Gebruik van AI in carbon accounting

Met de groeiende vraag naar nauwkeurige CO2-footprinting wordt de toepassing van artificiele intelligentie (AI) op dit gebied steeds crucialer. Op 28 november 2024 organiseerde Carbon+Alt+Delete eenwebinarover hoe AI experts kan helpen tijd te besparen bij carbon accounting. In dit artikel vatten we de belangrijkste bevindingen samen.

AI: tussen hype en echte waarde

AI is de afgelopen jaren een modewoord geworden en het belang ervan in verschillende sectoren is onmiskenbaar. Ondanks veelgehoorde kritiek - de kwetsbaarheid van AI voor fouten en het aanzienlijke energieverbruik - vertegenwoordigen Large Language Models (LLM's) een grote technologische vooruitgang. Deze modellen kunnen de workflows van experts aanzienlijk optimaliseren zonder het onvervangbare menselijke element te vervangen.

De realiteit is dat professionals in de koolstofboekhouding de tijdsbesparing die AI kan opleveren nodig hebben om aan de marktvraag te kunnen blijven voldoen. Volgens de analyse van Carbon+Alt+Delete zal de markt voor carbon accounting in Europa verviervoudigen, van €1,4 miljard nu naar €4,9 miljard in 2028. De helft van deze groei moet komen van het vergroten van de capaciteit van koolstofdeskundigen, door bestaande deskundigen te heroriënteren en nieuwe koolstofdeskundigen op te leiden. De andere helft van de groei moet komen van efficiëntiewinsten, met name door het verminderen van de tijd die wordt besteed aan het verzamelen en opschonen van gegevens. Dit is waar AI in uitblinkt.

Wat adviseurs op het gebied van duurzame ontwikkeling denken

Tijdens het webinar vroegen we het publiek van duurzaamheidsexperts naar hun visie op de rol van AI in duurzaamheidsrapportage. Het bleek dat een grote meerderheid optimistisch is over de waarde die AI hen kan brengen (zie onderstaande figuur).

In de rest van dit artikel richten we ons op 2 concrete use cases waarbij AI echt waarde kan toevoegen aan carbon accounting.

Use case 1: het vinden van de best beschikbare emissiefactor

Het selecteren van de juiste emissiefactor kan een uitdaging zijn. Beschrijvingen van activiteitsgegevens kunnen soms te vaag of te specifiek zijn, waardoor het moeilijk is om ze te matchen met de juiste emissiefactor. Met meer dan 100.000 beschikbare emissiefactoren kan het overweldigend zijn om door de opties te navigeren. Bovendien is er vaak niet één 'beste' factor, met name voor Scope 3-emissies, vooral voor goederen en diensten.

Dit is waar AI kan helpen. Door taalpatronen te analyseren kan AI factoren identificeren met statistisch vergelijkbare beschrijvingen, waardoor het gemakkelijker wordt om relevante overeenkomsten te vinden. AI kan ook zoekopdrachten uitvoeren in verschillende talen, waardoor het bereik van de beschikbare gegevens wordt vergroot. Daarnaast kunnen de inzichten die de AI genereert suggesties doen voor potentiële emissiefactoren die in eerste instantie niet in overweging zouden zijn genomen.

Use case 2: activiteitendata uit facturen lezen

Naast het selecteren van emissiefactoren blijft het verzamelen van gegevens een van de meest gevoelige aspecten van koolstofboekhouding. Veel bedrijven hebben te maken met problemen die te maken hebben met de gecentraliseerde beschikbaarheid van gegevens, inefficiënte gegevensformaten, lange doorlooptijden, meerdere iteraties en wijzigingen op het laatste moment. Deze problemen vertragen de rapportage en besluitvorming. Zelfs als de gegevens eenmaal zijn verzameld, blijven er kwaliteitsproblemen bestaan. Bedrijven worden vaak geconfronteerd met ontbrekende of benaderde gegevens, onduidelijke gegevensbronnen, onvolledige records en inconsistente terminologie. Zonder betrouwbare gegevens zijn CO2-voetafdrukberekeningen niet nauwkeurig, waardoor het moeilijk is om de voortgang nauwkeurig te volgen.

AI-gebaseerde oplossingen kunnen deze uitdagingen aanpakken door het verzamelen van gegevens te automatiseren en de nauwkeurigheid te verbeteren. Algoritmen voor machinaal leren kunnen grote hoeveelheden financiële en operationele gegevens verwerken en zorgen voor volledigheid en consistentie.

Een veelbelovende AI-gebaseerde aanpak is factuuranalyse, waarbij financiële gegevens dienen als een gecentraliseerde en volledige bron van waarheid. Door facturen te analyseren kan AI relevante koolstofgegevens extraheren, waardoor een op activiteiten gebaseerde voetafdruk mogelijk wordt in plaats van minder bruikbare schattingen op basis van uitgaven.

Naarmate de technologie voortschrijdt, worden grote taalmodellen effectiever in het herkennen en interpreteren van koolstofgerelateerde gegevens in facturen en andere bedrijfsdocumenten. Ons langetermijndoel bij Carbon+Alt+Delete is om de factuurverwerking van de ene dag op de andere te automatiseren, zodat CO2-accountants een voetafdruk van 80% kunnen invullen, de handmatige werklast aanzienlijk wordt verminderd en de nauwkeurigheid wordt verbeterd.

Over Carbon+Alt+Delete

Wij ontwikkelen carbon accounting software voor duurzaamheidsadviseurs die bedrijven ondersteunen richting net zero.

Wil je meer weten over hoe onze software je carbon accounting diensten kan verbeteren?

Contacteer ons via[email protected]of boek een meeting met onze experts via dezelink.