Claude legge una bolletta elettrica in PDF ed estrae in pochi secondi i kWh consumati, il periodo di riferimento e il punto di prelievo. La stessa chat, però, se le si chiede il fattore di emissione dell'energia elettrica consumata in Italia, può rispondere con un valore obsoleto o inventato. È il paradosso dell'AI applicata al calcolo dell'impronta di carbonio: velocissima sui dati strutturati, fragile su quelli che richiedono una fonte aggiornata e verificabile.
La matrice: quattro quadranti per decidere
Per non cadere nella trappola, gli esperti suggeriscono una matrice a due assi: da un lato la facilità di estrazione del dato, dall'altro la necessità di una fonte ufficiale. I dati presenti in un documento (consumi, date, codici) finiscono nel quadrante "delega totale": l'AI li legge e li trascrive senza problemi. I valori che dipendono da normative o database esterni, come i fattori di emissione ISPRA o i coefficienti di conversione, vanno nel quadrante "verifica manuale". In mezzo restano i calcoli intermedi, dove l'AI può essere utile ma solo con un controllo a campione.
Perché la verifica umana resta cruciale
Il rischio non è solo l'errore: è la falsa sicurezza. Un modello linguistico può generare un numero plausibile ma non aggiornato, e senza un riscontro si rischia di produrre report di sostenibilità con dati sbagliati. La buona notizia è che l'AI resta un alleato formidabile per la parte noiosa: estrazione, normalizzazione e pre-compilazione. La regola d'oro è semplice: tutto ciò che è già scritto in un file si può delegare; tutto ciò che richiede una fonte esterna va verificato a mano o collegato a un database certificato.
In pratica, la matrice trasforma l'AI da oracolo inaffidabile a assistente operativo. Le aziende che la adottano riducono i tempi di raccolta dati anche del 70%, mantenendo però la piena responsabilità sui numeri finali. Perché l'impronta di carbonio non è un esperimento creativo: è un dato che deve reggere auditor e normative.
