Хотите увидеть, как ИИ меняет работу предприятий? Смотрите на команду устойчивого развития

Где-то прямо сейчас аналитик смотрит на папку с четырьмястами счетами за коммунальные услуги, потому что регулятор, клиент или совет директоров хочет знать углеродный след компании, и большая часть этого числа закопана в этих документах.

Создание систем ИИ, которые выполняют эту работу, убедило меня в чем-то: команды корпоративной устойчивости идут на несколько лет впереди остальной части предприятия в принятии ИИ, потому что структурные условия заставили их решить эту проблему раньше. Если вы хотите понять, как ИИ фактически меняет беловоротную работу на практике, они являются группой, за которой стоит наблюдать.

Изменения происходят на уровне задач

Начните с того, что говорят данные. Последний опрос McKinsey о состоянии ИИ показал, что 88% организаций сейчас используют ИИ хотя бы в одной бизнес-функции, и примерно четверть сообщают о масштабировании ИИ-агентов где-то в предприятии, хотя обычно только в одной или двух функциях. Принятие ИИ почти повсеместно, но трансформация не является таковой. Итак, где происходит изменение? Ответ, последовательно, заключается в том, что на уровне задач. Индекс экономики Anthropic, который проанализировал миллионы реальных разговоров ИИ, показал, что использование ИИ смещается в сторону дополнения (57%) над полной автоматизацией (43%), и что только около 4% профессий используют ИИ для трех четвертей или более своих задач. ИИ распространяется по отдельным задачам внутри работы.

Влияние на работников уже измеримо. Отчет Стэнфордского индекса ИИ за 2026 год сообщает о реальных, но неравномерных приростах производительности (около 14-15% в службе поддержки клиентов, по сравнению с 26% в разработке программного обеспечения) и документирует почти 20-процентное снижение занятости разработчиков программного обеспечения в возрасте 22-25 лет с 2024 года, одно из первых измеримых сокращений беловоротной работы, обусловленное ИИ. Если вы отойдете назад, Отчет Всемирного экономического форума о будущем работы прогнозирует создание 170 миллионов рабочих мест и перемещение 92 миллионов рабочих мест к 2030 году, с изменением 39% основных навыков на пути. Работы в основном не исчезнут, но их состав меняется задача за задачей, и это изменение уже началось.

Почему команды устойчивого развития опередили остальных

Три структурных условия заставили команды устойчивого развития опередить остальных:

Во-первых, нагрузка данных огромна относительно численности персонала. Учет углерода – это проблема инженерии данных в маске экологической проблемы. Входными данными являются счета за коммунальные услуги, квитанции за топливо, счета за грузоперевозки, журналы хладагентов, электронные таблицы поставщиков, тысячи документов в несовместимых форматах, ни один из которых не предназначен для машинного чтения. Ответственными за это являются часто две или три человека в компании с миллиардным доходом. BSR опросил двадцать команд корпоративной устойчивости об их использовании ИИ и обнаружил ту же закономерность: время тратится на сбор и очистку данных, а не на решение о том, что с этим делать.

Во-вторых, сроки жесткие, а штрафы реальны. Согласно закону Калифорнии SB 253, компании с доходом более 1 миллиарда долларов, работающие в штате, должны сообщать о своих выбросах парниковых газов начиная с 2026 года, с последующим включением выбросов третьего уровня, и административными штрафами до 500 000 долларов за неисполнение. Директива ЕС о корпоративной отчетности об устойчивом развитии (CSRD) устанавливает свои собственные сроки. Регуляторные требования превращают “было бы хорошо автоматизировать это” в “мы не можем обеспечить это штатом”, что меняет бюджеты.

Третье: работа имеет естественное разделение труда. Есть четкая разница между извлечением и суждением. Машины отлично справляются с извлечением киловатт-часов, термов и галлонов из нечетких документов, сопоставлением их с коэффициентами выбросов и обнаружением счетчика, который увеличился на 400% за месяц. Люди нужны для сложных частей: определения организационных границ, выбора методологий и решения о том, что делать с числом, когда вы его получите. Немногие области знаний имеют такое же чистое разделение труда. Устойчивость имеет, и это почему ИИ меняет отчетность об устойчивом развитии быстрее, чем большинство соседних функций.

Как эволюционируют роли

Вот что я наблюдал на командах, которые серьезно приняли это инструментирование: центр тяжести работы смещается.

Меньше времени тратится на ввод чисел из PDF в электронные таблицы, и больше времени на проверку исключений, подтверждение того, что машина произвела, и защиту результата. Климатические раскрытия информации переходят к третьей стороне, и “модель сказала так” не является обоснованной аудиторской трассой. Человек должен быть в состоянии встать за число. Основной навык аналитика смещается от ввода данных к знанию, когда машина ошибается.

Я также мягко возразил бы против любого, кто описывает это как неоспоримую победу. Есть реальный компромисс: если младшие люди никогда не выполняют ручную работу, как они развивают суждение? Просмотр тысячи извлеченных счетов учит вас, как выглядит неправильное число. Исследователи Стэнфорда подчеркивают ту же проблему, что сильная зависимость от ИИ может нести долгосрочную стоимость обучения. Я не думаю, что кто-то имеет полный ответ на это пока. Компании теперь должны проектировать младшие роли намеренно, вместо того, чтобы позволять рабочей нагрузке строить экспертизу случайно.

Компромисс, который знают команды устойчивого развития

Есть еще одна причина, по которой этот уголок предприятия стоит наблюдать. Команды устойчивого развития – единственные пользователи ИИ, которым необходимо считать энерго- и экологическую стоимость своих инструментов. Международное энергетическое агентство прогнозирует, что потребление электроэнергии центрами данных примерно удвоится к 2030 году, до примерно 945 тераватт-часов, приближаясь к 3% мировой электроэнергии. Также верно, что энергопотребление на одну задачу ИИ снижалось с замечательной скоростью. Оба утверждения верны одновременно, и команда устойчивого развития не может выбрать удобную формулировку, потому что потребление в любом случае попадает в чей-то инвентарь выбросов.

Это ограничение производит дисциплину, которую остальная часть предприятия должна скопировать: соответствуйте модель задаче. Извлечение полей из счета за коммунальные услуги не требует самой большой модели ИИ, рассуждающей из первых принципов; более мелкая, дешевая, более эффективная система обычно делает это лучше и при меньшей доле энергии. Измеренное использование ИИ, где потребление является отслеживаемым входом, а не после мысли, придет для каждой функции в конце концов. Устойчивость просто добирается туда первой, потому что измерение вещей – это их работа.

Что остальная часть предприятия может узнать

Условия, которые заставили команды устойчивого развития опередить остальных, не уникальны. Любая функция, которая мала относительно своих данных, подотчетна внешним сторонам на жестких сроках и погребена в неструктурированных документах, будет следовать той же кривой: финансы, закупки, юридические вопросы и многое другое. Когда это происходит, книга рецептов устойчивости стоит украсть: автоматизируйте работу, которая вытесняет суждение, а не само суждение; сохраните человека, ответственного за все, что должно выдержать проверку; и измерьте, что стоит вам автоматизация, в долларах и энергии.

Интересный вопрос никогда не был “взять ли ИИ работу?” Это “какие задачи переходят к машинам, в каком порядке, и что люди делают с часами, которые возвращаются?”

Команды устойчивого развития отвечают на этот вопрос, на регуляторный срок, с аудиторами, проверяющими их работу. Это такой же хороший предпросмотр предприятия, измененного ИИ, как вы можете получить.