Технологии искусственного интеллекта и интернета вещей широко применяются в нефтегазовой отрасли для анализа потоковых данных SCADA и телеметрии, мониторинга состояния оборудования и поддержки управленческих решений. Появление больших языковых моделей расширяет возможности таких систем за счет обработки текстовых отчетов, интеграции знаний технической документации и интеллектуального взаимодействия с операторами. Однако высокие вычислительные затраты и требования к памяти препятствуют их внедрению в системах управления нефтегазовыми объектами, работающими в реальном времени с ограниченными ресурсами. В статье рассматривается посттренировочное квантование как ключевой метод адаптации больших языковых моделей к ресурсно ограниченной инфраструктуре нефтегазовых объектов. Показано, что перевод весов и активаций моделей в низкоразрядные представления позволяет существенно сократить объем памяти и ускорить инференс при минимальной потере точности.