Cómo las empresas pueden gestionar el uso de la IA a través de la materialidad, la medición y la elaboración de informes
A medida que aumenta el uso de la IA, la gobernanza de las implicaciones ambientales depende cada vez más de la integración de la IA en las evaluaciones de materialidad, las prácticas de medición y los sistemas de informes.
Puntos clave destacados:
- Tratar el uso de la IA como un motor de sostenibilidad material — Incorporar la IA explícitamente en las evaluaciones de materialidad financiera y de impacto para entender cómo la IA cambia la escala o la gravedad de los problemas existentes o introduce nuevos riesgos u oportunidades.
- Mapear, medir y establecer una línea base de la demanda de IA — Crear un inventario de las situaciones en las que se utiliza la IA y establecer métricas de utilización a lo largo del tiempo para identificar el crecimiento, la redundancia y los puntos críticos.
- Controlar el impacto de la IA a través de políticas, supervisión y expectativas de los proveedores — Establecer reglas para el uso adecuado de la IA y fomentar revisiones adicionales antes de escalar su implementación, gestionando los impactos tanto si la IA es interna como si es proporcionada por proveedores.
Aunque la IA ya está cambiando cómo operan y entregan las empresas, también exige cambios en cómo se diseñan y gobiernan los sistemas de sostenibilidad. Gran parte del enfoque hasta la fecha se ha centrado en el impacto ambiental del uso de energía de la IA, el consumo de agua y los desafíos de la cadena de suministro. Sin embargo, es necesario considerar también cómo se utiliza la IA dentro de las organizaciones.
Integración de la IA en las evaluaciones de materialidad
Incluir la IA en las evaluaciones de materialidad establece un camino claro para su implementación, con sistemas en marcha para abordar cualquier impacto y riesgo ambiental y social antes de que se conviertan en problemas. Para asegurar la creación de valor efectiva del uso de la IA, los líderes organizacionales deben ir más allá de la huella, mapeando su uso, definiendo procesos de control y revisión, desarrollando sistemas para la cuantificación continua y reportando de manera transparente.
Las evaluaciones de materialidad financiera y de impacto proporcionan una base práctica para gobernar la IA mediante un proceso estructurado de identificación y priorización de impactos significativos. Muchos temas de sostenibilidad influidos por el uso de la IA, como la demanda de energía, las emisiones, el uso de agua y los efectos en la fuerza laboral, ya se evalúan en ejercicios de materialidad existentes.
Políticas para gobernar la demanda de IA
Una vez determinada una base de materialidad para la IA, el siguiente paso es pasar al control, principalmente a través de políticas respaldadas por una medición proporcional de la demanda. A medida que el acceso a la IA se expande, puede convertirse en una herramienta predeterminada para tareas rutinarias, aumentando la demanda mediante duplicación y casos de uso persistentes sin la supervisión o el desafío adecuados.
Las políticas pueden establecer expectativas para la aplicación apropiada, condiciones para evaluar la profundidad en relación con el valor de la tarea y, crucialmente, qué condiciones deben desencadenar una revisión adicional antes de que la IA se escale o integre en los procesos de trabajo centrales.
Gestión del impacto de la IA
Cuando las organizaciones poseen o operan su propia infraestructura de IA, la responsabilidad de gestión estará dentro de los controles operacionales establecidos, incluyendo la descarbonización del suministro eléctrico, la gestión del uso de agua de refrigeración y la supervisión del ciclo de vida del hardware. La gobernanza debe cubrir explícitamente el entrenamiento y reentrenamiento de modelos, especialmente en áreas donde pueden surgir demandas concentradas de energía y agua.
Cuando la capacidad de IA se accede a través de proveedores externos o terceros, estas mismas áreas de impacto deben abordarse mediante políticas y prácticas de compromiso con proveedores que vinculen la divulgación con la toma de decisiones de adquisición.
Conclusión
Los efectos de sostenibilidad de la IA dependen de la eficiencia de la infraestructura, las fuentes de energía y la gobernanza de su uso dentro de las organizaciones. Por ello, una gestión efectiva debe incluir la evaluación de impactos materiales, el establecimiento de políticas para la demanda y la supervisión, la medición de resultados y la elaboración de informes transparentes. Considerar la IA como una fuente de sostenibilidad gestionada puede ayudar a mitigar riesgos y asegurar que los efectos ambientales y sociales del uso de la IA estén alineados con la creación de valor.
