OpenAI Frontier: ADNOC가 유전 개발 계획과 원유 한 배럴의 가치 판단을 에이전트로 잇는다
ADNOC가 에너지 기업으로는 처음 OpenAI Frontier를 도입합니다. 첫 활용처는 유정·저장층·지상 설비 데이터를 묶은 필드 마스터플랜과, 생산부터 트레이딩까지 잇는 에이전트의 원유 수급·가격·마진 예측입니다. 따라 할 때 필요한 데이터 구성, 승인 등급, 12주 시범안을 붙였습니다.
ADNOC는 저장층, 설비, 운영마다 따로 쌓아 온 AI를 OpenAI Frontier로 연결해 운영, 자본, 상업 결정을 함께 내리려 합니다. 첫 대상은 유전 전체의 개발 계획과 원유 한 배럴의 가치 판단입니다. 따라 하려면 부서별 데이터와 모델을 먼저 갖추고 어떤 결정을 사람이 승인할지 등급부터 정해야 합니다.
요약
아부다비 국영석유회사 ADNOC는 2026년 11월 2일 아부다비 에너지 전시회 ADIPEC에서 OpenAI, G42와 다년 협력 계약을 맺었습니다. 아부다비 왕세자 Sheikh Khaled bin Mohamed bin Zayed Al Nahyan이 서명식에 참석했습니다. ADNOC는 에너지 기업으로는 처음 OpenAI Frontier(기업 업무 곳곳에 AI 에이전트를 만들고 서로 연결해 관리하는 플랫폼)를 씁니다. 첫 활용처는 둘입니다. 하나는 지하 저장층, 지상 설비, 경제성 연구를 한 결정으로 묶는 필드 마스터플랜이고, 다른 하나는 생산부터 트레이딩까지 이어진 에이전트가 원유 수급과 가격, 마진을 예측하는 일입니다. 계약 금액과 구체 일정은 공개되지 않았습니다.
회사 설명에 따르면 ADNOC의 기존 AI는 ENERGYai처럼 저장층, 자산, 운영을 깊이 이해하는 데 맞춰져 있습니다. Frontier는 그 지능을 회사 전체로 잇는 역할을 맡습니다. Sultan Al Jaber 최고경영자는 이번 계약을 “industrial AI at scale”이라고 불렀습니다. ADNOC는 필드 계획을 몇 달이 아니라 몇 시간 만에 세우기를 기대합니다. 이는 측정 결과가 아니라 회사가 내건 기대치입니다. 시스템은 G42의 UAE 소버린 인프라(데이터와 연산을 나라 안에 두는 인프라)에서 돌아갑니다. 중대한 결정은 사람 전문가가 감독합니다. 아래에서는 다섯 가지 작동 방식을 풀고 같은 구조를 다른 기업이 시범으로 옮길 때 필요한 데이터, 승인 규칙, 일정을 덧붙였습니다.
핵심 메커니즘
OpenAI Frontier: 부서별 에이전트를 한 판에 연결하는 플랫폼
Frontier는 에이전트를 만들고 관리하는 OpenAI의 기업용 플랫폼입니다. Oil & Gas Middle East는 The National을 인용해 OpenAI가 이 플랫폼을 2월 5일 내놓았다고 전했습니다. ADNOC가 맡긴 역할은 연결입니다. 저장층 분석, 설비 운영, 판매처럼 따로 돌던 지능이 같은 판 위에서 서로의 결과를 받아 씁니다. 그래서 한 부서의 결정이 다른 부서에 주는 영향을 결정 전에 볼 수 있습니다. 부서마다 쓸 만한 모델과 데이터가 이미 있을 때 효과가 큽니다. 각 부서의 AI가 아직 없다면 연결할 대상이 없으므로 순서가 맞지 않습니다. 작은 예로(가상 예시) 정유 공장 정비 일정이 하루 당겨지면 연결된 에이전트가 그 주의 판매 가능 물량과 운송 계획을 함께 다시 계산합니다.
Integrated Field Master Plan: 지하, 설비, 경제성을 한 번에 푸는 유전 계획
유전 개발 계획은 보통 여러 연구로 나뉩니다. 저장층 팀은 지하에서 얼마나 뽑을 수 있는지를, 설비 팀은 지상에서 얼마나 처리할 수 있는지를, 경제성 팀은 비용과 수익을 따로 봅니다. ADNOC는 이 세 연구를 한 결정으로 묶어 필드의 부분이 아니라 전체를 최적화하려 합니다. 입력은 유정 수천 개, 여러 층으로 겹친 저장층, 지상 설비 수백 개의 데이터에 비용과 상업 요인을 더한 값입니다. Oil & Gas Middle East에 따르면 OpenAI의 추론 모델이 ADNOC의 지하 분석 시스템 ENERGYai 위에서 일합니다. 회사가 기대하는 효과는 계획 기간을 몇 달에서 몇 시간으로 줄이는 일입니다. 이 방식은 저장층과 설비가 서로 제약을 주고받는 큰 필드에 맞습니다. 유정 몇 개짜리 작은 필드에서는 기존 방식과 차이가 작습니다.
Value Every Barrel: 생산부터 트레이딩까지 잇는 배럴 가치 판단
두 번째 활용처는 원유가 땅속에 있을 때부터 그 배럴의 가치를 매기는 일입니다. 생산, 처리, 정제, 물류, 판매, 트레이딩 여섯 단계를 서로 연결된 에이전트가 잇습니다. 에이전트들은 원유 공급과 수요, 가격, 마진을 예측하고 어떤 결정이 상업적으로 어떤 영향을 줄지 결정 전에 평가합니다. 단계마다 최선이 전체의 최선과 다를 때 쓸모가 큽니다. 예를 들어(가상 예시) 생산 쪽에서는 증산이 낫지만 정제 마진과 운송 여력을 보면 감산이 나은 주가 있습니다. 가격 예측 하나만 필요하다면 이렇게 여러 에이전트를 엮을 필요는 없습니다.
Sovereign Deployment와 사람 감독: 나라 안 인프라에서, 중대 결정은 사람이
ADNOC는 맞춤형 의사결정 지능을 OpenAI와 함께 개발해 G42의 UAE 소버린 인프라에 올립니다. 국영 에너지 회사의 유정, 저장층, 판매 데이터는 국가 자산에 가깝기 때문에 데이터와 연산을 나라 밖으로 내보내지 않는 구성을 골랐습니다. 중대한 결정은 사람 전문가가 계속 감독합니다. Energy Connects가 실은 회사 발표에는 OpenAI의 Daybreak Blue(사이버 방어 지원 프로그램)가 ADNOC의 보안을 돕는다는 내용도 있습니다. 무엇이 중대한 결정인지, 감독을 어떤 절차로 하는지는 공개되지 않았습니다. 규제 산업이나 국영 기업처럼 데이터 위치가 계약 조건이 되는 곳에서는 이 구성이 출발점이 됩니다.
Workforce Foundation: 직원 사용 기반 위에 올린 연결
ADNOC는 이미 ChatGPT Enterprise를 직원 4만 명 넘게 배포했고 사용률이 97%를 넘는다고 밝혔습니다. 회사는 이를 중동·북아프리카에서 가장 큰 기업용 ChatGPT 배포라고 설명합니다. AI 애플리케이션 200개 이상과 로보틱스 활용 사례 70개가 운영 중이거나 개발 중입니다. 2019년에는 G42와 석유·가스 AI 합작사 AIQ를 세웠습니다. 이번 계약에서도 ADNOC와 OpenAI는 해결책을 함께 개발하고 직원을 교육합니다. 순서로 보면 직원이 AI를 쓰는 습관과 부서별 AI가 먼저 있었고 그 위에 연결을 얹었습니다.
통념과 다른 주장
흔히 이렇게 봅니다석유·가스 회사의 AI는 설비별 예지 정비나 현장 검사처럼 한 공정의 효율을 올리는 도구입니다.
ADNOC는 이렇게 봅니다부서별 지능은 이미 깊으니, 다음 단계는 그것을 연결해 운영, 자본, 상업 결정을 함께 내리는 것입니다.
근거첫 두 활용처가 모두 연결형입니다. 필드 계획은 지하·설비·경제성을 한 번에, 배럴 가치는 생산부터 트레이딩까지 여섯 단계를 한 번에 봅니다.
회사가 밝힌 사례
| 사례 | 상황 | 한 일 | 결과·목표 | 연결 |
|---|---|---|---|---|
| 필드 마스터플랜 | 지하·설비·경제성 연구가 따로 진행 | 유정 수천 개, 다층 저장층, 설비 수백 개 데이터를 한 계획으로 통합 | 몇 달 걸리던 계획을 몇 시간에(기대치, 측정값 아님) | Integrated Field Master Plan |
| 배럴 가치 판단 | 생산부터 트레이딩까지 단계별 판단 | 여섯 단계를 연결된 에이전트로 이음 | 공급·수요·가격·마진 예측, 결정 전 영향 평가 | Value Every Barrel |
| 직원 AI 기반 | 부서별 AI 200개 이상, 로보틱스 70개 | ChatGPT Enterprise 4만 명 넘게 배포 | 사용률 97% 이상 | Workforce Foundation |
| 운영 조건 | 국가 데이터 보호 | G42 소버린 인프라, 사람 감독, Daybreak Blue | 감독 절차 세부는 원문에서 밝히지 않음 | Sovereign Deployment |
기술 디테일: 같은 구조를 직접 만든다면
아래 모델 구성, 필드, 설정값은 실행 제안이며 ADNOC나 OpenAI가 밝힌 구현이 아닙니다.
필드 마스터플랜을 돌리려면 계산은 기존 시뮬레이터에 맡기고 LLM 에이전트는 시나리오를 만들고 비교하는 역할만 맡깁니다. 저장층 시뮬레이터, 설비 용량 모델, 경제성 모델을 각각 도구(function call)로 등록합니다. 에이전트는 “유정 12개 추가, 처리 설비 1기 증설” 같은 시나리오를 구조화 출력으로 만들고 세 도구를 차례로 호출합니다. 결과는 생산량, 설비 가동률, NPV로 모아 순위를 매깁니다. 숫자는 도구가 낸 값만 쓰게 하고 에이전트가 숫자를 직접 추정하면 그 시나리오를 버립니다. 같은 입력으로 3회 돌려 상위 3개 순위가 바뀌면 사람 검토로 넘깁니다.
시나리오 한 건은 아래처럼 남기면 나중에 어떤 근거로 골랐는지 되짚을 수 있습니다(가상 예시).
{
"scenario_id": "FIELD-A-2027-S07",
"changes": [{"type": "new_wells", "count": 12, "reservoir_layer": "L3"},
{"type": "facility_expansion", "unit": "GOSP-2", "capacity_kbd": 40}],
"tool_runs": [{"tool": "reservoir_sim", "run_id": "RS-88121", "version": "2026.3"},
{"tool": "facility_model", "run_id": "FM-1203"},
{"tool": "economics", "run_id": "EC-5531", "price_deck": "base-2026Q4"}],
"outputs": {"plateau_kbd": 310, "plateau_years": 9, "npv_usd_m": 2140},
"rank_stability": "3/3 runs same top-3",
"approval_tier": 3,
"status": "pending_committee"
}배럴 가치 에이전트를 돌리려면 에이전트끼리 같은 상태 객체를 주고받게 합니다. 여기서는 barrel_context라고 부릅니다. 공급 예측 에이전트는 생산 계획과 정비 일정을, 수요·가격 에이전트는 시장 데이터를, 마진 에이전트는 정제·물류 비용을 이 객체에 씁니다. 예측 숫자는 기존 통계·ML 예측 모델이 내고 LLM은 결과를 맞춰 보고 설명을 붙입니다. 영향 평가 에이전트는 결정 후보마다 전체 마진 변화를 계산 도구로 구하고 결정 메모를 씁니다. 예측은 지난 24개월 자료로 백테스트합니다. 오차가 기존 방식보다 크면 그 에이전트 결과를 쓰지 않습니다. temperature는 0으로 두고 매 실행의 입력 데이터 시각을 기록합니다.
사람 감독을 돌리려면 결정을 등급으로 나눕니다. 1등급은 정보 제공으로 자동 실행하고 로그만 남깁니다. 2등급은 물량·일정의 소폭 조정으로 담당자 1명이 4시간 안에 승인합니다. 3등급은 자본 배분과 장기 계약으로 위원회가 근거 메모와 도구 실행 기록을 보고 승인합니다. 등급 기준 금액과 물량은 회사가 정합니다. 승인자가 에이전트 안을 뒤집으면 이유를 한 줄 남기게 하고 이 기록을 월 1회 에이전트 프롬프트와 규칙 수정에 씁니다.
소버린 배포를 하려면 모델 호스팅 위치, 학습·로그 데이터 보관 위치, 외부로 나가는 호출 목록을 계약서와 아키텍처 문서에 같은 표로 적습니다. 에이전트가 쓰는 도구 호출 로그는 사내 저장소에 두고 보관 기간을 정합니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 시뮬레이터 실행이 느림 | 시나리오 하나에 몇 시간 | 대리 모델(surrogate)로 1차 거른 뒤 상위 시나리오만 정식 실행 |
| 부서별 데이터 정의가 다름 | 같은 “생산량”이 단위·기준이 다름 | barrel_context 필드 사전을 먼저 정하고 부서 데이터를 맞춤 |
| 에이전트가 숫자를 지어냄 | 도구 실행 기록 없는 값 등장 | 도구 결과 없는 숫자는 출력 검증에서 거부 |
| 예측끼리 충돌 | 공급·수요 에이전트 결론이 반대 | 충돌 시 2등급 이상으로 올려 사람 판단 |
| 승인 대기 적체 | 3등급 안건이 쌓임 | 위원회 주 1회 정례화, 기한 넘긴 안건 보고 |
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| 경영진 스폰서(CEO·COO) | 시범 범위 승인, 3등급 결정 기준 확정 |
| 저장층·설비 엔지니어 | 시뮬레이터 도구화, 시나리오 결과 검토 |
| 공급망·트레이딩 담당 | 공급·수요·가격 데이터 제공, 결정 메모 검토 |
| 데이터·AI 엔지니어 | 도구 등록, barrel_context 설계, 백테스트 |
| 보안·법무 | 데이터 위치, 외부 호출 목록, 로그 보관 기간 |
| 교육 담당 | 현업 사용자 교육, 사용률 집계 |
시작 전 준비물은 네 가지입니다. 시범 필드 하나의 저장층 모델과 설비 용량 자료, 최근 24개월 생산·판매·가격 자료, 지금 계획이 몇 주 걸리는지 잰 기준선, 결정 등급 초안입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~3주 | 기준선 측정, 데이터 목록과 필드 사전 정리 | 현재 계획 소요 기간, 데이터 사전 |
| 4~7주 | 섀도 모드: 에이전트가 시나리오를 만들되 실제 결정에는 쓰지 않고 엔지니어 안과 비교 | 시나리오 일치율, 오류 유형 목록 |
| 8~10주 | 시범 필드 하나에서 2등급 결정까지 실제로 사용 | 결정 메모, 승인·번복 기록 |
| 11~12주 | 효과 판정과 확대안 | 판정 보고서, 다음 필드 목록 |
엔지니어와 담당자에게 물을 질문입니다. 지금 필드 계획은 몇 개 팀이 몇 번 자료를 주고받아 끝나나? 그중 가장 오래 기다리는 구간은 어디인가? 에이전트 시나리오 가운데 엔지니어가 처음부터 버릴 안은 몇 개인가? 3등급 결정에 필요한 근거 자료는 무엇인가?
진행 판정 기준(예시)은 다음과 같습니다. 시나리오 비교 기간이 기준선의 절반 이하로 줄고 엔지니어가 받아들인 상위 시나리오 비율이 70% 이상이며 도구 기록 없는 숫자가 0건이면 다음 필드로 넓힙니다. 하나라도 못 미치면 섀도 모드를 4주 더 돌립니다.
어디에 먼저 쓸지 정리하면 이렇습니다. 석유·화학, 철강, 발전처럼 설비 계획과 상업 판단이 따로 도는 회사가 가장 가깝습니다. 순서는 ADNOC와 같게 가는 편이 안전합니다. 직원 AI 사용 기반, 부서별 AI와 데이터, 그다음이 연결입니다. 첫 연결은 회사 전체가 아니라 한 사슬로 시작합니다. 예를 들어 “정비 일정 → 판매 가능 물량 → 운송” 같은 세 단계입니다. 국영·규제 기업이라면 데이터 위치와 승인 등급을 벤더 계약 전에 정해 두어야 협상에서 밀리지 않습니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 기사 | Malay Mail(AFP), 2026.11.2 게재. 같은 발표를 Energy Connects, Oil & Gas Middle East가 보도 |
| 행사 | ADIPEC, 아부다비, 2026.11.2. Sheikh Khaled bin Mohamed bin Zayed Al Nahyan 왕세자 참석 |
| 당사자 | ADNOC, OpenAI, G42. 다년 계약, 금액·일정 미공개 |
| 발언 | Sultan Al Jaber(ADNOC 최고경영자), Sam Altman(OpenAI 최고경영자), Mansoor Al Mansoori(G42 International 최고경영자) |
| 플랫폼 | OpenAI Frontier, 에너지 기업 첫 도입. 출시 2월 5일(The National 인용 보도) |
| 활용처 1 | 필드 마스터플랜: 유정 수천 개, 다층 저장층, 지상 설비 수백 개, 비용·상업 요인. ENERGYai 위 추론 모델. 몇 달 → 몇 시간 기대 |
| 활용처 2 | 배럴 가치: 생산·처리·정제·물류·판매·트레이딩 연결, 공급·수요·가격·마진 예측, 결정 전 영향 평가 |
| 운영 조건 | G42 UAE 소버린 인프라, 맞춤형 의사결정 지능 공동 개발, 중대 결정 사람 감독, Daybreak Blue 보안 지원 |
| 기반 | ChatGPT Enterprise 4만 명+ 배포·사용률 97%+, AI 애플리케이션 200개+, 로보틱스 70개, AIQ(2019년 G42와 합작) |
핵심 개념
- ADIPEC
- 아부다비에서 열린 에너지 전시회. 이번 계약이 이 자리에서 서명됐습니다.
- ENERGYai
- ADNOC의 기존 AI 시스템. 저장층과 지하 분석을 맡고 이번 계약에서 추론 모델이 그 위에서 일합니다.
- stacked reservoirs
- 한 필드 아래 여러 층으로 겹친 저장층. ADNOC는 필드 계획의 입력으로 이 다층 구조를 들었습니다.
- surface facilities
- 원유를 지상에서 모으고 분리·처리하는 설비. 지하에서 뽑을 수 있어도 이 설비 용량이 생산 한도가 됩니다.
- sovereign AI infrastructure
- 데이터 저장과 모델 연산을 한 나라 안에 두는 인프라. 여기서는 G42가 UAE에서 운영합니다.
- AIQ
- ADNOC와 G42가 2019년 세운 석유·가스 AI 합작사입니다.
- Daybreak Blue
- 회사 발표에서 ADNOC의 사이버 방어를 돕는다고 소개된 OpenAI 프로그램입니다.
내 메모
TODO: 내 생각 추가
원문은 Malay Mail에 실린 AFP 기사(2026.11.2 게재)입니다. Malay Mail 페이지는 이번 작업에서 열리지 않아 같은 ADNOC 발표를 다룬 Energy Connects(「ADNOC signs landmark partnership agreement with OpenAI and G42…」, 2026.11.2)와 Oil & Gas Middle East 보도로 사실을 확인했습니다. 요약, 핵심 메커니즘의 회사 설명, 통념과 다른 주장, 사례, 원문 사례 표는 회사 발표와 보도 내용을 AX Review가 다시 정리했습니다. 기술·현업 실행 디테일, JSON 예시, 승인 등급, 막히는 경우 표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 기사 전문은 원문 페이지에서 볼 수 있습니다.