Een energiebedrijf combineert twee werelden die zelden dezelfde eigenaar hebben. Aan de ene kant staat de operationele techniek: meet- en regelsystemen, netbeheer, onderhoud aan kritieke infrastructuur. Aan de andere kant staat het kantoor: klantcontact, facturatie, planning, juridische en compliance-afdelingen. AI duikt in beide op, maar met een andere verhouding tussen risico en gemak. In de operationele laag raakt een AI-toepassing snel aan systemen waarvan uitval of een verkeerde beslissing directe gevolgen heeft buiten de organisatie. In de kantoorlaag gaat het vaker om tekst, data en besluitondersteuning, met een risico dat meer op andere sectoren lijkt. Governance die deze twee lagen door elkaar behandelt, mist het punt: wat in de ene laag een efficiëntieslag is, is in de andere laag een vraag over veiligheid en toezicht.
Daarbij komt dat energiebedrijven vaak onder verscherpt toezicht staan, gebonden zijn aan sectorspecifieke meldplichten en werken met data die raakt aan nationale infrastructuur. Dat maakt de vraag "wie heeft hier AI ingezet, en waarop" zwaarder dan in een gemiddelde kantooromgeving. De regelinhoud daarachter — welke verplichtingen precies gelden en wanneer — staat elders; hier gaat het om het mechanisme waarmee een organisatie zicht krijgt en houdt op wat er speelt.
Wie vraagt welke AI-systemen in gebruik zijn, krijgt van de IT-afdeling een lijst van goedgekeurde tools. Die lijst is een startpunt, niet de werkelijkheid. Een planner die een taalmodel gebruikt om onderhoudsrapportages samen te vatten, een analist die een extern model voedt met meetdata om patronen te herkennen, een contractmedewerker die een chatbot raadpleegt bij een storingsprotocol: dat gebeurt vaak zonder dat een aanvraag is ingediend of een akkoord is gevraagd. Niet uit onwil, maar omdat het werkt en niemand ernaar heeft gevraagd.
De kern van een inventaris is daarom niet het afvinken van de bekende systemen, maar het in beeld brengen van wat er werkelijk gebeurt. Dat vraagt een andere toon dan een audit. Wie wil weten wat een medewerker gebruikt, moet dat vragen zonder dat er een afrekening aan vastzit — anders verdwijnt het antwoord net zo snel als het gebruik zelf. Hoe dat gesprek eruit ziet en waarom een sanctie het averechts werkt, staat beschreven in hoe u voorkomt dat medewerkers een tool gebruiken die niemand kent. Een specifiek risico binnen dat bredere beeld is het invoeren van bedrijfsdata — meetgegevens, contractvoorwaarden, netwerkgegevens — in een gratis chatvenster buiten de organisatie; wat daarbij op het spel staat en hoe dat te herkennen is, staat bij hoe u voorkomt dat bedrijfsdata in een gratis chatvenster verdwijnt.
Na de inventaris volgt de vraag wat een systeem eigenlijk doet. Een AI-toepassing die tekst herschrijft voor een klantbrief heeft een andere rol dan een model dat meebeslist over onderhoudsplanning op basis van sensordata. De classificatie moet die rol vastleggen, en het risiconiveau dat daarbij past, los van welke afdeling de tool toevallig gebruikt. Dat is waar de energiesector een eigen invulling vraagt: een tool die in een marketingteam onschuldig is, kan in een netbeheerteam een ander gewicht krijgen omdat de uitkomst doorwerkt in een fysiek systeem.
Deze aanpak — inventariseren, classificeren, onderbrengen in bestaande governance — is niet uniek voor energie. Vergelijkbare vraagstukken spelen bij organisaties die met fysieke installaties en veiligheidsrisico's werken, zoals te lezen is over AI-governance bij installatiebedrijven met een technische en uitvoerende praktijk en over AI-governance in de bouw waar planning en uitvoering samenkomen. Ook sectoren met strenge toezichteisen, zoals te zien in AI-governance in de zorg waar patiëntveiligheid en toezicht samenkomen, laten zien dat de vorm van governance verschuift naarmate de gevolgen van een fout groter worden. Wie die vergelijking maakt, ziet dat energie niet uniek is in de vraag, wel in de zwaarte van het antwoord.
Een governance-set die naast de bestaande risicostructuur wordt gelegd, werkt beter dan een nieuw kader ernaast. Energiebedrijven hebben doorgaans al een risicomanagementstructuur voor operationele veiligheid en compliance. AI-governance hoort daar een verlengstuk van te zijn, met dezelfde rapportagelijnen naar bestuur en toezichthouder, niet een los proces dat apart moet worden bijgehouden en dat op een dag naast de andere risicorapportages ligt zonder ooit samen te komen.
Zodra duidelijk is welke AI-toepassingen er zijn en welk risico ze vertegenwoordigen, volgt een andere vraag: wat betekent dat voor het werk dat mensen nu doen. Een inventaris laat zien wat er draait; een werkscan laat zien wat dat draaien betekent voor taken, functies en capaciteit. De werkscan van FTE TO AI rekent per taak uit welk deel van het werk door AI over te nemen is, en legt zo naast het risicobeeld ook het capaciteitsbeeld. Dat is de logische volgende stap na een inventaris: niet alleen weten wat er gebeurt, maar ook wat dat betekent voor de organisatie die ermee moet werken.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.