Bærekraftteam er strukket til bristepunktet. De håndterer alt fra rapportering og etterlevelse til utvikling av ansvarlige innkjøpsstrategier og innsamling av data fra utallige kilder. Selv hos store merkevarer er disse teamene ofte små, og bruker mer tid begravd i regneark enn på å drive de meningsfulle bærekraftsstrategiene de opprinnelig satte ut for å implementere. Det er ikke rart at løftet om høyeffektiv AI er så tiltalende.

Bransjeeksperter antyder at AI kan lette presset på både bærekraftteam og deres forsyningskjedepartnere ved å automatisere miljørapportering, forbedre datakvalitet, reformatere informasjon for ulike behov og verifisere sporbarhet. AI tilbyr også potensielle effektivitetsgevinner i selve forsyningskjeden, gjennom smartere materialbruk og mer nøyaktig etterspørselsprognoser. "AI hjelper definitivt bærekraftteam med rapportering, og lar dem fokusere mer på strategiske programmer fremfor etterlevelse," sier Annie Agle, visepresident for påvirkning og bærekraft hos friluftsmerket Cotopaxi.

Det er imidlertid en advarsel. Den virkelige miljøpåvirkningen av å bruke AI på organisasjonsnivå er stort sett fremdeles uklar. Uten nøye overvåking kan merkevarer utilsiktet øke sitt karbonavtrykk gjennom nettopp den teknologien som er ment for å redusere det.

"Fordelene er tydelige, men vi vet også at det er negative effekter som ikke er fullt ut forstått ennå," bemerker Agle. "Vi vet ikke ennå hvordan det digitale fotavtrykket påvirker våre målinger av klimagasser."

For å lære hvordan bærekraftteam integrerer AI og adresserer disse usikkerhetene, snakket Vogue Business med et utvalg merkevarer av varierende størrelser og markedssegmenter. Mens noen har brukt AI i årevis, eksperimenterer andre fortsatt, men alle er enige om at AI vil spille en rolle i deres fremtidige drift.

**Hvordan bærekraftteam bruker AI**

H&M rapporterer at de bruker AI i hele sin forsyningskjede, logistikk, markedsføring, salg og kundeopplevelse. Merkevaren sier at AI støtter dens mål om å kun produsere det som selges, ved å optimalisere produksjonsmengder, salgssteder og timing. "Dette har positive effekter på ressursbruk, varelager, råvarer og utslipp," forklarer H&M.

Luksusgruppen Kering, som eier merkevarer som Gucci og Balenciaga, utnevnte Pierre Houlès til sjef for digital, AI og IT i mars 2026. Selskapet har implementert AI i utvalgte hus i flere år. Som H&M bruker Kering analytisk AI for å forutsi etterspørsel og optimalisere lagerbeholdningen for hvert produkt, ifølge sjef for bærekraft og institusjonelle anliggender, Marie-Claire Daveu. I likhet med Cotopaxi bruker de også AI for å automatisere og forbedre rapporteringspåliteligheten, ved hjelp av verktøy som automatisk samler inn og intelligent korrigerer data fra Kerings steder. På produktutviklingsnivå skapte Kerings Material Innovation Lab i Italia – som forsker på mer bærekraftige materialer – en økodesign AI-agent for å gi teknisk veiledning til designteam. Dette bidrar til å bygge bro mellom ofte adskilte design- og bærekraftteam, og sikrer at den ene gruppens resultater ikke undergraver den andres mål.

Mens H&M og Kering har integrert AI i kjernevirksomheten over flere år, bruker andre merkevarer den først og fremst for å lette arbeidsbyrden. "Når det gjelder AI, er vi fortsatt i de tidlige utforskingsstadiene," sa Everlanes administrerende direktør Alfred Chang i en uttalelse til Vogue Business. "Vi fokuserer på hvordan den kan støtte daglige interne prosesser og spare tid." H&M SS26.
Foto: Med tillatelse fra H&M Group

Agle bemerker at hennes lille team bruker AI til å oversette rå data fra leverandører til målinger av klimagasser (GHG), reformatere data for ulike rapporter og lage visualiseringer for å hjelpe det bredere teamet med å forstå selskapets påvirkning. "Det hjelper virkelig med produktiviteten. Jeg mener definitivt at selskaper som ikke adopterer AI vil slite med å konkurrere kommersielt," sier hun.

Maximilien Abadie, nestleder i det franske teknologiselskapet Lectra, er enig. Lectra tilbyr AI-løsninger som hjelper motemerkevarer med å nå bærekraftsmål, som å verifisere sporbarhetsdata og optimalisere stoffkutting for å redusere overbestilling. Men Abadie mener den største muligheten ligger i å forkorte tiden til markedet. "Utfordringen for ethvert moteselskap er hvordan man skal forbli konkurransedyktig i en verden full av daglige forstyrrelser og usikkerheter, der man ikke kan forutsi hva som vil skje om tre eller seks måneder. Man må være til stede til rett tid med rett produkt, til rett pris, i rette mengder, for rett forbruker."

Maximilien Abadie, nestleder i det franske teknologiselskapet Lectra.
Foto: Med tillatelse fra Lectra

Mens AI brukes for å redusere avfall og optimalisere forsyningskjeder, er den også mye brukt til kommersielle og kreative formål. "Siden 2018 har vi utviklet mer enn 15 interne maskinlæringsplattformer, alle bygget for å forbedre kreativitet, effektivitet og kundeservice," sier Jordi Alex, sjef for informasjonsteknologi hos den spanske detaljisten Mango.

Ifølge Alex utviklet Mango de fleste av disse plattformene internt. Dette inkluderer sin AI-assistent Iris, som håndterer over 7,5 millioner kundeforespørsler årlig. Et annet verktøy, Gaudi, bruker kundenes nettlesings- og kjøpsdata for å generere personlige produktanbefalinger. Mango bruker også generativ AI til å lage kampanje- og kolleksjonsbilder. Disse omfattende anvendelsene utover bærekraft øker hastverket for merkevarer til å undersøke AIs underliggende miljøpåvirkninger.

Et AI-generert kampanjebilde for Mango Teen.
Foto: Med tillatelse fra Mango og generert av AI

**Ukjente påvirkninger**

Det er allment anerkjent at AI-veksten har økt etterspørselen etter energi og vann, sistnevnte brukt til kjøling av datasentre. En artikkel fra 2025 i **Nature** opplyste at, med dagens vekstrater, ville AI-servere i USA alene generere 24–44 millioner metriske tonn karbondioksid (CO₂) – tilsvarende å legge til 5–10 millioner biler på amerikanske veier. Deres årlige vannavtrykk varierer fra 731 til 1 125 millioner kubikkmeter, en bekymring forsterket av at mange datasentre ligger i noen av verdens tørreste regioner. I april 2025 rapporterte International Energy Agency (IEA) at datasenter stod for 1,5 % av det globale energiforbruket i 2024, et tall som forventes å stige til 3 % innen 2030.

Mens datasentre støtter mer enn bare AI, er det anslått at AI-arbeidsmengder vil utgjøre halvparten av all datakapasitet innen 2030, noe som understreker dens betydelige og voksende energietterspørsel. Det amerikanske AI-selskapet Anthropic har anerkjent at kapasiteten i strømnettet og veksten av datasentre som kreves for teknologien deres vil øke strømprisene for forbrukere, og har opplyst at de vil dekke relaterte infrastrukturkostnader. Selskapet svarte ikke på forespørsler om kommentar.

Mens bredere prognoser kan lages, er det mye vanskeligere å beregne påvirkningen av AI på organisasjonsnivå. "Det kommer til å bli veldig komplisert å forstå påvirkningene av AI som et ikke-AI-selskap. Når det er din tjeneste og du eier datasentrene, kan du telle strøm- og vannforbruket som trengs for kjøling," sier Cotopaxis Agle. Men for et motemerke som ikke kontrollerer all den underliggende infrastrukturen, forblir det en utfordring å vurdere det fulle fotavtrykket. Det er ekstremt vanskelig å komme frem til et nøyaktig tall for hvordan hver enkelt ansatt bruker AI, enten de skriver e-poster med ChatGPT eller samler inn data med interne verktøy. Denne beregningen avhenger også av at AI-selskaper måler og validerer sine egne påvirkninger slik at tredjeparter kan bruke dataene. Imidlertid har store aktører som OpenAI, Perplexity og Anthropic ikke offentliggjort noen utslippsdata, og ingen svarte på forespørsler om kommentar.

"Det kommer til å bli veldig komplisert for et ikke-AI-selskap å forstå påvirkningene av AI. Når det er din tjeneste og du eier datasentrene, kan du telle strømmen og vannet som trengs for kjøling," sier en ekspert.

Kering opplyser at de nøye overvåker miljøpåvirkningen av AI på tvers av sine IT-aktiviteter, inkludert datasentre og skybruk, og bemerker at IT utgjør mindre enn 2 % av deres totale karbonavtrykk. Blant selskapene som ble kontaktet, var Kering det eneste som delte en oversikt over sin risikoreduseringsstrategi: å prioritere enkle, ressurs-effektive modeller og samarbeide med teknologipartnere for å støtte avkarbonisering og forbedre åpenheten i karbonrapportering.

Kering spesifiserte ikke kilden til sine data, og for øyeblikket finnes det ingen standardiserte beregningsmetoder. For å muliggjøre sammenlignbare vurderinger i fremtiden, krever Coalition for Sustainable AI – etablert av den franske regjeringen, FNs miljøprogram (UNEP) og International Telecommunications Union (ITU) – global standardisering. Som et skritt mot dette ga ITU ut retningslinjer i februar 2026 for å vurdere og minimere miljøpåvirkningen av AI-systemer. I tillegg ga Taskforce on Nature-related Financial Disclosures (TNFD) i januar 2026 ut utkast til sektorveiledning for teknologi- og kommunikasjonssektoren for å hjelpe organisasjoner med å vurdere sine naturrelaterte avhengigheter, påvirkninger, risikoer og muligheter. Dette er innledende skritt mot et standardisert system, liknende de som brukes for rapportering om produksjons- eller transportpåvirkninger.

Inntil robuste rammeverk er etablert og bredt tatt i bruk, må merkevarer finne sin egen vei fremover. I fravær av globale standarder for å beregne AIs fotavtrykk, planlegger Cotopaxi å bruke grove estimater for å forstå sin påvirkning. "Steg én er å forstå vår bruk. Hvilke kontrakter har vi med en AI-leverandør? Hva slags bruk ser vi fra ansatte? Hvis vi har et visst antall ansatte som bruker et verktøy som Claude, og Claude rapporterer et sett med utslipp, hvor stor prosentandel av disse eier vi? Det kommer til å bli utfordrende å måle, men vi må prøve," sier Agle fra Cotopaxi.

**Fra måling til risikoredusering**

For Cotopaxi er måling av påvirkning det første steget i å skape en ansvarlig AI-policy. Noen merkevarer har allerede slike retningslinjer på plass. H&M utviklet et ansvarlig AI-rammeverk i 2018, mens AI-innføringen hos Mango ledes av et styringsutvalg. "Gjennom sentralisert styring, opplæring og programmer som AI Champions – interne ambassadører som støtter adopsjon og deler beste praksis – sikrer vi at AI adopteres korrekt og hjelper våre medarbeidere med å realisere sitt potensial," sier en representant for Mango. Imidlertid fokuserer mange eksisterende retningslinjer på etikken til AI, som sikkerhet, motvirkning av bias og åpenhet, snarere enn miljøfaktorer.

Det franske økologiske omstillingsdepartementets generelle rammeverk for nøysom AI-bruk har som mål å fylle det gapet ved å tilby veiledning om beste praksis og hvordan man går fra... Fra måling til risikoredusering foreslår departementet at merkevarer vurderer flere skritt. De kan stille spørsmål ved om AI virkelig er nødvendig for spesifikke oppgaver, planlegge AI-opplæring i tider når datasentre er avhengige av fornybar energi, bruke presise, høykvalitative treningsdata for å redusere beregningskravene, og undersøke om en mindre energikrevende AI-modell kunne være effektiv.

Mens store, flerbruks AI-plattformer drevet av datasentre er vanlige, finnes det alternativer. Det britiske selskapet Literal Labs, et spin-off fra Newcastle University, fokuserer på å skape effektive AI-modeller som ikke krever dyre, spesialiserte Graphics Processing Units (GPUer). I stedet kjører modellene deres på mindre, billigere og mer effektive chips som finnes i hverdagslige enheter som TV-fjernkontroller eller mikrobølgeovner. De oppnår dette ved å erstatte de komplekse nevrale nettverkene bak systemer som ChatGPT med enklere "hvis/så"-logikkbaserte nettverk, som krever langt mindre datakraft.

Ifølge Daniel Dykes, selskapets sjef for produkt, viser denne tilnærmingen ingen kompromisser når det gjelder evne. Både nevrale nettverk og logikkbaserte nettverk kan utføre dyp læring for å håndtere komplekse data. I en test for et matvareselskaps etterspørselsprognoser var deres logikkbaserte nettverk 7 % mer nøyaktig enn en ledende nevralnettverkskonkurrent.

Dykes bemerker: "Hvis en algoritme ikke krever spesialisert maskinvare, et datasenter eller et nytt kraftverk, har du løst mange av problemene som dagens AI stiller." Selskapet, som opererer i EMEA-regionen og sektorer som vannverk, hevder at treningsprosessen deres er over 50 ganger mer energieffektiv og 54 ganger raskere enn tilsvarende nevrale nettverk.

En annen britisk innovatør, DeepGate, utvikler AI som kjører på mindre chips, og oppdager effektivt "våkneord" (som "Hei Siri") og klassifiserer bilder. Selv om det ikke er en full erstatning for mer krevende systemer, viser det at mange spesialiserte oppgaver kan kjøre på billigere, energieffektiv maskinvare i stedet for GPUer. Eksempler inkluderer inspeksjon av materialkvalitet eller å oppdage uregelmessigheter i dokumenter og forsyningskjededata – målrettede, spesifikke applikasjoner.

DeepGates