For energibranchen er dette særligt relevant. Vi har store datamængder, komplekse systemer og mange arbejdsprocesser, hvor AI kan bidrage til bedre analyser, mere automatisering og hurtigere beslutninger. Samtidig forvalter netselskaberne kritisk infrastruktur. Det betyder ikke, at vi bør holde AI på afstand, men at vi skal være bevidste om, hvordan den bruges.
Nogle lader frygten styre og vil stoppe AI. Jeg mener, at spørgsmålet først og fremmest er, hvad vi skal bruge den til, hvilke data den skal have adgang til, og hvor store beføjelser vi skal give den.
Forskellig anvendelse – forskellig risiko
Den første fejl, mange begår, er at generalisere. Der er stor forskel på en AI-assistent, der opsummerer et dokument, og en model, der identificerer unormale spændingsforhold i lavspændingsnettet – for slet ikke at tale om AI, der faktisk kan foretage ændringer i et driftssystem.
I praksis vil vi sandsynligvis bruge flere typer AI samtidig. Generativ AI kan bruges til søgning, dokumentation og assistenter. Maskinlæring kan bruges til prognoser, afvigelsesdetektion samt analyser af nettab og kapacitet. Efterhånden kommer der også AI-agenter, som kan hente oplysninger fra flere systemer og udføre dele af en arbejdsproces. Det er især det sidste, der er interessant. Der er stor forskel på, om et system siger »Denne måler bør undersøges«, eller om det siger »Jeg har afbrudt forbindelsen via måleren«.
AI-forordningen og kritisk infrastruktur
EU’s AI-forordning anvender en risikobaseret tilgang. Kritisk infrastruktur er et af de områder, hvor visse AI-systemer kan blive klassificeret som højrisikosystemer. Det gælder blandt andet AI, der bruges som sikkerhedskomponent i styringen og driften af elforsyningen. Men det betyder ikke, at al AI, som et netselskab anvender, er højrisiko.
En prognose, et værktøj til datakvalitet eller en intern assistent vil ikke automatisk falde i denne kategori. Det afgørende er systemets formål, og hvordan det faktisk bruges. Europa-Kommissionen arbejder fortsat på de endelige retningslinjer for, hvordan højrisikoklassificeringen skal anvendes i praksis.
For netselskaberne er det derfor nyttigt at stille nogle ret enkle spørgsmål:
- Hvilke data får AI adgang til?
- Hvilke beslutninger får den lov til at påvirke?
- Hvad får den konkret lov til at gøre?
- Hvad sker der, hvis den tager fejl?
Fra data til beslutning og handling
Fremover vil det være nyttigt at skelne mellem data, beslutning og handling. På det første niveau kan AI finde fejl i måledata, opdage usædvanlige hændelser eller identificere mønstre, som mennesker har svært ved at få øje på. På det næste niveau kan AI foreslå, hvad netselskabet bør gøre. Det sidste trin er, at AI selv udfører handlingen.
Jo tættere vi kommer på det sidste niveau, desto vigtigere bliver kontrol, logning, sikkerhed og menneskeligt tilsyn. Det stemmer også godt overens med AI-forordningens krav til højrisikosystemer, blandt andet vedrørende risikostyring, sporbarhed, menneskeligt tilsyn, robusthed og cybersikkerhed. Efter den nuværende tidsplan skal reglerne for denne type højrisikosystemer gælde fra den 2. december 2027.
Det betyder ikke, at mennesker skal godkende alt, hvad en AI gør. Så forsvinder en stor del af gevinsten. Men vi bør være tydelige om, hvor grænsen for autonomi går. En AI-agent kan for eksempel få lov til at hente data, foretage analyser, sammenligne historiske data og foreslå en handling. En kritisk driftskommando kan fortsat kræve udtrykkelig godkendelse, mens mindre kritiske opgaver kan automatiseres fuldt ud.
AI gør gode data endnu vigtigere
En stor del af diskussionen om AI handler om modeller. For energibranchen tror jeg, at dataene bliver mindst lige så vigtige. Netselskaberne har allerede enorme mængder data fra målere, netstationer, sensorer, kundesystemer og andre fagsystemer. Problemet er ofte ikke mangel på data, men at vide, hvad dataene betyder, om de er korrekte, og hvordan de hænger sammen.
En måleværdi fortæller ikke så meget i sig selv. Men når vi kender målepunktet, netstrukturen, historikken og andre relevante forhold, kan vi udlede langt mere. Derfor bliver god dataforvaltning endnu vigtigere med AI. Data skal være tilgængelige, kvalitetssikrede og forståelige. Samtidig skal der være styr på, hvilke data AI får adgang til, og hvad de må bruges til.
Det er også let at sætte lighedstegn mellem AI og sprogmodeller. Mange af de mest interessante anvendelser i elnettet vil sandsynligvis kombinere traditionel maskinlæring, statistiske modeller og generativ AI. En model kan opdage et unormalt mønster, en sprogmodel kan hente relevante oplysninger og forklare, hvad der er sket, og en agent kan derefter foreslå eller igangsætte den rette arbejdsproces. Værdien for elsektoren vil stige betydeligt, når AI-teknologierne kobles sammen med gode energidata og eksisterende fagsystemer.
Vi bør ikke blive for forsigtige
AI-forordningen og ansvaret for kritisk infrastruktur kan hurtigt føre til, at energibranchen bliver mere forsigtig end nødvendigt. Det ville være en skam. Europa-Kommissionen understreger selv, at de fleste AI-systemer ikke er højrisikosystemer, og at reglerne bygger på, at kravene skal stå i forhold til risikoen.
Der findes allerede mange områder, hvor AI kan bruges, uden at vi giver den frie hænder i kritiske driftsprocesser. Datakvalitet, analyse, prognoser, dokumentation, kundeservice, fejlfinding og beslutningsstøtte er nogle eksempler. Derfra kan vi gradvist bevæge os videre.
Netselskaberne varetager en kritisk samfundsopgave, og det kræver, at vi er forsigtige. Men forsigtighed bør ikke blive en undskyldning for at vente. Vi bør tage AI i brug, hvor det skaber værdi, lære undervejs – og være tydelige om, hvor vi fortsat vil have mennesker i førersædet.