はじめに：デジタル化の環境負荷と「グリーン革命」の勃興

デジタル化の加速は現代社会に不可欠な進化をもたらしましたが、その裏で地球環境への負荷は増大の一途を辿っています。国際エネルギー機関（IEA）の報告によると、データセンターの電力消費量は2022年時点で世界の電力需要の約1～1.5%を占め、AIモデルの学習に要するエネルギーは指数関数的に増加しており、特に大規模言語モデル（LLM）のトレーニングには数千メガワット時（MWh）を消費するケースも報告されています。これは、数千世帯の年間電力消費量に匹敵する規模です。このような状況において、テクノロジー業界は今、単なる効率化を超え、環境負荷を根本から見直す「グリーン革命」の最中にあります。持続可能なAIの開発、エコイノベーションの推進、そして循環型経済への貢献が、デジタル社会の新たな標準となりつつあるのです。この変革は、気候変動への対応と資源枯渇への対策を両立させる、次世代の産業革命とも言えるでしょう。

はじめに：デジタル化の環境負荷と「グリーン革命」の勃興

過去数十年間、デジタル技術の進化は私たちの生活、経済、社会のあり方を劇的に変革してきました。インターネットの普及からスマートフォンの登場、そしてAIの台頭に至るまで、その恩恵は計り知れません。しかし、この急速なデジタル化は、同時に地球環境に深刻な影響を与えています。データセンターの膨大な電力消費、生成される大量の電子廃棄物（E-waste）、そしてAIモデルの学習と運用に伴う炭素排出量は、もはや無視できないレベルに達しています。例えば、一つの大規模AIモデルのトレーニングにおけるCO2排出量は、自動車一台の生涯排出量に匹敵するという研究結果も示されています。具体的には、米マサチューセッツ大学の研究では、大規模なAIモデルのトレーニングで排出されるCO2が、乗用車5台分の生涯排出量に相当すると試算されています。これは、AI開発が持つ潜在的な環境負荷の大きさを浮き彫りにしています。 この現実に直面し、テクノロジー業界は「グリーン革命」と呼ばれる大きな転換期を迎えています。これは単なるCSR活動や表面的な環境配慮に留まらず、製品設計、サービス提供、事業運営のあらゆる段階で環境持続可能性を追求する動きです。目標は、デジタルの力を活用して環境問題そのものを解決し、同時にテクノロジー自身の環境負荷を最小限に抑えること。持続可能なAI（Sustainable AI）やエコイノベーションは、この革命の中核をなす概念であり、未来のデジタル社会を再定義する鍵となるでしょう。この革命は、パリ協定の目標達成や国連の持続可能な開発目標（SDGs）への貢献といった、より広範な地球規模の課題解決にも深く根ざしています。デジタル化の進展が不可逆的である以上、その持続可能性を確保することは、現代社会にとって喫緊の課題であり、新たな成長機会でもあります。

持続可能なAIの基礎：エネルギー効率とアルゴリズムの最適化

AIの能力向上は目覚ましく、その応用範囲は日々拡大していますが、その代償として計算リソースとエネルギー消費は増加の一途を辿っています。持続可能なAIは、この問題を解決し、AIの環境負荷を低減しながらそのメリットを最大化することを目指します。

アルゴリズムのグリーン化：より少ない学習でより良い成果を

AIモデル、特にディープラーニングモデルの学習プロセスは、膨大な計算資源と時間を必要とし、結果として大量のエネルギーを消費します。このエネルギー消費を削減するためには、アルゴリズム自体の効率化が不可欠です。 * **転移学習（Transfer Learning）とファインチューニング**: ゼロからモデルを学習させるのではなく、既存の事前学習済みモデル（例：大規模な画像データセットで学習済みのモデル）を基盤として、特定のタスクに合わせて微調整（ファインチューニング）することで、必要な学習データと計算量を大幅に削減できます。これは、AI開発における最も効果的なグリーン化戦略の一つです。 * **モデルの剪定（Pruning）**: 学習済みのニューラルネットワークから、推論にほとんど寄与しない重みや接続を削除する技術です。これにより、モデルのサイズを縮小し、必要な計算リソースとエネルギー消費を削減します。 * **量子化（Quantization）**: モデルの重みや活性化関数を、より低いビット数（例：32ビット浮動小数点数から8ビット整数）で表現することで、モデルサイズを小さくし、計算を高速化し、エネルギー効率を高めます。精度への影響を最小限に抑えつつ、大幅な効率化が期待できます。 * **疎性（Sparsity）の活用**: モデル内にゼロの重みを意図的に増やすことで、計算量を削減し、メモリ使用効率を高めます。これにより、より少ないリソースで同等の性能を発揮することが可能になります。 * **知識蒸留（Knowledge Distillation）**: 大規模で高性能な「教師モデル」から、より小さく効率的な「生徒モデル」に知識を転移させる技術です。生徒モデルは、教師モデルに匹敵する性能を、はるかに少ない計算資源で達成できます。 これらの技術は、AIモデルの性能を維持しつつ、計算負荷を軽減する「グリーンAI」の中核をなすアプローチであり、開発段階から運用段階に至るまで、AIのライフサイクル全体で環境負荷を低減することを目指します。

ハードウェアの進化：低電力チップと効率的な冷却

AIのハードウェア面でも、エネルギー効率の向上が重要なテーマです。 * **専用AIチップ（NPU: Neural Processing Unit、ASICなど）**: 特定のAI演算（行列乗算など）に特化した設計により、汎用CPUやGPUよりもはるかに高いエネルギー効率を実現します。これにより、同じ性能をより少ない電力で達成できるようになります。エッジデバイス向けの低電力AIチップの開発も進んでおり、クラウドへのデータ転送に伴うエネルギー消費も削減できます。 * **メモリとストレージの効率化**: AIモデルが扱うデータ量の増大に伴い、メモリ（RAM）やストレージ（SSD）の消費電力も無視できません。低消費電力メモリ（LPDDR）やデータ圧縮技術の進化は、この問題に対処します。 * **革新的な冷却技術**: AIが生成する熱への対策は、データセンター全体のエネルギー消費において極めて重要です。 * **液浸冷却（Immersion Cooling）**: サーバー全体を非導電性の特殊な液体（例：鉱物油やフッ素系液体）に浸すことで、空気よりもはるかに効率的に熱を吸収します。これにより、冷却ファンの必要性が減り、データセンターの冷却エネルギー消費を最大75%削減できる可能性があります。また、サーバーの設置密度を高めることも可能です。 * **直接チップ冷却（Direct-to-chip Liquid Cooling）**: サーバーのCPUやGPUといった最も発熱する部品に直接冷却液を供給し、ピンポイントで熱を奪います。これにより、従来の空冷では難しかった高発熱チップの冷却が可能となり、電力効率が向上します。 * **外気冷却（Free Cooling）**: 寒冷地の外気を直接データセンター内に取り込み、サーバーを冷却する技術です。これにより、機械式冷却装置の使用を最小限に抑え、エネルギー消費を抑制します。北欧やアラスカなどの冷涼な地域にデータセンターを建設する傾向が強まっているのも、この技術の恩恵を受けるためです。 これらのハードウェアと冷却技術の進化は、AIの計算能力を維持しつつ、その環境負荷を劇的に低減するための不可欠な要素です。

エコイノベーションの最前線：循環型経済とテックの融合

テクノロジー製品の製造から廃棄に至るライフサイクル全体で環境負荷を低減するエコイノベーションは、グリーン革命のもう一つの柱です。これは、製品設計、材料選択、製造プロセス、物流、そして使用後のリサイクルに至るまで、あらゆる段階での持続可能性を追求するものです。

E-waste問題への挑戦：リサイクルと製品寿命の延長

現代社会では、スマートフォン、PC、家電製品などが驚くべきスピードで新製品に置き換わり、大量の電子廃棄物（E-waste）を生み出しています。国連の報告によると、2022年の世界のE-waste発生量は約6,200万トンに達し、そのうち適切にリサイクルされたのは22.3%に過ぎません。この量は、毎年260万トンのペースで増加しており、2030年には8,200万トンに達すると予測されています。E-wasteには貴重なレアメタル（金、銀、銅、パラジウムなど）が含まれる一方で、鉛、水銀、カドミウム、難燃剤などの有害物質も含まれており、不適切な処理は土壌や水質汚染、大気汚染を引き起こし、最終的には人々の健康に深刻な影響を与えます。 この問題に対処するため、テック企業は製品の「循環型デザイン（Circular Design）」を推進しています。これは、製品が設計段階から修理、再利用、リサイクルを前提とすることを意味します。 * **リサイクルしやすい材料の採用**: 再生プラスチックや再生アルミニウムを積極的に使用し、製品の分解が容易で、異なる素材が分離しやすい設計を導入します。例えば、Dellは製品に海洋プラスチックを使用し、HPは再生可能な材料の使用比率を高めています。 * **モジュール式設計と修理の容易化**: 部品交換が容易なモジュール構造を採用し、ユーザー自身や専門家が修理しやすいように設計します。これにより、製品寿命を延長し、廃棄量を削減できます。欧州では「修理する権利（Right to Repair）」法制化の動きが加速しており、企業は修理用部品やマニュアルの提供を義務付けられつつあります。 * **製品寿命の延長**: ソフトウェアアップデートの長期サポート、耐久性の高い部品の採用、バッテリー交換の容易化なども、製品の寿命を延ばす重要な要素です。 * **リバースロジスティクスとアーバンマイニング**: 使用済み製品を効率的に回収し、分解、選別して再利用可能な素材を抽出する「リバースロジスティクス」の仕組みを強化します。この「アーバンマイニング（都市鉱山）」は、天然資源の採掘量を減らし、環境負荷を低減します。 さらに、製品を所有するのではなく「サービスとして利用する（Product-as-a-ServiceまたはDevice as a Service）」モデルも注目されています。これにより、企業がデバイスのメンテナンスやリサイクルを責任を持って行い、製品のライフサイクル全体を最適化することが可能になります。例えば、プリンターやPCのサブスクリプションサービスなどがこれに当たります。このモデルは、企業に製品の耐久性や修理可能性を高めるインセンティブを与えることにも繋がります。

地域	2022年 E-waste発生量 (百万トン)	リサイクル率 (%)	一人当たりの発生量 (kg)
アジア	30.0	11.8%	6.7
ヨーロッパ	16.2	42.4%	17.6
南北アメリカ	14.1	17.0%	13.3
アフリカ	3.5	0.9%	2.5
オセアニア	0.9	15.4%	21.0

出典: Global E-waste Monitor 2024 (国連訓練調査研究所UNITSAR他) 詳細はこちら（UNITSAR）

データセンターの変革：再生可能エネルギーと革新的冷却技術

データセンターは、デジタルインフラの心臓部であり、その電力消費量は世界の全電力の相当な割合（IEAによると1-1.5%）を占めています。この巨大な環境フットプリントを削減するため、データセンター業界は劇的な変革を遂げつつあります。 最も重要な動きの一つは、**再生可能エネルギーへの転換**です。Google、Microsoft、Amazonなどの大手クラウドプロバイダーは、自社のデータセンターを100%再生可能エネルギーで稼働させる目標を掲げ、大規模な風力発電所や太陽光発電所への直接投資、PPA（電力購入契約）の締結を進めています。PPAは、特定の再生可能エネルギー発電所から長期的に電力を購入する契約であり、企業の再エネ導入を加速させる主要な手段となっています。これにより、データセンターの運用に伴う炭素排出量を大幅に削減することが可能になります。例えば、Googleは2020年以降、年間で消費する電力の全量を再生可能エネルギーで相殺することに成功したと発表しています。さらに、24時間365日、データセンターの電力を完全にカーボンフリーな電力で賄う「カーボンフリーエネルギー（CFE）マッチング」といった、より野心的な目標を掲げる企業も増えています。これは、再生可能エネルギーの出力変動を考慮し、時間単位で電力消費と供給を一致させることを目指すものです。 冷却技術の革新も不可欠です。サーバーから発生する熱を効率的に除去することは、データセンターのエネルギー効率を向上させる上で極めて重要です。 * **液浸冷却（Immersion Cooling）**: 前述の通り、サーバー全体を非導電性液体に浸すことで、従来の空冷システムと比較して冷却効率を飛躍的に向上させ、ファンや空調設備にかかる電力を大幅に削減します。これにより、データセンターのPUE（Power Usage Effectiveness）値を大幅に改善できます。 * **直接チップ冷却（Direct-to-chip Liquid Cooling）**: CPUやGPUなどの主要な発熱源に直接冷却液を供給し、より効率的に熱を奪います。これは特に、高性能AIチップやハイパフォーマンスコンピューティング（HPC）において不可欠な技術となっています。 * **外気冷却（Free Cooling）**: 寒冷地の外気を直接データセンター内に取り込んだり、熱交換器を通して利用したりすることで、機械式冷却装置の使用を最小限に抑えます。これにより、冷却にかかるエネルギー消費を大幅に削減できます。このため、北欧諸国やカナダ、アラスカなど、冷涼な気候の地域に大規模なデータセンターが建設される傾向が強まっています。 * **廃熱の再利用**: データセンターで発生する大量の熱は、これまで多くが排出されていましたが、近年ではその熱を近隣のオフィスビルや住宅の暖房、地域熱供給システムに再利用するプロジェクトが進められています。これにより、エネルギーの無駄をなくし、地域全体のエネルギー効率向上に貢献します。 これらの技術は、データセンターのPUE（Power Usage Effectiveness）値を改善し、IT機器以外の電力消費（主に冷却と配電）を最小限に抑えることに貢献しています。PUE値は、データセンター全体の消費電力をIT機器の消費電力で割った値で、1.0に近づくほど、データセンターのエネルギー効率は高いとされます。多くの先進的なデータセンターでは、PUE値1.2以下の達成を目指しており、液浸冷却などの導入により、さらに低い値も実現可能になりつつあります。 注: 数値は各社の公開情報に基づく推定。目標達成基準は企業により異なる。多くの企業が「年間相殺」から「時間単位マッチング」へ移行中。

AIによる環境課題解決：スマートグリッドから精密農業まで

AIとエコイノベーションは、テクノロジー自身の環境負荷を低減するだけでなく、地球が直面する広範な環境問題の解決にも貢献しています。AIの分析能力、予測能力、最適化能力は、持続可能な社会の実現を加速させる強力なツールとなり得ます。

気候変動予測とモデリング

AIは、気候モデルの精度を飛躍的に向上させ、異常気象の予測、海面上昇のシミュレーション、生態系への影響評価などにおいて重要な役割を果たしています。膨大な気象データ、衛星画像、海洋データ、そして歴史的データをAIが分析することで、より正確な気候変動のシナリオを提示し、政策立案者や研究者が効果的な適応策および緩和策を講じるための基盤を提供します。例えば、GoogleのDeepMindは、風力発電の出力予測にAIを適用し、送電網の安定化と再生可能エネルギーの導入拡大に貢献しています。これにより、風力発電の変動性を補償するための化石燃料発電の使用を減らすことができます。さらに、AIは森林破壊の監視、生物多様性のトラッキング、海洋汚染の検出など、地球規模の環境変化をリアルタイムで把握し、早期警告を発する能力も持っています。

資源管理とサプライチェーンの最適化

AIは、製造業における資源の無駄を削減し、サプライチェーン全体の効率性を向上させることで、環境負荷を低減します。 * **需要予測の精度向上**: AIを活用した高度な需要予測により、過剰生産を抑制し、在庫の最適化を通じて廃棄ロスを削減します。これは食品廃棄の問題解決にも大きく貢献します。 * **物流ルートの最適化**: AIは交通状況、天候、車両積載量などのリアルタイムデータを分析し、最も効率的な配送ルートを算出します。これにより、燃料消費と排出ガスを削減し、物流コストも低減します。 * **精密農業（Precision Agriculture）**: 農業分野では、AIが中心的な役割を担っています。ドローンや地上センサー、衛星画像から得られる土壌水分量、栄養状態、病害虫の発生状況などのデータをAIが分析し、水、肥料、農薬の最適な散布量を判断します。これにより、資源の無駄をなくし、収穫量を最大化するとともに、化学肥料や農薬の使用量を削減し、土壌や水質の汚染を防ぐことができます。 * **スマートグリッドとエネルギー管理**: AIは、電力需要と供給をリアルタイムで予測し、再生可能エネルギーの変動性に対応しながら電力網を最適に制御する「スマートグリッド」の中核技術です。これにより、電力損失を最小限に抑え、エネルギー貯蔵システムを効率的に運用し、停電のリスクを低減しながら、より多くの再生可能エネルギーを電力網に統合できます。 さらに、廃棄物管理においてもAIは革新をもたらしています。AI搭載のロボットがリサイクル施設で廃棄物を高速かつ正確に自動的に選別し、リサイクル率の向上と人件費の削減に貢献しています。スマートシティの文脈では、AIが交通渋滞を緩和し、スマート照明システムでエネルギー消費を最適化し、都市全体の持続可能性を高めています。例えば、シンガポールではAIが交通流を最適化し、CO2排出量を削減する取り組みが進められています。 スマートグリッドについて（Wikipedia）

政策、規制、そして企業の責任：持続可能な未来への道筋

テクノロジーのグリーン革命は、企業の自主的な取り組みだけでなく、政府の政策、規制、そして国際的な協力によっても大きく推進されています。持続可能なデジタル未来を築くためには、これらの要素が複雑に絡み合い、相互に作用することが不可欠です。 欧州連合（EU）は、デジタルサービス法（DSA）やデジタル市場法（DMA）といった法規制を通じて、デジタル経済における責任ある行動を促しています。これらの直接的な環境規制ではないものの、データプライバシーや競争促進の枠組みは、結果的に効率的なデータ利用やサービスの持続可能性向上に繋がる可能性があります。また、EUは「欧州グリーンディール」の一環として、製品のエコデザイン指令を強化し、電子製品の修理する権利（Right to Repair）を推進しています。これは、製品の寿命を延ばし、E-waste削減に貢献する重要な政策です。さらに、EUは企業に環境・社会・ガバナンス（ESG）情報の開示を義務付ける企業サステナビリティ報告指令（CSRD）を導入し、企業の透明性と説明責任を高めています。フランスでは、デジタルサービスのCO2排出量削減を義務付ける「気候・レジリエンス法」が施行されており、デジタルサービスプロバイダーは自社の環境フットプリントを評価し、削減計画を策定することが求められています。 日本では、経済産業省が「グリーン成長戦略」を掲げ、再生可能エネルギーの導入拡大や次世代デジタルインフラの構築を支援しています。特に、データセンターのエネルギー効率向上や、AIを活用した省エネルギー技術の開発に力を入れています。2050年カーボンニュートラル目標達成に向けた「GX（グリーントランスフォーメーション）推進戦略」では、デジタル技術を脱炭素化の強力なツールとして位置づけ、データセンターの地方分散化による外気冷却の活用促進や、再生可能エネルギーとの連携強化を図っています。企業に対しては、ESG（環境・社会・ガバナンス）投資の重要性が高まっており、投資家は企業の環境パフォーマンスを重要な評価基準としています。これにより、企業は単なる利益追求だけでなく、環境負荷の低減や社会貢献を経営戦略の中核に据えるよう促されています。

政策・規制の例	目的	テクノロジー業界への影響
EUエコデザイン指令	製品の環境性能向上、修理する権利	製品設計の見直し、リサイクル可能性の向上、製品寿命延長、部品供給義務
日本のグリーン成長戦略（GX推進戦略）	再生可能エネルギー拡大、脱炭素化、デジタルインフラの効率化	データセンターの再エネ導入、省エネ技術開発への投資、地方分散化の促進
国際ESG投資基準	企業の持続可能性評価と投資判断	環境報告の透明化、持続可能な事業戦略への移行、サプライチェーン排出量の開示
フランスの気候・レジリエンス法	デジタルサービスのCO2排出量削減義務	サービス運用におけるエネルギー効率の改善、排出量開示、ユーザーへの情報提供
EU企業サステナビリティ報告指令 (CSRD)	企業のESG情報開示の義務化と標準化	詳細かつ監査可能な環境・社会報告の義務化、サプライチェーン全体への影響

出典: 各政府機関公開資料を基に筆者作成 企業は、自社のサプライチェーン全体における環境負荷を把握し、サプライヤーに対しても持続可能な慣行を求める動きを強めています。例えば、Appleはサプライヤーに対して100%再生可能エネルギーへの移行を求めるプログラムを展開しており、多くの企業がこれに追随しています。この「スコープ3排出量」（サプライチェーン全体での間接排出量）の削減は、企業がカーボンニュートラル目標を達成する上で不可欠な要素です。このような連鎖的な取り組みが、業界全体のグリーン化を加速させています。さらに、テクノロジー業界は、国際電気通信連合（ITU）などの国際機関と協力し、情報通信技術（ICT）の持続可能性に関する国際標準やベストプラクティスの策定にも積極的に関与しています。

課題と未来展望：倫理、コスト、そして大規模導入の障壁

グリーン革命は多くの希望をもたらしますが、その道のりは決して平坦ではありません。持続可能なAIとエコイノベーションの普及には、依然としていくつかの重要な課題が残されています。 第一に、**コストと投資**の問題です。高性能なAIモデルのトレーニングには膨大な電力とコストがかかりますが、エネルギー効率の高いグリーンAIの開発や再生可能エネルギーへの移行には初期投資が必要です。液浸冷却システムや高効率AIチップの導入は、従来の設備と比較して高価になることがあります。特に中小企業にとっては、その費用が大きな障壁となる可能性があります。政府の補助金や税制優遇措置、グリーンボンドなどの投資家からの資金調達が、このギャップを埋める上で重要となります。また、短期的なコスト増と長期的な環境・経済的利益のバランスをどのように見極めるかが課題です。 第二に、**標準化と透明性**の欠如です。AIのエネルギー消費量や炭素排出量を正確に測定し、比較するための統一された指標やツールがまだ十分に確立されていません。異なるAIモデルやデータセンター間で、その環境負荷を客観的に評価することが困難な状況です。これにより、企業が自社の環境パフォーマンスを正確に報告し、消費者が「グリーンな」製品やサービスを選択することが困難になっています。国際的な標準化団体の協力により、AIのライフサイクルアセスメント（LCA）手法や、PUE（Power Usage Effectiveness）以外の包括的な環境評価指標（例：WUE - Water Usage Effectiveness）の策定が不可欠です。 第三に、**性能と効率のトレードオフ**です。多くの場合、AIモデルの精度を高めようとすると、より大規模なモデルと多くの計算資源が必要となり、結果としてエネルギー消費が増加します。これは、AI開発における「計算量と精度」のジレンマとして知られています。性能を維持しつつ、エネルギー効率も同時に最大化する「グリーンなAI設計」は、研究者にとって依然として大きな挑戦です。しかし、近年の研究では、より洗練されたモデルアーキテクチャ（例：Sparse MoE）や効率的な学習手法の開発により、このトレードオフを緩和する可能性が示されています。 第四に、**倫理的課題とデジタルデバイド**の問題です。グリーンAIの恩恵が一部の先進国や大企業に偏ることなく、グローバルサウスを含む世界全体に公平に分配される必要があります。気候変動の影響を最も受ける開発途上国が、AIを活用した適応策や緩和策にアクセスできるよう、技術移転や能力開発が不可欠です。また、AIが環境問題解決に貢献する一方で、監視社会の強化、プライバシー侵害、アルゴリズムによるバイアスの増幅（例：資源配分における差別）といった新たな倫理的課題を生み出さないよう、慎重な開発と堅固なガバナンスが求められます。 最後に、**スキルギャップ**も深刻な課題です。グリーンAIの開発、持続可能なデータセンターの運用、循環型エコイノベーションの推進には、従来のITスキルに加えて、環境科学、エネルギー工学、材料科学といった多様な専門知識が融合した人材が求められます。この分野の専門家を育成し、確保することが、グリーン革命を加速させる上で不可欠です。 しかし、これらの課題にもかかわらず、未来への展望は明るいと言えるでしょう。生成AIの急速な進化は、より効率的なアルゴリズム開発（例：AutoMLによるグリーンモデルの自動設計）や、環境データの分析能力を飛躍的に高める可能性を秘めています。また、量子コンピューティングやニューロモルフィックコンピューティングのような次世代技術が、現在の計算モデルとは根本的に異なる形でエネルギー効率を向上させるかもしれません。例えば、人間の脳を模倣したニューロモルフィックチップは、既存のデジタルコンピューターよりもはるかに少ない電力で複雑なパターン認識タスクを実行する可能性があります。 グリーン革命は、テクノロジー業界が自らの存在意義を問い直し、地球環境との共存を目指す壮大な挑戦です。持続可能なAIとエコイノベーションは、単なる技術的な進歩に留まらず、私たちのデジタル未来がより責任ある、そしてより豊かなものとなるための、不可欠な要素となるでしょう。私たちは、この変革の時代において、企業、政府、そして個人が協力し、真に持続可能なデジタル社会を築き上げていく責任を負っています。 サステナブルビジネスに関する最新情報（Reuters）

よくある質問（FAQ）