Cómo Carbon+Alt+Delete utiliza la IA en su software de contabilidad de carbono

La contabilidad de carbono está entrando en una fase de rápido crecimiento. La demanda de informes de gases de efecto invernadero aumenta debido a la regulación, las expectativas de los inversores y las estrategias climáticas internas. Al mismo tiempo, el número de contables de carbono cualificados no crece al mismo ritmo.

Un análisis interno muestra que tanto la demanda del mercado como la capacidad necesaria tendrán que aumentar significativamente en los próximos años. Esto plantea un reto estructural: cómo elaborar más huellas de carbono, con una calidad homogénea, sin aumentar proporcionalmente el esfuerzo manual.

En Carbon+Alt+Delete partimos de la premisa de que esta brecha no puede cerrarse sin automatización; en concreto, sin aplicar la IA a las partes de la contabilidad de carbono que más tiempo consumen.

Dónde aporta valor la IA en la contabilidad de carbono

La IA no sustituye a los contables de carbono. Su valor reside en apoyar las partes repetitivas y con gran carga de datos del flujo de trabajo, que suelen consumir la mayor parte del tiempo en los proyectos de contabilidad de carbono.

En la práctica, el mayor impacto se observa en:

La IA es especialmente eficaz cuando los datos son a la vez no estructurados y repetitivos. El procesamiento de facturas es un buen ejemplo: grandes volúmenes de documentos con patrones similares, pero con formatos y niveles de detalle variables. Esta combinación los hace muy adecuados para el machine learning y los large language models.

De la contabilidad de carbono basada en el gasto a la basada en la actividad

Una decisión de diseño clave es centrarse en la contabilidad de carbono basada en la actividad en lugar de en aproximaciones basadas en el gasto.

Esto exige extraer datos reales de actividad directamente de fuentes primarias como las facturas. Las facturas son especialmente relevantes porque ofrecen una visión centralizada y relativamente completa de las operaciones de la empresa. Además, están estrechamente vinculadas a actividades reales en Scope 1, Scope 2 y parte de Scope 3.

Sin embargo, las facturas no están diseñadas para la contabilidad de carbono. Contienen texto no estructurado, terminología inconsistente y niveles de detalle variables. Esto hace que el procesamiento manual sea lento y difícil de estandarizar.

La IA se utiliza para traducir esta información no estructurada en datos de carbono estructurados y utilizables.

Cómo la IA convierte las facturas en emisiones

El modelo de IA traduce las facturas en emisiones mediante tres pasos consecutivos.

El modelo interpreta el contenido de la factura y determina con qué actividad del GHG Protocol se relaciona. Esto requiere comprender descripciones que a menudo son incompletas o ambiguas y asignarlas a categorías como el consumo de combustible, el consumo de electricidad o los viajes de negocios.

En lugar de basarse en el gasto financiero, el modelo extrae datos físicos de actividad, como kilovatios hora de electricidad, litros de combustible o kilómetros recorridos. Esta distinción es importante porque los datos basados en la actividad permiten una contabilidad de carbono más precisa y útil para la toma de decisiones.

A partir de la actividad detectada y los datos extraídos, el modelo selecciona un factor de emisión adecuado. Se trata de una tarea compleja, ya que existen miles de factores de emisión posibles con distintos niveles de especificidad y a menudo no hay una correspondencia evidente, sobre todo en el contexto de Scope 3.

Lo que el modelo puede hacer hoy

A partir de un conjunto de datos de más de 200 facturas, el rendimiento actual del modelo ofrece una visión realista de lo que la IA ya puede lograr:

El rendimiento no es uniforme en todas las categorías. El modelo funciona especialmente bien con las emisiones de Scope 1 y Scope 2, como la combustión estacionaria, la combustión móvil y la electricidad. Los viajes de negocios también muestran una precisión relativamente alta. En estas áreas, la precisión supera el 80 %, lo que significa que la mayor parte del trabajo ya puede automatizarse.

Las categorías de Scope 3 siguen siendo más complejas. Actividades como los bienes y servicios adquiridos o el tratamiento de residuos a menudo carecen de información clara y estructurada, lo que dificulta una interpretación coherente.

Por qué falla la IA: el contexto pesa más que el volumen

Una observación importante es que los errores rara vez se deben a datos cuantitativos incorrectos. En muchos casos, el modelo captura correctamente volúmenes como el consumo de energía o de combustible.

La principal fuente de error reside en la interpretación contextual. Esto incluye situaciones en las que el modelo selecciona un factor de emisión que no se ajusta del todo al contexto específico, interpreta mal detalles contractuales como la electricidad renovable o clasifica incorrectamente la naturaleza de una transacción.

Esto pone de manifiesto una limitación más general de los sistemas de IA actuales. Aunque son eficaces para reconocer patrones y extraer información estructurada, siguen dependiendo de la claridad y la exhaustividad de los datos de entrada.

También explica por qué Scope 3 sigue siendo más difícil. Las transacciones reales suelen ser ambiguas, y las facturas no siempre aportan suficiente contexto para resolver esa ambigüedad.

Ganancias de eficiencia en la práctica

A pesar de estas limitaciones, las ganancias de eficiencia son considerables.

En el caso práctico:

Esto no significa que la IA produzca un resultado final y listo para auditoría sin intervención humana. Lo que genera es una primera versión estructurada de la huella, que incluye los datos de actividad extraídos y una selección inicial de factores de emisión.

El papel del consultor pasa entonces a centrarse en validar los resultados, corregir los casos atípicos y garantizar la coherencia.

Qué significa esto para los consultores de sostenibilidad

Para los consultores de sostenibilidad, la IA cambia la naturaleza del trabajo en lugar de sustituirlo.

En lugar de dedicar la mayor parte del tiempo a la recopilación de datos y al procesamiento manual, los consultores se centran cada vez más en la validación, la interpretación y las decisiones metodológicas. Esto incluye revisar los resultados generados por la IA, gestionar casos complejos o ambiguos y garantizar que los resultados sean sólidos y auditables.

Al mismo tiempo, los consultores necesitan entender cómo funcionan los sistemas de IA, incluidas sus limitaciones y sus fallos típicos. Esto resulta esencial para mantener la calidad y la credibilidad de los resultados de la contabilidad de carbono.

Conclusión

La IA en la contabilidad de carbono ya no es algo teórico. Ya es capaz de automatizar una parte importante del flujo de trabajo, especialmente en el caso de fuentes de datos estructuradas y de las emisiones de Scope 1 y 2.

La principal limitación sigue siendo Scope 3, donde la disponibilidad de datos y la complejidad contextual continúan limitando la automatización.

La dirección general está clara. La contabilidad de carbono avanza hacia un modelo híbrido en el que la IA se encarga de los procesos con gran carga de datos, mientras que los consultores se centran en la validación, la interpretación y la toma de decisiones.

Dado el crecimiento previsto de la demanda, este cambio es necesario para que la contabilidad de carbono sea escalable en todas las organizaciones.