Хочете побачити, як штучний інтелект змінює корпоративну роботу? Подивіться на команду сталості

Десь зараз аналітик розглядає папку із чотирма сотнями рахунків за комунальні послуги, оскільки регулятор, клієнт або рада директорів хочуть знати вуглецевий слід компанії, і значна частина цього числа закопана в цих документах.

Розробка систем штучного інтелекту для виконання цієї роботи переконала мене в одному: корпоративні команди сталості знаходяться на кілька років попереду інших підрозділів компанії щодо впровадження штучного інтелекту, оскільки структурні умови змусили їх зробити це раніше. Якщо ви хочете зрозуміти, як штучний інтелект фактично змінює роботу в офісі, вони є тією групою, яку варто спостерігати.

Зміни відбуваються на рівні завдань

Почнімо з того, що кажуть дані. Останній опитування McKinsey про стан штучного інтелекту виявило, що 88% організацій зараз використовують штучний інтелект принаймні в одній бізнес-функції, а близько чверті звітують про масштабування агентів штучного інтелекту десь в компанії, хоча зазвичай лише в одній чи двох функціях. Впровадження майже універсальне, але трансформація не є такою. Тому де відбуваються зміни? Відповідь, як правило, полягає в тому, що зміни відбуваються на рівні завдань. Індекс економіки Anthropic, який проаналізував мільйони реальних розмов штучного інтелекту, виявив, що використання сконцентроване на доповненні (57%) над повною автоматизацією (43%), і що лише близько 4% професій використовують штучний інтелект для трьох чвертей або більше завдань. Штучний інтелект поширюється по окремим завданням всередині робочих місць.

Вплив на працівників вже можна виміряти. Звіт про штучний інтелект Стенфордського університету за 2026 рік повідомляє про реальні, хоча й нерівномірні, збільшення продуктивності (приблизно 14-15% у сфері підтримки клієнтів проти 26% у розробці програмного забезпечення) і документує майже 20% зниження зайнятості серед розробників програмного забезпечення у віці 22-25 років з 2024 року, одну з перших виміряних скорочень робочих місць у сфері офісної праці, пов’язаних зі штучним інтелектом. Якщо вийти далі, то Звіт про майбутнє робочих місць Світового економічного форуму прогнозує створення 170 мільйонів робочих місць і знищення 92 мільйонів до 2030 року, при цьому 39% основних навичок змінюватимуться в процесі. Робочі місця в основному не зникнуть, але їхній склад буде змінюватися завдання за завданням, і ці зміни вже розпочалися.

Чому команди сталості вийшли вперед

Три структурні умови змусили команди сталості вийти вперед цієї кривої:

По-перше, навантаження з даних величезне відносно кількості працівників. Облік вуглецевого сліду – це проблема інженерії даних у костюмі охорони довкілля. Вхідними даними є рахунки за комунальні послуги, квитанції за паливо, накладні на перевезення, журнали холодильних агентів, таблиці постачальників, тисячі документів у несумісних форматах, жоден з яких не призначений для автоматичного читання. Відповідальні команди часто складаються з двох-трьох осіб у компанії з доходом у мільярд доларів. BSR опитав двадцять корпоративних команд сталості щодо їхнього використання штучного інтелекту і виявив той же самий шаблон: час витрачається на збирання та очистку даних, а не на прийняття рішень щодо того, що з ними робити.

По-друге, терміни є жорсткими, а штрафи реальними. За законом Каліфорнії SB 253, компанії з доходом понад 1 мільярд доларів, які працюють у штаті, повинні повідомляти про свої викиди парникових газів типу 1 і 2, починаючи з 2026 року, а згодом і про викиди типу 3, з адміністративними штрафами до 500 000 доларів за невиконання вимог. Директива Європи щодо корпоративної звітності про сталисть (CSRD) встановлює自己的 терміни. Регулювання перетворює “було б добре автоматизувати це” на “ми не можемо впоратися з цим штатним складом”, що впливає на бюджет.

По-третє, робота має природний розподіл праці. Існує чітка різниця між витяганням даних і судженням. Машини добре витягують кіловат-години, терми та галони з неструктурованих документів, відображають їх на фактори викидів та виявляють те місце, де показання лічильника збільшується на 400% за місяць. Людям потрібні для складних частин: визначення організаційних меж, вибір методологій та визначення того, що робити з цифрою, коли ви її маєте. Немає багатьох галузей знань, які розділяють це так чітко. Команди сталості роблять це, тому що штучний інтелект перетворює звітність про сталисть швидше, ніж більшість суміжних функцій.

Як ролі працівників змінюються

Ось що я спостерігав на командах, які серйозно впроваджують цю інструментальну базу: центр тяжіння роботи зміщується.

Більше часу витрачається на перегляд винятків, перевірку того, що машина виробила, і захист результату. Кліматичні розкриття рухаються до забезпечення третьою стороною, і “модель сказала так” не є обґрунтованим аудиторським слідом. Людина повинна стояти за цифрою. Основна уміння аналітика зміщуються від вводу даних до знання, коли машина помиляється.

Я також поважно заперечу проти тих, хто описує це як абсолютну перемогу. Є справжній компроміс: якщо молоді люди ніколи не виконують ручну роботу, то як вони розвивають судження? Перегляд тисяч витягнутих рахунків вчить вас, як виглядає неправильна цифра. Дослідники Стенфордського університету підкреслюють ту саму проблему, що надмірна залежність від штучного інтелекту може нести довгострокову вартість навчання. Я не думаю, що хтось має повну відповідь на це питання ще. Компаніям тепер потрібно проектувати молодші ролі свідомо, а не дозволяти, щоб груба робота будувала експертизу випадково.

Компроміс, який знають команди сталості

Є ще одна причина, чому цей кут підприємства варто спостерігати. Команди сталості – це єдині користувачі штучного інтелекту, яким потрібно рахувати енергетичну та екологічну вартість своїх інструментів. Міжнародне енергетичне агентство прогнозує, що споживання електроенергії дата-центрами подвоїться до 2030 року, до близько 945 терават-годин, наблизившись до 3% від загального споживання електроенергії у світі. Також правда, що енергія, використовувана на завдання штучного інтелекту, знижувалася з вражаючою швидкістю. Обидва твердження одночасно справедливі, і команда сталості не може вибирати, яке з них зручніше, оскільки споживання в будь-якому випадку потрапляє в когось у реєстр викидів.

Цей обмеження створює дисципліну, яку решта підприємства зробила б добре, скопіювавши: відповідає модель завдання. Витягування полів з рахунку за комунальні послуги не потребує найбільшої моделі штучного інтелекту, яка виводить висновки з перших принципів; менша, дешевша, більш ефективна система зазвичай робить це краще і за частину енергії. Виміряне використання штучного інтелекту, де споживання є відстежуваним входом, а не післяthought, прийде для кожної функції в кінцевому підсумку. Команди сталості просто доходять туди раніше, оскільки вимірювання речей – це їхня робота.

Що решта підприємства може вивчити

Умови, які змусили команди сталості вийти вперед, не унікальні. Будь-яка функція, яка відносно мала щодо своїх даних, підзвітна зовнішнім сторонам на жорстких термінах і похована в неструктурованих документах, буде слідувати тому ж самому курсу: фінанси, закупівлі, юридичні питання та інше. Коли це трапиться, група сталості варта вивчення: автоматизувати роботу, яка витісняє судження, а не судження саме; тримати людину відповідальною за все, що потребує витримати перевірку; і вимірювати, що автоматизація коштує вам, в доларах і енергії.

Цікаве питання ніколи не було “відіб’ють штучний інтелект робочі місця?” Це “які завдання переходять до машин, в якому порядку, і що люди роблять з годинами, які повертаються?”

Команди сталості відповідають на це питання, на регуляторний термін, з аудиторами, які перевіряють їхню роботу. Це такий же добрий огляд підприємства, зміненого штучним інтелектом, як ви можете отримати.