Θέλεις να Δεις Πώς το AI Μεταμορφώνει την Εργασία στην Επιχείρηση; Παρακολούθησε μια Ομάδα Βιωσιμότητας

Κάπου εκεί έξω, ένας αναλυτής κοιτάζει ένα φάκελο με четыреста λογαριασμούς κοινής ωφελείας, επειδή ένας ρυθμιστής, ένας πελάτης ή το διοικητικό συμβούλιο θέλει να γνωρίσει το αποτύπωμα άνθρακα της εταιρείας, και το μεγαλύτερο μέρος αυτού του αριθμού είναι θαμμένο σε αυτά τα έγγραφα.

Η κατασκευή συστημάτων AI που κάνουν αυτή τη δουλειά με έχει πείσει για κάτι: οι εταιρικές ομάδες βιωσιμότητας τρέχουν μερικά χρόνια μπροστά από το υπόλοιπο της επιχείρησης στην υιοθέτηση του AI, επειδή οι δομικές συνθήκες έθεσαν το ζήτημα νωρίς. Αν θέλεις να κατανοήσεις πώς το AI πραγματικά μεταμορφώνει την εργασία σε λευκά κολάρα στην πράξη, είναι η ομάδα που πρέπει να παρακολουθήσεις.

Η αλλαγή συμβαίνει στο επίπεδο της εργασίας

Ξεκίνα με αυτό που λέει η στατιστική. Η τελευταία έρευνα του McKinsey για την κατάσταση του AI βρήκε ότι το 88% των οργανισμών χρησιμοποιούν πλέον το AI σε τουλάχιστον μια επιχειρηματική λειτουργία, και περίπου ένα τέταρτο αναφέρει ότι κλιμακώνουν πράκτορες AI κάπου στην επιχείρηση, αν και συνήθως μόνο σε μια ή δύο λειτουργίες. Η υιοθέτηση είναι σχεδόν καθολική, αλλά η μετασχηματισμός δεν είναι. Πού συμβαίνει η αλλαγή; Η απάντηση, συνεχώς, είναι στο επίπεδο της εργασίας. Ο Οικονομικός Δείκτης της Anthropic, ο οποίος ανέλυσε εκατομμύρια πραγματικών συνομιλιών AI, βρήκε ότι η χρήση ήταν προκατειλημμένη προς την επέκταση (57%) hơn από την πλήρη αυτοματοποίηση (43%), και ότι μόνο περίπου το 4% των επαγγελμάτων χρησιμοποιούσε το AI για τρία τέταρτα ή περισσότερα από τις εργασίες τους. Το AI διαχέεται σε μεμονωμένες εργασίες μέσα στις δουλειές.

Τα αποτελέσματα για τους εργαζόμενους είναι ήδη μετρήσιμα. Ο Δείκτης AI του Stanford αναφέρει κέρδη παραγωγικότητας που είναι πραγματικά αλλά ανίσου (περίπου 14-15% στην υποστήριξη πελατών, έναντι 26% στην ανάπτυξη λογισμικού) και τεκμηριώνει μια σχεδόν 20% μείωση από το 2024 στην απασχόληση για προγραμματιστές λογισμικού ηλικίας 22-25 ετών, μια από τις πρώτες μετρήσιμες μείωση της απασχόλησης σε λευκά κολάρα που αποδίδεται στο AI. Αν κάνεις ζουμ πιο μακριά, και ο Δείκτης του Μέλλοντος της Εργασίας του Παγκόσμιου Οικονομικού Φόρουμ προβλέπει τη δημιουργία 170 εκατομμυρίων θέσεων εργασίας και την απώλεια 92 εκατομμυρίων θέσεων εργασίας μέχρι το 2030, με το 39% των βασικών δεξιοτήτων να αλλάζει κατά τη διαδικασία. Οι δουλειές δεν θα εξαφανιστούν, αλλά η σύνθεσή τους αναδιαμορφώνεται εργασία προς εργασία, και η αναδιαμόρφωση έχει ήδη ξεκινήσει.

Γιατί οι ομάδες βιωσιμότητας προχώρησαν νωρίς

Τρεις δομικές συνθήκες έσπρωξαν τη βιωσιμότητα στο μπροστινό μέρος αυτής της καμπύλης:

Πρώτον, το φορτίο δεδομένων είναι τεράστιο σε σχέση με τον αριθμό των εργαζομένων. Η λογιστική άνθρακα είναι ένα πρόβλημα μηχανικής δεδομένων που φοράει ένα περιβαλλοντικό κοστούμι. Οι εισροές είναι λογαριασμοί κοινής ωφελείας, αποδείξεις καυσίμων, τιμολόγια μεταφοράς, καταγραφές ψυκτικών μέσων, και ηλεκτρονικοί πίνακες προμηθευτών, χιλιάδες έγγραφα σε ασυνεπείς μορφές, κανένα από τα οποία δεν σχεδιάστηκε για να είναι μηχανικά αναγνώσιμα. Οι ομάδες που είναι υπεύθυνες για αυτά είναι συχνά δύο ή τρεις άνθρωποι σε μια εταιρεία δισεκατομμυρίων. Η BSR συνεντέρεψε με είκοσι εταιρικές ομάδες βιωσιμότητας σχετικά με τη χρήση του AI και βρήκε το ίδιο μοτίβο: ο χρόνος πηγαίνει στη συλλογή και τον καθαρισμό δεδομένων, όχι στη λήψη αποφάσεων για το τι να κάνουν με αυτά.

Δεύτερον, οι προθεσμίες είναι σκληρές και οι ποινές είναι πραγματικές. Σύμφωνα με τον νόμο SB 253 της Καλιφόρνιας, οι εταιρείες με έσοδα πάνω από 1 δισεκατομμύριο δολάρια που λειτουργούν στην πολιτεία πρέπει να αναφέρουν τις εκπομπές αερίων θερμοκηπίου των σκοπών 1 και 2, ξεκινώντας από το 2026, με τις σκόπους 3 να ακολουθούν και διοικητικές ποινές μέχρι 500.000 δολάρια για μη συμμόρφωση. Η Οδηγία της ΕΕ για την Εταιρική Βιωσιμότητα (CSRD) επιβάλλει τις δικές της προθεσμίες. Η ρύθμιση μετατρέπει το “θα ήταν καλό να αυτοματοποιήσουμε αυτό” σε “δεν μπορούμε να staff ourselves out of this”, το οποίο κινεί τους προϋπολογισμούς.

Τρίτον, η δουλειά έχει μια φυσική διαίρεση της εργασίας. Υπάρχει μια σαφής διαφορά μεταξύ εξαγωγής και κρίσης. Οι μηχανές excelling στο να βγάζουν kilowatt-ώρες, θερμίδες και γαλόνια από ακατάστατα έγγραφα, χαρτογραφώντας τους σε παράγοντες εκπομπής και πιάνοντας την μετρητική ανάγνωση που αυξήθηκε 400% από μήνα σε μήνα. Οι άνθρωποι χρειάζονται για τα σκληρά μέρη: αποφασίζοντας οργανωτικά σύνορα, επιλέγοντας μεθοδολογίες και κατανοώντας τι να κάνουν με τον αριθμό μια φορά που τον έχουν. Λίγες γνώσεις-εργασία τομείς σπάζουν αυτό καθαρό. Η βιωσιμότητα το κάνει, που είναι γιατί το AI μεταμορφώνει τη βιωσιμότητα αναφοράς πιο γρήγορα από τις περισσότερες γειτονικές λειτουργίες.

Πώς εξελίσσονται οι ρόλοι

Εδώ είναι τι έχω παρατηρήσει να συμβαίνει σε ομάδες που υιοθετούν σοβαρά αυτά τα εργαλεία: το κέντρο βαρύτητας της δουλειάς μετακινείται.

Λιγότερος χρόνος πληκτρολογώντας αριθμούς από PDFs σε电子ικά φύλλα και περισσότερος χρόνος ανασκόπησης εξαιρέσεων, επικύρωσης του τι παράγει η μηχανή και υπεράσπισης του αποτελέσματος. Οι αποκαλύψεις κλίματος κινούνται προς την τρίτη-παράταξη εγγύηση, και “το μοντέλο είπε έτσι” δεν είναι μια υπερασπίσιμη ιχνηλασία ελέγχου. Ένας άνθρωπος πρέπει να είναι σε θέση να στηρίξει τον αριθμό. Η βασική δεξιότητα του αναλυτή μετατοπίζεται από την είσοδο δεδομένων στην γνώση του πότε η μηχανή είναι λάθος.

Θα ήθελα επίσης να αντιταχθώ σε οποιονδήποτε που περιγράφει αυτό ως μια αμφίσημη νίκη. Υπάρχει μια πραγματική ανταλλαγή: αν οι νεότεροι άνθρωποι δεν κάνουν ποτέ τη χειρωνακτική δουλειά, πώς αναπτύσσουν την κρίση; Η ανασκόπηση χιλιάδων εξαγώμενων λογαριασμών διδάσκει τι μοιάζει ένας λάθος αριθμός. Οι ερευνητές του Stanford σημειώνουν την ίδια ανησυχία ότι η βαριά εξάρτηση από το AI μπορεί να έχει ένα μακροπρόθεσμο κόστος μάθησης. Δεν νομίζω ότι κάποιος έχει μια πλήρη απάντηση εδώ ακόμη. Οι εταιρείες πρέπει τώρα να σχεδιάσουν τους νεότερους ρόλους σκόπιμα, αντί να αφήσουν τη δουλειά να χτίσει εμπειρογνωσία τυχαία.

Η ανταλλαγή που γνωρίζουν καλύτερα οι ομάδες βιωσιμότητας

Υπάρχει ένας ακόμη λόγος για τον οποίο αυτή η γωνία της επιχείρησης αξίζει να παρακολουθήσεις. Οι ομάδες βιωσιμότητας είναι οι μόνοι υιοθετούντες του AI που απαιτούν να μετρήσουν το ενεργειακό και περιβαλλοντικό κόστος των δικών τους εργαλείων. Η Διεθνής Ενεργειακή Υπηρεσία προβλέπει ότι η κατανάλωση ηλεκτρικής ενέργειας των κέντρων δεδομένων θα διπλασιαστεί περίπου μέχρι το 2030, σε περίπου 945 terawatt-ώρες, προσεγγίζοντας το 3% της παγκόσμιας ηλεκτρικής ενέργειας. Είναι επίσης αλήθεια ότι η ενέργεια που χρησιμοποιείται ανά εργασία AI έχει μειωθεί με ένα αξιοσημείωτο ρυθμό. Και τα δύο είναι αλήθεια ταυτόχρονα, και μια ομάδα βιωσιμότητας δεν μπορεί να επιλέξει ποια διατύπωση είναι πιο βολική, επειδή η κατανάλωση προσγείωσης σε κάποιον άλλο εμπόριο εντός του εύρους εκπομπών.

Αυτός ο περιορισμός παράγει μια πειθαρχία που το υπόλοιπο της επιχείρησης θα κάνει καλά να αντιγράψει: ταιριάζει το μοντέλο με την εργασία. Η εξαγωγή πεδίων από einen λογαριασμό κοινής ωφελείας δεν απαιτεί το μεγαλύτερο μοντέλο frontiers reasoning από τις αρχές, ένα μικρότερο, φθηνότερο, πιο αποτελεσματικό σύστημα συνήθως το κάνει καλύτερα και σε μια κλάσμα της ενέργειας. Το μετρημένο AI χρήση, όπου η κατανάλωση είναι μια μετρημένη είσοδος αντί για μια μετάνοια, έρχεται για κάθε λειτουργία τελικά. Η βιωσιμότητα το κάνει πρώτα γιατί η μέτρηση πραγμάτων είναι η δουλειά τους.

Τι μπορεί να μάθει το υπόλοιπο της επιχείρησης

Οι συνθήκες που έσπρωξαν τη βιωσιμότητα μπροστά δεν είναι μοναδικές. Κάθε λειτουργία που είναι μικρή σε σχέση με τα δεδομένα της, υπεύθυνη σε εξωτερικούς παράγοντες σε σκληρές προθεσμίες και θαμμένη σε ακατάστατα έγγραφα θα ακολουθήσει την ίδια καμπύλη: χρηματοοικονομικά, προμήθεια, νομικά, και πολλά άλλα. Όταν συμβεί αυτό, το βιβλίο παιχνιδιών της βιωσιμότητας αξίζει να κλέψει: αυτοματοποιήστε τη δουλειά που πνίγει την κρίση, όχι την κρίση herself, διατηρήστε έναν άνθρωπο υπεύθυνο για οτιδήποτε χρειάζεται να σταθεί στην επιθεώρηση και μετρήστε τι κοστίζει η αυτοματοποίηση σας, σε δολάρια και ενέργεια.

Το ενδιαφέρον ερώτημα δεν ήταν ποτέ “θα πάρει το AI τις δουλειές;” Είναι “ποίες εργασίες μετακινούνται σε μηχανές, σε ποια σειρά, και τι κάνουν οι άνθρωποι με τις ώρες που επιστρέφουν;”

Οι ομάδες βιωσιμότητας απαντούν σε αυτό το ερώτημα, σε μια ρυθμιστική προθεσμία, με ελεγκτές που ελέγχουν τη δουλειά τους. Αυτό είναι τόσο καλή προεπισκόπηση της επιχείρησης που έχει διαμορφωθεί από το AI, όσο θα πάρετε.