Nye anskaffelsesregler krever flere miljøvurderinger og KI kan gjøre prosessen enklere.

Fra og med 2025, når selskaper konkurrerer om norske statlige prosjekter, vil deres klima- og miljøpåvirkning utgjøre minst en tredjedel av avgjørelsen.

Dette gjelder også i andre kontrakter.Derfor må selskapene beregne det reelle karbonavtrykket til alle sine produkter. Internasjonale standarder sier hvordan dette skal gjøres, slik at produktene enkelt kan sammenlignes uten juks. Selskapene må også samle inn mye data og gjennomføre raske miljøvurderinger for å ligge foran konkurrentene. Kunstig intelligens (KI) kan hjelpe til med å få jobben gjort, men selskaper vet ikke hvordan. Denne artikkelen veileder deg i hvordan du velger riktig AI-verktøy for å gjøre miljøvurderinger av høy kvalitet.

For dette trenger vi masse data. Dessverre er det meste av dataene fra norske selskaper ikke gode nok. Dette betyr at kundene ikke fullt ut kan stole på karbonavtrykket til produktene de kjøper. Derfor må selskapene bruke mer på å forbedre kvaliteten på dataene sine. Selskaper er ikke klar over at dataene de bruker til å beregne miljøpåvirkningen også kan brukes til å forbedre driften (f.eks. salg, innkjøp og vedlikehold). Faktisk kan forbedring av datakvaliteten føre til store økonomiske fordeler for disse selskapene, i tillegg til økt tillit blant kundene deres.

Men data med dårlig kvalitet er bare ett aspekt. Å velge riktig AI-verktøy er en annen. AI er en boks med mange verktøy. Noen er gode for innsamling eller behandling av data, og andre er gode for miljøpåvirkningsberegninger. Uten å være ekspert på AI er det veldig vanskelig å vite hvilket AI-verktøy man skal bruke til hva. Vi så på elleve AI-verktøy og listet opp hvilke verktøy som brukes til hvilket trinn i miljøvurderingen. Vi sjekket dem også mot de fem AI-spørsmålene. Ingen av AI-verktøyene svarte perfekt på de gitte spørsmålene. Noen faser har flere mulige AI-verktøy, men du må se på hvordan de scorer mot de fem AI-spørsmålene og deretter velge det beste. Du trenger ikke ta den avgjørelsen alene. Det er best å involvere folk som kjenner til AI og databehandling, miljøvurdering og produksjonsprosessen for produktet. Dette betyr at folk velger AI-verktøyet.

Utøverne må kvalitetssjekke AI-verktøyene på ulike trinn i miljøvurderingen.  Denne kvalitetskontrollen er avgjørende. Uten mennesker involvert vil AI-modellene gi misvisende resultater som kan få store konsekvenser for beslutningstaking. Mange har rapportert feil når de bruker AI-verktøy som ChatGPT. Disse feilene kan være et resultat av feil i AI-modellen. De kan også være bevisste fra modellskaperne for å fremme sin egen fortelling. AI-verktøy som utfører beregninger eller sammenligninger basert på data krever også kvalitetssjekk. Dette er fordi dataene kan bli utdaterte. For eksempel på grunn av endringer i produksjonsprosessen til produktet.

Menneske og AI-verktøy kan samarbeide for å produsere raskere, nøyaktigere og mer transparente miljøvurderinger. Vårt rammeverk gir praktisk veiledning om hvordan du kan gjøre dette. Det er et skritt mot hybrid intelligens og bedre beslutningstaking for en bærekraftig fremtid.

Hva betyr dette for en miljøvurderingsutøver? Det første steget (mål og omfang) for miljøvurderinger innebærer å bestemme hvilke deler av verdikjeden som skal inkluderes i vurderingen. Det siste steget (tolkning og rapportering) er der du tolker resultatene. Siden disse stegene stort sett er tekstbaserte, kan du bruke et AI-verktøy som ChatGPT. Det andre steget (livssyklusinventar) innebærer å håndtere manglende eller dårlige data og organisere dem i et brukbart format. Derfor anbefaler vi AI-verktøy som kunstige nevrale nettverk og Bayesiske nettverk. Det tredje trinnet (konsekvensvurdering) innebærer hovedsakelig å kartlegge dataene om eventuelle påvirkninger de sannsynligvis vil ha på miljøet. Derfor foreslår vi beslutningstrebaserte modeller og kunstige nevrale nettverk.

Du kan lese hele artikkelen her: https://doi.org/10.1007/s40831-025-01305-x. Den refererte artikkelen var en del av Flex4Fact-prosjektet og mottok finansiering fra EUs Horizon Europe-forsknings- og innovasjonsprogram under tilskuddsavtale nr. 101058657.