エネルギー大手Woodside、50個のAIエージェントを本番運用——LNGプラント保守時間を5年で15%削減

WoodsideがLNGプラント運用に50個のAIエージェントを本番環境で稼働させ、起動支援・予測保守などの業務を自動化している
パイロット対象資産において5年間で保守時間を最大15%削減できる見込みを報告し、産業AIの定量的目標として注目される
「Think big, prototype small, scale fast」の段階的拡張戦略と15年以上のデータ基盤整備が成功を支えている

50個のAIエージェントが稼働する現場

西オーストラリアを本拠とするエネルギー企業Woodside Energyは、液化天然ガス（LNG）プラントの運用に50個のAIエージェントを本番環境で稼働させています。重工業インフラに直接組み込まれたAIエージェントの大規模な本番運用は産業分野ではまだ事例が少なく、Woodsideは業界の先行事例のひとつとなっています。

代表的なシステムが「Startup Advisor（起動支援システム）」です。LNGプラントの起動作業は数百のパラメーターを同時に監視しながら手順を進める高度に複雑な工程であり、ベテランオペレーターでも相当な認知負荷がかかります。Startup Advisorは過去の起動データを即座に再生し、現在の進捗状況を可視化しながら最適化のための洞察をオペレーターにリアルタイムで提供するコパイロット型のシステムです。

このシステムはオペレーターの判断を代替するのではなく、適切なタイミングで適切な情報を届ける設計になっています。経験の浅いオペレーターが熟練者のナレッジを参照できるようにすることで、技能継承の課題にも対応しようとしています。

予測保守で目指す15%削減

もう一つの主要システム「Maintenance Intelligence（保守インテリジェンス）」は、機器の履歴データと稼働状況を相関分析することで、最適な保守タイミングを推奨します。Woodsideは、パイロット対象の資産において5年間で保守時間を最大15%削減できる見込みを報告しています。

これは自動化による単純な効率化ではなく、大量の時系列センサーデータから故障の前兆を早期に検出し、計画外停止を未然に防ぐ予測保守の実践です。LNGプラントのような大型設備では計画外停止が多大なコストと安全リスクを伴うため、保守サイクルの最適化は経営上の優先課題のひとつとなっています。

大規模展開を実現した方法

AIの産業導入ではPoC（概念実証）止まりになるケースが多い中、Woodsideはどのようにして50個ものエージェントを実運用まで展開したのでしょうか。同社のAI担当副社長Andrew Melouney氏は「Think big, prototype small, scale fast（大きく考え、小さく試し、素早く拡張する）」というスケーリング戦略を採用していると説明しています。

まず大規模な目標を明確にしたうえで、限定された環境でプロトタイプを検証し、効果が確認されてから本番環境への展開を進める方法論です。性急な全社展開を避けつつ、勢いを失わずにスケールするバランスを保つことが重要だとしています。

ガバナンス面でも体制を整えており、AIの意思決定プロセスを継続的に監視する「AIカウンシル」の設置やライフサイクル管理の仕組みを整備しています。拡張の速度を支えるのはアルゴリズムの性能だけでなく、組織的な管理体制でもあります。

15年以上のデータ基盤が前提条件

Woodsideの今日の成果を支えているのは、2015年から積み上げてきた分析・最適化技術への継続投資です。企業規模のデータプラットフォームを構築し、プラントのセンサーデータや保守記録を統治する体制を長年にわたり整備してきました。AIエージェントが高精度な推奨を行うには信頼性の高いデータが不可欠であり、この基盤整備こそが現在の成果を可能にした条件です。

同様の取り組みは製造業でも広がっています。川崎重工・ファナック・安川電機がGENIACで連携して触覚統合型のロボット学習データを共同構築しているように、産業AIの実用化には質の高いデータ資産の整備が共通の前提条件となっています。