Tekoälyn uhkat ja mahdollisuudet puhuttavat kouluissa ja työpaikolla. Luonnollisen kielen käsittelyyn (Natural Language Processing, NLP) pohjautuvat sovellukset, kuten ChatGPT, ovat lyhyessä ajassa muuttaneet tapoja, joilla tekstimuotoista tietoa etsitään, analysoidaan ja tuotetaan. Visuaalisen datan analysointi ja tuottaminen tietokonenäöllä kehittyy, ja on avannut mahdollisuuksia esimerkiksi sairauksien tunnistamiseen magneettikuvista. Seuraavassa pari esimerkkiä, minkälaisia mahdollisuuksia nämä avaavat kestävän liiketoiminnan edistämisessä.
Olennaisten kestävyystekijöiden tunnistaminen
Jotta liiketoiminnan kestävyyteen voidaan vaikuttaa, tulee sen johdosta syntyvät vaikutukset ja siihen ulkoisesti vaikuttavat tekijät kuvata. Kuvauksen jälkeen tekijöitä tulee voida arvottaa, jotta toimenpiteitä voidaan kohdistaa oikein ja tehokkaasti (raportointitermein olennaisuusanalyysi). Tässä työssä suurin haaste liittyy arvoketjujen hallintaan. Kuinka ymmärtää pitkän arvoketjun eri vaiheisiin kytkeytyvät vaikutukset ja vastuullisuusnäkökohdat, ja edelleen priorisoida näitä toimenpiteiden ja merkityksellisen raportoinnin lähtökohdiksi? Sidosryhmien osallistamisella on tässä perinteisesti vahva merkitys, ja se on kriittinen osa avoimuuden, luottamuksen ja brändin rakentamisessa sidosryhmien kanssa. Sidosryhmien näkemyksien hyödyntämiseen olennaisimpien yrityksen omien ja arvoketjun vaikutusten tunnistamisessa liittyy kuitenkin haasteita, sillä sidosryhmillä on useimmiten hyvin vajavainen ymmärrys koko arvoketjusta. Toisaalta sidosryhmien tuottamien subjektiivisten näkemyksien priorisointi on vaikeaa. Tiedepohjaa tarvitaan vaikutusten ymmärtämiseen ja tunnistamiseen, mutta hajanaisen tutkimustiedon analysointi on yksittäisen toimijan näkökulmasta erittäin haastavaa.
Tässä tekoälyllä (NLP) voisi olla merkittävä rooli, ja tästä käytännön esimerkkinä toimii suomalainen Upright. Yrityksen tuottamat palvelut hyödyntävät tekoälyä arvoketjujen erilaisten vaikutusten ymmärtämiseen. Mallien lähtöaineistona toimii laaja tietokanta tutkimusartikkeleita, joista malli etsii ja yhdistelee relevanttia tietoa yrityksen liiketoimintaa kuvaavien fraasien avulla. Esim. CSRD-raportoinnin vaatimien kaksoisolennaisuusanalyysien (analyysi yrityksen vaikutuksista yhteiskuntaan ja ympäristöön, ja toisinpäin) tekemisessä tämän tapainen lähestymistapa, yhdistettynä sidosryhmien osallistamiseen, voisi olla monimutkaisten arvoketjujen kohdalla tehokasta.
Luonnonvarojen mittaaminen ja monitorointi kuvien perusteella
Luonnonvarojen kartoituksessa ja monitoroinnissa satelliittikuvia ja koneoppimista on hyödynnetty jo kauan, mutta tekoälymallit ja pilviteknologiat ovat avanneet mahdollisuudet hyödyntää jatkuvasti päivittyviä ja tarkentuvia lähtöaineistoja esim. metsien terveydentilan seurantaan. Opetusdatan määrä ja laatu kasvavat hurjaa vauhtia, ja tulevaisuudessa itse oppivat konenäkömallit pystynevät indikoimaan myös sitä, mitä metsissä tai muissa ekosysteemeissä pitäisi tehdä, jotta niiden hyödyntäminen eri tarpeisiin olisi kestävää. Kuten ChatGPT:ssä, oikeaa älyä tarvitaan kuitenkin vielä parhaiden lähtöaineistojen kokoamisessa, mallien opettamisessa, oikeiden tutkimuskysymyksien asettelussa, ja tulosten verifioinnissa. Lisäksi kestävyyden sosiaalisia näkökulmia, jotka kytkeytyvät poikkeuksetta luonnonvarojen käyttöön, on vaikeaa arvioida ja edistää ilman aitoa ihmisten välistä vuoropuhelua.
Työkalut yrityskohtaisen kestävyysdatan hyödyntämiseen
Business Intelligence-työkalut toimivat yritysten ja liiketoimintaprosessien selkärankana datan keräämisessä, analysoinnissa, ja visualisoimisessa. Ne ovat tyypillisesti monitoroinnin ja raportoinnin perusta ja mahdollistavat usein omien tunnuslukujen benchmarkkaamisen muihin prosesseihin, toimijoihin tai toimialaan. Myös näiden osaksi kehittynee pitkälle vietyjä Copiloteja ja muita tekoälyyn pohjautuvia työkaluja, jotka oppivat löytämään järjestelmään syötetystä datamassasta riippuvuuksia ja suosittelemaan sekä vastuullisuutta että liiketoiminnan kehitystä tukevia toimenpiteitä.
Mahdollisuuksia on, mutta…
Tarvitsemme suuria muutoksia liiketoimintamalleihin ja niitä ohjaaviin kulutustottumuksiimme, jotta planeettamme säilyy elinvoimaisena tulevillekin sukupolville. Toimien hitaudessa vedotaan usein datan tai ymmärryksen puutteeseen, ja edellä kuvatut edistysaskeleet tekoälyn hyödyntämisessä vauhdittavat tältä osin positiivista kehitystä. Todellisuudessa tietoa kuitenkin on jo valtavan paljon, ja sopivasti ihmis- ja tekoälyä yhdistelemällä oikeansuuntaisia toimenpiteitä pystytään tekemään jo nyt. Paremman datan tai mallien odotteluun ole aikaa tai tarvetta, tärkeintä on tunnistaa ja tunnustaa muutostarpeet, ja tarttua toimeen.
Blogissa kuvituksena tekoälyllä luotu kuva palavasta maapallosta (DALL-E, kehotteella ”Create an excessive oil painting of burning earth”
Lauri Tamminen