Comment voir comment l’IA façonne le travail d’entreprise ? Regardez une équipe de durabilité

Quelque part en ce moment, un analyste regarde un dossier de quatre cents factures de services publics parce qu’un régulateur, un client ou le conseil d’administration veut savoir l’empreinte carbone de l’entreprise, et une grande partie de ce chiffre est enfouie dans ces documents.

La construction de systèmes d’IA pour effectuer ce travail m’a convaincu de quelque chose : les équipes de durabilité d’entreprise sont en avance de quelques années sur le reste de l’entreprise en matière d’adoption de l’IA, car des conditions structurelles ont forcé la question plus tôt. Si vous voulez comprendre comment l’IA façonne réellement le travail de col blanc dans la pratique, ils sont le groupe à regarder.

Le changement se produit au niveau des tâches

Commençons par ce que disent les données. L’enquête sur l’état de l’IA de McKinsey a révélé que 88 % des organisations utilisent désormais l’IA dans au moins une fonction commerciale, et qu’environ un quart signalent une mise à l’échelle des agents d’IA quelque part dans l’entreprise, même si c’est généralement dans seulement une ou deux fonctions. L’adoption est presque universelle, mais la transformation ne l’est pas. Où se produit le changement ? La réponse, constamment, est au niveau des tâches. L’indice économique d’Anthropic, qui a analysé des millions de conversations d’IA dans le monde réel, a constaté que l’utilisation était biaisée vers l’augmentation (57 %) plutôt que vers l’automatisation complète (43 %), et que seulement environ 4 % des professions utilisaient l’IA pour trois quarts ou plus de leurs tâches. L’IA se diffuse à travers les tâches individuelles à l’intérieur des emplois.

Les effets sur les travailleurs sont déjà mesurables. L’indice AI 2026 de Stanford rapporte des gains de productivité qui sont réels mais inégaux (environ 14-15 % dans le support client, contre 26 % dans le développement de logiciels) et documente une baisse de près de 20 % depuis 2024 de l’emploi des développeurs de logiciels âgés de 22 à 25 ans, l’une des premières contractions mesurables de col blanc attribuables à l’IA. En zoomant plus loin, le Rapport sur l’avenir du travail du Forum économique mondial prévoit 170 millions d’emplois créés et 92 millions de postes supprimés d’ici 2030, avec 39 % des compétences essentielles changeant en cours de route. Les emplois ne disparaîtront probablement pas, mais leur composition est en train d’être réorganisée tâche par tâche, et la réorganisation a commencé.

Pourquoi les équipes de durabilité sont arrivées plus tôt

Trois conditions structurelles ont poussé la durabilité à l’avant-garde de cette courbe :

Tout d’abord, la charge de données est énorme par rapport à l’effectif. La comptabilité carbone est un problème d’ingénierie de données qui porte un déguisement environnemental. Les entrées sont les factures de services publics, les reçus de carburant, les factures de fret, les journaux de réfrigérants, les feuilles de calcul des fournisseurs, des milliers de documents dans des formats incohérents, aucun n’étant conçu pour être lisible par machine. Les équipes responsables sont souvent composées de deux ou trois personnes dans une entreprise d’un milliard de dollars. BSR a interrogé vingt équipes de durabilité d’entreprise sur leur utilisation de l’IA et a constaté le même schéma : le temps est consacré à la collecte et au nettoyage des données, et non à la décision de ce qu’il faut faire à leur sujet.

Deuxièmement, les délais sont fermes et les pénalités sont réelles. En vertu de la loi californienne SB 253, les entreprises ayant un chiffre d’affaires supérieur à 1 milliard de dollars et exerçant leurs activités dans l’État doivent déclarer leurs émissions de gaz à effet de serre de portée 1 et 2 à compter de 2026, avec une portée 3 à suivre et des pénalités administratives pouvant aller jusqu’à 500 000 $ en cas de non-conformité. La directive européenne sur la déclaration de durabilité des entreprises (CSRD) impose ses propres délais. La réglementation transforme « ce serait bien de l’automatiser » en « nous ne pouvons pas nous permettre de ne pas l’automatiser », ce qui débloque les budgets.

Troisièmement, le travail a une division naturelle du travail. Il y a une différence claire entre l’extraction et le jugement. Les machines excellent à extraire les kilowattheures, les therms et les gallons de documents désordonnés, à les mapper aux facteurs d’émission et à détecter la lecture du compteur qui a augmenté de 400 % d’un mois sur l’autre. Les humains sont nécessaires pour les parties difficiles : décider des limites organisationnelles, choisir les méthodologies et déterminer ce qu’il faut faire avec le chiffre une fois que vous l’avez. Peu de domaines de travail du savoir ont une division aussi nette. La durabilité le fait, c’est pourquoi l’IA transforme les rapports de durabilité plus rapidement que la plupart des fonctions adjacentes.

Comment les rôles évoluent

Voici ce que j’ai vu se produire dans les équipes qui adoptent sérieusement cet outillage : le centre de gravité du travail change.

Moins de temps est consacré à la saisie de chiffres à partir de PDF dans des tableurs, et plus de temps à examiner les exceptions, à valider ce que la machine a produit et à défendre le résultat. Les divulgations climatiques évoluent vers une assurance tierce, et « la machine a dit » n’est pas une traçabilité d’audit défendable. Un humain doit être en mesure de se tenir derrière le chiffre. La compétence principale de l’analyste passe de la saisie de données à la connaissance de quand la machine se trompe.

Je repousserais également doucement quiconque décrit cela comme une victoire sans équivoque. Il y a un véritable compromis : si les juniors ne font jamais le travail manuel, comment développent-ils leur jugement ? Examiner mille factures extraites enseigne ce à quoi ressemble un mauvais chiffre. Les chercheurs de Stanford soulignent la même préoccupation, à savoir que la forte dépendance à l’égard de l’IA pourrait entraîner un coût d’apprentissage à long terme. Je ne pense pas que quiconque ait une réponse complète ici. Les entreprises doivent maintenant concevoir des rôles juniors de manière délibérée, au lieu de laisser le travail de routine construire l’expertise par accident.

Le compromis que les équipes de durabilité connaissent le mieux

Il y a une autre raison pour laquelle ce coin de l’entreprise vaut la peine d’être regardé. Les équipes de durabilité sont les seules à adopter l’IA qui doivent compter le coût énergétique et environnemental de leurs propres outils. L’Agence internationale de l’énergie prévoit que la consommation d’électricité des centres de données doublera d’ici 2030, pour atteindre environ 945 térawattheures, approchant 3 % de l’électricité mondiale. Il est également vrai que l’énergie utilisée par tâche d’IA a baissé à un rythme remarquable. Les deux sont vrais en même temps, et une équipe de durabilité ne peut pas choisir le cadre qui lui convient, car la consommation atterrit dans l’inventaire des émissions de quelqu’un, de toute façon.

Cette contrainte produit une discipline que le reste de l’entreprise ferait bien de copier : assortir le modèle à la tâche. L’extraction de champs à partir d’une facture de services publics n’a pas besoin du plus grand modèle de frontière raisonnant à partir des principes de base ; un système plus petit, moins cher et plus efficace le fait généralement mieux et à une fraction de l’énergie. L’utilisation mesurée de l’IA, où la consommation est une entrée suivie plutôt qu’une après-pensée, arrive éventuellement pour chaque fonction. La durabilité y arrive en premier parce que mesurer les choses est leur travail.

Ce que le reste de l’entreprise peut apprendre

Les conditions qui ont poussé la durabilité en avant ne sont pas uniques. Toute fonction qui est petite par rapport à ses données, responsable devant des parties externes sur des délais fermes et ensevelie dans des documents non structurés suivra la même courbe : finance, approvisionnement, juridique et plus encore. Lorsque cela se produit, le livre de jeu de la durabilité vaut la peine d’être volé : automatiser le travail qui étouffe le jugement, et non le jugement lui-même ; garder un humain responsable de tout ce qui doit résister à un examen ; et mesurer ce que l’automatisation vous coûte, en dollars et en énergie.

La question intéressante n’a jamais été « l’IA prendra-t-elle les emplois ? » C’est « quels sont les travaux qui passent aux machines, dans quel ordre, et que font les gens avec les heures qui reviennent ? »

Les équipes de durabilité répondent à cette question, sur un délai de réglementation, avec des auditeurs qui vérifient leur travail. C’est autant d’aperçu de l’entreprise façonnée par l’IA que vous allez obtenir.