企業はサステナビリティ目標の達成に向けてAIをどのように活用しているか?
TRELLIS記事“How companies are using AI to support sustainability goals”より
サステナビリティの実務家たちは、ある判断を下さなければならない状況にあります。AIによるGHG排出量やその他のマイナスの影響は、その潜在的なメリットを上回るのでしょうか?
その判断基準は依然として不明確です。AIモデルの利用コストを見積もることは困難ですが、その一因として、トレーニング実行中に発生する排出量など、特定の影響が一部の計算から除外されていることが挙げられます。
こうした不確実性があるからといって、実務家がサステナビリティ分野におけるAIの活用を模索することを妨げるべきではありません。ここで取り上げているツールは、その必要性を明確に示しています。
すでに実用化されている例:AIによる最適化
Cubは中西部に展開する食料品チェーンで、従来は需要予測、発注、店舗運営において従業員の経験に頼ってきました。在庫減少や食品廃棄が、もともとわずかな利益率をさらに圧迫してしまうこの業界において、同社はより高度なソリューションを求めていました。
同社は、AIを活用して需要予測、発注の最適化、廃棄物の削減を行うサンフランシスコのソフトウェア企業「Afresh」と提携しました。3か月にわたるパイロット運用期間中、Afreshの支援により、Cubは売上を2%以上伸ばし、在庫を7%削減することに成功しました。Cubの最高情報責任者(CIO)によると、本格導入後は青果物のロス率が18%減少したといいます。さらに、同社は現在、年間で1,200メートルトン以上のGHG排出、4,300万ガロンの水使用、および200万ポンドの食品廃棄を回避する軌道に乗っています。
もう1つ例を挙げましょう。ハイデルベルク・マテリアルズ社は、自社のセメント工場の一つからの排出量を削減したいと考えていました。この業界では、工場の排出量の30%が燃料の燃焼に起因しているため、これは困難な課題でした。同社が採用した解決策は、チェコ共和国のモクラ工場に、ソフトウェア企業ギガトン社のAIプラットフォームを導入することでした。
その目標は、燃料コストの削減、排出ガスの削減、およびクリンカー品質の向上でした。この事例では、AIはプラントの既存の高度なプロセス制御システム上で稼働し、燃料の配合、キルンの回転速度、酸素濃度などの主要なパラメータを調整することで、エネルギーコストの削減と排出ガスの削減を実現しています。
その結果は有望なものとなっています。連続稼働開始から最初の1か月間で、ハイデルベルクの工場では、平均燃料コストが4%削減され、燃料由来の排出量も2%減少しました。また、熱消費量の削減により、チームは燃料構成を重油から、より安価で炭素排出量の少ない燃料源へと転換することができました。
もう1つの効果的な活用例:デジタルツイン
注目すべき開発分野の1つが、AIを活用した「デジタルツイン」です。これは、物理的な物体やシステムの仮想的な複製をシミュレートするものです。AIシステムと、自社のプロセスに関する知識や記録システムを組み合わせることで、企業はプロセスに関連するボトルネックを特定し、予想外の方法で持続可能な価値を引き出すことができます。
例えば、今年の6月、ユニリーバとアクセンチュアは、石鹸、洗剤、デオドラント、食品の製造プロセスにおけるAIを活用したデジタルツインを拡大するための、複数年にわたる提携を発表しました。その目的は、現場からのリアルタイムデータを取り込んだ設備や生産ラインの仮想モデルである「ライブデータ・ツイン」を40個構築し、廃棄物、操業停止、過剰なエネルギー消費の原因となるプロセスのばらつきを低減することにあります。
ノースカロライナ州レイフォードにあるユニリーバの工場では、「Dove」、「Degree」、「Axe」のデオドラントスティック生産ラインのツインシステムが、すでにプロセスフロー上の制約の95%を予測し、廃棄物を20%削減することに成功しています。
インドのハルディアにある別のツインシステムでは、ファンの回転数、温度設定、湿度制御を最適化しており、その結果、2年間で熱エネルギーの使用量を削減することに成功しました。
将来に向けて:自然由来のリスクの分析
現在、活発に研究が進められているもう一つの分野は、天然資源の利用に伴う経済的影響、リスク、および機会について、企業の理解を深めることができるAIを活用した手法です。
「自然調整経済評価(NAEV:Nature Adjusted Economic Valuation)」として知られるこの新たなアプローチは、採掘業、製造業、その他の資源集約型産業の企業が、生態系サービスへの依存度を評価し、それらのサービスが利用できなくなった場合に直面しうる財務的影響を把握するのに役立ちます。
NAEVのモデリング研究において、AIは、水や木材といった何らかの形態の自然資本を中核的な価値創造プロセスに依存している企業の分析を支援しています。AIを活用することで、そうしたサービスを提供する生態系に関する現地調査や計算モデルから得られる膨大な量のデータを収集・分析し、それらの生態系が劣化し、最終的には枯渇に至るまであとどれほどの期間があるかを予測することができます。
これらの分析に基づき、これらの生態系サービスの潜在的な喪失に関連するリスクをモデル化し、収益の損失、事業中断によるコスト、加重平均資本コストなど、企業の財務的持続可能性を示す主要指標への影響を推定することができます。
現在、パイロット研究が進められており、初期の結果からこのアプローチの可能性が示されています。AIが広く普及する前は、このような分析を行うには、膨大な時間と費用がかかり、現実的ではありませんでした。
そのメリット――つまり、資源をより効率的に活用する方法を理解し、そうした活動を支えるのに最適な生態系を見極めること――は、AIの利用がもたらす潜在的な悪影響を上回る可能性が高いと考えられます。


コメント