Konkretiaa tekoälyn käyttöön kestävyydessä – liiketoimintaa unohtamatta

Kestävyysraportointi on monelle organisaatiolle tällä hetkellä välttämätön velvoite, ja sääntelyviidakon epävarmuuden keskellä odottelu johtaa hyvin helposti siihen, että kestävyysdatan laajemmat mahdollisuudet liiketoiminnalle unohtuvat. Sääntelyvaatimukset ja vapaaehtoinenkin kestävyysraportointi ovat kuitenkin jo nyt lisänneet raportoitavan datan määrää ja monimutkaisuutta merkittävästi – usein nopeammin kuin organisaatioiden kyky käsitellä tietoa tehokkaasti, hyötyihin keskittyen.

Tämän blogin tarkoitus on pohtia, miten tekoälyä ja koneoppimista voidaan konkreettisesti hyödyntää kestävyysdataan liittyvissä prosesseissa – ja itse kestävyystyössä sekä samalla liiketoiminnassa.

Tekoäly dataprosessien tukena: Kestävyysdatan keruu, laskenta ja raportointi

Kokemus monista organisaatioista on, että päästölaskenta ja varsinainen raportointi ovat vain osa kestävyysdataan liittyvästä työstä. Kestävyysdata syntyy liiketoiminnan operatiivisissa prosesseissa ja sidosryhmien välisessä yhteistyössä. Suurin osa ajasta kuluukin ennen raportointia datan keräämiseen ja tiedon yhdistämiseen eri lähteistä, puuttuvien tietojen arviointiin tai virheiden ja poikkeamien etsimiseen. Kestävyysdataan liittyvät haasteet ovat tuttuja liiketoimintadatan haasteita, mutta samalla nämä ovat tyypillisiä käyttötapauksia, joissa tekoälyä voi hyödyntää:

• Dataa on paljon ja se on monimuotoista

• Data on hajallaan useissa järjestelmissä ja dokumenteissa

• Osa tarvittavista tiedoista puuttuu tai on epätäydellistä
  
  
• Datan oikeellisuutta ja johdonmukaisuutta on vaikea varmistaa
  
  
• Manuaalinen työ vie kohtuuttomasti aikaa asiantuntijoilta

Tekoälyä hyödynnetäänkin tällä hetkellä usein yksinkertaisimmillaan automatisoimalla datankeruuta ERP-järjestelmästä päästölaskentaa varten. Edistyksellisissä kestävyystyökaluissa voi puolestaan luoda päästölaskentamalleja luonnollisella kielellä yhdistäen aktiviteettidataa ja päästökertoimia. Toisaalta sosiaalisen vastuun datankeruussakin videohaastatteluilla voidaan harkita tekoälyn ja kielimallien hyödyntämistä, esimerkiksi jos omassa arvoketjussa voi olla toimittajia, joiden työntekijöillä on puutteita luku-, kirjoitus- ja kielitaidoissa. Integraatioissa strukturoimattomien datan lähdejärjestelmän kenttien mäppäystä kestävyysdatamalleihin voidaan tarvittaessa helpottaa NLP-kielimalleja ja hahmontunnistusta (pattern recognition) käyttäen.

Dataprosesseissa käsittely- ja hallintavaiheessa tekoälystä voi olla hyötyä datan luokittelussa, laadun varmistamisessa ja virheiden tunnistamisessa tai korjaamisessa. Päästölaskentaa varten voidaan koneoppimisen avulla tunnistaa päästöluokat (scope 1-3) datatyyppien, aiempien rakenteiden tai trendien avulla nopeammin ja virheettömämmin, tai tekoälyä hyödyntäen merkitä dataa (data labeling), jotta erotetaan sisäiset transaktiot päästölaskennan eliminointeihin ennen konsolidointia. Henkilöstöltä tai toimittajilta kerätyn datan työstämistä esim. kaksoisolennaisuusanalyysiin (DMA) ja samalla tukemaan riskienhallintaa voidaan varmasti myös tehostaa mm. Efiman kehittämillä tekoälyratkaisuilla.

Myös ympäristövaikutusten arviointiin (YVA) liittyvissä selvityksissä tekoälyn suurimmat hyödyt nähdään nimenomaan data- ja analytiikkavaiheessa, ei raportin viimeistelyssä. Kun dataa kertyy suuria määriä useista lähteistä, tekoäly kykenee tunnistamaan olennaiset vaikutukset, riskit ja epävarmuudet tehokkaammin kuin perinteiset menetelmät. Tämä havainto pätee yritysten CSRD-raportointiin, toimitusketjujen analyysiin ja ilmastoriskien arviointiinkin.

Kestävyystyössä ei ole kyse vain raportin julkaisemisesta kerran vuodessa. Yritysten on yhä useammin kyettävä vastaamaan reaaliaikaisestikin asiakkaiden, sijoittajien, viranomaisten ja oman organisaation kysymyksiin vastuullisuudesta. Samalla kun nämä vaatimukset ja raportoinnin käyttökohteet lisääntyvät, kasvaa tarve tehostaa jatkuvaa raportointiakin. Kerätyn ja käsitellyn kestävyysdataan perustuvaan raportointiin ja viestintään on luonnollista käyttää avuksi generatiivista tekoälyä. Tekoäly voi tukea myös CSRD-varmennusprosessia, mm. helpottaa evidenssidokumentteihin liittyvää vastauksien ja viittauksien etsimistä.

Tekoäly liiketoimintaprosessien tukena: Kestävyystyö, johtaminen ja ohjaus

Vaikka julkinen keskustelu keskittyy edelleen kestävyysraportointiin, todellinen arvo syntyy silloin, kun kestävyysdataa hyödynnetään myös liiketoiminnan johtamisessa eri tarkoituksissa. Jo nyt on nähtävissä yhtiötason lisäksi tarpeita mm. tuote- ja asiakastason kestävyysdataan. Tällöin kestävyysdata muuttuu raportointivelvoitteesta kilpailukykyä tukevaksi liiketoiminnan resurssiksi.

Kestävyysdatalla voidaan tavoitella liiketoiminnan kasvua mm. tuotekehityksen tai uusien liiketoimintamallien kautta, tai tehokkuutta ja kustannussäästöjä, mistä yksinkertaisin esimerkki on kiinteistöjen energiadatan hyödyntäminen energiatehokkuudessa.ⁱ Liiketoimintaprosesseja ja resurssikäytön tehokkuutta voidaankin parantaa kestävyysmittareiden avulla paremmin tekoälyavusteisesti.

Operatiivisia prosesseja voidaan tukea tekoälyn avulla myös automatisoimalla datavirheiden lisäksi myös data-anomalioiden havaitsemisen ja hälytykset poikkeamista. Tällaisesta tutuimpia esimerkkejä ovat mm. sähköyhtiöillä sähköverkon väärinkäytösten ja energiavarkauksien tai vastaavasti finanssisektorilla väärinkäytösten tekoälyavusteinen tunnistaminen datasta. Microsoft Sustainability Manager sisältää tällaisiin tarkoituksiin älykkään analytiikan toiminnot (Intelligent Insights) sisäänrakennettuna.

Tekoälyavusteinen itsepalveluanalytiikka (self service analytics) toimii jo kestävyysdatan osalta Microsoftin kestävyysratkaisuissa. Esimerkiksi Microsoft Sustainability Managerissa voi luonnollisella kielellä ohjaten (”chat with data”) tuottaa ad hoc -raportointia ja esimeriksi muokata dataan liittyviä parametrejä ja suodattimia. Koneoppiminen ja tekoäly voivat edistää kestävyysmittareiden liiketoimintakäyttöäkin mm. näiden yhdistämisessä muihin liiketoiminnan KPI-mittareihin esimerkiksi riskienhallinnassa. Toisaalta myös ympäristöön liittyvien trendien tunnistaminen tai näiden ennustaminen esimerkiksi resursoinnin ja hinnoittelun päätöksenteon tueksi voi näin avata uusia näkökulmia ja mahdollisuuksia.

Tekoäly voikin tarjota ratkaisuja, jotka eivät ainoastaan helpota raportointia, vaan muuttavat kestävyysdatan aidoksi johtamisen ja liiketoiminnan työkaluksi. Muita käytännön esimerkkejä tekoälyn hyödyntämisen liiketoiminnallisista kohteista:

• Sisäinen tekoälypohjainen omaan kestävyysdataan ja -raportointiin perustuva “vastauskone”, jota myynti tai johto voi käyttää mm. asiakaskysymyksiin

• Reaaliaikaiset ESG-dashboardit, ESG-mittareiden kytkeminen kannustimiin
  
  
• Sopimushallinnan tai yrityskaupan due diligence -prosessin dokumenttien ESG-analyysit
  
  
• AI-agentit, jotka avustavat EU:n hiilirajamekanismin (CBAM) sääntelyn noudattamisessaⁱⁱ
  
  
• Koneoppimis-/tekoälyavusteiset kestävyysdataan perustuvat ennustemallit, jotka tukevat esim. tuotekehitystä, hankintoja ja liiketoimintamallien suunnittelua

Tekoälyn laajempi potentiaali: Laajennettu vaikuttavuus ja luovat sovelluskohteet

Tässä tekstissä on liiketoiminnallisen potentiaalin osalta keskitytty erityisesti ympäristövastuun kestävyyskysymyksiin. Tekoälyn ja koneoppimisen soveltamiskohteita voi yhtä hyvin löytää myös sosiaalisen ja taloudellisen vastuullisuuden alueelta. Jo seuraavilla yksinkertaistetuilla esimerkeillä voi nähdä, kuinka syvälle yritysten liiketoimintaprosesseihin ja toisaalta kuinka laajalle yhteiskuntaan voidaan tekoälyn yhteydet nähdä ulottuvan – rajana vain yrityksen oma luovuus soveltamisessa:

1. Vakuutusala: Kerää historiallista vahinkotietodataa, satelliittihavaintodataa (mm. lämpötilat, tulvat, kuivuus), sääennusteita ja maankäyttödataa, ja yhdistä nämä tekoälymallissa ennustamaan tulva- ja myrskyriskejä kortteli- tai rakennustasolla, hyödynnettäväksi fyysisten ilmastoriskeihin liittyvässä CSRD-raportoinnin ohella mm. vakuutusmaksujen riskiperusteisessa hinnoittelussa, asiakkaiden ennaltaehkäisevissä toimenpidesuosituksissa kannattavuuden parantamiseksi.

2. Kiinteistösijoitus ja rakentaminen: Kerää dataa rakennusautomaatiojärjestelmästä, sääolosuhteista ja tilojen käyttöasteesta, ja yhdistä nämä tekoälymallissa rakennuskohtaiseen digitaaliseksi käyttäytymismalliksi, joka ennustaa energiankulutusta eri käyttötilanteissa ja säätää tilankäyttömukavuuden huomioon ottaen lämmitystä, jäähdytystä ja ilmanvaihtoa, hyödynnettäväksi mm. energiankulutuksen optimointiin ja kustannusten hallintaan, päästövähennystoimenpiteiden priorisointiin.
   
   
3. Kuluttajatuotteet: Kerää dataa materiaalikoostumuksesta, logistiikkaketjusta, kierrätys- ja jätevirroista ja tuote-elinkaaresta, ja yhdistä nämä simuloimaan eri skenaarioita, hyödynnettäväksi vastuullisuusväittämien todentamisen ja CSRD-raportoinnin varmistamisen ohella eritysesti mm. tuotekehityksen pakkausmateriaalivalinnoissa, kuljetusreittien ja varastoinnin optimoinnissa tai eri markkina-alueiden kierrätyskäytäntöjen ohjaamisessa, ja näin samalla nopeuttaen tuotekehitystä sekä vähentäen tuotteen elinkaaren ympäristövaikutuksia.

Tekoälyä käytetään globaalisti jo huomattavasti laajempien ympäristöongelmiin, kuten jäätiköiden sulamisen ja aavikoitumisen etenemisen seurantaan ja valtamerien puhdistuksen tukemiseenⁱⁱⁱ. Tekoälyavusteisia ennustemalleja ilmastoriskeihin liittyen voi rakentaa myös yrityskohtaisesti. Yritystasollakin tekoälymalleja voi hyödyntää luontovaikutusten osalta myös mm. satelliittidataan perustuen metsäkatokysymyksissä metsäkatoasetuksen (EUDR) vaatimusten täyttämiseksi tai bioakustiikkadataan perustuen biodiversiteettihaasteisiin^iv. Tekoälyn ja koneoppimisen potentiaali itse kestävyystyössäkin onkin huomattavasti kestävyysraportointiin soveltamista laajempi.

Tekoäly ja koneoppiminen kestävyysdatan hallinnan tukena: kokonaiskuva yhdellä silmäyksellä

Alla oleva taulukko kokoaa esimerkein yhteen, millaisissa käyttötapauksissa tekoäly ja koneoppiminen voivat tuoda konkreettista hyötyä kestävyystyössä ja kestävyysdatan koko elinkaaressa – raportoinnin datankeruusta liiketoiminnan ohjaukseen.

Tekoälyn hyödyntäminen kestävyystyössä: vaikutukset, riskit ja parhaat käytännöt

Tekoälyä ei voi tarkastella vain ratkaisuna – myös sen omat vaikutukset on tunnistettava. Mallien energiankulutus, datakeskusten ympäristövaikutukset sekä datan eettinen ja sääntelyn mukainen käyttö ovat keskeisiä kysymyksiä.

Vastuullinen tekoälyn hyödyntäminen tarkoittaakin:

• Ympäristövaikutusten huomioimista koko arvoketjussa

• Läpinäkyvyyttä datan käsittelyssä
  
  
• Eettisten ja compliance-vaatimusten sisällyttämistä tekoälyratkaisujen suunnitteluun

Ilman tätä tekoäly ei tue kestävyyttä ja vahvista vastuullisuutta, vaan voi pahimmillaan heikentää sitä.

Näyttäisi siltä, että tekoälyagentit ovat tulossa seuraavan AI-aallon myötä tukemaan laajasti niin liiketoimintaa kuin kestävyyttäkin kaikessa, aina toistuvien data- ja raportointiprosessien automatisoinnista työnkiertojen orkestrointiin, mutta myös käynnistämään itsenäisesti reaaliaikaisen datanseurannan perusteella tarvittavia korjaavia toimenpiteitä – unohtamatta suunnittelun, johtamisen ja päätöksenteon tukea.

Tekoäly ei automaattisesti ratkaise kestävyystyön haasteita. Se kuitenkin vapauttaa aikaa, parantaa tiedon laatua sekä mahdollistaa yrityksen strategisessa johtamisessa ja liiketoiminnan operatiivisessa ohjauksessa päätöksiä, joita ilman data jäisi hyödyntämättä. Kokonaisuutta voi ajatella positiivisestikin: Kestävyysdataa on paljon ja prosessit toistuvia, jolloin tekoälyä, koneoppimista ja muita teknologioita kannattaakin hyödyntää tukena. Kestävyysraportointi on usein ensimmäinen askel, mutta kuten muunkin liiketoimintadatan osalta, suurin hyöty syntyy silloin, kun tekoäly valjastetaan tukemaan ja avustamaan liiketoimintahyötyjen tavoittelua.

Matkaa Efiman kanssa yhdistäen kestävyysdatan hallinnan, tekoälyn mahdollisuudet ja liiketoimintatavoitteet

Vastuullisen liiketoiminnan johtaminen vaatii laadukasta ja luotettavaa dataa, joka ohjaa päätöksentekoa ja auttaa saavuttamaan kestävyystavoitteet. Autamme yrityksiä kaikissa kestävyysdataan liittyvissä prosesseissa, keruusta hallintaan ja raportoinnista hyödyntämiseen.

Tarjoamme tähän teknologiaosaamisemme ja tekoälykyvykkyytemme yhdistettynä vahvaan liiketoimintaymmärrykseen. Meiltä saat myös tarkoituksenmukaiset työkalut Microsoft-teknologioista, jotka tunnemme kuin omat taskumme.

Tiesitkö, että Efima palkittiin marraskuussa 2025 Microsoftin vuoden Agentic AI Business Solution -kumppanina? Se on tunnustus siitä, että olemme todistettavasti toteuttaneet tekoälyä hyödyntäviä palveluita ja liiketoimintaratkaisuja asiakkaillemme Microsoftin teknologioita hyödyntäen.

Jos kaipaat kokeneen kumppanin apua tekoälyn ja agenttien hyödyntämiseen liiketoiminnan prosesseissa, ole rohkeasti meihin yhteydessä!

^{i https://tieke.fi/kuinka-kiinteistojen-energiadata-kaantyy-energiansaastotoimiksi
ii https://learn.microsoft.com/en-us/microsoft-copilot-studio/template-eu-cbam
iii The World Economic Forum, 2024
iv https://www.microsoft.com/en-us/research/project/bioacoustics/news-and-awards/}