کسب‌و‌کارپایدار

سلاح مخفی مبارزه با تغییرات اقلیمی

مترجم‌: مريم رضايي منبع: Fast Company در سال ۲۰۰۷، شرکت مایکروسافت تحت فشار زیادی بود تا به انجام فعالیت‌‌‌های پایدار متعهد شود؛ کاری که قبل از این هیچ‌گاه انجام نداده بود. موشکافی هم از طرف ذی‌نفعان و هم سازمان محیط‌زیستی Greenpeace، سوالات داخلی زیادی را ایجاد کرده بود. رابرت برنارد که یک دهه قبل از اینکه مدیر ارشد پایداری مایکروسافت شود، وارد این شرکت شده بود، این سوالات را مطرح کرد: «چطور انتشار کربن و مصرف برقمان را در سراسر دنیا پایش می‌‌‌کنیم؟ باید از چه سیستم‌هایی برای مدیریت این شرایط استفاده کنیم؟»

مایکروسافت انبوه داده را در اختیار داشت، اما بدون اعداد تایید‌شده که جزئیات اثرگذاری اقلیمی شرکت را نشان دهند، ایجاد تغییر قابل‌توجه غیرممکن بود. برنارد و تیمش باید از بهترین تکنولوژی‌‌‌ها برای جمع‌‌‌آوری داده در این زمینه استفاده می‌‌‌کردند و این داده‌‌‌ها را برای کاهش اثرات زیست محیطی منفی در کل اکوسیستم مایکروسافت به کار می‌‌‌گرفتند؛ از جمله شرکا و تامین‌‌‌کنندگان. مایکروسافت با استفاده از تکنولوژی‌‌‌هایی مثل هوش مصنوعی و یادگیری ماشینی، داده‌‌‌های اقلیمی خود را جمع‌‌‌آوری کرد و به گفته برنارد، «اولین شرکتی شد که مالیات بر کربن داخلی را اجرایی کرد و در سطح جهانی کربن‌‌‌خنثی شد.»

از آن زمان، شرکت‌های دیگر با پیروی از مایکروسافت، شروع به جمع‌‌‌آوری داده‌‌‌های خود کرده‌‌‌اند؛ تلاشی که با توجه به افزایش رویدادهای مرگبار آب و هوایی، هر روز اهمیت بیشتری پیدا می‌کند. دولت‌‌‌ها، شرکت‌ها و افراد در نهایت اقدامات معناداری برای مقابله با بحران اقلیمی انجام می‌دهند، اما این تغییر سخت و تاکنون کند بوده است. به همین دلیل است که خیلی از شرکت‌ها به دقت در حال بررسی هستند تا ببینند تکنولوژی و داده چطور هم آنها را در این مسیر نگه می‌دارد و هم باعث پیشرفتشان می‌شود و به جایی می‌‌‌رساند که اثرگذاری منفی خود بر زمین را حذف کنند و همزمان باعث رضایت کارکنان، سهامداران، قانون‌گذاران و مشتریان شوند.

 آگاهی منجر به تغییر می‌شود

کربن‌‌‌زدایی از اقتصاد ارزان تمام نخواهد شد. شرکت مشاوره مک‌‌‌کینزی ارزیابی کرده که این اقدام سالانه ۲/ ۹ تریلیون دلار هزینه خواهد داشت تا هدف تعیین‌شده در سال ۲۰۵۰ محقق شود. کتی ستین، مدیر ارشد استراتژی در شرکت خدمات حرفه‌‌‌ای Genpact، می‌‌‌گوید که تکنولوژی به سه طریق می‌تواند در کمک به شرکت‌ها برای حل این بحران، نقشی کلیدی داشته باشد: «یکی کربن‌‌‌زدایی ردپای تکنولوژی است که می‌تواند حرکت به سوی تکنولوژی ابری را شامل شود. دوم، سرمایه‌گذاری در تکنولوژی‌‌‌ها و منابع انرژی سبزتر است. و سوم، بازنگری در کسب و کار و مدل‌‌‌های عملیاتی که پایداری را در هسته فعالیت‌‌‌های خود داشته باشند.»

همه این اقدامات، به جمع‌‌‌آوری داده نیاز دارند. اما جمع کردن داده از شرکت‌های جهانی کار ساده‌‌‌ای نیست. به عنوان مثال، بسیاری از سازمان‌ها ممکن است چند زنجیره تامین داشته باشند و با شرکای متعددی کار کنند که آنها اکوسیستم‌های مختص خود را دارند. به علاوه، آنها در ساختمان‌‌‌های مختلف در کشورهای مختلف کار می‌کنند که پر است از کارکنانی که به شیوه‌‌‌های مختلف به سر کار رفت و آمد می‌کنند. به همین دلیل است که شرکت‌ها ترجیح می‌دهند قبل از اینکه کل عملیات خود را در نظر بگیرند، داده‌‌‌ها را به زیرمجموعه‌‌‌هایی تقسیم‌‌‌بندی کنند و ببینند هر یک از این جنبه‌‌‌ها چگونه بر محیط‌زیست اثر می‌‌‌گذارند. به عنوان مثال، در سطح کارکنان، برخی کسب و کارها ابزارهایی را در اختیار افراد قرار می‌دهند تا اثرگذاری زیست محیطی خود را هنگام کار، پیگیری کنند. کیمبرلی اوانز، مدیر پایداری، جامعیت و اثرگذاری اجتماعی شرکت خدمات مالی‌Northern Trust، می‌‌‌گوید: «کارکنان از ما می‌‌‌خواهند رد پای کربن‌‌‌ خود را کاهش دهیم، اما خیلی از آنها هم می‌‌‌خواهند در این فرآیند مشارکت داشته باشند.»

 مزیت تکنولوژیک

به هر حال، آگاهی به تنهایی کافی نیست. داده‌‌‌ها باید به راحتی در دسترس و قابل درک باشند تا تغییر ایجاد کنند. به عنوان مثال، شرکت‌ها با استفاده از تکنولوژی ابری می‌توانند حجم انبوهی از داده را ذخیره‌‌‌سازی کنند که با منابع خارجی تلفیق می‌شود و اطلاعات لازم برای تصمیم‌گیری شرکت را در اختیارش قرار می‌دهد. هوش مصنوعی و یادگیری ماشینی همین‌‌‌جا می‌توانند دیدگاه‌‌‌های پیشرفته‌‌‌تری را در اختیار بگذارند تا راهنمای فعالیت‌‌‌هایی مثل مدیریت انرژی باشند.

برنارد این مدل را در مایکروسافت و زمانی که روزانه ۵۰۰ میلیون نقطه داده از ۱۲۵ ساختمان شرکت جمع‌‌‌آوری می‌‌‌کرد، دنبال کرد. شرکت با اجرای الگوریتم‌‌‌هایی با این داده‌‌‌ها، توانست حدود ۵۰‌درصد اطلاعات ورودی را در کمتر از ۶۰ ثانیه تشخیص دهد - چیزی که قبلا چند ساعت یا حتی چند روز طول می‌‌‌کشید. دقت این الگوریتم‌‌‌ها و شناسایی الگوها در طول زمان بیشتر شد. برنارد می‌‌‌گوید: «شرکت با استفاده از داده و یادگیری ماشینی، توانست مصرف انرژی را تا ۲۰‌درصد کاهش دهد.»

هوش مصنوعی داده‌‌‌هایی را پردازش می‌کند که پردازش دستی آنها، خیلی سخت و زمان‌بر است. برنارد، خلیج «چساپیک» را مثال می‌‌‌زند که با وسعت ۱۶۵‌هزار کیلومترمربع، بزرگ‌ترین دهانه رودخانه در آمریکا محسوب می‌شود و بیش از ۳۶۰۰ گونه دارد. محققان با استفاده از هوش مصنوعی برای پردازش اطلاعاتی که از تصاویر هوایی و سنسورهای جریان آب جمع‌‌‌آوری شده، نقشه منطقه را بررسی کرده‌‌‌اند تا بدانند تغییرات اقلیمی و آلودگی آب چه اثراتی داشته و چطور می‌توانند منطقه را به بهترین شکل مدیریت کنند. چنین کاری بدون استفاده از این تکنولوژی‌‌‌ها بسیار طاقت‌‌‌فرسا بود.

 زنجیره‌‌‌های تامین کارآمد

ردیابی گازهای گلخانه‌‌‌ای که یک شرکت به طور غیرمستقیم در زنجیره تامین خود منتشر می‌کند، کار سختی است. به عنوان مثال، برخی فروشنده‌‌‌ها ممکن است نخواهند داده‌‌‌های خود را به اشتراک بگذارند و این منجر به ایجاد تصویر ناکاملی از اثر زیست محیطی آنها می‌شود. به عنوان مثال، Genpact  از تکنولوژی‌‌‌های دیجیتال استفاده می‌کند تا به یک خرده‌‌‌فروشی آنلاین لباس، در شناسایی فروشندگانی که استانداردهای مالی، اخلاقی و عملیاتی را رعایت نمی‌‌‌کنند، کمک کند - از جمله اهداف پایداری. در نهایت، ما در یک اقتصاد جهانی زندگی می‌‌‌کنیم. اکوسیستم هر شرکتی به نوعی به شرکت‌های دیگر مرتبط است که نه تنها در مورد عملیات خود آن شرکت اطلاع‌‌‌رسانی می‌کند، بلکه تصمیم‌گیری‌‌‌های افراد دیگر - از سران دولت‌‌‌ها گرفته تا تک‌تک مصرف‌کنندگان - در مورد محیط‌زیست را افشا می‌کند.