Vil du se hvordan AI former bedriftsarbeid? Se på et bærekraftsteam

Et sted nå, ser en analytiker på en mappe med fire hundre strømregninger fordi en regulator, en kunde eller styret vil vite selskapets karbonavtrykk, og mye av denne tallet er begravd i disse dokumentene.

Bygging av AI-systemer som gjør dette arbeidet har overbevist meg om noe: bedriftens bærekraftsteam er noen år foran resten av bedriften når det gjelder AI-tilpasning, fordi strukturelle forhold tvang saken tidlig. Hvis du vil forstå hvordan AI faktisk former hvit-kraget arbeid i praksis, er de gruppen å se på.

Endring skjer på oppgavenivå

Start med hva dataene sier. McKinseys seneste State of AI-undersøkelse fant at 88% av organisasjonene nå bruker AI i minst en forretningsfunksjon, og omtrent en fjerdedel rapporterer å skalerer AI-agenter et sted i bedriften, selv om det vanligvis bare i en eller to funksjoner. Tilpasning er nesten universell, men transformasjon er ikke. Hvor skjer endringen? Svaret, jevnt, er på oppgavenivå. Anthropics Economic Index, som analyserer millioner av virkelige AI-samtaler, fant at bruken var skjev mot augmentasjon (57%) over full automatisering (43%), og at bare omtrent 4% av yrkene brukte AI for tre fjerdedeler eller mer av sine oppgaver. AI er i ferd med å spre seg over de enkelte oppgavene innen jobbene.

Effektene på arbeidere er allerede målbare. Stanfords 2026 AI-indeks rapporterer produktivitetsgevinster som er reelle, men ujevne (omtrent 14–15% i kundesupport, versus 26% i programvareutvikling) og dokumenterer en nesten 20% nedgang siden 2024 i sysselsetting for programvareutviklere i alderen 22 til 25, en av de første målbare hvit-kraget kontraksjoner som kan tilskrives AI. Zoom ut videre, og World Economic Forums Future of Jobs-rapport projiserer 170 millioner jobber skapt og 92 millioner fortrengt frem til 2030, med 39% av core-ferdighetene som endres underveis. Jobbene vil ikke forsvinne, men deres sammensetning blir omarrangert oppgave for oppgave, og omarrangeringen har startet.

Hvorfor bærekraftsteam kom tidlig

Tre strukturelle forhold presset bærekraft til fronten av denne kurven:

Først, data-byrden er enorm i forhold til antall ansatte. Karbonregnskap er et dataingeniørproblem som bærer en miljøkostyme. Inngangene er strømregninger, drivstoffkvitteringer, fraktregninger, kjølemediumslogger, leverandørspregninger, tusenvis av dokumenter i ujevne formater, ingen designet for å være maskinleselige. Teamene som er ansvarlige, er ofte to eller tre personer i et selskap med en milliard dollar. BSR intervjuet tyve bedriftens bærekraftsteam om deres AI-bruk og fant samme mønster: tid går til å samle og rense data, ikke til å bestemme hva de skal gjøre med det.

Andre, fristene er harde og straffene er reelle. Under Californias SB 253, selskaper med over 1 milliard dollar i omsetning som driver forretning i staten må rapportere sine scope 1 og 2 drivhusgassutslipp fra 2026, med scope 3 som følger og administrative straffer på opptil 500 000 dollar for ikke-overholdelse. Europas Corporate Sustainability Reporting Directive (CSRD) pålegger sine egne tidsfrister. Regulering omgjør “det ville være fint å automatisere dette” til “vi kan ikke bemanne vår vei ut av dette”, som flytter budsjettene.

Tredje, arbeidet har en naturlig arbeidsdeling. Det er en tydelig forskjell mellom uttrekk og dømmekraft. Maskiner er gode til å trekke kilowatt-timer, termer og gallon ut av uordnete dokumenter, kartlegge dem til utslippsfaktorer og fange målepunktet som hoppet 400% fra måned til måned. Mennesker er nødvendige for de harde delene: å bestemme organisatoriske grenser, velge metoder og finne ut hva de skal gjøre med tallet en gang de har det. Få kunnskapsarbeidsdomener deler denne renheten. Bærekraft gjør, og det er derfor AI er i ferd med å transformere bærekraftsrapportering raskere enn de fleste tilstøtende funksjoner.

Hvordan roller utvikler seg

Her er hva jeg har sett skje på team som tar dette verktøyet alvorlig: tyngdepunktet i jobben flytter.

Mindre tid med å taste tall fra PDF-er inn i regneark, og mer tid med å gjennomgå unntak, validerer hva maskinen produserte og forsvare resultatet. Klimadisklosjoner beveger seg mot tredjeparts-garanti, og “modellen sa så” er ikke en forsvarbar revisjonsspor. En menneske må kunne stå bak tallet. Analytikerenes kjerneferdighet skifter fra datainntasting til å vite når maskinen er feil.

Jeg ville også forsiktig trekke tilbake på noen som beskriver dette som en ubestridt seier. Det er en reell avveiing: hvis juniorpersoner aldri gjør det manuelle arbeidet, hvordan utvikler de dømmekraften? Gjennomgang av tusen uttrekte regninger lærer deg hva et feilaktig tall ligner. Stanfords forskere markerer samme bekymring som tung AI-avhengighet kan medføre en langsiktig læringskostnad. Jeg tror ikke noen har et fullstendig svar her ennå. Selskaper må nå designe juniorroller med vilje, i stedet for å la gruntarbeid bygge ekspertise ved en tilfeldighet.

Avveiingen bærekraftsteam kjenner best

Det er en grunn til at dette hjørnet av bedriften er verdt å se på. Bærekraftsteam er de eneste AI-tiltakerne som er pålagt å telle energi- og miljøkostnadene til sine egne verktøy. Den internasjonale energibyråets prosjekter at data-senterets strømforbruk vil omtrent dobles frem til 2030, til rundt 945 terawatt-timer, nærmer seg 3% av global strøm. Det er også sant at energien som brukes per AI-oppgave har falt med en bemerkelsesverdig hastighet. Begge er sanne på samme tid, og et bærekraftsteam kan ikke velge hvilken ramme som er praktisk, fordi forbruket havner i noenones utslippsinventar uansett.

Denne begrensningen produserer en disiplin som resten av bedriften ville gjøre godt i å kopiere: match modellen til oppgaven. Utgang av felt fra en strømregning krever ikke den største front-modellen som resonerer fra første prinsipp; et mindre, billigere, mer effektivt system gjør det vanligvis bedre og til en brøkdel av energien. Målt AI-bruk, der forbruk er en sporet inngang i stedet for en ettertanke, kommer for hver funksjon til slutt. Bærekraft kommer først fordi måling er deres jobb.

Hva resten av bedriften kan lære

Betingelsene som presset bærekraft fremme er ikke unike. Hver funksjon som er liten i forhold til sine data, ansvarlig til eksterne parter på harde frister og begravd i ustrukturerte dokumenter, vil følge samme kurve: finanse, innkjøp, juridisk og mer. Når det skjer, er bærekraftshåndboken verdt å stjele: automatiser arbeidet som kroker ut dømmekraft, ikke dømmekraften selv; hold en menneske ansvarlig for alt som trenger å stå til skue, og mål hva automatiseringen koster deg, i dollar og energi.

Det interessante spørsmålet var aldri “vil AI ta jobbene?” Det er “hvilke oppgaver flytter til maskiner, i hvilken rekkefølge og hva menneskene gjør med timene som kommer tilbake?”

Bærekraftsteam er i ferd med å svare på dette spørsmålet, på en regulativ frist, med revisorer som sjekker deres arbeid. Det er like god en forhåndsvisning av AI-omformet bedrift som du kommer til å få.