Calcolare la carbon footprint di un’impresa significa quantificare le emissioni di gas serra generate direttamente e indirettamente dalle sue attività, esprimendole in tonnellate di CO₂ equivalente. L’operazione può diventare complessa quando coinvolge stabilimenti, veicoli, fornitori, trasferte, materie prime e migliaia di transazioni registrate in sistemi differenti, come peraltro nel caso del PCF Product carbon footprint.
L’intelligenza artificiale in relazione all’ESG permette di automatizzare molte fasi del processo, riducendo il lavoro manuale e rendendo il calcolo più frequente.
Quali emissioni deve calcolare l’impresa
Partendo dal punto di riferimento più importante, il GHG Protocol distingue le emissioni in tre categorie. Lo Scope 1 comprende quelle generate direttamente da impianti, caldaie, processi produttivi e veicoli aziendali. Lo Scope 2 riguarda l’energia acquistata e consumata, come elettricità, calore e vapore. Lo Scope 3 include le emissioni della catena del valore: acquisti, logistica, viaggi di lavoro, utilizzo dei prodotti e trattamento a fine vita.
Il calcolo segue generalmente una formula: il dato di attività viene moltiplicato per un fattore di emissione. I kilowattora consumati, i litri di carburante o i chilometri percorsi vengono così convertiti in CO₂ equivalente. Nello Scope 2, ad esempio, i consumi elettrici devono essere associati a fattori coerenti con la fonte e il fornitore.
Come l’AI automatizza la raccolta dei dati
Il primo fattore abilitante è rappresentato dalla data collectio o dal recupero delle informazioni distribuite tra ERP, software contabili, contatori, piattaforme logistiche, sistemi di viaggio e documenti dei fornitori. Le soluzioni basate sull’intelligenza artificiale possono collegarsi a queste fonti e acquisire periodicamente i dati.
Le tecnologie di riconoscimento ottico e le soluzioni per la comprensione del linguaggio estraggono da fatture, bollette e documenti non strutturati quantità consumate, unità di misura, periodo, stabilimento e tipologia di energia. In questo modo diminuiscono gli inserimenti manuali e la carbon footprint può essere aggiornata con maggiore frequenza.
I sistemi possono poi integrare anche dati provenienti da sensori IoT e contatori intelligenti. L’azienda passa così da una misurazione annuale a un monitoraggio mensile, giornaliero o quasi in tempo reale.
Classificare automaticamente acquisti e fornitori
Lo Scope 3 è l’area nella quale l’AI può offrire il contributo più rilevante. Le transazioni di acquisto devono essere attribuite alle corrette categorie emissive: acciaio, plastica, servizi digitali, trasporti, manutenzioni o altri beni. I modelli di machine learning e i sistemi di elaborazione del linguaggio possono analizzare descrizioni contabili, codici prodotto e anagrafiche dei fornitori, classificando automaticamente le spese e associandole ai fattori di emissione disponibili. I Large Language Model possono contribuire ad allineare transazioni finanziarie eterogenee alle categorie utilizzate nel carbon accounting.
Quando poi mancano dati fisici frutto di una misurazione, l’AI può produrre stime basate sul valore degli acquisti o su medie settoriali. Questi risultati devono però essere segnalati come stime e progressivamente sostituiti con informazioni specifiche fornite dai partner della filiera.
L’importanza di associare il fattore di emissione corretto
Una delle attività più delicate consiste nella scelta dei fattori di emissione. Lo stesso consumo può generare risultati differenti in funzione del Paese, del mix energetico, della tecnologia, dell’anno e del metodo di calcolo.
L’AI può cercare il fattore più coerente all’interno di database validati, gestire le conversioni tra unità di misura e documentare la fonte utilizzata. Può inoltre segnalare fattori obsoleti, valori mancanti o associazioni poco affidabili, sottoponendoli al controllo di uno specialista.
Controlli automatici e tracciabilità grazie all’intelligenza artificiale
Gli algoritmi possono confrontare dati storici, siti produttivi e indicatori operativi per individuare anomalie. Nel momento in cui viene rilevato un consumo anomalo, una fattura duplicata o una variazione non coerente con i volumi di produzione ecco che questi segnali vengono evidenziati prima del consolidamento. Per questo ogni dato deve conservare la propria tracciabilità: documento di origine, trasformazioni effettuate, fattore applicato, versione del database e approvazioni ricevute. In questo contesto un sistema unico per i dati ESG consente di rendere i risultati più solidi e verificabili, avvicinandoli agli standard di controllo dell’informativa finanziaria.
Come si passa dalla misurazione alla riduzione delle emissioni
L’automazione serve prima di tutto ad aumentare la conoscenza e a renderla più precisa, ma non deve fermarsi qui. Grazie a dashboard alimentate continuamente è possibile verificiare quali stabilimenti, prodotti, processi o fornitori generano le emissioni maggiori. L’AI può poi mettere in relazione consumi, produzione e costi, individuando possibili inefficienze e indicando come e dove intervenire.
I modelli previsionali possono simulare l’effetto di azioni come l’acquisto di energia rinnovabile, l’elettrificazione della flotta, la sostituzione di una materia prima o la modifica della logistica.
Attenzione però, perché il calcolo non può essere totalmente autonomo
“Automatico” non deve esere sinonimo di privo di supervisione, anche se il rischio effettivamente potrebbe esserci. Il perimetro organizzativo, metodo, fattori di emissione e assunzioni devono essere definiti da persone competenti e anche i risultati dell’AI devono essere verificati, soprattutto quando sono il risultato di elaborazioni basate su dati frutto di stime.
Partecipa alla community