Energisektoren er ikke ét miljø. Der er siden med fysisk infrastruktur — netdrift, produktion, vedligeholdelse af installationer der holder i årtier — og der er siden af markedet: handel, kundekontakt, databehandling omkring forbrug og levering. Disse to sider har en anden relation til AI. Infrastruktursiden er bundet af sikkerhedsnormer, regulering og udstyr der ikke hurtigt udskiftes. Markedssiden bevæger sig hurtigere, arbejder med digitale processer der allerede har eksisteret længere, og har færre fysiske begrænsninger.
Denne todeling er kernen i, hvor sektoren står. Ikke som et efterslæb, men som et forhold mellem to dele af samme organisation, der udvikler sig i forskelligt tempo. Et energiselskab der måler sin AI-modenhed, måler derfor egentlig to organisationer på samme tid — og det er præcis dér, mange initiativer strander: antagelsen at det, der virker på markedssiden, uden videre kan overføres til siden af den fysiske infrastruktur.
I en sektor med mange legacy-systemer, adskilte datastrømme mellem netdrift og levering, og strikse compliance-krav, bestemmer de fundamentale dimensioner — organisation, IT-infrastruktur, datamanagement — en større del af det, der er muligt, end i sektorer med mindre regulering. En AI-anvendelse der skal understøtte prædiktiv vedligeholdelse, afhænger af sensordata der registreres konsistent, af systemer der taler med hinanden, og af en organisation der ved, hvem der er ansvarlig for udfaldet. Mangler et af disse lag, forbliver anvendelsen et pilotprojekt, hvor godt modellen end fungerer.
Årsagen til, at de fundamentale dimensioner går forud for de afhængige, er uddybet her: det er ikke et spørgsmål om først at gøre det nemme, men om den rækkefølge, hvori dimensionerne overhovedet muliggør hinanden. I energisektoren er det mere synligt end andre steder, fordi afstanden mellem fundament og anvendelse er større end i sektorer med mindre reguleret infrastruktur.
Ved en spredning mellem scorer fra flere respondenter i et energiselskab falder ofte et specifikt mønster i øjnene: personer på markedssiden scorer organisationen højere på datamanagement og IT-infrastruktur end personer der arbejder med netdrift eller produktion. Begge grupper har ret om deres eget miljø — problemet er, at organisationen som helhed bedømmes på grundlag af kun en af de to.
Denne spredning er mere værdifuld end et gennemsnit. Et gennemsnit tilslører, hvilken halvdel af organisationen der trækker gennemsnittet ned. Plot-runden synliggør, hvor samtalen om modenhed egentlig er to samtaler, og det er præcis den information, der er nødvendig for at afgøre, hvor man skal begynde.
Energisektoren deler meget af denne dynamik med andre sektorer der læner sig tungt på fysiske aktiver og regulering. I sammenligningen med hvordan byggeriet forholder sig til AI-modenhed fremgår det, at begge sektorer har at gøre med projekter der strækker sig over flere år, og med data der er fragmenteret over flere parter. Installationsbranchen har en lignende spænding mellem fysisk arbejde i felten og digitale processer på kontoret — en spænding der i energisektoren opstår mellem netdrift og markedssiden.
Det, der adskiller energisektoren, er omfanget af reguleringen. Hvor fast ejendom-sektoren primært har at gøre med ejerforhold og vurderingsregler, opererer energi inden for en ramme af sikkerhedsnormer og forsyningspligter der giver ringe plads til eksperimenter uden godkendelse. Det gør organisationsdimensionen — hvem må tage hvilken beslutning, og på grundlag af hvilke data — tungere end i sektorer, hvor denne godkendelse har færre led.
Et energiselskab der måler sin modenhed, gør vel i at undersøge, om de beslutninger AI skal understøtte, er skarpt nok defineret. Hvad der hører til i en sådan oversigt — hvem beslutter, på grundlag af hvilken information, og med hvilket mandat — er beskrevet i hvad der hører til i en beslutningsoversigt. For en sektor hvor beslutninger om vedligeholdelse, kapacitet og levering ofte ligger spredt over afdelinger der ikke taler med hinanden dagligt, er denne oversigt en af de første ting der giver klarhed over, hvor AI har og ikke har fodfæste.
Denne måling viser, om organisationen har de fundamenter der skal bære AI — om data, systemer og beslutningsstruktur er klar til det. Det er et andet spørgsmål end, hvilket arbejde AI faktisk kan overtage. Til det spørgsmål findes arbejdsscanen fra FTE TO AI: den ser pr. opgave, inden for netdrift, kundekontakt eller planlægning, hvilken del af den der kan overtages, og hvilken del der forbliver afhængig af mennesker. Modenhedsmålingen og arbejdsscanen besvarer dermed forskellige spørgsmål — det ene om organisationens bæreevne, det andet om selve arbejdets indhold — og bliver kun komplette sammen.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.