קפיטליזם 3.0 נתוני פליטות תחת מסך עשן
קפיטליזם 3.0
נתוני פליטות תחת מסך עשן
אחד הטרנדים התאגידיים של השנתיים האחרונות הוא לגבש תוכנית לצמצום פליטות פחמן ולרוץ איתה לתקשורת. אך מחקר של Boston Consulting Group מצא פערים עצומים בין היעדים המוצהרים לבין המצב בשטח. בראיון לכלכליסט מסבירה מובילת פעילות האקלים בחברת הייעוץ כי מרבית הארגונים לא רק שאינם עומדים ביעדים שקבעו, "הם אפילו לא יודעים איך ומה צריך למדוד”
בכל הנוגע למשבר האקלים והסקטור הפרטי, זה הטרנד הגדול של השנתיים האחרונות: כל ארגון מקטן עד גדול מגבש תוכנית לצמצום פליטות פחמן, וממהר לרוץ איתה לתקשורת. אבל מחקר חדש של חברת הייעוץ Boston Consulting Group חושף שבפועל כמעט כל הארגונים לא רק שאינם עומדים ביעדי הפליטות שלהם, הם אפילו לא מודדים אותן כמו שצריך, ואין להם מושג כמה הם צריכים לקצץ ואיפה.
"רמת אי־דיוק וחוסר הפירוט באופן שבו ארגונים מודדים את פליטות האקלים שלהם היא משמעותית", מזהירה שרלוט דגו (Charlotte Degot), מנהלת ושותפה ב־BCG, ומובילת פעילות האקלים של חטיבת BCG Gamma, שעוסקת בדאטה סיינס ואנליטיקה מתקדמת. "בלי מדידה מאוד קשה לדעת איפה לפעול ומה כבר עשית, או איך למדוד את ההתקדמות שלך ולתקשר אותה".
המחקר שהובילה דגו מבוסס על שאלון שנשלח לכ־1,300 חברות גדולות ותאגידים בכל העולם ובמגזרים מגוונים. "עבדתי עם ארגונים גדולים על נושאי האקלים שלהם, והבנו שהרבה לקוחות מתקשים לנוע לפעולה ולממש את היעדים שהתחייבו להם", היא הסבירה ל"כלכליסט". "ראינו שלהרבה לקוחות שלנו יש קושי למדוד את הפליטות שלהם. אז אמרנו, או.קיי, נעשה סקר ומחקר כדי להבין את העוצמה של מה שראינו".
מה הממצאים המרכזיים שלכם?
"אז מבחינתי, ממצא חיובי היה ש־85% מהתאגידים אמרו שהם מודאגים או מאוד מודאגים בכל הנוגע לעמידה ביעדי הפליטות שלהם, ו־96% קבעו יעדים להפחתת פליטות. זו הקלה גדולה, כי הרגשתי שבאמת יש עניין בתחום ושהוא נתפס כמשמעותי, המודעות משמעותית. אבל אז 91% מהארגונים שקבעו יעדים לפני חמש שנים אמרו שהם לא הצליחו לממש אותם. רק אחד מכל 10 ארגונים הצליח לעשות את זה. וזה כל כך מעט. כשצוללים לעומק הנתונים, ממצא המפתח מבחינתי הוא היכולת למדוד פליטות ולדעת איך לנטר את ההשפעה של פעולות שונות. כששואלים תאגידים עד כמה הם באמת יכולים למדוד את הפליטות שלהם, רק 9% אמרו שהם מודדים פליטות בצורה מקיפה, ו־81% הודו שהם משמיטים חלק מהפליטות הפנימיות שלהם. 66% אמרו שהם לא בודקים פליטות בשרשרת האספקה.
“נניח שאתה רוצה לרדת במשקל, אבל כשאתה ניגש להישקל, יש פער של 40% בכל פעם. איך אתה יכול לדעת אם אתה יורד במשקל או לא, איך אפשר לדעת אם אנחנו הולכים בכיוון הנכון?".
סיוע מבינה מלאכותית
זה יוצר את הרושם שכל הנרטיב סביב פליטות פחמן הוא רק גרין וושינג.
"כשארגונים קבעו יעדים ותקשרו אותם לציבור, זה לא היה גרין וושינג. אני חושבת שפשוט לא היו להם הכלים, ושהם חשבו שזה יהיה קל מכפי שזה באמת. כשקובעים יעד של צמצום פליטות ב־50% או ב־40%, זה יעד מסיבי. אם משווים להפחתת עלויות כספיות בשיעורים דומים, אנשים משתגעים, לא מבינים איך אפשר לעשות את זה. גודל המשימה באקלים דומה. אני חושבת שלקח לארגונים זמן להבין שזה לא קל לצמצם פליטות פחמן ב־50%. אז מה שחיובי בעיניי זה שהכלים לא היו קיימים לפני חמש שנים. זה מאוד מסובך למדוד פליטות פחמן במדויק, זה לא משהו שאנשים צריכים לעשות והם פשוט עצלנים. זה דורש כמויות אדירות של מידע שצריך לבצע לו אגרגציה. והמידע בארגונים לא תמיד מושלם. צריך לתרגם מידע על פעילויות שונות למידע על פליטות פחמן. זו הרבה עבודה. עד לאחרונה הכלי היחיד שאפשר לעשות את זה היה אקסל, וזה לקח הרבה זמן. עכשיו יש כלים מבוססי AI שמאפשרים לאסוף יותר מידע, והמידע שנאסף הוא פרטני יותר מבעבר. זה משמעותי, כי אם לא נבצע אוטומציה לכל החישובים האלו, אם לא נביא את השלב הבא של דיוק ופירוט, נישאר עם אותן בעיות שיש לנו עכשיו".
2 צפייה בגלריה
![מתקני גז של שברון בטקסס. “עד לאחרונה הכלי היחיד שאפשר למדוד היה אקסל”
(צילום: יובל חן) מתקני גז של שברון ב טקסס](https://pic1.calcalist.co.il/picserver3/crop_images/2022/01/01/HynzJ110iK/HynzJ110iK_0_0_1416_870_0_x-large.jpg)
![מתקני גז של שברון בטקסס. “עד לאחרונה הכלי היחיד שאפשר למדוד היה אקסל”
(צילום: יובל חן) מתקני גז של שברון ב טקסס](https://pic1.calcalist.co.il/picserver3/crop_images/2022/01/01/HynzJ110iK/HynzJ110iK_0_0_1416_870_0_x-large.jpg)
מתקני גז של שברון בטקסס. “עד לאחרונה הכלי היחיד שאפשר למדוד היה אקסל”
(צילום: יובל חן)
איך בינה מלאכותית היא פתרון? אני מבין איך היא יכולה לסייע בחישובים. אבל לפני זה צריך לאסוף מידע פיזי, חיישנים, צריך את המשתנים שיוזנו למודלים של AI.
"זה בלתי אפשרי לשים חיישנים בכל מקום. אי אפשר לשים חיישנים על כל הפרות, על כל הבניינים. אז בחשבונאות פחמן לוקחים מידע על פעילות. נניח שאני קונה זכוכית כדי לייצר כוסות תה. מה שנהוג לעשות זה לקחת את כל כמות הזכוכית שאני קונה בשנה, ומכפילים בפקטור שמייצג את כמות פליטות הפחמן שכרוכה בייצורה ובשינועה. צריך להמיר פעילות למידע על פליטות פחמן.
2 צפייה בגלריה
![שרלוט דגו (בתמונה), שותפה ב־BCG: "בינה מלאכותית יכולה להתמודד עם יותר מידע, לבדוק אם מידע שהתקבל הגיוני, ולבצע הערכות במקרה שחסר מידע" (צילום: www.bcg.com) שרלוט דגו שותפה BCG](https://pic1.calcalist.co.il/picserver3/crop_images/2022/01/01/SJ05y11AoY/SJ05y11AoY_81_0_1120_631_0_x-large.jpg)
![שרלוט דגו (בתמונה), שותפה ב־BCG: "בינה מלאכותית יכולה להתמודד עם יותר מידע, לבדוק אם מידע שהתקבל הגיוני, ולבצע הערכות במקרה שחסר מידע" (צילום: www.bcg.com) שרלוט דגו שותפה BCG](https://pic1.calcalist.co.il/picserver3/crop_images/2022/01/01/SJ05y11AoY/SJ05y11AoY_81_0_1120_631_0_x-large.jpg)
שרלוט דגו (בתמונה), שותפה ב־BCG: "בינה מלאכותית יכולה להתמודד עם יותר מידע, לבדוק אם מידע שהתקבל הגיוני, ולבצע הערכות במקרה שחסר מידע"
(צילום: www.bcg.com)
“אבל אם ניקח את כל כמות הזכוכית שרוכש יצרן בשנה שעברה, צריך לבדל אותה לפי צבע (זכוכית ירוקה פולטת במחזור החיים שלה 50% פחות פחמן משקופה), לפי שיעור חומר הבידוד, ארץ הספק, השיטה שבה היא מיוצרת. כאן יש הזדמנות משמעותיות לכלי AI, כי צריך לחבר הרבה מידע פעילות בארגונים גדולים. לארגונים גדולים יש פעילות בכל מקום. זו הרבה עבודה לחבר את כל המידע, וצריך לאסוף את המידע הזה ברמת פירוט מספקת. אני עובדת עם חברת יין ואלכוהול גדולה, וחישבנו מחדש את פליטות הפחמן שקשורות ברכש הזכוכית שלהם באמצעות כלי AI. באמצעות חישוב על בסיס משתנים פרטניים מאוד, גילינו פער של 45% בהיקף פליטות הפחמן. בינה מלאכותית יכולה להתמודד עם יותר מידע, לבדוק אם מידע שהתקבל הגיוני, לבצע הערכות במקרה שחסר מידע, ולהגיע לרמת פירוט שאי אפשר להגיע אליה באמצעות אקסל. ואז אפשר לעשות עוד הרבה דברים עם AI. אפשר לבצע הדמיות ולעזור לארגונים להבין לא רק את נקודת המוצא שלהם, אלא גם לראות מה דרכי הפעולה הטובות ביותר עבורם".
אין חישובים פשוטים
מה בפועל יכולים ארגונים לעשות כדי למדוד טוב יותר את פליטות הפחמן שלהם?
"אי אפשר להסתפק בחישובים פשוטים, כמו 'קניתי אלף טון זכוכית בשנה שעברה, אני רק אכפיל את זה בפקטור הפליטות'. כי אם יהיו שינויים אצל ספק הזכוכית שלך, אתה לא תראה את ההשפעה שלהם. אבל הדבר החשוב ביותר הוא להתחיל למדוד. יש הרבה תאגידים בכל העולם שלא עושים כלום. אבל הצעד הראשון, עוד לפני שפונים ל־AI, הוא להתחיל למדוד, ואז לשפר ככל שמתקדמים. לזהות נקודות בעייתיות, ואז אפשר להעמיק יותר ולפרק את המידע, לעבוד עם ספקים כדי לדעת מה הם עושים ומה מפת הדרכים שלהם, כמה פחמן הם פולטים עכשיו ומה הם רוצים לעשות".
- 81% מהארגונים משמיטים חלק מהפליטות הפנימיות שלהם
- 66% מהארגונים לא בודקים פליטות בשרשרת האספקה
- 91% מהארגונים לא עמדו ביעדים שהציבו לפני חמש שנים