سنجش و تحلیل آمادگی بخش بالادستی صنعت نفت برای پذیرش هوش‌ مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مدیریت فناوری اطلاعات ، دانشگاه شهید بهشتی، تهران، ایران

2 استادیار، گروه سیاست‌گذاری علم و فناوری، پژوهشکده مطالعات بنیادین علم و فناوری، دانشگاه شهید بهشتی، تهران، ایران

چکیده

هوش مصنوعی در سال‌های اخیر به‌عنوان یکی از مهم‌ترین فناوری‌های نوظهور، تأثیر چشم‌گیری بر صنایع مختلف داشته است. در صنعت نفت، به‌ویژه بخش بالادستی، این فناوری قادر است منجر به کارایی عملیات، بهبود تصمیم‌گیری‌ها و کاهش هزینه‌ها شود. با توجه به این امر و همچنین اهمیت راهبردی صنعت نفت در اقتصاد ایران، این پژوهش با هدف سنجش شاخص‌های آمادگی سازمانی صنایع بالادستی نفت ایران برای پذیرش فناوری هوش مصنوعی صورت گرفت.در این مطالعه، با بهره‌گیری از چارچوب منتخب، پرسشنامه‌ای طراحی شد که شامل پنج شاخص اصلی هماهنگی راهبردی، منابع، دانش، فرهنگ و داده است که این شاخص‌ها هر کدام به شاخص‌های فرعی تقسیم می‌شود. این شاخص‌های فرعی عبارت‌اند از قابلیت‌های تجاری هوش مصنوعی، آمادگی مشتریان، حمایت مدیریت ارشد، انطباق فرآیندهای سازمانی، منابع مالی، نیروی انسانی متخصص، زیرساخت‌های فناوری اطلاعات، آگاهی از هوش مصنوعی، ارتقا مهارت‌ها، اخلاق هوش مصنوعی، نوآوری، کار تیمی، مدیریت تغییر، دسترسی به داده‌ها، کیفیت‌داده‌ها و جریان داده. این پرسشنامه توسط تعدادی از مدیران و متخصصان با تجربه در حوزه هوش مصنوعی و صنعت نفت تکمیل شد و نتایج نشان می‌دهد که هماهنگی راهبردی بالاترین امتیاز و شاخص داده‌ کمترین امتیاز را در میان شاخص‌های اصلی کسب کرده‌ است. یافته‌ها تأکید دارند که توسعه برنامه‌های راهبردی و تقویت زیرساخت‌های داده برای موفقیت در پذیرش هوش مصنوعی ضروری است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Assessing And Analyzing the Readiness of the Upstream Oil Industry To Adopt Artificial Intelligence

نویسندگان [English]

  • Seyed Mohammad Javad Toghraee 1
  • Hadi Nilforoushan 2
  • Fatemeh Azari 1
1 M.A. Student of Information Technology Management, Shahid Beheshti University, Tehran, Iran
2 Assistant Professor, Department of Science and Technology Policy, Institute for Basic Studies of Science and Technology, Shahid Beheshti University, Tehran, Iran.
چکیده [English]

Artificial Intelligence (AI) has emerged as one of the most significant transformative technologies in recent years, profoundly impacting various industries. In the oil industry, particularly in the upstream sector, AI has the potential to enhance operational efficiency, improve decision-making, and reduce costs. Given this importance, along with the strategic significance of the oil industry in Iran's economy, this study was conducted to assess the organizational readiness of Iran's upstream oil industry for adopting AI technology.
In this study, a questionnaire was designed based on a selected framework, encompassing five main indicators: strategic alignment, resources, knowledge, culture, and data—each further divided into sub-indicators. These sub-indicators include AI business potential, customer readiness, senior management support, organizational process alignment, financial resources, skilled workforce, IT infrastructure, AI awareness, skill enhancement, AI ethics, innovation, teamwork, change management, data accessibility, data quality, and data flow. The questionnaire was completed by a group of experienced managers and experts in AI and the oil industry.
The results indicate that strategic alignment received the highest score, while the data indicator scored the lowest among the main categories. The findings highlight the necessity of developing strategic programs and strengthening data infrastructure to ensure the successful adoption of AI in the upstream oil sector.

کلیدواژه‌ها [English]

  • Artificial Intelligence
  • Organizational Readiness Framework for AI
  • Upstream Oil Industry
  • Technology Adoption

مراجع

[1] Jan, Z., Ahamed, F., Mayer, W., Patel, N., Grossmann, G., Stumptner, M., & Kuusk, A. (2023). Artificial intelligence for industry 4.0: Systematic review of applications, challenges, and opportunities. Expert Systems with Applications, 216, 119456.  https://doi.org/10.1016/j.eswa.2022.119456
[2]  Singla, A., Sukharevsky, A., Yee, L., Chui, M., & Hall, B. (2024). The state of AI in early 2024: Gen AI adoption spikes and starts to generate value. McKinsey & Company.https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
[3] Koroteev, D., & Tekic, Z. (2021). Artificial intelligence in oil and gas upstream: Trends, challenges, and scenarios for the future. Energy and AI, 3, 100041. https://doi.org/10.1016/j.egyai.2020.100041
[4] Roustazadeh, A., Ghanbarian, B., Male, F., Shadmand, M. B., Taslimitehrani, V., & Lake, L. W. (2022). Estimating oil recovery factor using machine learning: applications of XGBoost classification. arXiv preprint arXiv:2210.16345.https://doi.org/10.48550/arXiv.2210.16345
[5] Abdelhamid, K., Ammar, T. B., & Laid, K. (2021, January). Artificial Intelligent in Upstream Oil and Gas Industry: A Review of Applications, Challenges and Perspectives. In International Conference on Artificial Intelligence and its Applications (pp. 262-271). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-96311-8_24
[6] Kanaani, F., Rasoulian, P., Hafezi, R., & Ahangari, S. S. (2023). Analysis of the artificial intelligence ecosystem in Iran and identifying institutional and functional gaps. Journal of Science and Technology Policy, 16(2), 59-77.{In Persian}. https://doi.org/10.22034/jstp.2023.11303.1648
[7] Dwivedi, Y. K., Rana, N. P., Jeyaraj, A., Clement, M., & Williams, M. D. (2019). Re-examining the unified theory of acceptance and use of technology (UTAUT): Towards a revised theoretical model. Information systems frontiers, 21, 719-734. https://doi.org/10.1007/s10796-017-9774-y
[8] Venkatesh, V., Thong, J. Y., & Xu, X. (2016). Unified theory of acceptance and use of technology: A synthesis and the road ahead. Journal of the association for Information Systems, 17(5), 328-376. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2800121
[9] Ali, W., & Khan, A. Z. (2024). Factors influencing readiness for artificial intelligence: a systematic literature review. Data Science and Management.
https://doi.org/10.1016/j.dsm.2024.09.005
[10] Uren, V., & Edwards, J. S. (2023). Technology readiness and the organizational journey towards AI adoption: An empirical study. International Journal of Information Management, 68, 102588.
https://doi.org/10.1016/j.ijinfomgt.2022.102588
[11] Jöhnk, J., Weißert, M., & Wyrtki, K. (2021). Ready or not, AI comes—an interview study of organizational AI readiness factors. Business & Information Systems Engineering, 63(1), 5-20.https://doi.org/10.1007/s12599-020-00676-7
[12] Rouhani, A. A., & Mohammad Abadi, R. (2022). Investigating the artificial intelligence application in oil and gas supply chain. Farayandno, 17(79), 57-73.https://doi.org/10.22034/farayandno.2023.1974530.1896
[13]Lawal, A., Yang, Y., He, H., & Baisa, N. L. (2024). Machine Learning in Oil and Gas Exploration-A Review. IEEE Access.https://doi.org/10.1109/ACCESS.2023.3349216
[14] Wang, Y. (2022, June). Heterogeneous Seismic Waves Pattern Recognition in Oil Exploration with Spectrum Imaging. In 2022 7th International Conference on Computational Intelligence and Applications (ICCIA) (pp. 190-194). IEEE. https://doi.org/10.1109/ICCIA55271.2022.9828424
[15] Chelliah, P. R., Jayasankar, V., Agerstam, M., Sundaravadivazhagan, B., & Cyriac, R. (2023). The Power of Artificial Intelligence for the Next-Generation Oil and Gas Industry: Envisaging AI-inspired Intelligent Energy Systems and Environments. John Wiley & Sons. https://www.google.com/books/edition/The_Power_of_Artificial_Intelligence_for/4e_kEAAAQBAJ?hl=en&gbpv=0
[16] Sircar, A., Yadav, K., Rayavarapu, K., Bist, N., & Oza, H. (2021). Application of machine learning and artificial intelligence in oil and gas industry. Petroleum Research, 6(4), 379-391. https://doi.org/10.1016/j.ptlrs.2021.05.009
[17] Daramola, G. O., Jacks, B. S., Ajala, O. A., & Akinoso, A. E. (2024). AI applications in reservoir management: optimizing production and recovery in oil and gas fields. Computer Science & IT Research Journal, 5(4), 972-984. https://doi.org/10.51594/csitrj.v5i4.1083
[18] Jambol, D. D., Sofoluwe, O. O., Ukato, A., & Ochulor, O. J. (2024). Transforming equipment management in oil and gas with AI-Driven predictive maintenance. Computer Science & IT Research Journal, 5(5), 1090-1112. https://doi.org/10.51594/csitrj.v5i5.1117
[19] Wanasinghe, T. R., Wroblewski, L., Petersen, B. K., Gosine, R. G., James, L. A., De Silva, O., ... & Warrian, P. J. (2020). Digital twin for the oil and gas industry: Overview, research trends, opportunities, and challenges. IEEE access, 8, 104175-104197. https://doi.org/10.1109/ACCESS.2020.2998723
[20] Patil, R. R., Calay, R. K., Mustafa, M. Y., & Thakur, S. (2024). Artificial Intelligence-Driven Innovations in Hydrogen Safety. Hydrogen, 5(2), 312-326. https://doi.org/10.3390/hydrogen5020018
[21] Hradecky, D., Kennell, J., Cai, W., & Davidson, R. (2022). Organizational readiness to adopt artificial intelligence in the exhibition sector in Western Europe. International journal of information management, 65, 102497. https://doi.org/10.1016/j.ijinfomgt.2022.102497
[22] Alsheibani, S., Cheung, Y., & Messom, C. (2018). Artificial intelligence adoption: AI-readiness at firm-level. In Pacific Asia Conference on Information Systems 2018 (p. 37). Association for Information Systems. https://research.monash.edu/en/publications/artificial-intelligence-adoption-ai-readiness-at-firm-level
[23] Holmström, J. (2022). From AI to digital transformation: The AI readiness framework. Business Horizons, 65(3), 329-339. https://doi.org/10.1016/j.bushor.2021.03.006
[24] Bland, J. M., & Altman, D. G. (1997). Statistics notes: Cronbach's alpha. Bmj, 314(7080), 572. https://doi.org/10.1136/bmj.314.7080.572
[25] Adorno, O. D. A. (2020). Business process changes on the implementation of artificial intelligence (Doctoral dissertation, Universidade de São Paulo)https://doi.org/10.11606/D.12.2020.tde-08042021-011316.
[2] Sahari Rad, R., & Razavi, S. M. R. (2023). Effective Factors on Improving the Technological Capabilities of Pump Manufacturers in Iran's Oil And Gas Industry. Journal of Science and Technology Policy, 16(4), 61-81.{In Persian} https://doi.org/10.22034/jstp.2024.11525.1707
 
 
 
 
 
سیاست علم و فناوری
دوره 17، شماره 3 - شماره پیاپی 63
هوش مصنوعی و آینده ایران: پرسش‌ها، چالش‌ها و فرصت‌ها
مهر 1403
صفحه 53-66

فایل ها

هم رسانی

ارجاع به این مقاله

آمار