profilowanie urządzeń i wykrywanie odchyleń. Agent przejmuje inicjatywę dopiero po przekroczeniu progów alarmowych, wykonując złożone wnioskowanie na zebranych danych.
Rola danych kontekstowych w podejmowaniu decyzji przez agenta
Jakość decyzji generowanych przez agenta AI zależy bezpośrednio od bogactwa danych kontekstowych, do których ma dostęp. System analizuje nie tylko surowe odczyty z czujników, ale również historię poprzednich napraw, zarejestrowane wymiary zużycia i warunki atmosferyczne panujące w lokalizacji urządzenia.
Zmienne procesowe z instalacji upstream — czyli z etapów poprzedzających dany element w łańcuchu produkcji — pozwalają agentowi odróżnić awarię lokalną od symptomu problemu systemowego. To rozróżnienie ma kluczowe znaczenie dla precyzyjnego formułowania rekomendacji i unikania fałszywych alarmów, które generują niepotrzebne koszty.
Bezpieczeństwo, niezawodność i efektywność operacyjna jako priorytety Shell
Bezpieczeństwo to jeden z głównych filarów uzasadniających inwestycję Shell w agentową AI — nieplanowane przestoje w infrastrukturze energetycznej oznaczają nie tylko straty finansowe, ale również realne ryzyko dla ludzi i środowiska naturalnego.
Automatyzacja konserwacji predykcyjnej pozwala na wcześniejsze wykrywanie symptomów degradacji urządzeń krytycznych, takich jak turbiny sprężające gaz czy pompy wysokociśnieniowe. W środowisku przemysłowym awaria takiego elementu może prowadzić do poważnych incydentów. Wczesna interwencja systemu agentowego — zanim dojdzie do awarii — radykalnie zmniejsza to ryzyko.
Od pilota do pełnej automatyzacji — stopniowe zwiększanie autonomii
Shell przyjął podejście stopniowego rozszerzania autonomii systemu. W pierwszej fazie operatorzy zatwierdzają każdą rekomendację agenta, ucząc się jednocześnie jego logiki działania i weryfikując trafność jego wniosków w konkretnych warunkach operacyjnych.
W miarę jak system udowadnia swoją skuteczność w powtarzalnych kategoriach awarii, Shell może delegować na agenta pełną autonomię w podejmowaniu decyzji dla tych scenariuszy. Oznacza to, że dla dobrze znanych typów uszkodzeń cały łańcuch: wykrycie → diagnoza → zlecenie → zakup części → naprawa, może przebiegać bez jakiejkolwiek ingerencji człowieka.
Szerszy kontekst — agentic AI w przemyśle energetycznym
Agentic AI to jeden z najszybciej rozwijających się kierunków w zastosowaniach przemysłowych sztucznej inteligencji w 2025 roku. W odróżnieniu od klasycznych systemów AI, które odpowiadają na zapytania lub prezentują analizy, agentowe AI działają proaktywnie — inicjują działania, podejmują sekwencje decyzji i realizują złożone zadania wieloetapowe.
Wdrożenie Shell i C3 AI stanowi jedno z pierwszych publicznie potwierdzonych wdrożeń agentowej AI w tak dużej skali w sektorze energetycznym. Jeśli potwierdzą się deklarowane wyniki ekonomiczne, przypadek ten może stać się punktem odniesienia dla innych globalnych operatorów infrastruktury przemysłowej rozważających podobne transformacje.
Stephen Ehikian z C3 AI podkreślił, że Shell „zbudował dojrzałe programy AI w zakresie konserwacji predykcyjnej” na platformie C3 AI i że razem „wkraczają teraz w agentową AI, rozwijając sposoby, w jakie ta technologia może dalej transformować niezawodność, bezpieczeństwo, efektywność i wyniki operacyjne”. To stwierdzenie wskazuje, że obecne wdrożenie jest traktowane jako etap przejściowy, a nie cel końcowy.
Powiązane pojęcia z AI i uczenia maszynowego
- Agentic AI (agentowa AI) — klasa systemów sztucznej inteligencji zdolnych do autonomicznego planowania i wykonywania sekwencji działań w celu realizacji złożonych zadań, bez konieczności ingerencji człowieka na każdym etapie.
- Predictive Maintenance (konserwacja predykcyjna) — strategia utrzymania ruchu oparta na analizie danych z czujników i modeli uczenia maszynowego, pozwalająca przewidywać awarie urządzeń zanim do nich dojdzie.
- Anomaly Detection (wykrywanie anomalii) — technika uczenia maszynowego polegająca na identyfikowaniu wzorców w danych, które odbiegają od ustalonego profilu normalnego działania systemu lub urządzenia.
- Operational Technology (OT) — sprzęt i oprogramowanie służące do monitorowania i sterowania urządzeniami fizycznymi, procesami i zdarzeniami w infrastrukturze przemysłowej, generujące dane w czasie rzeczywistym.
- Model-driven platform — środowisko programistyczne lub analityczne, w którym centralne miejsce zajmują modele danych i reguły biznesowe, automatyzujące integrację różnorodnych źródeł danych i logikę przetwarzania.
