AI-resultaten raken direct aan onderhouds-KPI’s

In de researchbrief Oil and gas in the AI era laat IBM zien dat AI in de olie- en gassector snel terrein wint. De toepassingen lopen van exploratie en boringen tot raffinage, pijpleidingmonitoring, predictive maintenance en emissiebeheer.

Voor onderhoud zijn vooral de operationele resultaten veelbelovend. Olie- en gasbedrijven rapporteren 27% betere productie-uptime, onder meer door AI-gestuurd voorspellend onderhoud aan installaties. En wat dacht je van 26% betere assetbenutting, 18% lagere operationele kosten en 18% hogere productiviteit van medewerkers?

Dat zijn KPI’s waar je als onderhoudsorganisatie direct op stuurt. AI helpt daarbij vooral om bestaande data beter te benutten, als extra laag op de kennis die al in je onderhoudshistorie en operationele processen zit.

Minder datasilo’s geeft meer context

Als asset- of onderhoudsmanager in olie en gas beschik je meestal over veel relevante data, bijvoorbeeld over onderhoud, incidenten, emissies en veiligheid. De waarde neemt toe wanneer je die informatie beter met elkaar verbindt.

Voor AI is context bepalend. Een afwijking in een meting krijgt meer betekenis als je bijvoorbeeld ook de onderhoudshistorie, openstaande werkorders, inspectieresultaten, kritikaliteit en complianceverplichtingen kunt meewegen. Dan ontstaat een completer beeld van de asset en de risico’s eromheen.

De eerste stap in het stappenplan van de researchbrief is dan ook: benut bestaande functionaliteit, doorbreek silo’s en bouw aan een organisatiebrede aanpak. Daarnaast noemt IBM datakwaliteit, de integratie van oudere systemen, metadata, eigenaarschap en toegangsbeleid als voorwaarden om AI op te schalen.

Eén beeld van de staat van je assets

In olie en gas wil je snel kunnen zien wat de staat van je assets is. Niet alleen vanuit onderhoud, maar ook vanuit integriteit, betrouwbaarheid en veiligheid. Denk aan inspecties, metingen rond corrosie of wanddiktes, openstaande werkorders, incidenten en onderdelen die buiten bedrijf zijn.

Als die informatie verspreid staat over verschillende systemen, kost het meer tijd om de juiste samenhang te zien. Dan wordt het lastiger om te bepalen wat prioriteit heeft, welk risico je loopt en welke actie nodig is.

Voor AI is dat overzicht belangrijk. Hoe beter data over assets, locaties, onderhoud, inspecties, incidenten en werkorders met elkaar verbonden zijn, hoe beter AI patronen en afwijkingen kan helpen herkennen. Niet als vervanging van vakkennis, maar als extra ondersteuning bij onderhoudsbeslissingen.

Well integrity laat zien hoe concreet AI kan worden

De researchbrief noemt als voorbeeld een Europese olie- en gasorganisatie die AI breed inzet voor operationele verbetering en innovatie. Het bedrijf trainde meer dan 100 medewerkers in AI en data science en zette een Center of Competence op.

Interessant is de aanpak: het bedrijf werkt met kleinere ‘fireflies’, snelle en schaalbare oplossingen voor eenvoudige problemen zoals het automatisch halen van data uit PDF-documenten. Daarnaast lopen er grotere AI-projecten, waaronder een toepassing om well integrity te monitoren en lekkages beter te detecteren.

Inmiddels zijn meer dan 80 AI-use-cases geïdentificeerd en wordt actief aan 20 nieuwe use cases gewerkt. De toepassing voor well integrity is al in productie. Daarmee zit AI hier dicht op de operatie: bij data, risico’s en onderhoudsbeslissingen die direct raken aan veiligheid, betrouwbaarheid en continuïteit.

AI verbindt onderhoud met incidenten, emissies en compliance

Onderhoud in olie en gas raakt ook veiligheid, milieuprestaties en aantoonbaarheid. Volgens de researchbrief rapporteren olie- en gasbedrijven 29% minder operationele incidenten, 22% betere energie-efficiëntie en 15% minder CO₂-uitstoot.

Concrete AI-toepassingen voor milieu- en emissiemeting zijn bijvoorbeeld detectie van diffuse methaanemissies en realtime monitoring van fakkelactiviteiten met satellietbeelden, IoT-sensoren en beeldherkenning. Een ander voorbeeld is agentic AI voor pijpleidingmonitoring: AI-systemen die op basis van sensordata en satellietbeelden zelfstandig afwijkingen signaleren en opvolgacties ondersteunen.

De meerwaarde zit weer in de verbinding met de operatie. Een emissie-incident, veiligheidsmelding of afwijking krijgt meer duiding wanneer je die koppelt aan assets, locaties, inspecties en opvolgacties. Zo kun je sneller sturen, maatregelen vastleggen en aantoonbaar maken wat er is gebeurd.

Start klein genoeg om te meten

De researchbrief adviseert olie- en gasbedrijven om één of twee AI-pilots te kiezen met duidelijke waarde. Niet meteen een breed programma, maar een toepassing waarvan je kunt beoordelen wat die oplevert voor je onderhoud, uptime of productieoptimalisatie.

Zo’n pilot kan bijvoorbeeld het voorspellen van apparatuuruitval in boorinstallaties zijn, of een digitale tweeling van één asset, zoals een pompstation of compressorunit, op basis van realtime sensordata. Daarbij kijk je naar meetbare resultaten, zoals minder ongeplande stilstand, hogere uptime of betere productieoptimalisatie.

Belangrijk is dat je zo’n use case niet alleen vanuit technologie aanvliegt. Zo is bij AI-gestuurde simulaties en digitale tweelingen de samenwerking tussen subsurface engineers, data scientists en IT essentieel. Daardoor wordt duidelijk welke data nodig zijn, welke systemen op elkaar moeten aansluiten en hoe je de uitkomst in de operatie gebruikt.

Waar datasilo’s verdwijnen, krijgt AI meer waarde

AI vraagt om kadering vanuit de operatie: asset, locatie, onderhoudshistorie, inspecties, werkorders en opvolgacties. Daar zit de link met IBM Maximo Oil & Gas. Het helpt om onderhoud, betrouwbaarheid, assetintegriteit, veiligheid en emissiebeheer dichter bij elkaar te organiseren.

Daarop sluiten de recente vernieuwingen in IBM Maximo Oil & Gas goed op aan, met meer ondersteuning voor emissiebeheer, compliance, dossierbeheer, veiligheid, inspecties en mobiel incidentbeheer met kaartfunctionaliteit in IBM Maximo Mobile.

De winst zit niet in nóg meer data, maar in betere samenhang tussen wat je al weet, meet en vastlegt.

Wil je weten wat dit betekent voor jouw onderhoudsorganisatie en hoe je AI praktisch inzet voor onderhoud, betrouwbaarheid, assetintegriteit en emissiebeheer? Neem contact op met Wouter Schouten via +31 (0)6 52 68 37 43 of w.schouten@gemba.nl.