Kennisbank

AI-kormányzás energiavállalatok számára: rálátás arra, mi zajlik valójában

Mi teszi az energiaszektort mássá

Egy energiavállalat két olyan világot kapcsol össze, amelyeknek ritkán van ugyanaz a tulajdonosa. Az egyik oldalon áll az üzemeltetési technika: mérő- és vezérlőrendszerek, hálózatüzemeltetés, kritikus infrastruktúra karbantartása. A másik oldalon áll az iroda: ügyfélkapcsolat, számlázás, tervezés, jogi és megfelelőségi osztályok. Az AI mindkét helyen felbukkan, de más arányban jelenik meg a kockázat és a kényelem viszonya. Az üzemeltetési rétegben egy AI-alkalmazás gyorsan hozzáér olyan rendszerekhez, amelyeknél a kiesés vagy egy téves döntés közvetlen következményekkel jár a szervezeten kívül is. Az irodai rétegben gyakrabban szövegről, adatról és döntéstámogatásról van szó, olyan kockázattal, amely inkább más szektorokra emlékeztet. Az a kormányzás, amely ezt a két réteget összemossa, elmegy a lényeg mellett: amit az egyik rétegben hatékonyságnövelésnek nevezünk, az a másik rétegben biztonsági és felügyeleti kérdés.

Ehhez jön még, hogy az energiavállalatok gyakran fokozott felügyelet alatt állnak, ágazatspecifikus bejelentési kötelezettségekhez vannak kötve, és olyan adatokkal dolgoznak, amelyek a nemzeti infrastruktúrát érintik. Ez azt a kérdést, hogy "ki alkalmazott itt AI-t, és milyen adatokon", súlyosabbá teszi, mint egy átlagos irodai környezetben. A háttérben álló szabályozási tartalom — pontosan milyen kötelezettségek vonatkoznak és mikor — máshol olvasható; itt arról a mechanizmusról van szó, amellyel egy szervezet áttekintést kap és tart arról, mi zajlik.

Az IT-lista nem a teljes kép

Aki megkérdezi, milyen AI-rendszerek vannak használatban, az IT-osztálytól egy jóváhagyott eszközökből álló listát kap. Ez a lista egy kiindulópont, nem a valóság. Egy tervező, aki egy nyelvi modellt használ karbantartási jelentések összefoglalására, egy elemző, aki egy külső modellt lát el mérési adatokkal minták felismeréséhez, egy szerződéses munkatárs, aki egy chatbothoz fordul üzemzavar-protokoll esetén: ez gyakran anélkül történik, hogy kérelmet nyújtottak volna be vagy jóváhagyást kértek volna. Nem rosszindulatból, hanem mert működik, és senki nem kérdezett rá.

Egy leltár lényege ezért nem az ismert rendszerek kipipálása, hanem annak feltérképezése, mi történik valójában. Ez más hangnemet igényel, mint egy audit. Aki azt akarja tudni, mit használ egy munkatárs, annak úgy kell rákérdeznie, hogy ne legyen hozzá következmény — máskülönben a válasz olyan gyorsan eltűnik, mint a használat maga. Hogy néz ki ez a beszélgetés, és miért hat ellenkezőleg egy szankció, arról hogyan kerülheti el, hogy munkatársak egy olyan eszközt használjanak, amelyről senki nem tud című írás szól. Egy konkrét kockázat ezen a tágabb képen belül a vállalati adatok — mérési adatok, szerződési feltételek, hálózati adatok — beírása egy szervezeten kívüli, ingyenes chatablakba; hogy mi van itt kockán, és hogyan lehet ezt felismerni, arról hogyan kerülheti el, hogy vállalati adatok egy ingyenes chatablakban tűnjenek el című írás szól.

Osztályozás szerep és kockázat szerint, nem osztály szerint

A leltárt követően jön a kérdés, hogy egy rendszer valójában mit csinál. Egy AI-alkalmazás, amely egy ügyféllevél szövegét átírja, más szerepet játszik, mint egy modell, amely szenzoradatok alapján társdöntést hoz a karbantartás tervezéséről. Az osztályozásnak ezt a szerepet és a hozzá tartozó kockázati szintet kell rögzítenie, függetlenül attól, melyik osztály használja épp az eszközt. Itt kíván az energiaszektor saját megközelítést: egy eszköz, amely egy marketingcsapatban ártalmatlan, egy hálózatüzemeltetési csapatban más súlyt kaphat, mert az eredmény egy fizikai rendszerben tovább hat.

Ez a megközelítés — leltározás, osztályozás, beillesztés a meglévő kormányzásba — nem egyedi az energiaszektorra. Hasonló kérdések merülnek fel azoknál a szervezeteknél is, amelyek fizikai berendezésekkel és biztonsági kockázatokkal dolgoznak, ahogyan olvasható az AI-kormányzásról telepítő vállalatoknál technikai és kivitelezési gyakorlattal és az AI-kormányzásról az építőiparban, ahol a tervezés és a kivitelezés összefonódik. Az olyan szektorok is, amelyeknél szigorú felügyeleti követelmények vannak, ahogyan az látható az AI-kormányzásról az egészségügyben, ahol a betegbiztonság és a felügyelet összefonódik, megmutatják, hogy a kormányzás formája eltolódik, amint egy hiba következményei nagyobbak lesznek. Aki elvégzi ezt az összehasonlítást, láthatja, hogy az energiaszektor nem egyedi a kérdésben, csak az adott válasz súlyában.

Csatlakozás a már meglévőhöz

Egy kormányzási keret, amelyet a meglévő kockázati struktúra mellé helyeznek, jobban működik, mint egy önálló, új keretrendszer. Az energiavállalatoknak általában már van kockázatkezelési struktúrájuk az üzemeltetési biztonságra és megfelelőségre. Az AI-kormányzásnak ennek meghosszabbításának kellene lennie, ugyanazokkal a jelentési vonalakkal az igazgatóság és a felügyeleti szerv felé, nem egy különálló folyamatnak, amelyet külön kell nyomon követni, és amely egy napon a többi kockázati jelentés mellett fekszik anélkül, hogy soha összeérnének.

Az áttekintéstől a munka mélyebb megértéséig

Amint tisztázódott, milyen AI-alkalmazások léteznek és milyen kockázatot jelentenek, egy másik kérdés következik: mit jelent ez a most zajló munka szempontjából. Egy leltár megmutatja, mi működik; egy munkaelemzés megmutatja, mit jelent ez a működés a feladatok, funkciók és kapacitás szempontjából. Az FTE TO AI munkaelemzése feladatonként kiszámítja, hogy a munka mely része vehető át AI által, és így a kockázati kép mellé kapacitásképet is állít. Ez a logikus következő lépés egy leltár után: nemcsak azt tudni, mi történik, hanem azt is, mit jelent ez a szervezet számára, amelynek ezzel kell dolgoznia.