Den forstyrrende og transformative rollen til AI i overgangen til sirkulær økonomi

Denne artikkelen utforsker nøkkelvirkninger av AI på overgangen til sirkulær økonomi, etterfulgt av måter AI kan positivt transformere sirkularitet for å gi veiledning til fagfolk innen bærekraft, forsyningskjedeledelse og industrisektorer for å bedre forstå rollen til AI i å forme en bærekraftig og sirkulær fremtid.

Generativ AI er en modell som fokuserer på å skape innhold som tekst eller bilder. For tiden veldig trendy, men mange glemmer at bredden av teknologier som faller under begrepet ofte blir glemt. Generelt sett refererer AI til et sett med teknologier som er designet for å la maskiner utføre historisk menneskelige oppgaver som resonnement, læring og mønstergjenkjenning, basert på store mengder data som videoer, bilder og tekst.

Innenfor en sirkulær økonomi-kontekst har AI potensialet til å optimalisere ressursutnyttelse, forbedre forsyningskjedetransparens og skape nye forretningsmodeller. Slike kapabiliteter kan leveres ved hjelp av en blanding av AI-applikasjoner. For eksempel kan et verktøy for forsyningskjedeledelse integrere datamaskinvisjon for å overvåke lagerbeholdning, naturlig språkbehandling (NLP) for å analysere leverandørkontrakter, sosiale mediersentiment og brukeranmeldelser, osv., og forsterkende læring for å optimalisere logistikkruter.

Imidlertid medfører bruken av AI i en sirkulær økonomi-kontekst også risikoer som å forsterke lineære økonomiske strukturer, bidra til ressurskrevende digital infrastruktur og øke risikoen for grønnvasking.

Sirkulær forstyrrelse - Hvordan AI kan hindre overgangen til en sirkulær økonomi

AI’s raske utvikling og adopsjon kommer med utilsiktede konsekvenser som kan hindre overgangen til en mer bærekraftig økonomisk modell. En stor bekymring er ressursintensiveringen som AI krever.

Utilsiktet ressursintensivering

Storskala maskinlæringsmodeller og dype læringssystemer krever enorme beregningsressurser, noe som fører til økt strømforbruk og avhengighet av sjeldne jordmetaller som litium og silisium. Den økende energietterspørselen fra AI kan oppveie eventuelle effektivitetsgevinster i sirkularitet, mens det økende behovet for avansert datamaskinvare kan forverre problemet med elektronisk avfall.

Utover energiforbruket er karbonavtrykket fra trening av AI-modeller fortsatt en utfordring. Selskaper jobber med grønnere AI-løsninger, som å bruke datasentre drevet av fornybar energi, vannbasert kjøling og gjenbruk og integrering av spillvarme i fjernvarmesystemer. Fremgangen er imidlertid langsom, og AI’s bærekraft forblir et komplekst spørsmål.

Bias mot lineære økonomiske modeller

En annen utfordring er AI’s bias mot lineære økonomiske modeller. Mange nåværende AI-drevne optimaliseringsverktøy er designet for tradisjonelle lineære økonomier som prioriterer kostnadsreduksjon og effektivitet fremfor sirkularitet. AI-løsninger for forsyningskjeder har en tendens til å legge vekt på just-in-time produksjon og maksimal gjennomstrømning – uten å ta hensyn til sirkulære strategier. Lagerstyring og produksjonsplanlegging, for eksempel, favoriserer ofte kortsiktig effektivitet fremfor langsiktig material sirkularitet, mens AI-drevne innkjøpssystemer kan fortsette å prioritere jomfruelige materialer over resirkulerte alternativer på grunn av kostnad og tilgjengelighet.

Videre betyr AI’s avhengighet av historiske data at det ofte forsterker eksisterende økonomiske mønstre i stedet for å introdusere transformative løsninger. Hvis AI-systemer trenes på datasett som reflekterer tiår med lineær produksjon og forbruk, kan de mislykkes i å gjenkjenne fordelene med sirkulære forretningsmodeller. Å overvinne denne utfordringen krever bevisst programmering og integrering av sirkularitetsmetrikker i AI-trening og beslutningsprosesser.

Risiko for grønnvasking og feilinformasjon

AI utgjør også en risiko innen grønnvasking og feilinformasjon. AI’s evne til å generere bærekraftsrapporter, markedsføringsinnhold og ESG-avsløringer skaper muligheter for misvisende miljøpåstander. AI-drevne verktøy kan produsere detaljerte rapporter og bærekraftsvurderinger som fremstår troverdige, men mangler verifiserbar effektmåling. Dette kan føre til at selskaper skaper altfor optimistiske bærekraftsnarrativer som ikke reflekterer reell fremgang. I tillegg kan AI-drevne rapporteringsverktøy brukes til å overholde regelverk uten å faktisk adressere bærekraftsutfordringer, noe som villedende både investorer og forbrukere.

Et sentralt problem er at AI-modeller bare er så gode som dataene de er trent på. Hvis bærekraftsrapportering er avhengig av skjev, ufullstendig eller utdatert data, kan AI-genererte innsikter være feilaktige. Å sikre åpenhet og ansvarlighet i AI-genererte bærekraftsmetrikker er avgjørende for å bygge tillit og drive reell endring.

Overavhengighet av digitale løsninger

En overavhengighet av digitale løsninger er en annen potensiell forstyrrelse. Verktøy som AI-drevne digitale tvillinger, prediktiv analyse og plattformer som kombinerer AI med andre teknologier, gir verdifulle innsikter, men de bør ikke erstatte grunnleggende systemiske endringer som trengs for sirkularitet. Selskaper kan fokusere på AI-drevne effektivitetsforbedringer i stedet for å omstrukturere forretningsmodeller for sirkularitet. Lokale sirkulære økonomier, som samfunnsbaserte delingsmodeller og reparasjonsnettverk, kan slite mot AI-optimaliserte globaliserte forsyningskjeder. Videre kan kompleksiteten i AI gjøre sirkulære løsninger mindre tilgjengelige for mindre bedrifter eller utviklingsøkonomier, og begrense bredere adopsjon.

Sirkulær akselerasjon - Hvordan AI kan akselerere overgangen til en sirkulær økonomi

Til tross for utfordringene diskutert ovenfor, har AI enormt potensial til å drive innovasjoner innen sirkulær økonomi. Et av de mest lovende områdene er å optimalisere ressursutnyttelse og avfallsreduksjon.

Optimalisert ressursutnyttelse og avfallsreduksjon

AI kan forbedre prediktivt vedlikehold, sikre at industrielt utstyr opererer effektivt og redusere for tidlig kassering. Avanserte datasynssystemer kan forbedre avfallssortering, noe som gjør resirkuleringsprosesser mer effektive. AI-drevne forsyningskjedanalyser, som kombinerer læringsmodeller med andre AI-applikasjoner som naturlig språkbehandling, kan hjelpe bedrifter med å forutse etterspørsel mer nøyaktig, redusere overproduksjon og avfall.

Forbedret produkt- og material-sirkularitet

AI spiller også en avgjørende rolle i å forbedre produkt- og material-sirkularitet. Det hjelper med å designe produkter med bedre materialvalg, modularitet og livssyklussporting. Generative designalgoritmer hjelper ingeniører med å utvikle produkter som er enklere å reparere, resirkulere og gjenbruke. AI-drevne materialpass, eller digitale tvillinger, sporer materialer gjennom et produkts livssyklus, noe som muliggjør bedre gjenvinning og gjenbruk. I tillegg kan AI optimalisere omvendt logistikk, noe som gjør det enklere for selskaper å samle inn og oppgradere brukte produkter effektivt. For eksempel kan maskinlæringsmodeller brukes til å vurdere historiske returdata for å forutsi fremtidige volumer og muliggjøre forbedret lagerstyring. I tillegg kan datasynssystemer brukes til å vurdere tilstanden til returnerte produkter for å fremskynde innsamlingsprosesser og minimere menneskelige feil.

AI-drevne bærekraftige forretningsmodeller

Et annet område der AI driver endring er gjennom utvikling av bærekraftige forretningsmodeller. AI muliggjør utvidelsen av Produkt-som-en-tjeneste (PaaS)-modeller, der produkter leies i stedet for å selges, noe som sikrer at de forblir i sirkulasjon lenger. Det kan gjøre dette ved å støtte disse modellene med prediktiv analyse på passende vedlikeholdssykluser for å forlenge produktenes levetid. Videre kan modeller brukes til bedre å forutsi brukerbehov og produktutnyttelse og forbedre måten produkter resirkuleres innenfor PaaS-nettverket. En annen anvendelse for slike modeller er å støtte gjenbruksbasert handel ved å forbedre plattformer for videresalg og oppgradering. Til slutt kan etterspørselsforutsigelsesmodeller drevet av AI hjelpe produsenter med å tilpasse produksjonen til faktiske forbrukerbehov, redusere overproduksjon og avfall.

Forbedret transparens og sirkulære forsyningskjeder

AI forbedrer også transparens og ansvarlighet i sirkulære forsyningskjeder. AI-drevne blockchain-løsninger kan hjelpe med å sikre at materialer og komponenter er sporbare fra produksjon til gjenbruk. Satellittbilder og AI-baserte overvåkingssystemer kan oppdage uholdbare praksiser som ulovlig avfallshåndtering eller avskoging, noe som muliggjør sanntidsintervensjon. AI-drevet automatisert bærekraftsrapportering støtter overholdelse av regler som CSRD og dets tilknyttede ESRS E5 Ressursbruk & Sirkulær Økonomi, noe som gjør det enklere for selskaper å demonstrere sitt engasjement for sirkularitet.

Forbrukerengasjement og atferdsendring

Forbrukerengasjement er et annet område der AI gjør en forskjell. AI-drevne anbefalingsmotorer oppfordrer forbrukere til å velge bærekraftige alternativer ved å foreslå brukte eller oppgraderte produkter. Gamifiserte bærekraftsapper belønner brukere for ansvarlige forbrukervalg. AI-drevne personlige assistenter kan også hjelpe enkeltpersoner med å ta informerte kjøpsbeslutninger ved å tilby bærekraftsinnsikt basert på deres preferanser og tidligere atferd.

Et tveegget sverd?

AI’s innvirkning på overgangen til en sirkulær økonomi er både forstyrrende og transformativ. Mens det kan forsterke lineære modeller, øke ressursforbruket og muliggjøre grønnvasking, tilbyr det også betydelige muligheter for å optimalisere ressursutnyttelse, forbedre transparens og skape nye sirkulære forretningsmodeller.

Bedrifter og beslutningstakere må tilpasse AI-utvikling til prinsippene for sirkulær økonomi for å sikre at teknologiske fremskritt bidrar til en bærekraftig fremtid.

For bedrifter krever beslutningen om å ta i bruk AI-teknologier for å muliggjøre overgangen til en sirkulær økonomi en balanseringsøvelse mellom fordelene ved å bruke disse verktøyene, som forbedret materialvalg og lavere materialtap gjennom forsyningskjedestyring, osv., mot påvirkningene drevet av denne bruken av teknologi, for eksempel kjøp av skytjenester eller datalagring og de tilknyttede utslippene. Her blir det også kritisk for selskaper å vurdere om fullskala AI-modeller er nødvendige for de fordelene som forfølges eller om enklere maskinlærings- og prediktive modeller kan løse utfordringene som står overfor.

Fra en beslutningstakers perspektiv må påvirkningene av økt energibruk, risikoen for arbeidskraftsfortrengning og andre elementer knyttet til en rettferdig overgang tas med i tilnærmingen til politikk.

Veien videre

Selskaper må omfavne AI strategisk for å akselerere sin overgang til en sirkulær økonomi. Å ignorere AI vil ikke bare sette selskaper i en kommersiell ulempe, men også hindre selskapets ambisjoner med hensyn til overgangen til en sirkulær økonomi.

Kompleksitetene og de raske utviklingene innen sirkulær økonomi krever nå datadrevne innsikter og robust analyse som bare avanserte AI-systemer kan gi. Ved å integrere AI med prinsippene for sirkulær økonomi kan selskaper gå utover inkrementelle forbedringer mot transformative løsninger som omformer hele verdikjeder. De potensielle fordelene, som skissert ovenfor, er klare, men veien mindre så.

For å navigere veien videre bør selskaper begynne med å tydelig definere sine mål for sirkulær økonomi og identifisere hvor AI kan levere størst innvirkning.

Det er viktig å investere i å utvikle omfattende datastrategier som sikrer at AI-modeller trenes på nøyaktige, relevante og upartiske datasett, som gjenspeiler sirkulære prinsipper snarere enn lineære mønstre. Å etablere tverrfaglige team som kombinerer ekspertise innen bærekraft, teknologi og drift vil fremme innovasjon og effektiv AI-integrasjon. Videre bør selskaper prioritere transparens og ansvarlighet, aktivt motvirke risikoen for grønnvasking ved å åpent kommunisere AI-drevne bærekraftsresultater og engasjere interessenter gjennom verifiserte konsekvensvurderinger.

Ved å ta disse bevisste stegene vil selskaper være bedre posisjonert til ikke bare å overleve, men trives i det raskt utviklende landskapet for sirkulær økonomi.