Ingin Melihat Bagaimana AI Mengubah Pekerjaan Perusahaan? Tonton Tim Keberlanjutan

Di suatu tempat, seorang analis sedang menatap folder yang berisi empat ratus tagihan utilitas karena seorang regulator, pelanggan, atau dewan ingin mengetahui jejak karbon perusahaan, dan sebagian besar dari angka tersebut terkubur dalam dokumen-dokumen tersebut.

Membangun sistem AI yang melakukan pekerjaan ini telah meyakinkan saya tentang sesuatu: tim keberlanjutan perusahaan sedang berlari beberapa tahun lebih cepat daripada sisanya perusahaan dalam adopsi AI karena kondisi struktural memaksa masalah ini lebih awal. Jika Anda ingin memahami bagaimana AI sebenarnya mengubah pekerjaan kantor dalam praktek, mereka adalah kelompok yang perlu Anda tonton.

Perubahan Terjadi pada Tingkat Tugas

Mulai dengan apa yang dikatakan data. Survei State of AI terbaru dari McKinsey menemukan bahwa 88% organisasi sekarang menggunakan AI dalam setidaknya satu fungsi bisnis, dan sekitar seperempat melaporkan penskalaan agen AI di suatu tempat di perusahaan, meskipun biasanya hanya dalam satu atau dua fungsi. Adopsi hampir universal, tetapi transformasi tidak. Jadi, di mana perubahan terjadi? Jawabannya, konsisten, adalah pada tingkat tugas. Indeks Ekonomi Anthropic, yang menganalisis jutaan percakapan AI dunia nyata, menemukan penggunaan yang miring ke arah augmentasi (57%) daripada otomatisasi penuh (43%), dan bahwa hanya sekitar 4% pekerjaan menggunakan AI untuk tiga perempat atau lebih dari tugas mereka. AI sedang menyebar di seluruh tugas individu di dalam pekerjaan.

Dampaknya pada pekerja sudah dapat diukur. Laporan AI Index 2026 Stanford melaporkan peningkatan produktivitas yang nyata tetapi tidak merata (sekitar 14–15% di dukungan pelanggan, versus 26% di pengembangan perangkat lunak) dan mendokumentasikan penurunan sekitar 20% sejak 2024 dalam pekerjaan untuk pengembang perangkat lunak berusia 22 hingga 25 tahun, salah satu kontraksi pekerjaan kantor putih yang pertama dapat diukur yang dapat dikaitkan dengan AI. Zoom out lebih jauh, dan Laporan Masa Depan Pekerjaan Forum Ekonomi Dunia memproyeksikan 170 juta pekerjaan yang dibuat dan 92 juta pekerjaan yang dipindahkan oleh 2030, dengan 39% keterampilan inti yang berubah di sepanjang jalan. Pekerjaan sebagian besar tidak akan hilang, tetapi komposisinya sedang diatur ulang tugas demi tugas, dan pengaturan ulang telah dimulai.

Mengapa Tim Keberlanjutan Berada di Depan

Tiga kondisi struktural mendorong keberlanjutan ke depan kurva ini:

Pertama, beban data sangat besar relatif terhadap jumlah pekerja. Akuntansi karbon adalah masalah teknik data yang mengenakan kostum lingkungan. Inputnya adalah tagihan utilitas, tanda terima bahan bakar, faktur pengiriman, log refrigeran, dan lembar kerja supplier, ribuan dokumen dalam format yang tidak konsisten, tidak dirancang untuk dapat dibaca mesin. Tim yang bertanggung jawab sering kali terdiri dari dua atau tiga orang di perusahaan senilai miliaran dolar. BSR mewawancarai dua puluh tim keberlanjutan perusahaan tentang penggunaan AI mereka dan menemukan pola yang sama: waktu dihabiskan untuk mengumpulkan dan membersihkan data, bukan untuk memutuskan apa yang harus dilakukan tentang hal itu.

Kedua, batas waktu yang keras dan hukuman yang nyata. Di bawah SB 253 California, perusahaan dengan pendapatan lebih dari $1 miliar yang melakukan bisnis di negara bagian harus melaporkan emisi gas rumah kaca skala 1 dan 2 mereka mulai tahun 2026, dengan skala 3 untuk diikuti dan hukuman administratif hingga $500.000 untuk non-kompatibilitas. Direktif Pelaporan Keberlanjutan Perusahaan Eropa (CSRD) mengenakan timeline mereka sendiri. Regulasi mengubah “akan lebih baik jika kita mengotomatisasi ini” menjadi “kita tidak bisa mempekerjakan jalan keluar dari ini,” yang memindahkan anggaran.

Ketiga, pekerjaan memiliki pembagian kerja alami. Ada perbedaan yang jelas antara ekstraksi dan penilaian. Mesin unggul dalam menarik kilowatt-jam, therm, dan galon dari dokumen yang berantakan, memetakan mereka ke faktor emisi, dan menangkap pembacaan meter yang melompat 400% dari bulan ke bulan. Manusia diperlukan untuk bagian yang sulit: memutuskan batas organisasi, memilih metode, dan menentukan apa yang harus dilakukan tentang angka tersebut sekali Anda memiliki itu. Sedikit domain pekerjaan pengetahuan yang membagi ini dengan jelas. Keberlanjutan melakukannya, yang mengapa AI mengubah pelaporan keberlanjutan lebih cepat daripada sebagian besar fungsi yang berdekatan.

Bagaimana Peran Mengalami Perubahan

Berikut adalah apa yang saya lihat terjadi pada tim yang mengadopsi alat ini dengan serius: gravitasi pusat pekerjaan bergerak.

Lebih sedikit waktu untuk mengetikkan angka dari PDF ke spreadsheet, dan lebih banyak waktu untuk meninjau pengecualian, memvalidasi apa yang dihasilkan mesin, dan membela hasilnya. Pengungkapan iklim bergerak menuju jaminan pihak ketiga, dan “model mengatakan begitu” bukanlah jejak audit yang dapat dipertahankan. Seorang manusia harus dapat berdiri di belakang angka tersebut. Keterampilan inti analis bergeser dari entri data ke mengetahui kapan mesin salah.

Saya juga akan mempertanyakan siapa pun yang menggambarkan ini sebagai kemenangan yang tidak ambigu. Ada pertukaran yang nyata: jika orang junior tidak pernah melakukan pekerjaan manual, bagaimana mereka mengembangkan penilaian? Meninjau seribu tagihan yang diekstrak mengajarkan Anda apa yang terlihat seperti angka yang salah. Peneliti Stanford menandai kekhawatiran yang sama bahwa ketergantungan AI yang berat mungkin membawa biaya pembelajaran jangka panjang. Saya tidak pikir siapa pun memiliki jawaban lengkap di sini. Perusahaan sekarang harus merancang peran junior dengan sengaja, bukan membiarkan pekerjaan kasar membangun keahlian secara kebetulan.

Pertukaran yang Paling Diketahui Tim Keberlanjutan

Ada satu alasan lagi mengapa sudut perusahaan ini layak untuk ditonton. Tim keberlanjutan adalah satu-satunya pengadopsi AI yang diwajibkan untuk menghitung biaya energi dan lingkungan dari alat mereka sendiri. Badan Energi Internasional memproyeksikan bahwa konsumsi listrik pusat data akan hampir dua kali lipat pada 2030, menjadi sekitar 945 terawatt-jam, mendekati 3% dari konsumsi listrik global. Juga benar bahwa energi yang digunakan per tugas AI telah menurun dengan tingkat yang luar biasa. Keduanya benar sekaligus, dan tim keberlanjutan tidak bisa memilih kerangka mana yang nyaman, karena konsumsi tersebut masuk ke dalam inventori emisi seseorang dengan cara apa pun.

Keterbatasan itu menghasilkan disiplin yang perusahaan lain sebaiknya tiru: sesuaikan model dengan tugas. Mengambil bidang dari tagihan utilitas tidak memerlukan model frontier terbesar yang bernalar dari prinsip pertama; sistem yang lebih kecil, lebih murah, dan lebih efisien biasanya melakukannya dengan lebih baik dan pada sebagian kecil dari energi. Penggunaan AI yang diukur, di mana konsumsi adalah input yang dilacak bukan sebagai afterthought, akan segera hadir untuk setiap fungsi. Keberlanjutan hanya mendapat kesempatan pertama karena mengukur hal-hal adalah pekerjaan mereka.

Apa yang Dapat Dipelajari Perusahaan Lain

Kondisi yang mendorong keberlanjutan ke depan tidak unik. Setiap fungsi yang kecil relatif terhadap datanya, bertanggung jawab kepada pihak eksternal pada batas waktu yang keras, dan terkubur dalam dokumen yang tidak terstruktur akan mengikuti kurva yang sama: keuangan, pengadaan, hukum, dan banyak lagi. Ketika itu terjadi, buku pedoman keberlanjutan layak untuk dicuri: otomatiskan pekerjaan yang menghalangi penilaian, bukan penilaian itu sendiri; pertahankan seorang manusia yang bertanggung jawab untuk apa pun yang perlu bertahan dalam pemeriksaan; dan ukur apa yang biayanya untuk otomatisasi, dalam dolar dan energi.

Pertanyaan yang menarik tidak pernah “apakah AI akan mengambil pekerjaan?” Ini adalah “tugas mana yang pindah ke mesin, dalam urutan apa, dan apa yang dilakukan orang dengan jam yang kembali?”

Tim keberlanjutan sedang menjawab pertanyaan itu, pada batas waktu regulasi, dengan auditor yang memeriksa pekerjaan mereka. Itu adalah preview terbaik dari perusahaan yang diubah oleh AI yang akan Anda dapatkan.