Una empresa introduce los materiales de un producto en una plataforma y, en cuestión de segundos, obtiene una estimación de sus emisiones. Lo que antes podía requerir semanas de recopilación de información, consultas a proveedores y análisis especializados ahora parece resolverse con inteligencia artificial. Para los equipos de sostenibilidad, la promesa es difícil de ignorar: medir más productos, en menos tiempo y con menor esfuerzo. Pero hay un detalle que puede pasar inadvertido: saber cuánto carbono emite un producto depende tanto del resultado como del camino utilizado para obtenerlo.
De acuerdo con un artículo de Trellis, la automatización del cálculo de la huella de carbono de producto (PCF, por sus siglas en inglés) es una de las aplicaciones más atractivas de la IA en materia ambiental. Sin embargo, una investigación de especialistas de Watershed plantea una advertencia: los modelos pueden producir cifras finales que parecen razonables, aun cuando algunos de los pasos utilizados para llegar a ellas contienen errores importantes. En otras palabras, el problema no siempre está en la respuesta, sino en lo que ocurrió detrás de ella.
¿Por qué calcular huella de carbono de un producto es tan complejo?
Detrás de un PCF existe mucho más que una fórmula. Los analistas necesitan identificar los materiales que integran un producto, determinar cuánto se utiliza de cada uno y relacionar esa información con datos de emisiones provenientes de distintas fuentes. Cuando además deben solicitar información a proveedores, revisar bases de datos y trabajar con cadenas de suministro extensas, el proceso puede volverse considerablemente lento.
Los números ayudan a dimensionar el desafío. PwC encontró que 69 % de las empresas han desarrollado PCF para menos de una cuarta parte de sus líneas de productos. Esto significa que, incluso cuando existe interés por conocer el impacto climático de los productos, la capacidad para hacerlo de manera sistemática sigue siendo limitada.
Ahí es donde la IA resulta especialmente atractiva. Si una herramienta puede automatizar buena parte de ese trabajo, una compañía podría ampliar la medición a más productos sin multiplicar el tiempo y los recursos destinados al análisis.
¿Cómo utiliza la inteligencia artificial para estimar las emisiones de un producto?
Varias empresas han comenzado a desarrollar soluciones para automatizar este proceso. Makersite asegura que puede automatizar análisis de ciclo de vida de carteras completas de productos en segundos, mientras Terrascope afirma alcanzar una precisión de 70 % sin necesidad de solicitar información directamente a los proveedores. Watershed también cuenta con herramientas destinadas a estimar la huella ambiental de productos.
En términos generales, estas herramientas reciben información sobre los materiales o componentes de un producto y la relacionan con datos disponibles sobre emisiones. La tecnología puede acelerar tareas que tradicionalmente requieren identificar componentes, consultar factores de emisión y realizar numerosos cálculos.
La ventaja es evidente para las organizaciones que manejan cientos o miles de referencias. Sin embargo, una estimación automatizada no necesariamente equivale a una medición definitiva. La calidad del resultado depende de los datos, supuestos y decisiones que intervienen durante el proceso.
¿Qué tan precisos son los cálculos de huella de carbono realizados por IA?
Krishna Rao y su equipo de Watershed evaluaron modelos de Anthropic, DeepSeek, Google y OpenAI con 175 productos de sectores como materiales, productos químicos y textiles. Les pidieron estimar sus emisiones y compararon los resultados con evaluaciones realizadas por expertos.
A primera vista, los resultados fueron alentadores. El modelo que obtuvo el mejor desempeño llegó a una respuesta situada dentro de un margen de dos veces respecto de la estimación experta en 77 % de los casos. Para una tecnología todavía en desarrollo, podría parecer un resultado suficientemente sólido.
Pero los investigadores decidieron ir un paso más allá. En lugar de revisar únicamente el número final, analizaron cómo los modelos habían construido sus estimaciones: qué componentes identificaban, qué emisiones atribuían a cada uno y cómo llegaban finalmente al resultado.
¿Por qué una IA puede dar una cifra correcta con un razonamiento incorrecto?
Fue entonces cuando la precisión cayó hasta 37 %. La diferencia sorprendió al propio equipo investigador. El hallazgo demuestra que una cifra final aparentemente razonable puede ser consecuencia de una cadena de decisiones que no necesariamente lo son.
Esto importa porque los PCF no se utilizan únicamente para elaborar reportes ambientales. También pueden servir para decidir qué materiales sustituir, qué procesos modificar o con qué proveedores trabajar. Si uno de los datos utilizados en esa cadena es incorrecto, una compañía podría terminar atacando una fuente de emisiones que en realidad no tiene el peso que la IA le atribuyó.
Imaginemos a un fabricante de electrónicos que identifica un componente como responsable de una parte considerable de sus emisiones y decide buscar otro proveedor. Si la estimación original estaba equivocada, el cambio podría representar un costo importante sin producir la reducción de carbono esperada.
¿Qué deben revisar las empresas antes de confiar en un cálculo de IA?
La principal lección del estudio no es que la IA sea inútil para estos análisis. Al contrario: su capacidad para acelerar tareas repetitivas puede ser muy valiosa. El punto es que la automatización no debería eliminar la revisión especializada, especialmente cuando los resultados sirven para tomar decisiones ambientales, financieras o de abastecimiento.
Por ello, el equipo de Watershed plantea que los usuarios no deberían quedarse únicamente con la cifra final. Es necesario revisar los pasos intermedios y entender de dónde provienen las estimaciones, qué supuestos utilizó el modelo y qué tan sólidos son los datos empleados.
Para los responsables de sostenibilidad, esto implica cambiar ligeramente la pregunta. En lugar de preguntar únicamente “¿cuánto carbono emite este producto?”, también conviene preguntar “¿cómo lo sabes?”. Esa segunda pregunta puede revelar errores que una cifra aparentemente precisa no muestra.
La IA tiene el potencial de resolver uno de los grandes obstáculos para avanzar en la medición de emisiones: el volumen y la complejidad del trabajo necesario para construir PCF. Puede ayudar a procesar información, identificar patrones y generar estimaciones en una fracción del tiempo que requeriría un análisis tradicional. Eso puede abrir la puerta a que más empresas midan más productos y utilicen esos datos para actuar.
Pero la velocidad no debe confundirse con certeza. El estudio de Watershed muestra que un modelo puede acercarse razonablemente a una respuesta experta y, al mismo tiempo, presentar problemas importantes en los pasos que conducen a ella. En sostenibilidad, donde una estimación puede terminar influyendo en compras, diseño de productos o estrategias de descarbonización, calcular huella de carbono no debería significar simplemente obtener un número: también implica poder explicar, verificar y cuestionar cómo se llegó a él.
