Llevo un par de años construyendo software de huella de carbono y, cada vez que alguien me habla de "IA para sostenibilidad", me pongo un poco a la defensiva. No es porque no crea en la IA. La uso todos los días y es el corazón de lo que hacemos en Grumbic. Es porque casi siempre la venden por el lado equivocado.
La promesa de moda es que la IA va a "resolver" el cálculo de emisiones, como si el problema fuera la cuenta. No lo es. Multiplicar un consumo por un factor de emisión lo hace cualquier planilla. La parte difícil, la que se come las semanas, es otra: juntar y ordenar los datos.
Dónde la IA cambia las cosas de verdad
Una huella corporativa se arma con cientos de documentos que nadie diseñó para esto. Facturas de electricidad de tres comercializadoras distintas, boletas de combustible, planillas de viajes que cada área llena a su manera, contratos de arriendo con consumos escondidos en un anexo. Cada uno con su formato, su nomenclatura, sus unidades. Esa es la pega que en la mayoría de las empresas todavía se hace a mano, copiando números de un PDF a una planilla durante semanas.
Ahí la IA es buenísima. Leer una factura y sacar los kWh, reconocer que un cargo es de gasolina y no de diésel, clasificar a qué alcance y categoría corresponde cada cosa. Es trabajo repetitivo, sin gracia, propenso al error humano, y un modelo lo hace en segundos. Para mí ese es el caso de uso real, y no es glamoroso: sacarle de encima al equipo de sostenibilidad la transcripción de boletas.
La parte que más me entusiasma viene después del cálculo
Si te soy honesto, la extracción no es lo que más me entusiasma. Es lo que puedes hacer una vez que los datos están adentro y bien ordenados.
Cuando el inventario está armado sobre una metodología que se sostiene, puedes empezar a hablarle. Preguntarle directo qué te falta. Una IA que conoce la estructura metodológica sabe qué alcances y categorías deberían estar presentes, así que te dice, en lenguaje natural, dónde tienes un hoyo. Que no cargaste los viajes en avión, que falta el alcance 3 de un proveedor, que el consumo de una sede se ve raro contra el resto del año. No tienes que adivinar ni recorrer cuarenta pestañas de una planilla buscando el dato que no cuadra. Preguntas y te responde.
Eso cambia por completo cómo revisas la información. En vez de leer un reporte estático de cien páginas, exploras. Muéstrame las emisiones por sede, compáralas con el año pasado, dónde está la mayor concentración, qué pasa si saco esta planta del cálculo. La huella deja de ser un PDF que archivas y pasa a ser algo que puedes interrogar, cada persona con sus propias preguntas y a su manera. Para una jefa de sostenibilidad eso vale más que cualquier dashboard prearmado, porque las preguntas que importan casi nunca son las que alguien anticipó al diseñar la pantalla.
Ahora bien, todo esto se apoya en que la estructura de abajo esté bien hecha. Y ahí va mi opinión más fuerte.
Mi opinión más fuerte sobre el tema
Una IA suelta, sin la metodología encima, produce números equivocados con mucha seguridad. Y eso es peor que no tener número.
Hace poco escribí sobre por qué las garantías de origen no borran las emisiones de las pérdidas de transmisión. Es un buen ejemplo. Un modelo que solo aprendió a sonar razonable te pondría esa línea en cero sin dudarlo, porque suena lógico: compraste renovable, asunto cerrado. El estándar dice otra cosa. Y eso solo lo sabes si la regla está escrita en el sistema, no si se la dejaste a la intuición del modelo. La IA no entiende el GHG Protocol. Reproduce patrones, y un patrón plausible puede estar perfectamente mal.
Por eso me cargan los productos que tratan el cálculo como una caja negra donde entra una factura y sale un número, sin que puedas ver qué pasó en el medio. En huella de carbono, "confía en mí" no es una respuesta.
Cómo lo armamos en Grumbic
Separo las dos cosas a propósito. La IA hace el trabajo bruto: leer, extraer, clasificar, proponer. La metodología es la que manda sobre el número final, y esas reglas están escritas explícitamente, no aprendidas de memoria. El GHG Protocol, MITECO cuando corresponde, el tratamiento de cada alcance y categoría. La IA propone, el estándar dispone.
Y todo queda trazable. Cuando llega un verificador, o cuando una empresa reporta bajo CSRD, nadie acepta "lo calculó la IA". Tienes que poder mostrar de qué factura salió cada dato, qué factor se aplicó y por qué. La IA te lleva a ese punto mucho más rápido, pero la trazabilidad es lo que hace que el número aguante cuando alguien lo revisa en serio.
Lo que de verdad creo
Mi apuesta no es IA en vez de rigor. Es IA para borrar la parte tediosa y para que revisar la huella deje de ser un acto de fe. El equipo de sostenibilidad deja de transcribir documentos, puede preguntarle al inventario en vez de descifrarlo, y se dedica a lo que importa: decidir qué hacer con las emisiones que el cálculo deja a la vista.
El número sigue siendo igual de serio. Lo que cambia es que llegar a él deja de tomar tres meses y deja de depender de que nadie se equivoque copiando una cifra. Esa, para mí, es la promesa honesta de la IA en este rubro. Bastante menos épica que la del marketing, y bastante más útil.
