L’implementazione dell’intelligenza artificiale nel settore energetico rinnovabile è ancora lontanissima dal suo pieno potenziale. L’AI potrebbe contribuire in moltissimi ambiti: efficienza degli impianti, riduzione dei costi, ottimizzazione produttiva.
Eppure, secondo lo studio di Boston Consulting Group (BCG) “A New AI Playbook for Renewable Energy Companies”, tra le attese delle aziende del settore e i risultati che hanno effettivamente raggiunto c’è un gap importante.
Quasi il 60% dei dirigenti si aspettava benefici concreti in tempi rapidi, entro un anno dall’adozione. Ma oltre il 70% è insoddisfatto di quanto ottenuto finora.
Che cosa è mancato
Si tratta, probabilmente, di un eccesso di entusiasmo e di una carenza di pianificazione strategica. L’intelligenza artificiale è stata adottata in modo frammentato, tattico, per sperimentazioni qua e là. È mancata una regia che permettesse alle soluzioni testate di entrare nella quotidianità dell’azienda e di generare benefici.
Insomma: la tecnologia non è entrata nella governance e nella visione industriale. Per ora, almeno.
Se l’AI venisse realmente integrata, potrebbe aumentare l’efficienza operativa tra il 15% e il 25%, secondo BCG. E migliorare la disponibilità di energia rinnovabile di almeno 2 o 3 punti percentuale, generando ritorni significativi nell’arco dei prossimi cinque anni.
Gli ostacoli
Si fa presto a dire che è mancata la governance. Nello specifico, l’integrazione dell’AI è rallentata anche da una serie di barriere strutturali, non solo tecnologiche. Ad esempio, molti impianti non sono equipaggiati con i sottosistemi digitali necessari a generare e trasmettere dai in tempo reale. Questo impedisce la formazione e il funzionamento dei modelli predittivi, che appunto di dati si nutrono.
C’è poi il tema della frammentazione degli attori: produttori, utility, operatori di rete e autorità regolatorie. Qui il tema della governance dell’innovazione si amplia: i ruoli non sono sempre allineati e i flussi di dati possono risultare incoerenti o disgiunti. Aggiungiamoci i vincoli normativi a cui sono soggetti tutti questi attori, il tema dell’accesso ai dati sensibili e le competenze digitali disomogenee, ammesso che ci siano.
Il dialogo tra aziende e specialisti di AI può rivelarsi assai complesso, portando a soluzioni tecnologiche disallineate dalla reali esigenze operative.
È il momento della concretezza
La sfida è ora superare il momento di sperimentazioni, test e proof of concept. Serve una progettualità dell’innovazione, un piano per inserire l’AI nei processi chiave e abbandonare tutti quegli ambiti in cui gli esperimenti sono stati delusione.
Anziché tanti piccoli progetti, occorre partire da poche e chiare direttrici di innovazione, permettendo all’intelligenza artificiale di entrare nella realtà quotidiana dell’azienda. La priorità dovrebbe andare agli ambiti in cui è possibile stimare l’impatto atteso in termini di ritorni economici, efficienza operativa e adozione interna.
Non a caso, è proprio qui che le aziende hanno ottenuto le maggiori soddisfazioni: i dati dicono che l’utilizzo strutturato dell’AI può migliorare l’efficienza operativa tra il 15% e il 25% e ridurre i costi di manutenzione - generando ritorni significativi già nel medio termine.
Non tutti i casi d’uso meritano lo stesso livello di attenzione: quelli prossimi agli obiettivi strategici dell’azienda, dalla resilienza di rete alla decarbonizzazione, hanno l’indubbio vantaggio di potere sfruttare dati di qualità, infrastrutture compatibili e un’organizzazione già attenta a cogliere le opportunità.
Secondo i dati di BCG, la capacità di coinvolgere i team operativi influenza per il 70% il successo di un progetto legato all’AI. Il restante 30% è legato allo sviluppo degli algoritmi (10%) e agli investimenti in dati e tecnologia (20%). Di nuovo, servono regia e governance, per utilizzare al meglio la tecnologia.
