Grootschalige inzet van AI in energiesector blijft vooralsnog uit

Ruim twee derde van de ondervraagden verwacht dat AI de komende vijf tot tien jaar een aanzienlijke of ingrijpende invloed zal hebben op de bedrijfsresultaten. Minder dan een vijfde geeft echter aan AI-toepassingen daadwerkelijk op te schalen met meetbare resultaten of bedrijfsbreed door te voeren. De meeste organisaties experimenteren nog op kleine schaal of voeren gecoördineerde proefprojecten uit die niet aan de verwachtingen voldoen.

In de olie- en gassector en de chemische industrie is de voortgang het grootst. Klantenservice, onderzoek en ontwikkeling, en onderhoud en operationele processen zijn de toepassingen die het verst zijn ontwikkeld. Als grootste belemmering noemt bijna de helft van de ondervraagden dat de beoogde resultaten onduidelijk zijn of geen verband houden met de bedrijfswaarde. Een tekort aan technische expertise en gebrekkige databeschikbaarheid en datagovernance staan op de tweede en derde plaats van genoemde knelpunten.

Vier gemeenschappelijke kenmerken

Uit de ervaring van Bain met klanten in de sector komen vier kenmerken naar voren bij bedrijven die wel vooruitgang boeken. Zij richten zich op een beperkt aantal domeinen waar AI direct waarde kan toevoegen, in plaats van tientallen losse proefprojecten op te zetten. Ook passen zij hun werkprocessen en functies aan in plaats van AI enkel toe te voegen aan bestaande werkwijzen.

Daarnaast bouwen zij een basis op het gebied van data, technologie en talent die toereikend is voor de belangrijkste toepassingen, zonder te wachten tot alles volledig op orde is. Ten slotte richten deze bedrijven een herhaalbaar proces in om AI-projecten op te schalen, met een duidelijk eigenaarschap van resultaten en governance rond prioritering en risico's.

Voorbeelden uit de praktijk

Bain deelt een aantal praktijkvoorbeelden. Zo gebruikte een wereldwijde olie- en gasoperator AI om verspreide data over een verouderd offshoreplatform met elkaar te verbinden. Dat leverde inzicht op in onderhoud, logistiek en putprestaties, wat resulteerde in verbeterplannen ter waarde van meer dan 15 miljoen dollar per jaar.

Een ander voorbeeld is een internationale agribusiness-onderneming, die AI inzette bij de inkoop van niet-grondstofgerelateerde goederen waarbij data werden opgeschoond en generatieve AI werd geïntegreerd in het categoriemanagement. Dit leidde tot hogere besparingsdoelen en snellere strategieontwikkeling. Een Europees nutsbedrijf, waar AI-experimenten eerder verspreid over verschillende bedrijfsonderdelen plaatsvonden zonder centraal overzicht, richtte een nieuw AI-operatiemodel in met een centrum voor AI-expertise en een comité voor verantwoord AI-gebruik.

Organisatorische keuzes centraal

Volgens Bain is de kloof tussen de verwachtingen van AI en de daadwerkelijke resultaten in de sector niet primair een technologisch probleem, maar een organisatorisch vraagstuk. Onduidelijke projectdoelen, schaarste aan talent, onvolgroeide data en governance, en operationele modellen die niet zijn ingericht op AI worden als belangrijkste obstakels genoemd. Bedrijven staan voor keuzes over de mate waarin verantwoordelijkheid centraal wordt belegd of juist bij bedrijfsonderdelen wordt neergelegd, over de financiering en volgorde van investeringen, en over de vraag of ze eigen technologie ontwikkelen of deze inkopen.

Zo koos een nutsbedrijf er bij de invoering van een nieuw klantrelatiebeheersysteem voor om zelf een AI-gestuurd systeem voor vervolgacties te ontwikkelen in plaats van dit extern in te kopen, om zo minder afhankelijk te zijn van externe leveranciers.

Meer informatie is hier te vinden.