Il ruolo dell’AI per misurare e abbattere le emissioni di gas serra delle aziende

Secondo un report di BCG, molte aziende non riescono ancora a misurare le loro emissioni in modo esaustivo, frequente, automatizzato e accurato. Perché è così difficile? Come può venire in aiuto l’intelligenza artificiale [...]
Roberto Ventura

Managing Director e Partner, Boston Consulting Group (BCG)

Francesco Carducci

Lead Data Scientist BCG Gamma

Nicolò De Benetti

Senior Data Scientist, BCG Gamma

emissioni
  1. Home
  2. Intelligenza Artificiale
  3. Il ruolo dell’AI per misurare e abbattere le emissioni di gas serra delle aziende

L’85 per cento delle organizzazioni si preoccupa di ridurre le proprie emissioni di gas serra, ma misurarle rappresenta l’ostacolo principale per riuscirci. Solo il 9% di esse, infatti, è in grado di quantificare le proprie emissioni totali in modo esaustivo. Boston Consulting Group (BCG) e BCG Gamma hanno analizzato la capacità delle aziende di misurare e ridurre le proprie emissioni, racchiudendo i risultati nel loro ultimo report dal titolo “Use AI to Measure Emissions-Exhaustively, Accurately, and Frequently“. Per farlo, sono stati intervistati manager che si occupano del tema in 1.290 organizzazioni di nove settori principali in tutto il mondo. Dall’indagine emerge come le aziende non riescano ancora a misurare le loro emissioni in modo esaustivo, frequente, automatizzato e accurato. Le domande da porsi, a questo punto, sono le seguenti: perché è così difficile misurare in modo accurato le emissioni? E soprattutto, come può venire in aiuto l’intelligenza artificiale?

Il report sulla misurazione delle emissioni

L’81% degli intervistati ha dichiarato di non includere nel rapporto di sostenibilità annuale alcune delle loro emissioni interne, ovvero quelle relative alle attività dell’azienda, mentre il 66% non riporta nessuna emissione esterna, cioè legata alle supply chain dell’azienda. Ciò si verifica, nel 53% dei casi, per la difficoltà nel prendere decisioni e tenerne traccia, causata da misurazioni ancora troppo poco frequenti. L’86% degli intervistati, inoltre, registra le proprie emissioni manualmente, usando ancora i fogli di calcolo. Solo il 22% degli intervistati ha affermato di avere processi automatizzati per farlo.

Quando non vengono escluse dalla documentazione annuale, infine, le emissioni vengono misurate con un tasso di errore che gli intervistati segnalano intorno a una media dal 30% al 40%.

Quando si parla di emissioni, un’azienda deve tenere in considerazioni sia le proprie emissioni, quelle interne, che quelle di tutta la propria value chain estesa, quelle esterne, che consiste anche di fornitori, distributori e clienti. Questo esercizio di misurazione e monitoraggio, se svolto in modo rigoroso, permette di tenere in considerazione le implicazioni ambientali in tutte le proprie scelte strategiche.

Portiamo due esempi che mostrano la complessità di questo esercizio di misurazione e il valore aggiunto dell’intelligenza artificiale, rispettivamente nei settori Oil & Gas e del Fashion retail.

emissioni

Misurazione delle emissioni: un esempio nel settore Oil & Gas

Misurare correttamente le fuoriuscite di metano (gas 30 volte più inquinante della CO2) sta diventando un problema sempre più rilevante per le aziende del settore O&G. Molte, infatti, sono le pressioni che questi player stanno subendo sia a causa di una regolamentazione sempre più stringente che a investitori e clienti sempre più sensibili a queste tematiche. Purtroppo, però, le misurazioni sono ad oggi molto complesse e costose, data la necessità di coprire l’intera rete di distribuzione di sistemi di misurazione in grado di fornire informazioni dettagliate.

L’intelligenza artificiale offre diverse soluzioni a questo problema. Ad esempio, avanzati sistemi di image recognition possono essere usati per analizzare le rilevazioni satellitari o immagini raccolte da droni, e identificare in modo automatico le fuoriuscite lungo le linee di trasmissione/distribuzione del metano o le stazioni di processo. Questo approccio permette di monitorare un’area molto vasta in modo estremamente economico ed efficace.

In alternativa, dei tool basati su Machine learning possono essere usati per raccogliere e analizzare i dati provenienti dalla rete di sensori distribuiti negli impianti di proprietà dell’azienda, ed individuare anomalie potenzialmente legate a delle fuoriuscite di metano.

WEBINAR
Spesa IT: come valutare i costi tecnologici, calcolare i rischi e ottimizzare gli investimenti?
Amministrazione/Finanza/Controllo
Finanza/Assicurazioni

Tutti questi strumenti contribuiscono a migliorare il livello di visibilità, di operatori e manager, sui propri processi produttivi e la capacità di prendere decisioni strategiche verso la riduzione delle proprie emissioni interne.

Un esempio nel settore fashion retail

Nel mondo del fashion retail, la complessità si sposta sul misurare l’impatto ambientale di una value chain lunga, granulare e complessa. In questo settore le emissioni dovute a operazioni interne rappresentano solo una minima parte rispetto a quelle dei propri fornitori, distributori e clienti. Diventa così chiave riuscire a identificare ed investire in una rete di fornitori più green riducendo conseguentemente il footprint del proprio portafoglio.

Se misurare l’emissione dei propri processi è complesso, stimare quelle dei fornitori sembra una missione quasi impossibile.

Ancora una volta l’intelligenza artificiale offre una soluzione, e sfruttando varie fonti dati interne ed esterne all’azienda, consente di definire dei KPI per monitorare il livello di sostenibilità della propria value chain, fornitori e distributori, e di simulare l’effetto di scelte strategiche su questi KPI.

Ad esempio, basandosi su caratteristiche del prodotto (come peso, materiali utilizzati etc.) e caratteristiche del fornitore (geolocalizzazione, tecnologie utilizzate per la produzione, regolamentazione vigente nel paese in cui produce) è possibile simulare l’effetto di un cambio di fornitore specifico, o dell’intera catena di fornitura, sulla sostenibilità dei propri prodotti/servizi. Questa scelta dovrà poi essere confrontata con altre possibili vie verso la decarbonizzazione, come una revisione della propria logistica distributiva.

emissioni

Conclusioni

Da questi esempi, risulta chiaro come la misurazione sia un fattore primario per attivare strategie di decarbonizzazione su scala globale in cui ogni singola azienda possa fare la sua parte in maniera sostenibile e bilanciata rispetto a tutti gli altri obiettivi interni. Le aziende dovranno servirsi di nuovi strumenti, basati sull’intelligenza artificiale, capaci di supportare tutte quelle attività associate allo sviluppo di una strategia di decarbonizzazione, come l’acquisizione e il reporting automatico dei dati, il calcolo delle emissioni, il forecasting, la simulazione di scenari e la gestione di un portafoglio iniziative di riduzione delle emissioni.

 

 

FacebookTwitterLinkedIn