Kennisbank

AI-governance dla firm energetycznych: kontrola nad tym, co się naprawdę dzieje

Co odróżnia sektor energetyczny

Firma energetyczna łączy w sobie dwa światy, które rzadko mają tego samego właściciela. Z jednej strony znajduje się technika operacyjna: systemy pomiarowo-regulacyjne, zarządzanie siecią, utrzymanie infrastruktury krytycznej. Z drugiej strony znajduje się biuro: kontakt z klientem, fakturowanie, planowanie, działy prawne i compliance. AI pojawia się w obu warstwach, ale z inną relacją między ryzykiem a wygodą. W warstwie operacyjnej zastosowanie AI szybko dotyka systemów, których awaria lub błędna decyzja ma bezpośrednie konsekwencje poza organizacją. W warstwie biurowej chodzi częściej o tekst, dane i wsparcie decyzyjne, z ryzykiem bardziej podobnym do innych sektorów. Governance, które traktuje te dwie warstwy jednakowo, gubi istotę rzeczy: to, co w jednej warstwie jest usprawnieniem efektywności, w drugiej jest kwestią bezpieczeństwa i nadzoru.

Dodatkowo firmy energetyczne często podlegają wzmożonemu nadzorowi, są związane sektorowymi obowiązkami zgłoszeniowymi i pracują na danych dotyczących infrastruktury krajowej. To sprawia, że pytanie „kto wykorzystał tu AI i do czego” ma większą wagę niż w przeciętnym środowisku biurowym. Treść przepisów stojących za tym — jakie obowiązki dokładnie obowiązują i kiedy — opisana jest gdzie indziej; tutaj chodzi o mechanizm, dzięki któremu organizacja zdobywa i zachowuje wgląd w to, co się dzieje.

Lista działu IT nie daje pełnego obrazu

Osoba pytająca, jakie systemy AI są w użyciu, otrzyma od działu IT listę zatwierdzonych narzędzi. Ta lista jest punktem wyjścia, nie rzeczywistością. Planista, który używa modelu językowego do podsumowywania raportów z utrzymania, analityk, który zasila zewnętrzny model danymi pomiarowymi w celu rozpoznawania wzorców, pracownik kontraktowy, który konsultuje chatbota przy protokole awarii: to wszystko dzieje się często bez złożenia wniosku czy uzyskania zgody. Nie z niechęci, lecz dlatego że to działa i nikt o to nie pytał.

Istotą inwentaryzacji nie jest więc odhaczanie znanych systemów, lecz uchwycenie tego, co się naprawdę dzieje. To wymaga innego tonu niż audyt. Ten, kto chce wiedzieć, czego używa pracownik, musi o to zapytać bez konsekwencji karnych — inaczej odpowiedź zniknie tak szybko, jak samo użycie. Jak wygląda taka rozmowa i dlaczego sankcja działa odwrotnie do zamierzonego efektu, opisano w jak zapobiec sytuacji, w której pracownicy korzystają z narzędzia, o którym nikt nie wie. Konkretnym ryzykiem w tym szerszym obrazie jest wprowadzanie danych firmowych — danych pomiarowych, warunków umownych, danych sieciowych — do darmowego okna czatu poza organizacją; co jest przy tym w grze i jak to rozpoznać, opisano w jak zapobiec sytuacji, w której dane firmowe trafiają do darmowego okna czatu.

Klasyfikacja według roli i ryzyka, nie według działu

Po inwentaryzacji następuje pytanie, co system faktycznie robi. Zastosowanie AI, które przepisuje tekst na potrzeby listu do klienta, ma inną rolę niż model, który współdecyduje o planowaniu utrzymania na podstawie danych z czujników. Klasyfikacja musi uchwycić tę rolę oraz odpowiadający jej poziom ryzyka, niezależnie od tego, jaki dział przypadkowo korzysta z danego narzędzia. To jest miejsce, w którym sektor energetyczny wymaga własnego podejścia: narzędzie, które w zespole marketingowym jest niegroźne, może w zespole zarządzania siecią uzyskać inną wagę, ponieważ wynik przenosi się na fizyczny system.

To podejście — inwentaryzacja, klasyfikacja, wpisanie w istniejące governance — nie jest unikalne dla energetyki. Podobne kwestie dotyczą organizacji pracujących z instalacjami fizycznymi i ryzykiem bezpieczeństwa, o czym można przeczytać w AI-governance w firmach instalacyjnych o praktyce technicznej i wykonawczej oraz w AI-governance w budownictwie, gdzie łączą się planowanie i realizacja. Także sektory o ścisłych wymogach nadzoru, jak widać w AI-governance w opiece zdrowotnej, gdzie łączą się bezpieczeństwo pacjenta i nadzór, pokazują, że forma governance zmienia się w miarę jak wzrastają konsekwencje błędu. Kto dokonuje tego porównania, zauważa, że energetyka nie jest unikalna w samym pytaniu, lecz w wadze odpowiedzi.

Nawiązanie do tego, co już istnieje

Zestaw governance dołożony do istniejącej struktury ryzyka działa lepiej niż nowe ramy postawione osobno. Firmy energetyczne mają zazwyczaj już strukturę zarządzania ryzykiem dla bezpieczeństwa operacyjnego i compliance. AI-governance powinno być jej rozszerzeniem, z tymi samymi liniami raportowania do zarządu i organu nadzoru, a nie odrębnym procesem, który trzeba prowadzić osobno i który pewnego dnia leży obok innych raportów o ryzyku, nigdy się z nimi nie łącząc.

Od przeglądu do wglądu w samą pracę

Gdy już wiadomo, jakie zastosowania AI istnieją i jakie ryzyko reprezentują, następuje kolejne pytanie: co to znaczy dla pracy, którą ludzie wykonują teraz. Inwentaryzacja pokazuje, co działa; skan pracy pokazuje, co to działanie oznacza dla zadań, funkcji i zasobów. Skan pracy FTE TO AI wylicza dla każdego zadania, jaką część pracy można przejąć przez AI, i tym samym uzupełnia obraz ryzyka obrazem zasobów. To jest logiczny następny krok po inwentaryzacji: nie tylko wiedzieć, co się dzieje, ale też co to znaczy dla organizacji, która musi z tym pracować.