De energiesector is niet één omgeving. Er is de kant van fysieke infrastructuur — netbeheer, productie, onderhoud van installaties die decennia meegaan — en er is de kant van de markt: handel, klantcontact, dataverwerking rond verbruik en levering. Die twee kanten hebben een andere relatie met AI. De infrastructuurkant is gebonden aan veiligheidsnormen, regelgeving en apparatuur die niet snel vervangen wordt. De marktkant beweegt sneller, werkt met digitale processen die al langer bestaan, en heeft minder fysieke beperkingen.
Die tweedeling is de kern van waar de sector staat. Niet als achterstand, maar als een verhouding tussen twee delen van dezelfde organisatie die zich in een ander tempo ontwikkelen. Een energiebedrijf dat zijn AI-volwassenheid meet, meet dus eigenlijk twee organisaties tegelijk — en dat is precies waar veel initiatieven vastlopen: de aanname dat wat werkt aan de marktkant, zich moeiteloos laat vertalen naar de kant van de fysieke infrastructuur.
In een sector met veel legacy-systemen, gescheiden datastromen tussen netbeheer en levering, en strikte compliance-eisen, bepalen de fundamentele dimensies — organisatie, IT-infrastructuur, datamanagement — een groter deel van wat mogelijk is dan in sectoren met minder regulering. Een AI-toepassing die voorspellend onderhoud wil ondersteunen, is afhankelijk van sensordata die consistent wordt vastgelegd, van systemen die met elkaar praten, en van een organisatie die weet wie verantwoordelijk is voor de uitkomst. Ontbreekt een van die lagen, dan blijft de toepassing een pilot, hoe goed het model ook is.
De reden dat de fundamentele dimensies voorgaan op de afhankelijke, is hier uitgewerkt: het is geen kwestie van eerst het makkelijke doen, maar de volgorde waarin de dimensies elkaar überhaupt mogelijk maken. In de energiesector is dat zichtbaarder dan elders, omdat de afstand tussen fundament en toepassing groter is dan in sectoren met minder gereguleerde infrastructuur.
Bij een spreiding tussen scores van meerdere respondenten in een energiebedrijf, valt vaak een specifiek patroon op: mensen aan de marktkant scoren de organisatie hoger op datamanagement en IT-infrastructuur dan mensen die met netbeheer of productie werken. Beide groepen hebben gelijk over hun eigen omgeving — het probleem is dat de organisatie als geheel wordt beoordeeld op basis van maar één van de twee.
Die spreiding is waardevoller dan een gemiddelde. Een gemiddelde verhult welke helft van de organisatie het gemiddelde omlaag trekt. De plot-ronde maakt zichtbaar waar het gesprek over volwassenheid eigenlijk twee gesprekken zijn, en dat is precies de informatie die nodig is om te bepalen waar te beginnen.
De energiesector deelt veel van deze dynamiek met andere sectoren die zwaar leunen op fysieke assets en regelgeving. In de vergelijking met hoe de bouw met AI-volwassenheid omgaat valt op dat beide sectoren te maken hebben met projecten die zich over jaren uitstrekken en met data die versnipperd is over meerdere partijen. De installatiebranche kent een vergelijkbare spanning tussen fysiek werk in het veld en digitale processen op kantoor — een spanning die in de energiesector optreedt tussen netbeheer en de marktkant.
Wat de energiesector onderscheidt, is de schaal van de regelgeving. Waar de vastgoedsector vooral te maken heeft met eigendomsverhoudingen en taxatieregels, opereert energie binnen een kader van veiligheidsnormen en nutsverplichtingen dat weinig ruimte laat voor experimenteren zonder goedkeuring. Dat maakt de organisatie-dimensie — wie mag welke beslissing nemen, en op basis van welke data — zwaarder dan in sectoren waar die goedkeuring minder lagen kent.
Een energiebedrijf dat zijn volwassenheid meet, doet er goed aan te onderzoeken of de besluiten die AI moet ondersteunen, wel scherp genoeg zijn vastgelegd. Wat er in zo'n inventaris hoort — wie beslist, op basis van welke informatie, en met welk mandaat — staat beschreven in wat er in een besluiten-inventaris hoort. Voor een sector waar besluiten over onderhoud, capaciteit en levering vaak verspreid liggen over afdelingen die elkaar niet dagelijks spreken, is die inventaris een van de eerste dingen die duidelijkheid geven over waar AI wel en niet houvast heeft.
Deze meting laat zien of de organisatie de fundamenten heeft om AI te dragen — of de data, de systemen en de besluitstructuur er klaar voor zijn. Dat is een andere vraag dan welk werk AI daadwerkelijk kan overnemen. Voor die vraag is er de werkscan van FTE TO AI: die kijkt per taak, binnen netbeheer, klantcontact of planning, welk deel ervan zich laat overnemen, en welk deel afhankelijk blijft van mensen. De volwassenheidsmeting en de werkscan beantwoorden dus verschillende vragen — de een over de draagkracht van de organisatie, de ander over de inhoud van het werk zelf — en worden pas samen compleet.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.