Hållbarhetsteamen är pressade till sin gräns. De hanterar allt från rapportering och efterlevnad till att utveckla ansvarsfulla upphandlingsstrategier och samla in data från otaliga källor. Även hos stora varumärken är dessa team ofta små och spenderar mer tid begravda i kalkylark än med att driva de meningsfulla hållbarhetsstrategier de ursprungligen satte upp. Inte undra på att löftet om högpresterande AI är så lockande.

Branschexperter menar att AI kan avlasta både hållbarhetsteam och deras leverantörspartners genom att automatisera miljörapportering, förbättra datakvalitet, omformatera information för olika behov och verifiera spårbarhet. AI erbjuder också potentiella effektivitetsvinster i själva försörjningskedjan, genom smartare materialanvändning och mer exakta efterfrågeprognoser. ”AI hjälper definitivt hållbarhetsteam med rapportering, så att de kan fokusera mer på strategiska program istället för efterlevnad”, säger Annie Agle, vice president för påverkan och hållbarhet på friluftsvarumärket Cotopaxi.

Men det finns en varning. Den verkliga miljöpåverkan av att använda AI på organisationsnivå är fortfarande till stor del oklar. Utan noggrann uppföljning kan varumärken oavsiktligt öka sitt koldioxidavtryck med just den teknik som är tänkt att minska det.

”Fördelarna är tydliga, men vi vet också att det finns negativa effekter som inte är fullt förstådda än”, noterar Agle. ”Vi vet inte ännu hur det digitala avtrycket påverkar våra växthusgasberäkningar.”

För att ta reda på hur hållbarhetsteam integrerar AI och hanterar dessa osäkerheter har Vogue Business talat med ett urval varumärken av olika storlek och marknadssegment. Vissa har använt AI i flera år, andra experimenterar fortfarande, men alla är överens om att AI kommer att spela en roll i deras framtida verksamhet.

**Hur hållbarhetsteam använder AI**

H&M rapporterar att de använder AI i hela sin försörjningskedja, logistik, marknadsföring, försäljning och kundupplevelse. Varumärket säger att AI stöder dess mål att endast producera det som säljs genom att optimera produktionskvantiteter, försäljningsplatser och timing. ”Detta har positiva effekter på resursanvändning, lager, råmaterial och utsläpp”, förklarar H&M.

Lyxkoncernen Kering, som äger varumärken som Gucci och Balenciaga, utsåg Pierre Houlès till digital chef, AI- och IT-chef i mars 2026. Företaget har implementerat AI i utvalda hus i flera år. Liksom H&M använder Kering analytisk AI för att prognostisera efterfrågan och optimera lagerbalansen för varje produkt, enligt hållbarhetschefen och chef för institutionella frågor Marie-Claire Daveu. I likhet med Cotopaxi använder de också AI för att automatisera och förbättra rapporteringens tillförlitlighet, med verktyg som automatiskt samlar in och intelligent korrigerar data från Kerings platser. På produktutvecklingsnivå har Kerings Material Innovation Lab i Italien – som forskar om mer hållbara material – skapat en AI-agent för ekodesign för att ge teknisk vägledning till designteamen. Detta hjälper till att överbrygga ofta åtskilda design- och hållbarhetsteam och säkerställa att en grupps resultat inte underminerar den andras mål.

Medan H&M och Kering har integrerat AI i kärnverksamheten under flera år använder andra varumärken det främst för att underlätta arbetsbördan. ”När det gäller AI är vi fortfarande i de tidiga utforskande stadierna”, sa Everlanes vd Alfred Chang i ett uttalande till Vogue Business. ”Vi fokuserar på hur det kan stödja dagliga interna processer och spara tid.” H&M SS26.
Foto: H&M Group

Agle noterar att hennes lilla team använder AI för att översätta råa leverantörsdata till växthusgasberäkningar (GHG), omformatera data för olika rapporter och skapa visualiseringar för att hjälpa hela teamet att förstå företagets påverkan. ”Det hjälper verkligen till med produktiviteten. Jag tror definitivt att företag som inte antar AI kommer att kämpa för att konkurrera kommersiellt”, säger hon.

Maximilien Abadie, vice vd för det franska teknikföretaget Lectra, håller med. Lectra erbjuder AI-lösningar som hjälper modevarumärken att nå hållbarhetsmål, som att verifiera spårbarhetsdata och optimera tygskärning för att minska överbeställningar. Men Abadie tror att den största möjligheten ligger i att förkorta time-to-market. ”Utmaningen för alla modeföretag är hur man förblir konkurrenskraftig i en värld full av dagliga störningar och osäkerheter, där man inte kan förutsäga vad som händer om tre eller sex månader. Man måste finnas där vid rätt tid med rätt produkt, till rätt pris, i rätt kvantiteter, för rätt konsument.”

Maximilien Abadie, vice vd för det franska teknikföretaget Lectra.
Foto: Lectra

Medan AI används för att minska avfall och optimera försörjningskedjor används det också i stor utsträckning för kommersiella och kreativa ändamål. ”Sedan 2018 har vi utvecklat mer än 15 interna maskininlärningsplattformar, alla byggda för att förbättra kreativitet, effektivitet och kundservice”, säger Jordi Alex, IT-chef på den spanska detaljhandelskedjan Mango.

Enligt Alex utvecklade Mango de flesta av dessa plattformar internt. Detta inkluderar dess AI-assistent Iris, som hanterar över 7,5 miljoner kundförfrågningar per år. Ett annat verktyg, Gaudi, använder kundernas surf- och köpdata för att generera personliga produktrekommendationer. Mango använder också generativ AI för att skapa kampanj- och kollektionsbilder. Dessa omfattande tillämpningar bortom hållbarhet ökar brådskan för varumärken att undersöka AI:s underliggande miljöpåverkan.

En AI-genererad kampanjbild för Mango Teen.
Foto: Mango, genererad av AI

**Okända effekter**

Det är allmänt känt att AI:s tillväxt har ökat efterfrågan på energi och vatten, det senare används för att kyla datacenter. En artikel från 2025 i **Nature** konstaterade att, med nuvarande tillväxttakt, skulle AI-servrar enbart i USA generera 24–44 miljoner ton koldioxid (CO₂) – motsvarande att lägga till 5–10 miljoner bilar på amerikanska vägar. Deras årliga vattenavtryck sträcker sig från 731 till 1 125 miljoner kubikmeter, ett problem som förvärras av att många datacenter ligger i några av världens torraste regioner. I april 2025 rapporterade Internationella energiorganet (IEA) att datacenter stod för 1,5 % av den globala energiförbrukningen 2024, en siffra som förväntas stiga till 3 % till 2030.

Även om datacenter stöder mer än bara AI, förväntas AI-arbetsbelastningar utgöra hälften av all datacenterkapacitet till 2030, vilket belyser dess betydande och växande energibehov. Det amerikanska AI-företaget Anthropic har medgett att den nätkapacitet och datacentertillväxt som krävs för dess teknik kommer att öka elpriserna för konsumenterna och har uppgett att de kommer att täcka relaterade infrastrukturkostnader. Företaget svarade inte på förfrågningar om kommentarer.

Även om bredare prognoser kan göras är det mycket svårare att beräkna AI:s påverkan på organisationsnivå. ”Det kommer att bli mycket komplicerat för ett icke-AI-företag att förstå AI:s effekter. När det är din tjänst och du äger datacentren kan du räkna ut den el och det vatten som behövs för kylning”, säger Cotopaxis Agle. Men för ett modevarumärke som inte kontrollerar all underliggande infrastruktur förblir det en utmaning att bedöma hela avtrycket.Det är extremt svårt att komma fram till en exakt siffra för hur varje enskild anställd använder AI, oavsett om de skriver e-post med ChatGPT eller samlar in data med interna verktyg. Denna beräkning beror också på att AI-företag mäter och validerar sina egna effekter så att tredje part kan använda datan. Men stora aktörer som OpenAI, Perplexity och Anthropic har inte offentligt avslöjat några utsläppsdata, och ingen svarade på förfrågningar om kommentarer.

”Det kommer att bli mycket komplicerat för ett icke-AI-företag att förstå AI:s effekter. När det är din tjänst och du äger datacentren kan du räkna ut den el och det vatten som behövs för kylning”, säger en expert.

Kering uppger att de noggrant övervakar AI:s miljöpåverkan över sina IT-aktiviteter, inklusive datacenter och molnanvändning, och noterar att IT utgör mindre än 2 % av dess totala koldioxidavtryck. Bland de tillfrågade företagen var Kering det enda som delade en översikt över sin minskningsstrategi: prioritera enkla, resurssnåla modeller och samarbeta med teknikpartners för att stödja avkarbonisering och förbättra transparensen i koldioxidrapporteringen.

Kering specificerade inte källan till sina data, och för närvarande finns inga standardiserade mått. För att möjliggöra jämförbara bedömningar i framtiden uppmanar Coalition for Sustainable AI – initierad av den franska regeringen, FN:s miljöprogram (UNEP) och Internationella teleunionen (ITU) – till global standardisering. Som ett steg mot detta släppte ITU riktlinjer i februari 2026 för att bedöma och minimera AI-systemens miljöpåverkan. Dessutom släppte Taskforce on Nature-related Financial Disclosures (TNFD) i januari 2026 utkast till sektorvägledning för teknik- och kommunikationssektorn för att hjälpa organisationer att bedöma sina naturrelaterade beroenden, påverkan, risker och möjligheter. Dessa är inledande steg mot ett standardiserat system, liknande de som används för rapportering om produktions- eller transportpåverkan.

Tills robusta ramverk är etablerade och allmänt antagna måste varumärken hitta sin egen väg framåt. I avsaknad av globala standarder för att beräkna AI:s avtryck planerar Cotopaxi att använda grova uppskattningar för att förstå sin påverkan. ”Steg ett är att förstå vår användning. Vilka avtal har vi med en AI-leverantör? Vilken typ av användning ser vi från anställda? Om vi har ett visst antal anställda som använder ett verktyg som Claude, och Claude rapporterar en uppsättning utsläpp, vilken procentandel av dessa äger vi? Det kommer att vara utmanande att mäta, men vi måste försöka”, säger Agle från Cotopaxi.

**Från mätning till minskning**

För Cotopaxi är mätning av påverkan det första steget i att skapa en ansvarsfull AI-policy. Vissa varumärken har redan sådana policyer på plats. H&M utvecklade ett ramverk för ansvarsfull AI 2018, medan AI-införandet på Mango leds av en styrgrupp. ”Genom centraliserad styrning, utbildning och program som AI Champions – interna ambassadörer som stöder införandet och delar bästa praxis – säkerställer vi att AI införs korrekt och hjälper våra medarbetare att realisera sin potential”, säger en representant för Mango. Men många befintliga policyer fokuserar på AI:s etik, såsom säkerhet, antibias och transparens, snarare än miljöfaktorer.

Det franska ministeriet för ekologisk omställnings generella ramverk för sparsam AI-användning syftar till att fylla det gapet genom att erbjuda vägledning om bästa praxis och hur man går från...Från mätning till minskning föreslår ministeriet att varumärken överväger flera steg. De kan ifrågasätta om AI verkligen behövs för specifika uppgifter, schemalägga AI-träning under tider när datacenter förlitar sig på förnybar energi, använda exakt, hög kvalitet på träningsdata för att minska beräkningsbehovet och utforska om en mindre energikrävande AI-modell skulle kunna vara effektiv.

Även om stora, mångsidiga AI-plattformar som drivs av datacenter är vanliga, finns det alternativ. Det brittiska företaget Literal Labs, ett dotterbolag till Newcastle University, fokuserar på att skapa effektiva AI-modeller som inte kräver dyra, specialiserade grafikprocessorer (GPU). Istället kör deras modeller på mindre, billigare och mer effektiva chips som finns i vardagliga enheter som TV-fjärrkontroller eller mikrovågsugnar. De uppnår detta genom att ersätta de komplexa neurala nätverken bakom system som ChatGPT med enklare ”om/då”-logikbaserade nätverk, som kräver långt mindre beräkningskraft.

Enligt Daniel Dykes, företagets produktchef, visar detta tillvägagångssätt inga kompromisser i kapacitet. Både neurala nätverk och logikbaserade nätverk kan utföra djupinlärning för att hantera komplexa data. I ett test för ett livsmedelsföretags efterfrågeprognos var deras logikbaserade nätverk 7 % mer exakt än en ledande neural nätverkskonkurrent.

Dykes noterar: ”Om en algoritm inte kräver specialiserad hårdvara, ett datacenter eller ett nytt kraftverk, har du löst många av de problem som nuvarande AI ställer.” Företaget, som verkar i EMEA-regionen och sektorer som vattenförsörjning, hävdar att dess träningsprocess är över 50 gånger mer energieffektiv och 54 gånger snabbare än motsvarande neurala nätverk.

En annan brittisk innovatör, DeepGate, utvecklar AI som körs på mindre chips och effektivt detekterar ”vaknord” (som ”Hej Siri”) och klassificerar bilder. Även om det inte är ett fullständigt ersättande för mer krävande system visar det att många specialiserade uppgifter kan köras på billigare, energieffektiv hårdvara istället för GPU. Exempel inkluderar att inspektera materialkvalitet eller upptäcka oregelbundenheter i dokument och försörjningskedjedata – målmedvetna, specifika tillämpningar.

DeepGates medgrundare Luke Taylor förklarar att dessa enklare system kan komplettera större system och hantera special