Az energiaszektor nem egyetlen közeg. Van a fizikai infrastruktúra oldala — hálózatüzemeltetés, termelés, olyan berendezések karbantartása, amelyek évtizedekig üzemben vannak — és van a piaci oldal: kereskedelem, ügyfélkapcsolat, a fogyasztással és a szolgáltatással kapcsolatos adatfeldolgozás. Ezeknek a két oldalnak más a viszonya az AI-hoz. Az infrastruktúra oldalát biztonsági normák, szabályozás és olyan berendezések kötik, amelyeket nem lehet gyorsan lecserélni. A piaci oldal gyorsabban mozog, régebb óta létező digitális folyamatokkal dolgozik, és kevesebb fizikai korlátozással szembesül.
Ez a megosztottság a lényege annak, hol áll a szektor. Nem hátrányként, hanem mint viszony ugyanazon szervezet két része között, amelyek más ütemben fejlődnek. Egy energiavállalat, amely méri az AI-érettségét, valójában két szervezetet mér egyszerre — és pontosan itt akad el sok kezdeményezés: azon a feltételezésen, hogy amit a piaci oldalon jól működik, az minden nehézség nélkül átvihető a fizikai infrastruktúra oldalára.
Egy olyan szektorban, ahol sok a régi rendszer, elkülönülnek a hálózatüzemeltetés és a szolgáltatás adatáramlásai, és szigorú megfelelési követelmények vannak, az alapdimenziók — szervezet, IT-infrastruktúra, adatmenedzsment — nagyobb részben határozzák meg, mi lehetséges, mint a kevésbé szabályozott szektorokban. Egy AI-alkalmazás, amely a prediktív karbantartást szeretné támogatni, olyan szenzoradatoktól függ, amelyeket következetesen rögzítenek, olyan rendszerektől, amelyek kommunikálnak egymással, és olyan szervezettől, amely tudja, ki felelős az eredményért. Ha ezek közül bármelyik réteg hiányzik, az alkalmazás pilot marad, bármilyen jó is legyen a modell.
Az oka, hogy az alapdimenziók megelőzik a függő dimenziókat, itt van kifejtve: nem arról van szó, hogy előbb a könnyebbet kell elvégezni, hanem arról a sorrendről, amelyben a dimenziók egyáltalán lehetővé teszik egymást. Az energiaszektorban ez láthatóbb, mint máshol, mert az alap és az alkalmazás közötti távolság nagyobb, mint a kevésbé szabályozott infrastruktúrájú szektorokban.
Amikor egy energiavállalat több válaszadójának pontszámai közötti szórást nézzük, gyakran egy konkrét mintázat tűnik fel: a piaci oldalon dolgozók magasabbra pontozzák a szervezetet adatmenedzsment és IT-infrastruktúra terén, mint a hálózatüzemeltetéssel vagy termeléssel foglalkozók. Mindkét csoportnak igaza van a saját közegére vonatkozóan — a probléma az, hogy a szervezetet egészében a kettő közül csak az egyik alapján ítélik meg.
Ez a szórás értékesebb, mint egy átlag. Egy átlag elrejti, hogy melyik fele a szervezetnek húzza le az átlagot. A plot-kör láthatóvá teszi, hogy az érettségről szóló beszélgetés valójában két beszélgetés, és pontosan ez az az információ, amely szükséges annak meghatározásához, hol kell kezdeni.
Az energiaszektor sok mindent megosztozik ebben a dinamikában más olyan szektorokkal, amelyek erősen a fizikai eszközökre és a szabályozásra támaszkodnak. Az összehasonlításban azzal, hogyan viszonyul az építőipar az AI-érettséghez, kitűnik, hogy mindkét szektor olyan projektekkel szembesül, amelyek évekig húzódnak, és olyan adatokkal, amelyek több fél között szétaprózódnak. Az installációs ágazat hasonló feszültséget ismer a terepen végzett fizikai munka és az irodai digitális folyamatok között — ez a feszültség az energiaszektorban a hálózatüzemeltetés és a piaci oldal között jelenik meg.
Ami megkülönbözteti az energiaszektort, az a szabályozás mértéke. Míg az ingatlanszektor elsősorban tulajdonviszonyokkal és értékelési szabályokkal szembesül, az energiaszektor olyan keretek között működik, amelyeket biztonsági normák és közüzemi kötelezettségek határoznak meg, és amely kevés teret hagy a kísérletezésre jóváhagyás nélkül. Ez teszi a szervezeti dimenziót — ki hozhat meg milyen döntést, és milyen adatok alapján — súlyosabbá, mint azokban a szektorokban, ahol ez a jóváhagyás kevesebb réteget ismer.
Egy energiavállalatnak, amely méri az érettségét, érdemes megvizsgálnia, hogy a döntések, amelyeket az AI-nak támogatnia kell, valóban elég pontosan vannak-e rögzítve. Az, hogy egy ilyen leltárban minek kell szerepelnie — ki döntsen, milyen információ alapján, és milyen mandátummal — le van írva itt: mi tartozik egy döntési leltárba. Egy olyan szektor számára, ahol a karbantartással, kapacitással és szolgáltatással kapcsolatos döntések gyakran szétszórtan helyezkednek el olyan osztályok között, amelyek nem beszélnek egymással naponta, ez a leltár egyike az első dolgoknak, amelyek tisztázzák, hol van és hol nincs fogódzója az AI-nak.
Ez a mérés megmutatja, hogy a szervezetnek megvannak-e az alapjai az AI hordozásához — hogy az adatok, a rendszerek és a döntési struktúra készen állnak-e rá. Ez más kérdés, mint hogy az AI valójában milyen munkát vehet át. Erre a kérdésre az FTE TO AI munkaszkennere ad választ: az egyes feladatokat nézi, a hálózatüzemeltetésen, ügyfélkapcsolaton vagy tervezésen belül, hogy melyik részük vehető át, és melyik rész marad függő az emberektől. Az érettségmérés és a munkaszkenner tehát különböző kérdésekre válaszol — az egyik a szervezet terhelhetőségéről, a másik a munka tartalmáról magáról —, és csak együtt válnak teljessé.
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.