Kennisbank

AI-governance per le aziende energetiche: controllo su ciò che conta davvero

Ciò che rende diverso il settore energetico

Un'azienda energetica combina due mondi che raramente hanno lo stesso proprietario. Da un lato c'è la tecnologia operativa: sistemi di misurazione e regolazione, gestione della rete, manutenzione di infrastrutture critiche. Dall'altro c'è l'ufficio: contatto con i clienti, fatturazione, pianificazione, reparti legali e di compliance. L'AI compare in entrambi, ma con un rapporto diverso tra rischio e comodità. Nello strato operativo, un'applicazione di AI tocca rapidamente sistemi la cui interruzione o una decisione errata ha conseguenze immediate al di fuori dell'organizzazione. Nello strato dell'ufficio si tratta più spesso di testo, dati e supporto alle decisioni, con un rischio più simile a quello di altri settori. Una governance che tratta questi due strati in modo indistinto manca il punto: ciò che in uno strato è un miglioramento di efficienza, nell'altro strato è una questione di sicurezza e supervisione.

A ciò si aggiunge che le aziende energetiche sono spesso soggette a una supervisione più stringente, sono vincolate a obblighi di segnalazione specifici del settore e lavorano con dati che riguardano l'infrastruttura nazionale. Questo rende la domanda "chi ha usato l'AI qui, e su cosa" più pesante che in un ambiente d'ufficio medio. Il contenuto normativo che vi sta dietro — quali obblighi si applicano esattamente e quando — è trattato altrove; qui si tratta del meccanismo con cui un'organizzazione acquisisce e mantiene una visione di ciò che accade.

L'elenco IT non è il quadro completo

Chi chiede quali sistemi di AI sono in uso riceve dal reparto IT un elenco di strumenti approvati. Quell'elenco è un punto di partenza, non la realtà. Un pianificatore che usa un modello linguistico per riassumere i rapporti di manutenzione, un analista che alimenta un modello esterno con dati di misurazione per riconoscere pattern, un collaboratore a contratto che consulta un chatbot durante un protocollo di guasto: spesso questo accade senza che sia stata presentata una richiesta o chiesto un'approvazione. Non per mancanza di volontà, ma perché funziona e nessuno l'ha chiesto.

Il nucleo di un inventario non è quindi spuntare i sistemi conosciuti, ma mappare ciò che accade realmente. Questo richiede un tono diverso da un audit. Chi vuole sapere cosa usa un dipendente deve chiederlo senza che vi sia legata una sanzione — altrimenti la risposta svanisce con la stessa rapidità con cui svanisce l'uso stesso. Come si presenta questa conversazione e perché una sanzione ha l'effetto contrario, è descritto in come evitare che i dipendenti usino uno strumento che nessuno conosce. Un rischio specifico all'interno di questo quadro più ampio è l'inserimento di dati aziendali — dati di misurazione, condizioni contrattuali, dati di rete — in una finestra di chat gratuita esterna all'organizzazione; cosa è in gioco e come riconoscerlo è descritto in come evitare che i dati aziendali finiscano in una finestra di chat gratuita.

Classificare per ruolo e rischio, non per reparto

Dopo l'inventario segue la domanda su cosa faccia effettivamente un sistema. Un'applicazione di AI che riscrive un testo per una lettera al cliente ha un ruolo diverso da un modello che partecipa alle decisioni sulla pianificazione della manutenzione sulla base di dati dei sensori. La classificazione deve stabilire quel ruolo, e il livello di rischio corrispondente, indipendentemente dal reparto che casualmente usa lo strumento. È qui che il settore energetico richiede un'interpretazione propria: uno strumento innocuo in un team di marketing può assumere un peso diverso in un team di gestione della rete perché il risultato si riflette su un sistema fisico.

Questo approccio — inventariare, classificare, inserire nella governance esistente — non è unico per il settore energetico. Questioni simili si presentano nelle organizzazioni che lavorano con impianti fisici e rischi per la sicurezza, come si può leggere riguardo l'AI-governance nelle aziende di installazione con una pratica tecnica ed esecutiva e riguardo l'AI-governance nel settore delle costruzioni dove pianificazione ed esecuzione si incontrano. Anche settori con requisiti di supervisione rigorosi, come si vede in l'AI-governance nella sanità dove sicurezza del paziente e supervisione si incontrano, mostrano che la forma della governance si sposta al crescere delle conseguenze di un errore. Chi fa questo confronto vede che il settore energetico non è unico nella domanda, ma lo è nella gravità della risposta.

Allacciarsi a ciò che già esiste

Un insieme di regole di governance affiancato alla struttura di rischio esistente funziona meglio di un nuovo quadro parallelo. Le aziende energetiche dispongono generalmente già di una struttura di gestione del rischio per la sicurezza operativa e la compliance. L'AI-governance dovrebbe essere un'estensione di questa, con le stesse linee di rendicontazione verso il consiglio di amministrazione e l'autorità di supervisione, non un processo separato che va tenuto a parte e che un giorno si trova accanto alle altre relazioni sul rischio senza mai convergere.

Dalla panoramica alla comprensione del lavoro stesso

Una volta chiaro quali applicazioni di AI esistono e quale rischio rappresentano, segue un'altra domanda: cosa significa questo per il lavoro che le persone svolgono ora. Un inventario mostra ciò che funziona; una scansione del lavoro mostra cosa significa quel funzionamento per compiti, ruoli e capacità. La scansione del lavoro di FTE TO AI calcola per ogni compito quale parte del lavoro può essere assunta dall'AI, affiancando così al quadro del rischio anche il quadro della capacità. Questo è il passo successivo logico dopo un inventario: non solo sapere cosa succede, ma anche cosa significa per l'organizzazione che deve lavorarci.