AI's disruptive og transformerende rolle i overgangen til den cirkulære økonomi

Denne artikel udforsker de vigtigste forstyrrende virkninger af AI på overgangen til den cirkulære økonomi, efterfulgt af måder, hvorpå AI kan transformere cirkularitet positivt for at give vejledning til fagfolk inden for bæredygtighed, supply chain management og industrisektorer for bedre at forstå AI's rolle i udformningen af en bæredygtig og cirkulær fremtid.

Generativ AI er en model, der fokuserer på at skabe indhold som f.eks. tekst eller billeder. I øjeblikket er det meget populært, men man glemmer ofte bredden af teknologier, der falder ind under begrebet. meget omtalt, overses det ofte, hvor bred en vifte af teknologier, der faktisk hører under betegnelsen AI. Overordnet set dækker AI over teknologier, der gør det muligt for maskiner at udføre opgaver, som traditionelt har krævet menneskelig intelligens – såsom at ræsonnere, lære og genkende mønstre – ved hjælp af enorme mængder data som videoer, billeder og tekst.

I en cirkulær økonomisk kontekst har AI potentiale til at optimere ressourceeffektiviteten, forbedre gennemsigtigheden i forsyningskæden og skabe nye forretningsmodeller. Sådanne muligheder kan leveres ved hjælp af en blanding af AI-applikationer. Et værktøj til styring af forsyningskæden kan f.eks. integrere computersyn til at overvåge lagerbeholdningen, naturlig sprogbehandling (NLP) til at analysere leverandørkontrakter, stemninger på sociale medier og brugeranmeldelser osv. og forstærkningslæring til at optimere logistikruter.

Brugen af AI i en cirkulær økonomisammenhæng indebærer dog også risici som f.eks. at forstærke lineære økonomiske strukturer, bidrage til ressourcekrævende digital infrastruktur og øge risikoen for greenwashing.

Cirkulær disruption - Hvordan AI kan hæmme overgangen til cirkulær økonomi

AI's hurtige udvikling og udbredelse har utilsigtede konsekvenser, som kan hindre overgangen til en mere bæredygtig økonomisk model. En stor bekymring er den ressourceintensivering, som AI kræver.

Utilsigtet ressourceintensivering

Store maskinlæringsmodeller og deep learning-systemer kræver enorme beregningsressourcer, hvilket fører til øget elforbrug og afhængighed af sjældne jordartsmetaller som litium og silicium. Det voksende energibehov i forbindelse med AI kan opveje eventuelle effektivitetsgevinster i forbindelse med cirkularitet, mens det stigende behov for avanceret computerhardware kan forværre problemet med elektronisk affald.

Ud over energiforbruget er CO2-fodaftrykket fra træning af AI-modeller stadig en udfordring. Virksomheder arbejder på grønnere AI-løsninger, f.eks. ved at bruge datacentre, der drives af vedvarende energi, vandbaseret køling og genbrug og integration af spildvarme i fjernvarmesystemer. Men fremskridtene er langsomme, og AI's bæredygtighed er stadig et komplekst spørgsmål.

Tilbøjelighed til lineære økonomiske modeller

En anden udfordring er AI's forkærlighed for lineære økonomiske modeller. Mange nuværende AI-drevne optimeringsværktøjer er designet til traditionelle lineære økonomier, der prioriterer omkostningsreduktion og effektivitet frem for cirkularitet. AI-løsninger til forsyningskæden har en tendens til at lægge vægt på just-in-time-produktion og maksimering af gennemstrømning - uden at overveje cirkulære strategier. Lagerstyring og produktionsplanlægning favoriserer f.eks. ofte kortsigtet effektivitet frem for langsigtet materialecirkularitet, mens AI-drevne indkøbssystemer måske fortsat prioriterer jomfruelige materialer frem for genanvendte alternativer på grund af omkostninger og tilgængelighed.

Desuden betyder AI's afhængighed af historiske data, at den ofte forstærker eksisterende økonomiske mønstre i stedet for at introducere transformative løsninger. Hvis AI-systemer trænes på datasæt, der afspejler årtiers lineær produktion og forbrug, vil de måske ikke kunne se fordelene ved cirkulære forretningsmodeller. At overvinde denne udfordring kræver bevidst programmering og integration af cirkularitetsmålinger i AI-træning og beslutningsprocesser.

Risiko for greenwashing og misinformation

AI udgør også en risiko i forhold til greenwashing og misinformation. AI's evne til at generere bæredygtighedsrapporter, markedsføringsindhold og ESG-oplysninger skaber muligheder for vildledende miljøpåstande. AI-drevne værktøjer kan producere detaljerede rapporter og bæredygtighedsvurderinger, der virker troværdige, men som mangler verificerbar effektmåling. Det kan få virksomheder til at skabe alt for optimistiske fortællinger om bæredygtighed, som ikke afspejler reelle fremskridt. Derudover kan AI-drevne rapporteringsværktøjer bruges til at overholde regler uden rent faktisk at tage fat på bæredygtighedsudfordringer, hvilket vildleder både investorer og forbrugere.

Et vigtigt problem er, at AI-modeller kun er så gode som de data, de er trænet på. Hvis bæredygtighedsrapportering er baseret på forudindtagede, ufuldstændige eller forældede data, kan AI-genererede indsigter være fejlbehæftede. At sikre gennemsigtighed og ansvarlighed i AI-genererede bæredygtighedsmålinger er afgørende for at opbygge tillid og skabe reel forandring.

Overdreven afhængighed af digitale løsninger

En overdreven afhængighed af digitale løsninger er en anden potentiel forstyrrelse. Værktøjer som AI-drevne digitale tvillinger, forudsigelige analyser og platforme, der kombinerer AI med andre teknologier, giver værdifuld indsigt, men de bør ikke erstatte de grundlæggende systemiske ændringer, der er nødvendige for cirkularitet. Virksomheder kan fokusere på AI-drevne effektivitetsforbedringer i stedet for at omstrukturere forretningsmodeller til cirkularitet. Lokale cirkulære økonomier, som f.eks. samfundsbaserede delingsmodeller og reparationsnetværk, kan få det svært mod AI-optimerede globaliserede forsyningskæder. Desuden kan AI's kompleksitet gøre cirkulære løsninger mindre tilgængelige for mindre virksomheder eller udviklingsøkonomier, hvilket begrænser en bredere anvendelse.

Cirkulær acceleration - Hvordan AI kan fremskynde overgangen til cirkulær økonomi

På trods af de udfordringer, der er beskrevet ovenfor, har AI et enormt potentiale til at drive innovationer inden for cirkulær økonomi. Et af de mest lovende områder er optimering af ressourceeffektivitet og affaldsreduktion.

Optimeret ressourceeffektivitet og affaldsreduktion

AI kan forbedre forudsigelig vedligeholdelse, sikre at industrielt udstyr fungerer effektivt og reducere for tidlig bortskaffelse. Avancerede computersynssystemer kan forbedre affaldssorteringen og gøre genbrugsprocesserne mere effektive. AI-drevne forsyningskædeanalyser, som kombinerer læringsmodeller med andre AI-applikationer som f.eks. naturlig sprogbehandling, kan hjælpe virksomheder med at forudse efterspørgslen mere præcist og reducere overproduktion og spild.

Forbedret produkt- og materialecirkularitet

AI spiller også en afgørende rolle i forbedringen af produkt- og materialecirkularitet. Det hjælper med at designe produkter med bedre materialevalg, modularitet og livscyklussporing. Generative designalgoritmer hjælper ingeniører med at udvikle produkter, der er lettere at reparere, genbruge og genanvende. AI-drevne materialepas eller digitale tvillinger sporer materialer gennem et produkts livscyklus og muliggør bedre genbrug og genanvendelse. Derudover kan AI optimere omvendt logistik, hvilket gør det lettere for virksomheder at indsamle og renovere brugte produkter effektivt. For eksempel kan maskinlæringsmodeller bruges til at vurdere historiske returdata for at forudsige fremtidige mængder og muliggøre forbedret lagerstyring. Derudover kan computervisionssystemer bruges til at vurdere de returnerede produkters tilstand for at fremskynde indsamlingsprocesserne og minimere menneskelige fejl.

AI-drevne bæredygtige forretningsmodeller

Et andet område, hvor AI driver forandring, er gennem udviklingen af bæredygtige forretningsmodeller. AI muliggør udvidelsen af PaaS-modeller (Product-as-a-Service), hvor produkter leases i stedet for at blive solgt, hvilket sikrer, at de forbliver i omløb i længere tid. Det kan ske ved at understøtte disse modeller med forudsigelige analyser af passende vedligeholdelsescyklusser for at forlænge produkternes levetid. Desuden kan modeller anvendes til bedre at forudsige brugerbehov og produktudnyttelse og forbedre den måde, hvorpå produkter recirkuleres i PaaS-netværket. En anden anvendelse af sådanne modeller er at understøtte genbrugsbaseret handel ved at forbedre videresalgs- og renoveringsplatforme. Endelig kan modeller til forudsigelse af efterspørgsel drevet af AI hjælpe producenter med at tilpasse produktionen til forbrugernes faktiske behov, hvilket reducerer overskudsproduktion og spild.

Forbedret gennemsigtighed og cirkulære forsyningskæder

AI forbedrer også gennemsigtigheden og ansvarligheden i cirkulære forsyningskæder. AI-drevne blockchain-løsninger kan hjælpe med at sikre, at materialer og komponenter kan spores fra produktion til genbrug. Satellitbilleder og AI-baserede overvågningssystemer kan opdage ikke-bæredygtig praksis som f.eks. ulovlig bortskaffelse af affald eller skovrydning, hvilket giver mulighed for at gribe ind i realtid. AI-drevet automatiseret bæredygtighedsrapportering understøtter overholdelse af regler som CSRD og den tilhørende ESRS E5 Resource Use & Circular Economy, hvilket gør det lettere for virksomheder at demonstrere deres engagement i cirkularitet.

Forbrugerengagement og adfærdsændring

Forbrugerengagement er et andet område, hvor AI gør en forskel. AI-drevne anbefalingsmotorer opfordrer forbrugerne til at vælge bæredygtige alternativer ved at foreslå brugte eller renoverede produkter. Spilbaserede bæredygtighedsapps tilskynder til cirkulær adfærd ved at belønne brugerne for ansvarlige forbrugsvalg. AI-drevne personlige assistenter kan også hjælpe enkeltpersoner med at træffe informerede købsbeslutninger ved at tilbyde bæredygtighedsindsigt baseret på deres præferencer og tidligere adfærd.

Et tveægget sværd?

AI's indvirkning på overgangen til den cirkulære økonomi er både forstyrrende og transformerende. Mens den kan forstærke lineære modeller, øge ressourceforbruget og muliggøre greenwashing, giver den også betydelige muligheder for at optimere ressourceeffektiviteten, forbedre gennemsigtigheden og skabe nye cirkulære forretningsmodeller.

Virksomheder og beslutningstagere skal tilpasse udviklingen af kunstig intelligens til principperne for cirkulær økonomi for at sikre, at teknologiske fremskridt bidrager til en bæredygtig fremtid.

For virksomheder kræver beslutningen om at indføre AI-teknologier for at muliggøre overgangen til en cirkulær økonomi en afvejning mellem de fordele, der opnås ved at bruge disse værktøjer, såsom forbedret materialevalg og lavere materialetab gennem styring af forsyningskæden osv. og de påvirkninger, der drives af denne brug af teknologi, for eksempel køb af cloud computing eller datalagring og de tilhørende emissioner. Her bliver det også afgørende for virksomhederne at vurdere, om der er behov for AI-modeller i fuld skala for at opnå de ønskede fordele, eller om enklere maskinlæring og forudsigelige modeller kan løse udfordringerne.

Fra en politikers perspektiv skal konsekvenserne af øget energiforbrug, risikoen for forskydning af arbejdsstyrken og andre elementer, der er knyttet til en retfærdig omstilling, tages i betragtning i den politiske tilgang.

At komme videre

Virksomheder er nødt til at anvende AI strategisk for at fremskynde deres overgang til en cirkulær økonomi. At ignorere AI vil ikke kun stille virksomheder i en ugunstig position kommercielt, men også hindre virksomhedens ambitioner med hensyn til overgangen til en cirkulær økonomi.

Kompleksiteten og den hurtige udvikling i den cirkulære økonomi kræver nu datadrevet indsigt og robuste analyser, som kun avancerede AI-systemer kan levere. Ved at integrere AI med principperne for cirkulær økonomi kan virksomheder bevæge sig ud over trinvise forbedringer og hen imod transformative løsninger, der omformer hele værdikæder. De potentielle fordele, som er skitseret ovenfor, er klare, men vejen er mindre klar.

For at navigere fremad bør virksomheder begynde med klart at definere deres mål for cirkulær økonomi og identificere, hvor AI kan give den største effekt.

Det er vigtigt at investere i at udvikle omfattende datastrategier, der sikrer, at AI-modeller trænes på nøjagtige, relevante og objektive datasæt, der afspejler cirkulære principper snarere end lineære mønstre. Etablering af tværfunktionelle teams, der kombinerer ekspertise inden for bæredygtighed, teknologi og drift, vil fremme innovation og effektiv AI-integration. Desuden bør virksomheder prioritere gennemsigtighed og ansvarlighed og aktivt modvirke risikoen for greenwashing ved åbent at kommunikere AI-drevne bæredygtighedsresultater og engagere interessenter gennem verificerede konsekvensanalyser.

Ved at tage disse bevidste skridt vil virksomhederne være bedre positioneret til ikke bare at overleve, men også trives i det hurtigt udviklende cirkulære økonomilandskab.