Vil du se, hvordan AI formerer sig i virksomheden? Se på et bæredygtighedsteam

Et eller andet sted lige nu stirrer en analytiker på en mappe med fire hundrede el-regninger, fordi en regulator, en kunde eller bestyrelsen vil vide, hvilken virksomhedens kulstofaftryk er, og meget af denne tal ligger begravet i disse dokumenter.

At bygge AI-systemer, der kan udføre dette arbejde, har overbevist mig om noget: virksomhedens bæredygtighedsteams er et par år foran resten af virksomheden, når det kommer til AI-adopteringsgrad, fordi strukturelle betingelser tvang spørgsmålet tidligt. Hvis du vil forstå, hvordan AI faktisk formerer sig i hvidkravearbejde i praksis, er de gruppen, du skal se på.

Forandring sker på opgaveniveau

Start med, hvad data siger. McKinseys seneste State of AI-undersøgelse fandt, at 88% af organisationerne nu bruger AI i mindst én forretningsfunktion, og omkring en fjerdedel rapporterer, at de skalere AI-agenter et sted i virksomheden, selvom det normalt kun er i én eller to funktioner. Adopteringen er næsten universal, men transformationen er det ikke. Hvor sker forandringen så? Svaret, konsekvent, er på opgaveniveau. Anthropics Economic Index, der analyserede millioner af virkelige AI-samtaler, fandt, at brugen var fordelt mod augmentation (57%) over fuld automation (43%), og at kun omkring 4% af beskæftigelsesformerne brugte AI til tre fjerdedele eller mere af deres opgaver. AI udvikler sig over de enkelte opgaver inden for job.

Effekterne på arbejderne er allerede målbare. Stanfords 2026 AI-Index rapporterer, at produktivitetsgevinsterne er virkelige, men uregelmæssige (omkring 14-15% i kundesupport, i forhold til 26% i softwareudvikling) og dokumenterer en næsten 20% nedgang siden 2024 i beskæftigelse for softwareudviklere i alderen 22 til 25, en af de første målbare hvidkravekontraktioner, der kan tilskrives AI. Når man zoomer ud, projekterer World Economic Forums Future of Jobs-rapport, at 170 millioner jobs bliver skabt og 92 millioner erstattes af 2030, med 39% af de centrale færdigheder, der ændres undervejs. Jobs forsvinder ikke helt, men deres sammensætning ændres opgave for opgave, og omlægningen er startet.

Hvorfor bæredygtighedsteams kom tidligt

Tre strukturelle betingelser fik bæredygtighed til at komme først:

Først er data-børdet enormt i forhold til antallet af medarbejdere. Kulstofregnskab er et dataingeniørproblem, der bærer en miljøkostume. Indgangene er el-regninger, brændstofkvitteringer, fragtinvoicer, kølemedie-logfiler og leverandørspreadsheets, tusinder af dokumenter i inkonsistente formater, ingen af dem designet til at være maskinlæsbare. Holdene, der er ansvarlige, er ofte to eller tre personer i en milliarddollarsvirksomhed. BSR interviewede tyve virksomhedens bæredygtighedsteams om deres AI-brug og fandt det samme mønster: tiden går til at indsamle og rense data, ikke til at beslutte, hvad man skal gøre ved det.

Anden er, at deadline er hård og straffen er reel. Under Californiens SB 253 skal virksomheder med over 1 milliard dollars i omsætning, der driver forretning i staten, rapportere deres scope 1 og 2 drivhusgasemissioner fra 2026, med scope 3 til at følge og administrative straffe på op til 500.000 dollars for non-compliance. Europas Corporate Sustainability Reporting Directive (CSRD) pålægger sine egne tidsfrister. Regulering omgør “det ville være rart at automatisere dette” til “vi kan ikke personele os ud af dette”, hvilket flytter budgetter.

Tredje er, at arbejdet har en naturlig arbejdsdeling. Der er en tydelig forskel mellem udtrækning og dømmekraft. Maskiner er gode til at trække kilowatt-timer, termer og gallon ud af beskidte dokumenter, til at knytte dem til emissionsfaktorer og til at fange måleningen, der sprang 400% fra måned til måned. Mennesker er nødvendige for de hårde dele: at beslutte organisationsgrænser, at vælge metoder og at finde ud af, hvad man skal gøre ved tallet, når man har det. Få videnarbejdsdomæner splitter dette rent. Bæredygtighed gør, og det er derfor, AI transformerer bæredygtighedsrapportering hurtigere end de fleste tilstødende funktioner.

Hvordan rollerne udvikler sig

Her er, hvad jeg har set ske på hold, der adopterer denne værktøj seriøst: jobbets tyngdepunkt flytter sig.

Mindre tid til at taste numre fra PDF’er ind i regneark, og mere tid til at gennemgå undtagelser, validerer, hvad maskinen producerer, og forsvare resultatet. Klimaafsløringer bevæger sig mod tredjeparts-garanti, og “modellen sagde så” er ikke en forsvarlig revisionshistorie. Et menneske skal være i stand til at stå bag tallet. Analytikernes kernefærdighed skifter fra dataindtastning til at vide, når maskinen er forkert.

Jeg ville også forsigtigt modsætte mig enhver, der beskriver dette som en ubetinget sejr. Der er en reel afvejning: hvis juniorfolk aldrig udfører det manuelle arbejde, hvordan udvikler de så deres dømmekraft? At gennemgå en tusind udtrukne regninger lærer dig, hvad et forkert tal ligner. Stanfords forskere peger på den samme bekymring, at tung AI-afhængighed kan medføre en langsigtede læringsomkostninger. Jeg tror ikke, nogen har et komplet svar her endnu. Virksomhederne skal nu designe juniorroller bevidst, i stedet for at lade grundarbejdet bygge ekspertise ved en tilfældighed.

Det kompromis, bæredygtighedsteams kender bedst

Der er endnu en grund til, at dette hjørne af virksomheden er værd at se på. Bæredygtighedsteams er de eneste AI-adoptører, der kræver at tælle energi- og miljøomkostningerne ved deres egne værktøjer. Den Internationale Energiagentur projekterer, at datacenterets elforbrug vil være næsten fordoblet i 2030, til omkring 945 terawatt-timer, nærmer sig 3% af den globale elforbrug. Det er også sandt, at den energi, der bruges pr. AI-opgave, er faldet med en bemærkelsesværdig hastighed. Begge er sande på samme tid, og et bæredygtighedsteam kan ikke vælge, hvilken ramme der er bekvemt, fordi forbrug lander i nogen sin emissionslager uanset.

Denne begrænsning producerer en disciplin, som resten af virksomheden ville gøre godt i at kopiere: match modellen til opgaven. At udtrække felter fra en el-regning kræver ikke den største frontmodell, der resonerer fra første princip; et mindre, billigere, mere effektivt system gør det normalt bedre og til en brøkdel af energien. Målt AI-brug, hvor forbrug er en sporet indgang og ikke en eftertanke, kommer til alle funktioner til sidst. Bæredygtighed kommer bare først, fordi måling er deres job.

Hvad resten af virksomheden kan lære

De betingelser, der fik bæredygtighed til at komme først, er ikke unikke. Enhver funktion, der er lille i forhold til sin data, ansvarlig over for eksterne parter på hårde deadline og begravet i ustrukturerede dokumenter, vil følge den samme kurve: finans, indkøb, juridisk og mere. Når det sker, er bæredygtighedens playbook værd at stjæle: automatiser arbejdet, der trænger ud dømmekraft, ikke dømmekraften selv; hold et menneske ansvarligt for alt, der skal stå til skudsigt; og mål, hvad automationen koster dig, i dollars og energi.

Det interessante spørgsmål var aldrig “vil AI tage jobbene?” Det er “hvilke opgaver flytter til maskiner, i hvilken rækkefølge, og hvad gør mennesker med de timer, der kommer tilbage?”

Bæredygtighedsteams besvarer dette spørgsmål, på en regulatorisk deadline, med revisorer, der kontrollerer deres arbejde. Det er så godt en forhåndsvisning af den AI-omformede virksomhed, som du får.