Bæredygtighedsteams er presset til deres yderste grænser. De håndterer alt fra rapportering og compliance til udvikling af ansvarlige indkøbsstrategier og indsamling af data fra utallige kilder. Selv hos store mærker er disse teams ofte små og bruger mere tid på at grave sig ned i regneark end på at drive de meningsfulde bæredygtighedsstrategier, de oprindeligt satte sig for at implementere. Det er ikke underligt, at løftet om højeffektiv AI er så tiltalende.

Brancheeksperter antyder, at AI kan lette presset på både bæredygtighedsteams og deres forsyningskædepartnere ved at automatisere miljørapportering, forbedre datakvalitet, reformatere information til forskellige behov og verificere sporbarhed. AI tilbyder også potentielle effektivitetsgevinster i selve forsyningskæden gennem smartere materialebrug og mere præcis efterspørgselsprognose. "AI hjælper bestemt bæredygtighedsteams med rapportering, så de kan fokusere mere på strategiske programmer frem for compliance," siger Annie Agle, vicepræsident for indvirkning og bæredygtighed hos outdoor-mærket Cotopaxi.

Der er dog en forbehold. Den sande miljøpåvirkning af at bruge AI på organisationsniveau er stadig stort set uklar. Uden omhyggelig overvågning kunne mærker utilsigtet øge deres CO2-aftryk gennem netop den teknologi, der er beregnet til at reducere det.

"Fordelene er tydelige, men vi ved også, at der er negative effekter, der ikke er fuldt forstået endnu," bemærker Agle. "Vi ved endnu ikke, hvordan det digitale aftryk påvirker vores målinger af drivhusgasser."

For at lære, hvordan bæredygtighedsteams integrerer AI og adresserer disse usikkerheder, talte Vogue Business med et udvalg af mærker af forskellig størrelse og markedssegmenter. Mens nogle har brugt AI i årevis, eksperimenterer andre stadig, men alle er enige om, at AI vil spille en rolle i deres fremtidige drift.

**Sådan bruger bæredygtighedsteams AI**

H&M rapporterer at bruge AI i hele sin forsyningskæde, logistik, marketing, salg og kundeoplevelse. Mærket siger, at AI understøtter dets mål om kun at producere, hvad det sælger, ved at optimere produktionsmængder, salgssteder og timing. "Dette har positive effekter på ressourceforbrug, lagerbeholdning, råmaterialer og emissioner," forklarer H&M.

Luksusgruppen Kering, som ejer mærker som Gucci og Balenciaga, udnævnte Pierre Houlès til chief digital, AI and IT officer i marts 2026. Virksomheden har implementeret AI i udvalgte huse i flere år. Ligesom H&M bruger Kering analytisk AI til at forudsige efterspørgsel og optimere lagerbeholdningen for hvert produkt, ifølge chief sustainability and institutional affairs officer Marie-Claire Daveu. Ligesom Cotopaxi bruger den også AI til at automatisere og forbedre rapporteringspålideligheden med værktøjer, der automatisk indsamler og intelligent korrigerer data fra Kerings steder. På produktudviklingsniveauet skabte Kerings Material Innovation Lab i Italien – som forsker i mere bæredygtige materialer – en økodesign-AI-agent for at give teknisk vejledning til designteams. Dette hjælper med at bygge bro mellem ofte adskilte design- og bæredygtighedsteams og sikrer, at den ene gruppes output ikke underminerer den andens mål.

Mens H&M og Kering har integreret AI i kerneaktiviteterne over flere år, bruger andre mærker den primært til at lette arbejdsbyrden. "Når det kommer til AI, er vi stadig i de tidlige udforskningstrin," sagde Everlanes CEO Alfred Chang i en erklæring til Vogue Business. "Vi fokuserer på, hvordan den kan støtte daglige interne processer og spare tid." H&M SS26.
Foto: H&M Group

Agle bemærker, at hendes lille team bruger AI til at oversætte rå leverandørdata til målinger af drivhusgasser (GHG), reformatere data til forskellige rapporter og skabe visualiseringer for at hjælpe det bredere team med at forstå virksomhedens påvirkning. "Det hjælper virkelig med produktiviteten. Jeg tror bestemt, at virksomheder, der ikke indfører AI, vil kæmpe for at konkurrere kommercielt," siger hun.

Maximilien Abadie, deputy CEO hos den franske teknologivirksomhed Lectra, er enig. Lectra tilbyder AI-løsninger, der hjælper modemærker med at nå bæredygtighedsmål, såsom at verificere sporbarhedsdata og optimere stofklipning for at reducere overbestilling. Men Abadie mener, at den største mulighed ligger i at forkorte time-to-market. "Udfordringen for enhver modevirksomhed er, hvordan man forbliver konkurrencedygtig i en verden fuld af daglige forstyrrelser og usikkerheder, hvor man ikke kan forudsige, hvad der sker om tre eller seks måneder. Man skal være til stede på det rigtige tidspunkt med det rigtige produkt, til den rigtige pris, i de rigtige mængder, til den rigtige forbruger."

Maximilien Abadie, deputy CEO hos den franske teknologivirksomhed Lectra.
Foto: Lectra

Mens AI bruges til at reducere spild og optimere forsyningskæder, anvendes den også bredt til kommercielle og kreative formål. "Siden 2018 har vi udviklet mere end 15 interne maskinlæringsplatforme, alle bygget til at forbedre kreativitet, effektivitet og kundeservice," siger Jordi Alex, chief information technology officer hos den spanske retailer Mango.

Ifølge Alex udviklede Mango størstedelen af disse platforme internt. Dette inkluderer dens AI-assistent Iris, der håndterer over 7,5 millioner kundeforespørgsler om året. Et andet værktøj, Gaudi, bruger kundens browsing- og købsdata til at generere personlige produktanbefalinger. Mango bruger også generativ AI til at skabe kampagne- og kollektionsbilleder. Disse omfattende anvendelser ud over bæredygtighed øger presset på mærker til at undersøge AI's underliggende miljøpåvirkninger.

Et AI-genereret kampagnebillede for Mango Teen.
Foto: Mango og genereret af AI

**Ukendte påvirkninger**

Det er almindeligt anerkendt, at AI-væksten har øget efterspørgslen efter energi og vand, sidstnævnte brugt til at køle datacentre. En artikel fra 2025 i **Nature** angav, at ved nuværende vækstrater ville AI-servere alene i USA generere 24–44 millioner metriske tons kuldioxid (CO₂) – svarende til at tilføje 5–10 millioner biler til de amerikanske veje. Deres årlige vandaftryk spænder fra 731 til 1.125 millioner kubikmeter, en bekymring forstærket af, at mange datacentre ligger i nogle af verdens tørreste regioner. I april 2025 rapporterede International Energy Agency (IEA), at datacentre stod for 1,5% af det globale energiforbrug i 2024, et tal forventet at stige til 3% inden 2030.

Mens datacentre understøtter mere end bare AI, forventes AI-arbejdsbelastninger at udgøre halvdelen af al datacenterkapacitet inden 2030, hvilket fremhæver dens betydelige og voksende energibehov. Den amerikanske AI-virksomhed Anthropic har anerkendt, at netkapaciteten og datacentrevæksten, der kræves for dens teknologi, vil øge elpriserne for forbrugerne og har erklæret, at den vil dække relaterede infrastrukturomkostninger. Virksomheden svarede ikke på anmodninger om kommentar.

Mens bredere fremskrivninger kan laves, er det meget vanskeligere at beregne AI's påvirkning på organisationsniveau. "Det bliver meget kompliceret at forstå påvirkningerne af AI som en ikke-AI-virksomhed. Når det er din service, og du ejer datacentrene, kan du tælle det nødvendige elektricitets- og vandforbrug til køling," siger Cotopaxis Agle. Men for et modemærke, der ikke kontrollerer al den underliggende infrastruktur, forbliver det en udfordring at vurdere det fulde aftryk.
Det er ekstremt svært at nå frem til et præcist tal for, hvordan hver enkelt medarbejder bruger AI, uanset om de skriver e-mails med ChatGPT eller indsamler data med interne værktøjer. Denne beregning afhænger også af, at AI-virksomheder måler og validerer deres egne påvirkninger, så tredjeparter kan bruge dataene. Dog har store spillere som OpenAI, Perplexity og Anthropic ikke offentligt offentliggjort nogen emissionsdata, og ingen svarede på anmodninger om kommentar.

"Det bliver meget kompliceret for en ikke-AI-virksomhed at forstå påvirkningerne af AI. Når det er din service, og du ejer datacentrene, kan du tælle den elektricitet og det vand, der er behov for til køling," siger en ekspert.

Kering oplyser, at den nøje overvåger AI's miljøpåvirkning på tværs af sine IT-aktiviteter, inklusive datacentre og cloud-brug, og bemærker, at IT udgør mindre end 2% af dens samlede CO2-aftryk. Blandt de kontaktede virksomheder var Kering den eneste, der delte en oversigt over sin reduktionsstrategi: at prioritere enkle, ressourceeffektive modeller og samarbejde med teknologipartnere for at støtte afkulning og forbedre gennemsigtigheden i CO2-rapportering.

Kering specificerede ikke kilden til sine data, og i øjeblikket er der ingen standardiserede målinger. For at muliggøre sammenlignelige vurderinger i fremtiden opfordrer Coalition for Sustainable AI – initieret af den franske regering, UN Environment Programme (UNEP) og International Telecommunications Union (ITU) – til global standardisering. Som et skridt hertil udgav ITU i februar 2026 retningslinjer for vurdering og minimering af AI-systemers miljøpåvirkning. Derudover udgav Taskforce on Nature-related Financial Disclosures (TNFD) i januar 2026 udkast til sektorvejledning for teknologi- og kommunikationssektoren for at hjælpe organisationer med at vurdere deres naturrelaterede afhængigheder, påvirkninger, risici og muligheder. Dette er indledende skridt mod et standardiseret system, svarende til dem, der bruges til rapportering om produktions- eller transportpåvirkninger.

Indtil robuste rammer er etableret og bredt vedtaget, må mærker finde deres egen vej frem. I mangel af globale standarder til beregning af AI's aftryk planlægger Cotopaxi at bruge grove skøn for at forstå sin påvirkning. "Trin et er at forstå vores brug. Hvilke kontrakter har vi med en AI-udbyder? Hvilken slags brug ser vi fra medarbejderne? Hvis vi har et vist antal medarbejdere, der bruger et værktøj som Claude, og Claude rapporterer et sæt emissioner, hvilken procentdel af dem ejer vi så? Det bliver udfordrende at måle, men vi er nødt til at forsøge," siger Agle fra Cotopaxi.

**Fra måling til reduktion**

For Cotopaxi er måling af påvirkning det første skridt i at skabe en ansvarlig AI-politik. Nogle mærker har allerede sådanne politikker på plads. H&M udviklede en ansvarlig AI-ramme i 2018, mens AI-indførelsen hos Mango ledes af et styringsudvalg. "Gennem centraliseret styring, træning og programmer som AI Champions – interne ambassadører, der støtter indførelsen og deler bedste praksis – sikrer vi, at AI bliver indført korrekt og hjælper vores folk med at realisere deres potentiale," siger en repræsentant for Mango. Dog fokuserer mange eksisterende politikker på AI's etik, såsom sikkerhed, anti-bias og gennemsigtighed, snarere end miljøfaktorer.

Det franske ministerium for økologisk transitions generelle ramme for sparsommelig AI-brug har til formål at fylde dette hul ved at tilbyde vejledning om bedste praksis og hvordan man går fra... Fra måling til reduktion foreslår ministeriet, at mærker overvejer flere skridt. De kan spørge sig selv, om AI virkelig er nødvendig for specifikke opgaver, planlægge AI-træning på tidspunkter, hvor datacentre er afhængige af vedvarende energi, bruge præcise, højkvalitets træningsdata for at reducere beregningsbehov og undersøge, om en mindre energikrævende AI-model kunne være effektiv.

Mens store, alsidige AI-platforme drevet af datacentre er almindelige, findes der alternativer. Den britiske Literal Labs, en spin-out fra Newcastle University, fokuserer på at skabe effektive AI-modeller, der ikke kræver dyre, specialiserede Graphics Processing Units (GPU'er). I stedet kører deres modeller på mindre, billigere og mere effektive chips, der findes i hverdagsenheder som fjernbetjeninger eller mikroovne. De opnår dette ved at erstatte de komplekse neurale netværk bag systemer som ChatGPT med enklere "hvis/så"-logikbaserede netværk, der kræver langt mindre beregnekraft.

Ifølge Daniel Dykes, virksomhedens chief product officer, viser denne tilgang ingen kompromiser med kapabilitet. Både neurale netværk og logikbaserede netværk kan udføre deep learning til at håndtere komplekse data. I en test for en fødevarevirksomheds efterspørgselsprognose var deres logikbaserede netværk 7% mere præcist end en førende neural netværkskonkurrent.

Dykes bemærker: "Hvis en algoritme ikke kræver specialiseret hardware, et datacenter eller et nyt kraftværk, har du løst mange af de problemer, som nuværende AI stiller." Virksomheden, der opererer i EMEA-regionen og sektorer som vandforsyning, hævder, at dens træningsproces er over 50 gange mere energieffektiv og 54 gange hurtigere end tilsvarende neurale netværk.

En anden britisk innovatør, DeepGate, udvikler AI, der kører på mindre chips og effektivt detekterer "wake words" (som "Hey Siri") og klassificerer billeder. Selvom det ikke er en fuld erstatning for mere krævende systemer, viser det, at mange specialiserede opgaver kan køre