Hoe Carbon+Alt+Delete AI inzet in carbon accounting-software

Carbon accounting komt in een fase van snelle opschaling. De vraag naar broeikasgasrapportage neemt toe door regelgeving, verwachtingen van investeerders en interne klimaatstrategieën. Tegelijkertijd groeit het aantal gekwalificeerde carbon accountants niet in hetzelfde tempo.

Interne analyse toont aan dat zowel de marktvraag als de benodigde capaciteit de komende jaren aanzienlijk zullen moeten stijgen. Dat zorgt voor een structurele uitdaging: hoe lever je meer CO₂-voetafdrukken, met een consistente kwaliteit, zonder dat de manuele inspanning evenredig toeneemt?

Bij Carbon+Alt+Delete gaan we ervan uit dat deze kloof niet te dichten is zonder automatisering – meer bepaald zonder AI toe te passen op de meest tijdsintensieve onderdelen van carbon accounting.

Waar AI waarde creëert in carbon accounting

AI is geen vervanging voor carbon accountants. De waarde ligt in het ondersteunen van de repetitieve, data-intensieve onderdelen van de workflow, die in carbon accounting-projecten doorgaans de meeste tijd in beslag nemen.

In de praktijk is de impact het grootst bij:

AI is bijzonder effectief in situaties waarin data zowel ongestructureerd als repetitief is. Factuurverwerking is een goed voorbeeld: grote volumes documenten met gelijkaardige patronen, maar met wisselende formaten en detailniveaus. Die combinatie maakt het uitermate geschikt voor machine learning en large language models.

Van spend-based naar activity-based carbon accounting

Een belangrijke ontwerpkeuze is de focus op activity-based carbon accounting in plaats van spend-based benaderingen.

Dat vereist dat echte activiteitsdata rechtstreeks uit primaire bronnen zoals facturen worden gehaald. Facturen zijn bijzonder relevant omdat ze een gecentraliseerd en relatief volledig beeld geven van de bedrijfsactiviteiten. Ze zijn bovendien nauw verbonden met werkelijke activiteiten binnen Scope 1, Scope 2 en delen van Scope 3.

Facturen zijn echter niet ontworpen voor carbon accounting. Ze bevatten ongestructureerde tekst, inconsistente terminologie en wisselende detailniveaus. Dat maakt manuele verwerking tijdrovend en moeilijk te standaardiseren.

AI wordt ingezet om deze ongestructureerde input om te zetten in gestructureerde, bruikbare koolstofdata.

Hoe AI facturen omzet in emissies

Het AI-model zet facturen in drie opeenvolgende stappen om in emissies.

Het model interpreteert de inhoud van de factuur en bepaalt op welke activiteit volgens het GHG Protocol ze betrekking heeft. Dat vereist inzicht in beschrijvingen die vaak onvolledig of dubbelzinnig zijn, en het koppelen ervan aan categorieën zoals brandstofverbruik, elektriciteitsverbruik of zakenreizen.

In plaats van te vertrekken van financiële uitgaven, haalt het model fysieke activiteitsdata op, zoals kilowattuur elektriciteit, liters brandstof of afgelegde kilometers. Dat onderscheid is belangrijk, omdat activity-based data een nauwkeurigere en beter bruikbare carbon accounting mogelijk maakt.

Op basis van de gedetecteerde activiteit en de geëxtraheerde data selecteert het model een geschikte emissiefactor. Dat is een complexe taak, want er bestaan duizenden mogelijke emissiefactoren met verschillende niveaus van specificiteit, en vaak is er geen voor de hand liggende match – zeker in een Scope 3-context.

Wat het model vandaag kan

Op basis van een dataset van meer dan 200 facturen geven de huidige prestaties van het model een realistisch beeld van wat AI vandaag al kan:

De prestaties zijn niet in alle categorieën gelijk. Het model presteert bijzonder goed voor Scope 1- en Scope 2-emissies, zoals stationaire verbranding, mobiele verbranding en elektriciteit. Ook zakenreizen scoren relatief hoog op nauwkeurigheid. In deze domeinen ligt de nauwkeurigheid boven 80%, wat betekent dat het grootste deel van het werk nu al geautomatiseerd kan worden.

Scope 3-categorieën blijven uitdagender. Activiteiten zoals aangekochte goederen en diensten of afvalverwerking bevatten vaak geen duidelijke, gestructureerde informatie, wat een consistente interpretatie bemoeilijkt.

Waarom AI faalt: context boven volume

Een belangrijke vaststelling is dat fouten zelden het gevolg zijn van foute kwantitatieve data. In veel gevallen legt het model volumes zoals energie- of brandstofverbruik correct vast.

De belangrijkste foutenbron ligt in de contextuele interpretatie. Denk aan situaties waarin het model een emissiefactor kiest die niet volledig aansluit bij de specifieke context, contractuele details zoals groene stroom verkeerd interpreteert, of de aard van een transactie verkeerd categoriseert.

Dit legt een bredere beperking van huidige AI-systemen bloot. Hoewel ze effectief zijn in het herkennen van patronen en het extraheren van gestructureerde informatie, blijven ze afhankelijk van de duidelijkheid en volledigheid van de inputdata.

Het verklaart ook waarom Scope 3 moeilijker blijft. Transacties in de praktijk zijn vaak dubbelzinnig, en facturen bieden niet altijd voldoende context om die dubbelzinnigheid weg te nemen.

Efficiëntiewinst in de praktijk

Ondanks deze beperkingen is de efficiëntiewinst aanzienlijk.

In de case study:

Dat betekent niet dat AI zonder menselijke tussenkomst een definitief, audit-ready resultaat oplevert. Het genereert wel een gestructureerde eerste versie van de voetafdruk, inclusief geëxtraheerde activiteitsdata en een eerste selectie van emissiefactoren.

De rol van de consultant verschuift dan naar het valideren van de output, het corrigeren van randgevallen en het bewaken van consistentie.

Wat dit betekent voor duurzaamheidsconsultants

Voor duurzaamheidsconsultants verandert AI de aard van het werk, eerder dan dat het dat werk vervangt.

In plaats van het merendeel van hun tijd te besteden aan dataverzameling en manuele verwerking, focussen consultants steeds meer op validatie, interpretatie en methodologische keuzes. Dat omvat het nakijken van door AI gegenereerde output, het behandelen van complexe of dubbelzinnige gevallen en het garanderen dat resultaten robuust en auditeerbaar zijn.

Tegelijk moeten consultants begrijpen hoe AI-systemen werken, inclusief hun beperkingen en typische faalpatronen. Dat wordt essentieel om de kwaliteit en geloofwaardigheid van carbon accounting-resultaten te waarborgen.

Conclusie

AI in carbon accounting is niet langer theorie. Het kan nu al een aanzienlijk deel van de workflow automatiseren, vooral voor gestructureerde databronnen en Scope 1- en 2-emissies.

De belangrijkste beperking blijft Scope 3, waar de beschikbaarheid van data en de contextuele complexiteit automatisering blijven afremmen.

De algemene richting is duidelijk. Carbon accounting evolueert naar een hybride model waarin AI de data-intensieve processen voor zijn rekening neemt, terwijl consultants zich toeleggen op validatie, interpretatie en besluitvorming.

Gezien de verwachte groei van de vraag is deze verschuiving noodzakelijk om carbon accounting schaalbaar te maken over organisaties heen.