Kennisbank

Governança de IA para empresas de energia: controlo sobre o que realmente acontece

O que torna o setor energético diferente

Uma empresa de energia combina dois mundos que raramente têm o mesmo proprietário. De um lado está a tecnologia operacional: sistemas de medição e controlo, gestão da rede, manutenção de infraestrutura crítica. Do outro lado está o escritório: contacto com clientes, faturação, planeamento, departamentos jurídicos e de compliance. A IA surge em ambos, mas com uma relação diferente entre risco e conveniência. Na camada operacional, uma aplicação de IA toca rapidamente em sistemas cuja falha ou decisão errada tem consequências diretas fora da organização. Na camada de escritório, trata-se mais frequentemente de texto, dados e apoio à decisão, com um risco mais semelhante ao de outros setores. Uma governança que trata estas duas camadas da mesma forma perde o ponto essencial: o que numa camada é um ganho de eficiência, é na outra uma questão de segurança e supervisão.

Acrescente-se que as empresas de energia estão frequentemente sujeitas a uma supervisão reforçada, estão vinculadas a obrigações de notificação específicas do setor e trabalham com dados relacionados com infraestrutura nacional. Isso torna a pergunta "quem utilizou aqui IA, e em que" mais pesada do que num ambiente de escritório médio. O conteúdo regulamentar subjacente — quais obrigações se aplicam exatamente e quando — é abordado noutro lugar; aqui trata-se do mecanismo através do qual uma organização obtém e mantém uma visão clara do que está a acontecer.

A lista do departamento de TI não é o quadro completo

Quem pergunta que sistemas de IA estão em uso recebe do departamento de TI uma lista de ferramentas aprovadas. Essa lista é um ponto de partida, não a realidade. Um planeador que utiliza um modelo de linguagem para resumir relatórios de manutenção, um analista que alimenta um modelo externo com dados de medição para reconhecer padrões, um colaborador contratado que consulta um chatbot num protocolo de avaria: isso acontece frequentemente sem que tenha sido apresentado um pedido ou solicitada uma aprovação. Não por má vontade, mas porque funciona e ninguém perguntou.

O cerne de um inventário não é, por isso, marcar os sistemas conhecidos, mas sim mapear o que realmente acontece. Isso exige um tom diferente do de uma auditoria. Quem quer saber o que um colaborador utiliza tem de perguntar isso sem que haja uma penalização associada — caso contrário, a resposta desaparece tão rapidamente como o próprio uso. Como é essa conversa e por que uma sanção tem o efeito contrário está descrito em como evitar que colaboradores utilizem uma ferramenta que ninguém conhece. Um risco específico dentro desse quadro mais amplo é a introdução de dados empresariais — dados de medição, condições contratuais, dados de rede — numa janela de chat gratuita fora da organização; o que está em jogo e como reconhecê-lo está em como evitar que dados empresariais desapareçam numa janela de chat gratuita.

Classificar por função e risco, não por departamento

Após o inventário, segue-se a pergunta sobre o que um sistema realmente faz. Uma aplicação de IA que reescreve texto para uma carta ao cliente tem um papel diferente de um modelo que participa na decisão sobre o planeamento de manutenção com base em dados de sensores. A classificação deve fixar esse papel, e o nível de risco correspondente, independentemente do departamento que por acaso utiliza a ferramenta. É aqui que o setor energético exige uma interpretação própria: uma ferramenta que é inofensiva numa equipa de marketing pode assumir um peso diferente numa equipa de gestão de rede, porque o resultado se repercute num sistema físico.

Esta abordagem — inventariar, classificar, integrar na governança existente — não é exclusiva do setor energético. Questões semelhantes surgem em organizações que trabalham com instalações físicas e riscos de segurança, como se pode ler sobre a governança de IA em empresas de instalações com uma prática técnica e executiva e sobre a governança de IA na construção, onde o planeamento e a execução se encontram. Também setores com exigências de supervisão rigorosas, como se vê em a governança de IA na saúde, onde a segurança do paciente e a supervisão se encontram, mostram que a forma da governança se altera à medida que as consequências de um erro se tornam maiores. Quem faz essa comparação percebe que o setor energético não é único na questão, mas sim no peso da resposta.

Alinhar com o que já existe

Um conjunto de governança que se alinha com a estrutura de risco já existente funciona melhor do que um novo quadro criado ao lado. As empresas de energia costumam já ter uma estrutura de gestão de risco para a segurança operacional e o compliance. A governança de IA deve ser uma extensão disso, com as mesmas linhas de reporte à direção e ao supervisor, e não um processo isolado que tem de ser mantido separadamente e que um dia fica ao lado dos outros relatórios de risco sem nunca se juntar a eles.

De uma visão geral para uma perceção do trabalho em si

Uma vez que esteja claro quais aplicações de IA existem e que risco representam, segue-se outra pergunta: o que isso significa para o trabalho que as pessoas fazem atualmente. Um inventário mostra o que está em funcionamento; uma análise do trabalho mostra o que esse funcionamento significa para tarefas, funções e capacidade. A análise do trabalho da FTE TO AI calcula, por tarefa, que parte do trabalho pode ser assumida pela IA, colocando assim, ao lado do quadro de risco, também o quadro de capacidade. Esse é o passo lógico seguinte após um inventário: não apenas saber o que acontece, mas também o que isso significa para a organização que tem de trabalhar com isso.