استغرقت شركة بريتش غاز 15 شهرًا لإصدار فاتورة نهائية وإعادة مبلغ يزيد عن 1500 جنيه إسترليني إلى إحدى العملاء، على الرغم من صدور حكم من أمين مظالم الطاقة قبل عام تقريبًا. انتقلت بيث كوجدر من شقتها المكونة من غرفة نوم واحدة في جنوب شرق لندن في أكتوبر 2024، وقدمت لاحقًا شكوى إلى أمين المظالم عندما فشلت شركة بريتش غاز في تقديم فاتورة نهائية أو إعادة رصيدها الدائن.

حكم أمين مظالم الطاقة لصالح كوجدر في فبراير 2025، وأمر شركة بريتش غاز بتلبية طلبها. ومع ذلك، يفتقر أمين المظالم إلى السلطة القانونية لإنفاذ قراراته. تلقت كوجدر عرضًا لاسترداد أموالها هذا الأسبوع، قبل وقت قصير من الموعد المقرر للنظر في قضيتها في محكمة المطالبات الصغيرة.

ذكرت شركة بريتش غاز أنها "تنفذ علاج أمين المظالم" لكوجدر واعتذرت عن التأخير. وقالت الشركة في بيان: "نحن آسفون للغاية على المدة التي استغرقها الأمر".

وصفت كوجدر العملية بأنها "لا هوادة فيها" و "مرهقة" و "مستنزفة تمامًا" في مقابلة مع بي بي سي. قدمت قراءات العداد لشركة بريتش غاز عندما انتقلت من شقتها لتسهيل إنشاء فاتورة نهائية.

يسلط التأخير الضوء على المخاوف المستمرة بشأن خدمة العملاء ودقة الفواتير في قطاع الطاقة. في حين أن شركات الطاقة تستفيد بشكل متزايد من الذكاء الاصطناعي والتعلم الآلي لتبسيط العمليات، بما في ذلك الفواتير ودعم العملاء، فإن حالات مثل حالة كوجدر تثبت القيود المفروضة على هذه التقنيات عندما لا يتم تنفيذها أو الإشراف عليها بشكل صحيح. تم تصميم أنظمة الفوترة التي تعمل بالذكاء الاصطناعي، على سبيل المثال، لأتمتة حساب استهلاك الطاقة وإنشاء فواتير دقيقة. ومع ذلك، تعتمد هذه الأنظمة على إدخال بيانات دقيقة وخوارزميات قوية. يمكن أن تؤدي الأخطاء في قراءات العداد أو معلومات التعريفة غير الصحيحة أو العيوب في الخوارزميات إلى فواتير غير دقيقة وتأخر في استرداد الأموال.

يثير استخدام الذكاء الاصطناعي في خدمة العملاء أيضًا تساؤلات حول المساءلة والشفافية. غالبًا ما تكون روبوتات الدردشة والمساعدون الافتراضيون هم نقطة الاتصال الأولى للعملاء، ولكن قد لا يكونون مجهزين للتعامل مع المشكلات المعقدة أو تقديم دعم مخصص. يمكن أن يؤدي ذلك إلى الإحباط والتأخير، خاصة بالنسبة للعملاء الضعفاء.

تركز أحدث التطورات في الذكاء الاصطناعي لقطاع الطاقة على تحسين دقة وموثوقية هذه الأنظمة. تستثمر الشركات في نماذج متقدمة للتعلم الآلي يمكنها اكتشاف وتصحيح الأخطاء في بيانات الفوترة، والتنبؤ بأنماط استهلاك الطاقة، وتخصيص تفاعلات العملاء. ومع ذلك، تتطلب هذه التطورات اهتمامًا دقيقًا بخصوصية البيانات والتحيز الخوارزمي والإشراف البشري لضمان نتائج عادلة ومنصفة لجميع العملاء.