Wil je zien hoe AI het bedrijfsleven vormgeeft? Kijk naar een duurzaamheidsteam

Ergens op dit moment staart een analist naar een map met vierhonderd utility bills, omdat een regulator, een klant of de raad van bestuur de carbon footprint van het bedrijf wil weten, en een groot deel van dat aantal is begraven in die documenten.

Het bouwen van AI-systemen die dit werk doen, heeft me ervan overtuigd dat corporate duurzaamheidsteams een paar jaar voorop lopen bij de rest van het bedrijf op het gebied van AI-adoptie, omdat structurele omstandigheden het probleem vroeg hebben geforceerd. Als je wilt begrijpen hoe AI werkelijk witteboordenwerk in de praktijk vormgeeft, zijn zij de groep om te volgen.

Verandering gebeurt op taakniveau

Begin met wat de data zegt. McKinsey’s laatste State of AI-survey vond dat 88% van de organisaties nu AI gebruiken in tenminste één bedrijfsfunctie, en ongeveer een kwart meldt dat ze AI-agenten schalen ergens in het bedrijf, hoewel meestal in slechts één of twee functies. Adoptie is bijna universeel, maar transformatie is dat niet. Waar gebeurt de verandering? Het antwoord, consistent, is op taakniveau. Anthropic’s Economic Index, die miljoenen echte AI-conversaties analyseerde, vond een scheefheid naar augmentatie (57%) boven volledige automatisering (43%), en dat slechts ongeveer 4% van de beroepen AI gebruikten voor drie kwart of meer van hun taken. AI verspreidt zich over de individuele taken binnen banen.

De effecten op werknemers zijn al meetbaar. Stanford’s 2026 AI Index rapporteert productiviteitswinsten die echt maar ongelijk zijn (ongeveer 14-15% in klantenservice, versus 26% in softwareontwikkeling) en documenteert een bijna 20% daling sinds 2024 in werkgelegenheid voor softwareontwikkelaars in de leeftijd van 22 tot 25, een van de eerste meetbare witteboordencontracties die aan AI kunnen worden toegeschreven. Zoom uit verder, en de World Economic Forum’s Future of Jobs Report projecteert 170 miljoen banen gecreëerd en 92 miljoen verplaatst tegen 2030, met 39% van de kernvaardigheden die veranderen onderweg. Banen zullen meestal niet verdwijnen, maar hun samenstelling wordt taak voor taak herschikt, en de herschikking is begonnen.

Waarom duurzaamheidsteams er vroeg bij waren

Drie structurele omstandigheden hebben duurzaamheid naar de voorzijde van deze curve geduwd:

Ten eerste, de datalast is enorm in verhouding tot het aantal medewerkers. Koolstofboekhouding is een data-engineeringprobleem dat een milieukostuum draagt. De ingangen zijn utility bills, brandstofbonnen, vrachtfacturen, koelgaslogboeken en leveranciersspreadsheet, duizenden documenten in inconsistent formats, geen ervan ontworpen om machineleesbaar te zijn. De teams die hiervoor verantwoordelijk zijn, zijn vaak twee of drie personen bij een miljardenbedrijf. BSR interviewde twintig corporate duurzaamheidsteams over hun AI-gebruik en vond hetzelfde patroon: tijd gaat naar het verzamelen en schoonmaken van data, niet naar het beslissen wat ermee te doen.

Ten tweede, de deadlines zijn hard en de boetes zijn echt. Onder California’s SB 253, bedrijven met meer dan $1 miljard omzet die in de staat zaken doen moeten hun scope 1 en 2 broeikasgasemissies melden vanaf 2026, met scope 3 die volgt en administratieve boetes van maximaal $500.000 voor niet-naleving. Europa’s Corporate Sustainability Reporting Directive (CSRD) legt zijn eigen deadlines op. Regulering verandert “het zou leuk zijn om dit te automatiseren” in “we kunnen ons niet uit deze situatie werken”, wat begrotingen verandert.

Ten derde, het werk heeft een natuurlijke taakverdeling. Er is een duidelijk verschil tussen extractie en oordeel. Machines zijn uitstekend in het trekken van kilowatturen, therms en gallons uit rommelige documenten, deze in kaart brengen naar emissiefactoren en het opvangen van de meterstand die maand over maand met 400% is gestegen. Mensen zijn nodig voor de moeilijke delen: het bepalen van organisatiegrenzen, het kiezen van methoden en het bepalen wat te doen met het aantal als je het eenmaal hebt. Weinig kenniswerkdomeinen splitsen dit zo schoon. Duurzaamheid doet dit, en dat is waarom AI duurzaamheidsrapportage sneller transformeert dan de meeste aangrenzende functies.

Hoe rollen evolueren

Dit is wat ik heb gezien gebeuren op teams die deze tooling serieus aannemen: het zwaartepunt van de baan verplaatst zich.

Minder tijd besteed aan het intoetsen van nummers van PDF’s in spreadsheets, en meer tijd aan het controleren van uitzonderingen, valideren van wat de machine produceerde en verdedigen van het resultaat. Klimaatdisclosures bewegen zich in de richting van derdenverklaring, en “de machine zei het” is geen verdedigbare audittrail. Een mens moet in staat zijn om achter het aantal te staan. De kernvaardigheid van de analist verschuift van gegevensinvoer naar het weten wanneer de machine verkeerd is.

Ik zou ook zachtjes terugduwen tegen iedereen die dit beschrijft als een ondubbelzinnige overwinning. Er is een echte afweging: als junior mensen nooit het handmatige werk doen, hoe ontwikkelen ze dan hun oordeel? Het controleren van duizend geëxtraheerde rekeningen leert je wat een verkeerd aantal lijkt. Stanford’s onderzoekers markeren dezelfde zorg dat zware AI-afhankelijkheid een langetermijncost voor het leren kan hebben. Ik denk niet dat iemand een compleet antwoord heeft hier. Bedrijven moeten nu juniorrollen opzettelijk ontwerpen, in plaats van te laten dat het grondwerk per ongeluk expertise opbouwt.

De afweging die duurzaamheidsteams het beste kennen

Er is nog een reden waarom deze hoek van het bedrijf de moeite waard is om te volgen. Duurzaamheidsteams zijn de enige AI-adoptanten die verplicht zijn om de energiekosten en milieukosten van hun eigen tools te tellen. De International Energy Agency projecteert dat de elektriciteitsconsumptie van datacentra ongeveer zal verdubbelen tegen 2030, tot ongeveer 945 terawattuur, en zal naderen tot 3% van de mondiale elektriciteit. Het is ook waar dat de energie die per AI-taak wordt gebruikt, met een opmerkelijk tempo is gedaald. Beide zijn waar, en een duurzaamheidsteam kan niet kiezen welke kadering het het meest uitkomt, omdat de consumptie toch in iemands emissie-inventaris terechtkomt.

Die beperking produceert een discipline die de rest van het bedrijf zou moeten kopiëren: match de model met de taak. Het extraheren van velden uit een utility bill vereist geen grootste frontiermodel dat vanuit eerste principes redeneert; een kleinere, goedkopere, efficiëntere systeem doet het meestal beter en met een fractie van de energie. Gemeten AI-gebruik, waar consumptie een getrackte invoer is in plaats van een afterthought, komt voor elke functie uiteindelijk. Duurzaamheid krijgt het eerst omdat meten hun werk is.

Wat de rest van het bedrijf kan leren

De omstandigheden die duurzaamheid vooruit duwden, zijn niet uniek. Elke functie die klein is ten opzichte van zijn data, verantwoording aflegt aan externe partijen op harde deadlines en begraven is in ongestructureerde documenten, zal dezelfde curve volgen: financiën, inkoop, juridisch en meer. Wanneer dat gebeurt, is het duurzaamheidsplaybook de moeite waard om te stelen: automatiseer het werk dat oordeel overweldigt, niet het oordeel zelf; houd een mens verantwoordelijk voor alles wat moet standhouden tot onderzoek; en meet wat de automatisering je kost, in dollars en energie.

De interessante vraag was nooit “zal AI de banen innemen?” Het is “welke taken gaan naar machines, in welke volgorde, en wat doen de mensen met de uren die terugkomen?”

Duurzaamheidsteams beantwoorden die vraag, op een reguleringsdeadline, met auditors die hun werk controleren. Dat is zo’n goed voorbeeld van het AI-hergestructureerde bedrijf als je gaat krijgen.