Vill du se hur AI förändrar företagsarbetet? Titta på ett hållbarhetsteam

Någonstans just nu stirrar en analytiker på en mapp med fyrahundra elräkningar eftersom en regulator, en kund eller styrelsen vill veta företagets koldioxidavtryck, och mycket av den siffran är begravd i dessa dokument.

Att bygga AI-system som utför detta arbete har övertygat mig om något: företagens hållbarhetsteam är några år före resten av företaget när det gäller AI-användning eftersom strukturella förhållanden tvingade fram det tidigt. Om du vill förstå hur AI faktiskt förändrar vitkollarsarbete i praktiken är de gruppen att titta på.

Förändring sker på uppgiftsnivå

Börja med vad datan säger. McKinseys senaste State of AI-undersökning fann att 88% av organisationerna nu använder AI i minst en affärsfunktion, och ungefär en fjärdedel rapporterar att de skalar upp AI-agenter någonstans i företaget, även om det vanligtvis bara är i en eller två funktioner. Användningen är nästan universell, men omvandlingen är det inte. Var sker förändringen? Svaret, konsekvent, är på uppgiftsnivå. Anthropics Economic Index, som analyserade miljontals verkliga AI-samtal, fann att användningen var snedvriden mot komplettering (57%) snarare än full automatisering (43%), och att endast cirka 4% av yrkena använde AI för tre fjärdedelar eller mer av sina uppgifter. AI sprider sig över de enskilda uppgifterna inom jobben.

Effekterna på arbetarna är redan mätbara. Stanfords 2026 AI-index rapporterar produktivitetsvinster som är verkliga men ojämna (ungefär 14–15% i kundsupport, jämfört med 26% i programvaruutveckling) och dokumenterar en nästan 20% minskning sedan 2024 i sysselsättning för programvaruutvecklare i åldern 22 till 25, en av de första mätbara vitkollarskontraktionerna som kan tillskrivas AI. Zoomar man ut ytterligare ser Världsekonomiskt forums framtidsrapport om jobb att 170 miljoner jobb skapas och 92 miljoner försvinner till 2030, med 39% av de grundläggande färdigheterna som förändras på vägen. Jobben kommer inte att försvinna, men deras sammansättning omarrangeras uppgift för uppgift, och omarrangeringen har börjat.

Varför hållbarhetsteam kom tidigt

Tre strukturella förhållanden tryckte hållbarheten till framsidan av denna kurva:

För det första är data bördan enorm i förhållande till personalstyrka. Koldioxidredovisning är ett dataingenjörsproblem som bär en miljödräkt. Inmatningarna är elräkningar, bränserekvitton, fraktfakturor, kylmedelsjournaler och leverantörs kalkylblad, tusentals dokument i oförenliga format, ingen avsedd att vara maskinläsbar. De team som är ansvariga är ofta två eller tre personer i ett företag med en omsättning på en miljard dollar. BSR intervjuade tjugo företags hållbarhetsteam om deras AI-användning och fann samma mönster: tiden går till att samla in och rensa data, inte till att bestämma vad man ska göra med den.

För det andra är tidsfristerna hårda och straffen är verkliga. Enligt Kaliforniens SB 253 måste företag med en omsättning på över 1 miljard dollar som bedriver verksamhet i delstaten rapportera sina utsläpp av växthusgaser av scope 1 och 2 från och med 2026, med scope 3 som följer och administrativa straff på upp till 500 000 dollar för icke-efterlevnad. EU:s direktiv om företags hållbarhetsredovisning (CSRD) inför sina egna tidsfrister. Regleringen omvandlar “det vore trevligt att automatisera detta” till “vi kan inte bemanna vår väg ut ur detta”, vilket flyttar budgetar.

Tredje, arbetet har en naturlig arbetsfördelning. Det finns en tydlig skillnad mellan extrahering och bedömning. Maskiner excellerar i att dra ut kilowattimmar, termer och gallon ur smutsiga dokument, kartlägga dem till utsläppsfaktorer och fånga meterläsningen som ökade med 400% från månad till månad. Människor behövs för de hårda delarna: att bestämma organisatoriska gränser, välja metoder och ta reda på vad man ska göra med siffran när man har den. Få kunskapsarbetsdomäner delar detta rent. Hållbarhet gör det, vilket är varför AI förvandlar hållbarhetsredovisning snabbare än de flesta angränsande funktioner.

Hur roller utvecklas

Här är vad jag har sett hända med team som antar den här verktygen på allvar: jobbets tyngdpunkt flyttar.

Mindre tid till att mata in siffror från PDF:er till kalkylblad, och mer tid till att granska undantag, validera vad maskinen producerade och försvara resultatet. Klimatredovisningar flyttar mot tredjeparts garanti, och “modellen sa så” är inte en försvarbar revisionskedja. En människa måste kunna stå bakom siffran. Analytikerns kärnkompetens skiftar från datainmatning till att veta när maskinen har fel.

Jag skulle också försiktigt backa från vem som beskriver detta som en entydig vinst. Det finns ett verkligt bytesförhållande: om juniora personer aldrig gör det manuella arbetet, hur utvecklar de bedömningen? Att granska tusen extraherade räkningar lär dig vad en felaktig siffra ser ut. Stanfords forskare flaggar samma oro att tung AI-användning kan medföra en långsiktig inlärningskostnad. Jag tror inte att någon har ett komplett svar här ännu. Företagen måste nu utforma juniorroller medvetet, istället för att låta grundarbetet bygga expertis av misstag.

Det bytesförhållande som hållbarhetsteam känner till bäst

Det finns ett skäl till varför den här hörnan av företaget är värd att titta på. Hållbarhetsteam är de enda AI-användarna som krävs för att räkna energi- och miljökostnaden för sina egna verktyg. Den Internationella energibyråns projekt att datacenternas elförbrukning kommer att fördubblas till cirka 945 terawattimmar, vilket närmar sig 3% av den globala elförbrukningen. Det är också sant att energiförbrukningen per AI-uppgift har minskat i en imponerande takt. Båda är sanna samtidigt, och ett hållbarhetsteam kan inte välja vilken ram som är bekväm, eftersom förbrukningen hamnar i någons utsläppsinventering ändå.

Den här begränsningen skapar en disciplin som resten av företaget borde kopiera: matcha modellen till uppgiften. Att extrahera fält från en elräkning kräver inte den största gränsmodellen som resonerar från första principer; ett mindre, billigare, mer effektivt system gör det vanligtvis bättre och till en bråkdel av energin. Mätt AI-användning, där förbrukning är en spårad inmatning snarare än en eftertanke, kommer för varje funktion så småningom. Hållbarhet kommer dit först eftersom mätning är deras jobb.

Vad resten av företaget kan lära sig

De förhållanden som tryckte hållbarheten framåt är inte unika. Varje funktion som är liten i förhållande till sin data, ansvarig inför externa parter på hårda tidsfrister och begravd i ostrukturerade dokument kommer att följa samma kurva: ekonomi, inköp, juridik och mer. När det händer är hållbarhetsplayboken värd att stjäla: automatisera arbetet som tränger ut bedömningen, inte bedömningen i sig; håll en människa ansvarig för allt som behöver stå upp till granskning; och mät vad automatiseringen kostar dig, i dollar och energi.

Den intressanta frågan var aldrig “kommer AI att ta jobben?” Det är “vilka uppgifter flyttar till maskiner, i vilken ordning och vad gör människorna med de timmar som kommer tillbaka?”

Hållbarhetsteam besvarar den frågan, på en regulatorisk tidsfrist, med revisorer som kontrollerar deras arbete. Det är så bra förhandsvisning av AI-omformade företaget som du kommer att få.