Energisektorn är inte en enda miljö. Det finns sidan av fysisk infrastruktur — nätdrift, produktion, underhåll av anläggningar som håller i decennier — och det finns marknadssidan: handel, kundkontakt, databehandling kring förbrukning och leverans. Dessa två sidor har en annan relation till AI. Infrastruktursidan är bunden till säkerhetsnormer, regelverk och utrustning som inte snabbt byts ut. Marknadssidan rör sig snabbare, arbetar med digitala processer som funnits längre, och har färre fysiska begränsningar.
Denna tudelning är kärnan i var sektorn befinner sig. Inte som ett efterläge, utan som ett förhållande mellan två delar av samma organisation som utvecklas i olika tempo. Ett energibolag som mäter sin AI-mognad mäter alltså egentligen två organisationer samtidigt — och det är precis där många initiativ fastnar: antagandet att det som fungerar på marknadssidan enkelt kan översättas till sidan av den fysiska infrastrukturen.
I en sektor med många legacy-system, åtskilda dataflöden mellan nätdrift och leverans, och strikta compliance-krav, bestämmer de fundamentala dimensionerna — organisation, IT-infrastruktur, datahantering — en större del av vad som är möjligt än i sektorer med mindre reglering. En AI-tillämpning som ska stödja prediktivt underhåll är beroende av sensordata som registreras konsekvent, av system som kommunicerar med varandra, och av en organisation som vet vem som är ansvarig för utfallet. Saknas ett av dessa lager förblir tillämpningen en pilot, hur bra modellen än är.
Anledningen till att de fundamentala dimensionerna kommer före de beroende dimensionerna beskrivs här: det är inte en fråga om att göra det enkla först, utan den ordning i vilken dimensionerna överhuvudtaget möjliggör varandra. I energisektorn är detta tydligare än på andra håll, eftersom avståndet mellan fundament och tillämpning är större än i sektorer med mindre reglerad infrastruktur.
Vid en spridning mellan poäng från flera respondenter i ett energibolag framträder ofta ett specifikt mönster: personer på marknadssidan bedömer organisationen högre på datahantering och IT-infrastruktur än personer som arbetar med nätdrift eller produktion. Båda grupperna har rätt om sin egen miljö — problemet är att organisationen som helhet bedöms utifrån endast en av de två.
Den spridningen är mer värdefull än ett genomsnitt. Ett genomsnitt döljer vilken halva av organisationen som drar ner genomsnittet. Plottrundan gör synligt var samtalet om mognad egentligen är två samtal, och det är precis den information som behövs för att avgöra var man ska börja.
Energisektorn delar mycket av denna dynamik med andra sektorer som är starkt beroende av fysiska tillgångar och reglering. I jämförelsen med hur byggbranschen hanterar AI-mognad framgår att båda sektorerna har att göra med projekt som sträcker sig över flera år och med data som är splittrad mellan flera parter. Installationsbranschen har en liknande spänning mellan fysiskt arbete i fält och digitala processer på kontoret — en spänning som i energisektorn uppstår mellan nätdrift och marknadssidan.
Det som särskiljer energisektorn är regleringens omfattning. Medan fastighetssektorn främst har att göra med äganderelationer och värderingsregler, verkar energi inom ett ramverk av säkerhetsnormer och samhällsförpliktelser som lämnar litet utrymme för experiment utan godkännande. Det gör organisationsdimensionen — vem som får fatta vilket beslut, och utifrån vilken data — tyngre än i sektorer där det godkännandet har färre nivåer.
Ett energibolag som mäter sin mognad gör klokt i att undersöka om de beslut som AI ska stödja är tillräckligt tydligt definierade. Vad som hör hemma i en sådan inventering — vem som beslutar, utifrån vilken information, och med vilket mandat — beskrivs i vad som hör hemma i en beslutsinventering. För en sektor där beslut om underhåll, kapacitet och leverans ofta är spridda över avdelningar som inte talar med varandra dagligen, är den inventeringen en av de första sakerna som ger klarhet i var AI har och inte har fäste.
Denna mätning visar om organisationen har fundamenten för att bära AI — om data, system och beslutsstruktur är redo för det. Det är en annan fråga än vilket arbete AI faktiskt kan ta över. För den frågan finns FTE TO AI:s arbetsscan: den granskar per uppgift, inom nätdrift, kundkontakt eller planering, vilken del av den som kan tas över, och vilken del som förblir beroende av människor. Mognadsmätningen och arbetsscanen besvarar alltså olika frågor — den ena om organisationens bärkraft, den andra om själva arbetets innehåll — och blir fullständiga först tillsammans.
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.