석유·가스 산업의 AI 혁명 (1부)

지정학적 위기와 업스트림 AI — 지하 수 킬로미터를 읽는 새로운 눈

Industrial AI — E2E 프로세스 혁신 시리즈 | PART 1 / 4

들어가며: 네 번째 산업, 같은 질문

이 글은 '산업별 AI 혁명' 시리즈의 네 번째 편이다. 조선업의 설계 자동화에서 시작해, 자동차 산업의 자율주행·공장 혁신, 반도체의 칩 설계 가속화까지 — 세 편의 시리즈를 관통한 하나의 질문이 있다. "AI는 이 산업의 어느 공정을 어떻게, 그리고 얼마나 깊이 바꾸고 있는가?"

네 번째 무대는 석유·가스 산업이다. 세계 경제의 혈액을 공급하는 이 산업이 AI와 만났을 때, 그 변화의 깊이는 앞선 세 산업과는 또 다른 차원을 보여준다.

이미 시작된 혁명

석유·가스 산업의 AI 시장 규모는 2026년 현재 약 40억 달러 수준으로 추정되며, 2030년대 초반까지 연평균 13% 이상의 성장률로 확대될 전망이다.[A] 이는 단순한 디지털화가 아니다. 구조적 전환이다.

변화의 양상은 이미 수치로 드러나고 있다.

석유 업계는 2024년 기준 AI에 약 31억 달러를 투자했는데, 이는 전체 자본 지출의 5%에 못 미치는 수준이다. 그러나 이 투자 규모는 향후 5년 내 80%까지 증가할 것으로 전망된다. CERAWeek 2025에서 BP, Devon Energy, Chevron은 AI 도입 성과를 공개했다. Devon은 AI 도입으로 유정 수명이 25% 향상됐다고 밝혔고, Chevron은 AI 기반 드론으로 설비 유지보수와 모니터링을 수행하고 있다.

업스트림 부문이 전체 AI 지출의 61%를 차지하며 주도권을 쥐고 있다. 탐사와 생산 워크플로가 방대한 데이터를 처리하는 고급 분석 기술의 혜택을 가장 직접적으로 받기 때문이다. 예측 정비(Predictive Maintenance) 프로그램은 전체 지출의 37.6%를 차지하는 최대 응용 분야로, 계획되지 않은 다운타임과 유지보수 비용을 크게 절감하고 있다.

기술의 무게중심도 이동하고 있다.

엣지 컴퓨팅은 연평균 14.15%의 성장률로 확대되고 있는데, 이는 원격 시추선, 수압파쇄(Fracking) 현장, 해상 플랫폼처럼 연결성이 제한된 환경에서 낮은 지연시간의 AI 추론이 필수적이기 때문이다. 지하 수 킬로미터 아래에서 실시간으로 결정을 내려야 하는 자율 시추 시스템이 그 대표적인 사례다.

그런데 아직 시작에 불과하다

이 모든 변화는 전체 그림의 일부에 불과하다.

석유·가스 산업의 자본 집약도와 데이터의 규모, 그리고 최적화할 수 있는 공정의 복잡성을 감안하면, 지금의 AI 도입은 긴 혁명의 초기 국면에 해당한다. 탐사 지진파 아카이브만 해도 선도적인 운영사들의 데이터가 1,500페타바이트를 초과하며, AI 가속기 없이는 수십 년치 데이터를 활용하는 것 자체가 불가능하다.[A]

이 시리즈는 업스트림에서 다운스트림에 이르는 전 공정을 4부에 걸쳐 해부한다. 각 공정에서 AI가 무엇을 어떻게 바꾸고 있는지, 그리고 아직 바꾸지 못한 것이 무엇인지를 사실 기반으로 추적한다.

1. 호르무즈가 흔들릴 때: 에너지 공급망의 민낯

2026년 3월, 세계 에너지 시장은 수십 년 만에 가장 극적인 충격을 경험했다. 미국·이스라엘의 대이란 공습이 시작된 직후 이란이 호르무즈 해협을 봉쇄하면서, 평시 기준 하루 약 2,000만 배럴의 석유와 전 세계 LNG 교역량의 약 20%가 통과하던 이 해협의 흐름이 극심한 병목과 급격한 축소(reduced to a trickle) 상태에 빠졌다.[1] IEA는 이번 위기를 현대 글로벌 석유시장 역사상 가장 큰 공급 차질로 평가했다.[2]

국제 유가 기준인 브렌트유는 3월 중 배럴당 약 120달러 안팎까지 급등했고[3], 아시아 시장의 기준가인 두바이유도 역대 최고 수준으로 치솟았다. 일부 거시경제 분석에 따르면 유가 급등이 장기화될 경우 글로벌 성장 둔화와 인플레이션 압력이 동시에 나타나는 스태그플레이션 리스크가 현실화될 수 있다고 경고한다.[3]

이 사태는 현대 에너지 공급망이 지닌 구조적 취약성을 적나라하게 드러냈다.

동시에 하나의 근본적인 질문을 전면에 올려놓았다.

물리적 병목이 막혀버린 순간, 석유·가스 산업은 어떻게 대응하는가?

그리고 그 대응의 중심에 인공지능(AI)이 있다는 사실을 투자자와 기업 경영자는 얼마나 깊이 이해하고 있는가?

2. 삼중 전환의 시대: 지정학·에너지 전환·AI가 동시에 요동친다

호르무즈 위기는 우연히 찾아온 사건이 아니다. 석유·가스 산업은 현재 세 가지 거대한 전환이 동시에, 그리고 서로 얽히며 진행되는 이른바 '삼중 전환(Triple Transition)' 속에 놓여 있다.[4]

첫째는 지정학적 리스크의 상시화다.

중동 분쟁, 러시아·우크라이나 전쟁, 글로벌 공급망 재편은 에너지 시장의 불확실성을 구조적으로 높여놓았다. 과거에는 유가 하락이나 지역 분쟁이 발생하면 기업들은 IT 투자 예산을 가장 먼저 삭감했다. 그러나 지금의 복합 위기 속에서 일부 기업들은 운영 최적화와 공급망 회복력을 위해 AI 투자를 오히려 우선순위로 재조정하는 흐름이 나타나고 있다.[5]

물리적 인프라가 위협받는 극단적 상황에서, 제한된 가용 자원을 초단위로 최적화하고 대체 물류 경로를 실시간으로 재설정하는 AI 시스템이 사실상 유일한 해법이기 때문이다.

둘째는 친환경 에너지로의 전환이다.

탈탄소 압력이 거세지는 동시에, AI 데이터센터의 폭발적 전력 수요가 역설적으로 화석연료 기반 발전에 대한 의존을 다시 높이고 있다는 분석이 제기된다.[4]

셋째가 바로 AI 혁명이다.

여기서 흥미로운 지정학적 역설이 등장한다. 미국 국무부 주도의 AI·공급망 보안 이니셔티브인 '팍스 실리카 선언(Pax Silica Declaration)'의 서문은 이렇게 선언한다.

"20세기가 석유와 철강으로 굴러갔다면, 21세기는 컴퓨트(Compute)와 그것을 먹이는 광물로 굴러간다."[6]

카타르와 UAE를 포함한 10개국이 서명한 이 선언은, 중동 산유국들이 단순한 에너지 공급자를 넘어 글로벌 AI 인프라의 핵심 거점으로 부상하고 있는 흐름을 보여준다. AI를 구동하는 거대한 데이터센터는 막대한 전력을 소비하며 화석연료 인프라에 의존하고, 그 화석연료 산업은 다시 AI를 통해 효율을 극대화한다. 석유·가스 산업과 AI는 서로를 먹여 살리는 '상호 연쇄 효과(Multiplicative Effects)'의 관계에 있다.[7]

이 4부작 시리즈는 그 연쇄의 실체를 업스트림에서 다운스트림에 이르는 전 과정을 통해 들여다본다. 1부에서는 산업의 구조와 기술의 역사적 진화, 그리고 업스트림 전 공정에 걸친 AI 현황을 다룬다.

3. 석유·가스 산업의 E2E 구조: 지하에서 주유소까지

석유·가스 산업은 지하 깊은 곳의 자원을 탐색하는 것부터 시작해, 채굴·정제를 거쳐 최종 소비자의 차량에 주입하기까지, 물리적·화학적·물류적 네트워크가 유기적으로 얽힌 거대한 집합체다. 이 가치사슬은 자원의 흐름과 작업의 성격에 따라 세 단계의 거시적 부문(L1)으로 분류된다.[8]

업스트림(Upstream)은 탐사부터 생산까지, 즉 땅속에서 원유와 가스를 꺼내는 모든 과정이다.

미드스트림(Midstream)은 생산된 자원을 파이프라인, 유조선, 철도로 수송하고 저장하는 물류 단계다.

다운스트림(Downstream)은 원유를 정제해 가솔린·디젤·항공유 등 최종 제품으로 변환하고 소비자에게 유통하는 단계다.

AI 적용 방안을 깊이 이해하려면 이 거시적 분류보다 한 단계 더 세밀한 L2 프로세스 단위를 살펴봐야 한다. 아래 표는 전체 가치사슬을 구성하는 핵심 프로세스를 정리한 것이다. 이 분류는 공개 자료를 기반으로 구성한 참조 프레임이며, 기업·국가별로 세부 경계는 다를 수 있다.[9]

이 프로세스들은 서로 단절된 고리가 아니다. 업스트림의 지진파 데이터, 시추 현장의 센서 신호, 파이프라인의 압력 데이터, 정유 공장의 수만 개 밸브에서 발생하는 온도·화학 반응 데이터가 연결되는 순간, 이 거대한 물리적 시스템은 AI가 학습하고 최적화하는 디지털 유기체로 변모한다.

이 시리즈는 각 프로세스에서 그 변모가 어떻게 진행되고 있는지를 순서대로 추적한다.

4. 기술 진화의 역사: 감각에서 수치 제어를 거쳐 AI로

현재 석유·가스 산업에 도입되는 AI 기술이 어떤 한계를 극복하기 위해 설계됐는지를 이해하려면, 각 공정이 어떤 방식으로 진화해 왔는지를 먼저 살펴볼 필요가 있다. 탐사, 시추, 다운스트림 정유 — 세 영역 모두 '인간의 감각과 경험'에서 출발해 '수치 측정과 기계적 제어'를 거쳐 이제 'AI 기반 인지 판단'으로 이행하는 공통된 궤적을 그리고 있다.

4.1 탐사: 직감에서 딥러닝까지의 100년

석유 탐사의 역사는 지하를 '보는' 방법을 끊임없이 진화시켜 온 역사다.

19세기 말 탐사는 지표면에 스며 나오는 기름 자국(Oil Seeps)이나 지형의 모양으로 매장 가능성을 추측하는 것에서 시작됐다.[10] 체계적 기술이 전무했던 이 시기, 성공은 사실상 운과 경험에 달려 있었다.

전환점은 1920년대 탄성파(Seismic) 탐사 기술의 등장이었다.

다이너마이트 폭발로 발생시킨 충격파가 지층을 투과해 반사돼 돌아오는 파동을 기록함으로써 지하 구조를 간접적으로 파악할 수 있게 됐다.[11] 그러나 데이터 해석은 여전히 지질학자의 눈과 손에 의존했다. 기록지 위의 파형을 직접 읽고, 단층선과 지층 경계를 연필로 그어가며 해석해야 했다.

1975년 북해에서 상업적 3D 탄성파 탐사가 처음 성공하면서 지하 구조를 입체적으로 파악하는 새로운 시대가 열렸다.[12]

2000년대에는 4D 탄성파와 고성능 컴퓨팅(HPC) 기반 수치 시뮬레이터가 보급되며 '디지털 오일필드(Digital Oilfield)'라는 개념이 현실화됐다.[13] 문제는 데이터 생성 속도가 해석 인력의 처리 능력을 훨씬 앞질러 버렸다는 점이다. 하나의 3D 탄성파 프로젝트가 페타바이트(PB) 급의 비정형 파동 데이터를 쏟아내는데, 수백 가지 시나리오를 검증하기 위한 파라미터 설정과 미세 조정은 여전히 엔지니어의 수작업에 의존했다.

인간의 인지 능력이 데이터의 규모를 따라잡지 못하는 구조적 병목이 생겨난 것이다.

이 병목을 돌파한 것이 딥러닝, 특히 합성곱 신경망(CNN)이다.

오늘날 AI는 수개월이 걸리던 지층 불연속성 탐지와 단층 모델링을 수 시간으로 압축한다. ENERGYai와 같은 에이전틱 AI 플랫폼의 상용화는 탐사 워크플로 자체를 재설계하고 있다.

4.2 시추: 케이블 툴에서 자율 제어까지

시추 기술의 진화는 '지하의 불확실성'을 얼마나 실시간으로, 그리고 얼마나 정밀하게 제어할 수 있느냐의 싸움이었다. 1800년대 케이블 툴(Cable Tool) 방식은 인력이나 동물의 힘으로 끌을 반복 낙하시켜 암석을 파쇄하는 원시적인 방법이었다.[15] 수천 피트 아래 지하의 상황은 케이블의 진동과 소리만으로 유추해야 했다. 그 불확실성이 얼마나 극심했는지는, 당시 시추 현장에서 일어난 수많은 폭발 사고와 유정 제어 실패 기록이 말해준다.

1901년 텍사스 스핀들톱(Spindletop) 유전에서의 대발견과 함께 로터리 시추(Rotary Drilling)가 상용화됐다.[11] 드릴 파이프를 회전시키며 이수(Mud)를 순환해 굴착 부스러기를 배출하는 이 방식은 생산성을 비약적으로 높였지만, 지층 상태를 파악하는 방법은 여전히 시추가 끝난 뒤 회수한 코어 샘플 분석에 의존했다. 지하에서 일어나는 일을 실시간으로 아는 것은 불가능했다.

이 한계를 돌파한 것이 1980년대 MWD(Measurement While Drilling)·LWD(Logging While Drilling)의 도입이었다.[16] 드릴 비트 주변에 센서를 장착해 시추 중 실시간으로 지층 정보를 지상으로 전송하는 이 기술은, 처음으로 '지하에서 일어나는 일'을 실시간으로 파악할 수 있게 해줬다. 이어 CNC 기반 기계적 자동화 장비가 위험한 파이프 연결 작업을 대신하게 됐다.[17]

그러나 여기에도 근본적인 한계가 있었다. 기계는 미리 프로그래밍된 명령을 실행할 뿐, 예측하지 못한 지층의 변화 — 갑작스러운 압력 상승, 단층 구간 진입 — 에 유연하게 판단하고 대응하는 '인지적 능력'은 결여되어 있었다.

오늘날의 AI 자율 시추 시스템은 바로 이 '인지적 공백'을 메우기 위해 설계됐다.

드릴 비트의 하중(WOB), 회전 토크, 이수 유동량 데이터를 초단위로 분석해 파라미터를 자율 조정하는 이 시스템은 Equinor의 브라질 페레그리노 유전에서 2,695.5m 구간의 99% 자율 시추를 달성하고, Halliburton의 LOGIX 플랫폼은 수평정의 87.4%를 인간의 개입 없이 뚫어냈다.

4.3 다운스트림: 대장간에서 분산 제어 시스템으로

다운스트림 정유 공정의 진화는 '제어의 공간적 집중'이 어떻게 확장됐는지의 역사다.

1862년 등유 대량 생산을 위한 상압 증류 공정이 시작됐을 때, 공정 관리는 전적으로 아날로그 계기판과 숙련 엔지니어의 경험적 직관에 의존했다.[18] 온도계와 압력 게이지를 눈으로 읽고, 기계식 밸브를 손으로 조작하며, 최적 조건을 경험으로 체득한 엔지니어가 각 공정 지점에 배치돼야 했다.

근본적 전환은 1975년에 찾아왔다.

요코가와(Yokogawa)가 세계 최초의 분산 제어 시스템(DCS)인 'CENTUM'을 출시하면서, 공장 전체의 공정 제어를 중앙 제어실 한 곳에서 통합 관리하는 시대가 열렸다.[19] 수천 개의 센서 데이터를 한 화면에서 모니터링하고 원격으로 밸브를 제어하는 것이 가능해지면서, 정유 공장의 운전 효율은 획기적으로 높아졌다.

그러나 DCS의 근본적 한계는 '규칙 기반 제어'라는 데 있다. 미리 설정된 조건과 임계값 범위 안에서는 탁월하게 작동하지만, 원유 성분 변화, 시장 가격 변동, 기후 조건에 따른 복잡한 공정 간 상호작용을 실시간으로 최적화하는 것은 불가능하다. 원자재 가격의 급변, 갈수록 엄격해지는 배출 규제, 설비의 한계 성능을 동시에 고려하며 수백 개 변수를 실시간으로 최적화하는 것 — 이 과제가 산업 특화형 인공지능이 등장한 배경이다.[20]

5. 업스트림 AI 현황: 지질학적 불확실성을 수학적 확률로

IBM의 조사에 따르면, AI를 선제적으로 도입한 석유·가스 기업들은 설비 가동 시간(Production Uptime)을 평균 27% 향상시키고 자산 활용 최적화 부문에서 26%의 개선을 달성하고 있다. 또한 업스트림 탐사 조직의 44%가 현재 AI 도구를 실무에 적극 활용하고 있으며, 3년 내 도입률은 두 배 이상 급증할 전망이다.[21]

5.1 지진파 해석: 수개월 작업을 수 시간으로

탐사 지진파 프로젝트 하나가 생성하는 데이터는 페타바이트(PB) 단위를 넘긴다. 선도적인 운영사들의 지진파 아카이브는 이미 1,500페타바이트를 초과했다.[A]

문제는 이 데이터를 해석하는 속도가 수집 속도를 따라가지 못한다는 데 있다. 전통적 워크플로에서 숙련된 지질학자는 3D 지진파 볼륨을 직접 슬라이스하며 지층 불연속성을 찾고, 단층선을 하나씩 추적해 저수층 모델을 구성하는 데 수 주에서 수 개월을 쏟아야 했다. AI가 개입하기 전까지, 이 속도의 한계는 곧 탐사 의사결정의 한계였다.

이 구조를 바꾼 것이 심층 학습 기반의 자동 해석 기술이다.

AIQ와 SLB가 공동 개발한 'ENERGYai'는 700억(70B) 파라미터 대형 언어 모델(LLM)과 에이전트형 AI를 결합해 아부다비 국영 석유회사 ADNOC의 지진·지질·저류층 모델링 워크플로 전반에 배포됐다. ADNOC 70년치 누적 데이터를 학습한 이 시스템은 업무별로 특화된 AI 에이전트가 각 작업을 병렬로 분담 처리하는 구조로 설계됐다. SLB 발표에 따르면, 테스트 환경(ADNOC 데이터의 15%, 두 개 유전 기준)에서 지진파 해석 속도는 10배, 정밀도는 70% 향상됐다.[22] 해석 사이클에 소요되는 총 시간은 평균 50~70% 단축됐으며, 이는 수개월의 작업이 수 시간 단위로 압축됐음을 의미한다.[23]

속도 단축은 비용 절감의 문제만이 아니다.

잘못된 지점을 시추했을 때 발생하는 '건정(Dry Well)' — 단 한 번의 실패에 수천만 달러가 사라지는 — 리스크를 원천적으로 낮추는 것이 더 근본적인 가치다. 탐사 AI의 핵심 경제성은 여기에 있다.

5.2 자율 시추: 99%의 구간을 AI가 뚫는다

시추 공정에 AI가 도입되는 방식은 탐사와는 결이 다르다.

탐사가 '데이터 해석의 속도 문제'라면, 시추는 '지하 실시간 의사결정의 정밀도 문제'다.

드릴 비트가 지하 수 킬로미터를 파고드는 동안, 시스템은 드릴 비트의 하중(Weight on Bit), 회전 토크(Torque), 이수(Mud) 유동량 데이터를 초단위로 분석해 파라미터를 자동 조정해야 한다.

인간 시추 엔지니어가 수십 개 변수를 동시에 최적화하는 데는 물리적 한계가 있다. 비생산적 시간(NPT)의 상당 부분이 이 한계에서 비롯된다.

SLB의 자율 시추 솔루션(DrillPlan + DrillOps + Neuro)을 적용한 Equinor의 브라질 페레그리노(Peregrino) 유전 사례는 이 한계가 어디까지 극복됐는지를 보여준다. SLB 공식 보도자료에 따르면, 약 2.6km(2,695.5m) 구간의 99%를 자율 제어 모드로 시추하는 데 성공했으며, 24시간 동안 1,100m를 시추한 기록도 세웠다.[24]

Eni는 동일한 솔루션 계열(DrillPlan + DrillOps + DrillPilot + Neuro)을 통해 시추 속도 1,224m/일을 기록하고 파이프 연결 전후 총 소요 시간(Weight-to-Weight Time)을 50% 이상 단축했다. 주목할 점은 트리핑(Tripping) 중 위험 구간 진입 횟수가 기존 3회에서 0회로 줄었다는 것이다.[25]

안전과 효율이 함께 향상된 결과다.

Halliburton의 'LOGIX' 자율 시추 플랫폼은 수평정 구간의 87.4%를 인간의 개입 없이 시추하는 성과를 냈다.[26] 이 시스템은 지층 평가 데이터와 지오스티어링(Geosteering)을 실시간 디지털 트윈과 머신러닝으로 연계해, 목표 지층 변경 사항을 초 단위로 자동 반영한다. 지층이 예상과 다른 방향으로 전개될 때, 인간 엔지니어가 판단하기 전에 시스템이 이미 대응을 시작하는 구조다.

자율 시추의 도입 논리는 비용 절감보다 리스크 회피에 가깝다.

업스트림 기업의 약 29%는 치명적 재난인 가스 분출(Blowout)을 방지하기 위해 지층 압력의 미세한 변화를 감지하는 작업에 에이전틱 AI를 파일럿 적용해 성과를 거두고 있다.[21]

시추 AI의 진짜 경제성은 재앙을 막는 데서 나온다.

5.3 생산 최적화: ESP 펌프 수명을 3배로

원유가 지표면으로 흘러올라오는 데는 자연 압력만으로 충분하지 않은 경우가 대부분이다.

저수층 압력이 낮거나 유정 깊이가 깊을수록, 전기 수중 펌프(Electric Submersible Pump, ESP)와 같은 인공채유(Artificial Lift) 장비가 원유를 물리적으로 끌어올려야 한다. ESP는 그 자체로 치명적 자산이다.

지하 수백 미터에 설치된 이 장비가 고장 나면 해당 유정의 생산은 즉시 멈추고, 교체 작업은 며칠에서 수 주가 소요된다.

에콰도르의 한 석유 운영사가 직면한 문제는 이 구조적 취약성의 전형이었다.

148개 ESP 유정에서 부식과 스케일로 인한 연간 고장률이 20~30%에 달했고, 현장 데이터 수집에서 실제 조치까지 2~3개월의 지연이 반복됐다. 이 지연 자체가 고장을 키우는 악순환이었다.

SLB는 엣지 AI 솔루션(Agora 계열)을 통해 이 구조를 바꿨다.

ESP 컨트롤러와 웰헤드 센서의 압력·온도 데이터를 실시간으로 통합하고, 물리 기반 가상 유량 측정 모델(Virtual Flow Meter, VFM)과 결합해 폐루프(Closed-Loop) 제어를 구현했다.

SLB 자료에 따르면, 화학 주입 목표 대비 실제 주입율 일치율이 60%에서 99%로 향상됐고 ESP 런라이프(가동 수명)는 3배 이상 늘었다.[27]

이 사례에서 VFM의 역할을 짚어두는 것이 중요하다.

실시간 유량 측정은 상업적 구현 자체가 어렵다. 물리적 유량계는 설치 비용이 높고 유지보수가 복잡하다. VFM은 물리 방정식과 센서 데이터를 결합해 실측 없이 유량을 추정함으로써 이 현실적 한계를 우회한다. 비용 문제 때문에 데이터를 수집하지 못했던 현장이, AI 덕분에 처음으로 전체 유정을 실시간으로 '볼 수' 있게 된 것이다. 생산 최적화 AI의 진입점은 종종 측정 인프라의 공백을 채우는 데서 시작된다.

5.4 저수층 관리와 이력 매칭: 수개월의 시뮬레이션을 자동화로

원유와 가스를 처음 발견하는 것보다 더 어려운 과제가 있다.

지하 저수층의 복잡한 상태를 지속적으로 추적하고, 수십 년의 생산 기간에 걸쳐 회수율을 극대화하는 것이다. 이 과정의 핵심이 이력 매칭(History Matching)이다.

저수층 시뮬레이터에 입력한 지질학적 파라미터를 반복 조정해 과거 실제 생산 데이터와 시뮬레이션 결과가 일치하도록 맞추는 이 작업은, 전통적으로 수십만 번의 시뮬레이션 반복과 수개월의 엔지니어링 인력을 소모한다.

[사례] Volve 유전 (북해 노르웨이) — LSTM 기반 이력 매칭

노르웨이 북해의 Volve 유전을 대상으로 한 연구에서 LSTM(장단기 메모리, Long Short-Term Memory) 기반의 인공 신경망에 수년간의 실제 생산 데이터를 학습시켜, 이력 매칭과 생산 예측의 자동화·가속화 가능성을 입증했다.[28]

LSTM은 시계열 패턴을 학습하는 데 특화된 신경망 구조로, 저수층의 압력 변화와 유체 거동처럼 시간의 흐름에 따라 변화하는 복잡한 물리 현상을 포착하는 데 적합하다.

학술 영역에서도 물리 정보 신경 연산자(Physics-Informed Neural Operator, PINO)와 혼합 전문가 모델을 결합한 연구에서 저수층 시뮬레이션 속도가 최대 6,000배 향상됐다는 보고가 있다.[29]

이는 아직 연구 단계의 결과이며 상용 전환에는 추가 검증이 필요하지만, AI 기반 저수층 시뮬레이션의 잠재력을 보여주는 사례다.

이러한 자동화는 단순한 속도 개선이 아니다. 저수층 엔지니어들이 수개월을 반복 계산에 소진하는 대신, 그 시간을 생산 전략 수립과 투자 의사결정에 집중할 수 있게 만드는 구조적 전환이다.

5.5 유정 폐기(P&A): 침묵하는 자산의 위험을 관리하다

석유 산업에서 좀처럼 주목받지 못하지만 점점 중요해지는 영역이 있다.

바로 수명을 다한 유정을 환경적으로 안전하게 폐쇄하는 유정 폐기(Well Abandonment, P&A: Plugging and Abandonment) 작업이다. 탄화수소가 고갈되거나 경제적 생산이 불가능해진 유정을 그대로 방치하면, 지하 가스가 지표면으로 누출되거나 대수층이 오염되는 심각한 환경 문제로 이어진다. 전 세계적으로 수십만 개에 달하는 폐기 예정 유정은 에너지 업계의 가장 큰 환경·비용 부담 중 하나로 부상하고 있다.

P&A 작업의 어려움은 예측 불가능성에 있다. 각 유정의 지층 조건, 케이싱 상태, 시멘팅 이력이 모두 다르기 때문에, 작업 전 비용을 정확히 추정하는 것이 극히 어렵다.

AI는 과거 수천 개의 P&A 사례 데이터를 학습해 공정별 잠재적 위험과 투입 비용을 사전에 예측하는 방향으로 적용되고 있다. 유정의 심도, 지층 압력, 케이싱 상태, 과거 작업 이력을 종합 분석해 어느 공정에서 추가 비용이 발생할 가능성이 높은지를 확률적으로 제시하는 것이다. P&A AI는 ESG 경영과 AI 기술이 만나는 가장 실용적인 접점 중 하나가 되고 있다.

5.6 LNG 업스트림 연계: 가스전에서 액화 터미널까지

LNG(액화천연가스)는 석유와 한 몸이다. 가격은 유가에 연동되어 움직이고, 생산 공정의 앞단은 석유 업스트림과 사실상 동일한 기술 체계를 공유한다. 호르무즈 봉쇄로 전 세계 LNG 공급의 약 20%가 차단되면서[2], LNG 업스트림에 대한 AI 적용의 중요성도 함께 부각됐다.

LNG 업스트림의 AI 적용은 두 단계로 구분된다.

첫 번째는 가스전 탐사 및 생산 최적화다.

이 단계는 앞서 살펴본 석유 업스트림의 지진파 해석, 저수층 모델링, 시추 자동화와 기술적으로 동일한 AI 도구를 사용한다. 다만 가스는 원유에 비해 저수층 압력 관리가 더욱 민감하며, 불순물(이산화탄소, 황화수소 등) 함량에 따른 처리 공정이 복잡하다는 특수성이 있다. AI는 가스 조성 변화를 실시간으로 모니터링하고 생산 파라미터를 자동 조정해 처리 효율을 극대화한다.

두 번째는 액화(Liquefaction) 공정과의 연결이다.

가스전에서 생산된 천연가스는 영하 162°C로 냉각·액화되어 부피가 600분의 1로 압축된 후 LNG 운반선에 실린다. 이 극저온 공정의 에너지 소비는 막대하며, 냉각 사이클 최적화가 운영 비용을 좌우한다.

AI는 가스전의 생산량 예측 데이터를 액화 플랜트의 냉각 스케줄과 연동해 에너지 낭비를 최소화하는 통합 최적화를 가능하게 한다. 이 업스트림-액화 연계 AI는 2부에서 다룰 미드스트림 LNG 수송 최적화와 하나의 디지털 사슬로 이어진다.

6. 패스트 팔로어 전략의 종언

지금까지 살펴본 업스트림 AI 적용 현황은 산업계에 중요한 전략적 함의를 던진다.

SLB의 분석에 따르면, 현재 석유·가스 산업은 두 갈래의 전략적 진영으로 나뉘고 있다.[30]

한쪽은 기존 워크플로를 조금 더 빠르게 자동화하는 데 AI를 국지적으로 활용하는 '점진주의자(Incrementalists)' 그룹이다. 다른 한쪽은 AI를 바탕으로 조직 전체의 운영 모델 자체를 근본적으로 재설계하려는 '혁명가(Revolutionaries)' 그룹이다.

AI 알고리즘은 데이터를 학습할수록 성능이 기하급수적으로 향상되는 속성을 지닌다. 이는 과거 제조업에서 통용되던 '패스트 팔로어(Fast Follower)' 전략, 즉 선도 기업을 지켜보다가 검증된 기술만 빠르게 도입하는 방식이 AI 시대에는 작동하지 않는다는 것을 의미한다.[30]

초기 데이터 축적에서 뒤처지는 기업은 따라잡기 점점 어려운 격차에 직면하게 된다.

업스트림에서 이미 자율 시추와 폐루프 생산 최적화를 실현하고 있는 선도 기업들과, 아직 규칙 기반 알람 수준에 머물러 있는 기업들 사이의 격차는 지금 이 순간에도 벌어지고 있다.

2부에서는 지하에서 퍼 올린 원유와 가스가 수만 킬로미터의 파이프라인과 해상 항로를 거쳐 정유 공장에 닿기까지의 여정, 즉 미드스트림 전 공정에 AI가 어떻게 적용되고 있는지를 살펴본다.

용어 해설

\

참고 문헌

[A] "AI in Oil and Gas Market Analysis," Mordor Intelligence, January 2026. https://www.mordorintelligence.com/industry-reports/ai-market-in-oil-and-gas

[B] "AI in Oil and Gas Industry Research Report 2026-2035," ResearchAndMarkets / GlobeNewswire, March 10, 2026. https://www.globenewswire.com/news-release/2026/03/10/3252502/0/en/AI-in-Oil-and-Gas-Industry-Research-Report-2026-2035-Market-to-Surpass-7-5-Billion-by-2030-with-IBM-Microsoft-Google-Intel-Schlumberger-Halliburton-Baker-Hughes-Leading.html

[C] "AI in Oil and Gas Market Size Worth USD 25.24 Bn by 2034," Precedence Research / GlobeNewswire, August 4, 2025. https://www.globenewswire.com/news-release/2025/08/04/3126699/0/en/AI-in-Oil-and-Gas-Market-Size-Worth-USD-25-24-Bn-by-2034-Driven-by-Predictive-Maintenance-and-Operational-Automation.html

[1] "2026 Strait of Hormuz crisis," Wikipedia, March 2026. https://en.wikipedia.org/wiki/2026_Strait_of_Hormuz_crisis

[2] "Why the oil and gas price shock from the Iran war won't just fade away," Al Jazeera, March 23, 2026. https://www.aljazeera.com/opinions/2026/3/23/why-the-oil-and-gas-price-shock-from-the-iran-war-wont-just-fade-away

[3] "Oil prices jumping after Iran reportedly says it closed the Strait of Hormuz," CNBC, March 1, 2026. https://www.cnbc.com/2026/03/01/crude-oil-futures-iran.html

[4] "AI, energy and geopolitics: Leadership's triple transition challenge," World Economic Forum, March 2026. https://www.weforum.org/stories/2026/03/ai-energy-and-geopolitics-leadership/

[5] "IDC Point of View: First Look at the War in the Middle East and Its Impact on IT Spending," IDC, 2026. https://www.idc.com/resource-center/blog/idc-point-of-view-first-look-at-the-war-in-the-middle-east-and-its-impact-on-it-spending-in-the-region-and-globally/

[6] Mona Yacoubian and Samuel Zabin, "If Compute is the New Oil, War in the Gulf Significantly Raises the Stakes," CSIS, February 27, 2026. https://www.csis.org/analysis/if-compute-new-oil-war-gulf-significantly-raises-stakes

[7] "CERAWeek 2026: Energy Supply Challenges in a Global Crisis," S&P Global. https://www.spglobal.com/commodityinsights/en/ci/research-analysis/ceraweek-2026.html

[8] "Difference Between Upstream, Midstream and Downstream," Vidya Technology. https://vidyatec.com/blog/difference-between-upstream-midstream-and-downstream/

[9] APQC, "Process Classification Framework (PCF) – Upstream Petroleum." https://www.apqc.org/resource-library/resource-listing/apqc-process-classification-framework-pcf-upstream-petroleum-pdf

[10] "The Evolution of Oil & Gas Industry," Cisco Blogs. https://blogs.cisco.com/industries/the-evolution-of-oil-gas-industry

[11] "History of Drilling," Black Diamond Drilling Tools Canada. https://www.bddrill.ca/drilling-school/history-of-drilling/

[12] Bacon, M., "The Development of 3D Seismic," Geological Society of London Memoirs, 2004. https://www.lyellcollection.org/doi/pdf/10.1144/GSL.MEM.2004.029.01.01

[13] "The Digital Oilfield – Then and Now," Well Data Labs Blog. https://www.welldatalabs.com/2019/04/digital-oilfield-then-and-now/

[14] Mitchell, J., "4D Seismic History Matching," SPE Aberdeen, 2018. https://www.spe-aberdeen.org/wp-content/uploads/2019/07/SPE-DL-2018-4D-Seismic-History-Matching-Mitchell-for-website.pdf

[15] "8.4.1: Cable Tool Rigs," PNG 301: Introduction to Petroleum and Natural Gas Engineering, Penn State. https://www.e-education.psu.edu/png301/node/903

[16] "Logging While Drilling," ScienceDirect Topics. https://www.sciencedirect.com/topics/engineering/logging-while-drilling

[17] "From Automation to AI: The Future of Oil-Rig Technology in Upstream Energy," GetGlobal Group. https://getglobalgroup.com/from-automation-to-ai-how-the-latest-oil-rig-technologies-are-transforming-upstream-energy/

[18] "A Brief History of Oil Refining," FUPRESS. https://riviste.fupress.net/index.php/subs/article/download/1191/959/9897

[19] "CENTUM History," Yokogawa Technical Reports. https://www.yokogawa.com/library/resources/yokogawa-technical-reports/centum-history/

[20] "Pathway to Autonomous Operations in Refining and Petrochemical," Yokogawa. https://web-material3.yokogawa.com/2/36921/files/yokogawa%20Pathway%20to%20autonomous%20operations%20in%20refining%20and%20petrochemical.pdf

[21] "Oil and Gas in the AI Era," IBM Institute for Business Value. https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/oil-and-gas-in-ai-era

[22] "SLB and AIQ Unveil ENERGYai – Agentic AI Platform for Energy," SLB Newsroom, 2025. https://www.slb.com/newsroom/press-release/2025/aiq-slb-energyai-pr

[23] "AI in Oil and Gas: Applications Across the Value Chain," SLB Insights. https://www.slb.com/insights/ai-in-oil-and-gas

[24] "Unlocking Potential: Equinor's Journey to Autonomous Well Delivery in the Peregrino Field," SLB Case Study. https://www.slb.com/resource-library/case-study-with-navigation/di/unlocking-potential-equinors-journey-to-autonomous-well-delivery-in-the-peregrino-field

[25] "Eni: Using Digital, AI, and Automation to Drill Beyond Limits," SLB Case Study. https://www.slb.com/resource-library/case-study-with-navigation/di/eni-using-digital-ai-and-automation-to-drill-beyond-limits

[26] "First Horizontal Well via Fully Automated AI-Driven Drilling Technology," Halliburton. https://www.halliburton.com/en/resources/first-horizontal-well-via-fully-automated-ai-driven-drilling-technology

[27] "Delfi Production Chemicals – Ecuador Case Study," SLB. https://www.slb.com/resource-library/case-study-with-navigation/production-chemicals/delfi-production-chemicals-ecuador-cs

[28] Reservoir Simulation of the Volve Oil Field using AI-based Top-Down Modeling Approach, West Virginia University Research Repository. https://researchrepository.wvu.edu/context/etd/article/12519/viewcontent/Dissertation_VF.pdf

[29] arXiv:2406.00889, Physics-Informed Neural Operator for Reservoir Simulation. https://arxiv.org/abs/2406.00889

[30] "How AI is Breaking the 'Fast Follower' Playbook of Oil & Gas," SLB Insights. https://www.slb.com/insights/how-ai-is-breaking-the-fast-follower-playbook-of-oil-and-gas