Este artículo es una traducción del texto original publicado en inglés, titulado “AI-Driven Sustainability: How Artificial Intelligence is Shaping the Future of Responsible Business Models.” El articulo original está disponible en este link.

El compromiso llegó antes que los instrumentos

Una empresa puede publicar una meta de emisiones al 2030 y seguir sin saber cuánto consumió el trimestre pasado. La meta vive en un reporte que finanzas arma una vez al año con facturas de servicios, declaraciones de proveedores y estimaciones que nadie en planta reconocería. Mientras tanto la planta opera, la flota se mueve, el centro de datos consume energía, y nada de esa actividad devuelve información en un formato sobre el cual alguien pueda actuar mientras todavía está ocurriendo.

Esa distancia entre lo que las empresas se comprometen a hacer y lo que efectivamente pueden observar definió la sostenibilidad corporativa durante casi toda la última década. La sostenibilidad en sí misma dejó de ser decorativa hace tiempo. Los inversionistas la valoran, los reguladores la auditan, las áreas de compras la escriben en los contratos y los clientes la verifican. El desempeño ambiental, la responsabilidad social y la disciplina de gobernanza aparecen hoy en las mismas conversaciones que el margen y la participación de mercado.

Lo que cambió con menos ruido es el problema de medición que hay debajo. Un compromiso que solo se puede verificar una vez al año, a partir de datos que la operación no controla, es un compromiso que nadie puede gestionar. La inteligencia artificial cerró esa brecha al llevar la medición dentro del proceso mismo: sensores que reportan de forma continua, modelos que contrastan los valores reportados contra el comportamiento esperado y sistemas de control que ajustan sin esperar a que una persona lo note.

Una vez que la medición vive dentro de la operación, el desempeño en sostenibilidad queda bajo la misma disciplina de gestión que el volumen de producción y el costo. Las tres columnas, ambiental, social y de gobernanza, giran sobre ese único cambio, y cada una gira de manera distinta y a su propia velocidad.

La eficiencia y las emisiones resultan ser la misma medición

El caso comercial es menos complicado de lo que suele sonar. Los recursos que una empresa reduciría por razones ambientales son los mismos que paga: electricidad, agua, combustible, materia prima, horas de máquina. Un sistema que encuentra desperdicio encuentra costo, y un director de finanzas que no financiará una iniciativa de carbono sí financiará un recorte del seis por ciento en la cuenta de energía.

La optimización de recursos es donde arranca casi todo. Los modelos que leen datos de consumo contrastan el uso contra la demanda en algo muy cercano al tiempo real, lo que permite a una planta bajar carga en horas de tarifa alta, apagar equipos ociosos sin que un operador tenga que decidirlo y programar las corridas más pesadas cuando la red está más limpia. Las eléctricas aplican la misma lógica a otra escala: enrutan la electricidad por redes inteligentes contra la demanda que el modelo predice, donde el despacho antiguo solo podía trabajar con promedios históricos, y eso recorta a la vez el costo de generación y las emisiones asociadas. En la agricultura y la manufactura, donde el agua es un insumo de producción y no un gasto general, los mismos modelos gobiernan el riego y el agua de proceso contra la humedad del suelo, los pronósticos del clima y los requerimientos de cada lote.

La reducción de desperdicio sigue el mismo patrón un paso más adentro del proceso. En una línea de producción, los algoritmos que leen datos de sensores y de visión detectan la desviación antes de que produzca defectos, lo que elimina la merma, el retrabajo y el material que habría entrado en ambos. Si el análisis se extiende más allá de la puerta de fábrica, reorganiza la logística: cargas consolidadas, menos embarques parciales, ruteo que pondera tráfico y consumo de combustible frente al kilometraje.

La manufactura y la agricultura son las que más han avanzado, por una razón sencilla. Ambas son físicas, ambas ya cargan con instrumentación pesada, y en ambas la variable ambiental y la variable de costo son el mismo número. Una fábrica que predice la falla de un rodamiento con tres semanas de anticipación evita una parada no planificada, y evita además la energía que desperdicia una línea detenida y el material que se echa a perder en el alto. La agricultura de precisión lee química de suelo, imágenes de cultivo y clima contra un mapa de campo lo bastante fino como para variar la aplicación de fertilizante dentro de una misma hectárea. Los rendimientos suben. La escorrentía baja. Ninguno de los dos resultados exige que al agricultor le importe el segundo.

Las cifras ambientales ya se actualizan más rápido que el ciclo de reporte

La energía es el caso más claro, ya que los datos de consumo existían desde antes y solo faltaba algo que los leyera. Los modelos de predicción de demanda permiten a una instalación aplanar sus propios picos, y los sistemas de edificio hoy regulan calefacción, refrigeración y ventilación contra ocupación y pronóstico, en reemplazo de un horario que alguien fijó en un documento de puesta en marcha años antes. Los centros de datos fueron los que más empujaron aquí, porque tenían el incentivo más fuerte: la refrigeración es la segunda línea más grande del presupuesto operativo y, al mismo tiempo, la mayor palanca sobre la huella de carbono.

El reciclaje es donde la tecnología hizo algo que el proceso antiguo no podía hacer en absoluto. La separación siempre fue la restricción sobre la calidad del material reciclado, y los separadores humanos trabajando una cinta rápida cometen errores que contaminan lotes enteros. Los sistemas de visión que aprenden clases de material separan más rápido y con más precisión que la línea a la que reemplazaron, lo que sube el grado del material de salida y baja la fracción que termina en relleno sanitario. Una economía circular vale lo que vale su separación, y la separación era justamente la parte que nadie lograba escalar.

El riesgo climático avanzó por otra vía. Los modelos que combinan registros meteorológicos, imágenes satelitales y datos históricos de siniestros hoy producen exposición a inundación, tormenta y sequía a una resolución lo bastante fina para una sola instalación. Eso cambia la pregunta que un operador puede hacer. Que la costa se inunde es un pronóstico regional que no le pone precio a nada. Si esta bodega se inunda, en qué década y contra qué valor asegurado, es un número que un suscriptor de seguros va a cotizar.

La contabilidad de carbono cerró el circuito. Las herramientas de seguimiento que se alimentan directamente de medidores, telemetría de flota y registros de compras devuelven una cifra que se actualiza de forma continua y rastrea cada tonelada hasta la línea, la ruta o el proveedor que la produjo. La atribución es toda la diferencia. Una empresa que puede ver de dónde salió una tonelada puede actuar sobre ella dentro del trimestre, mientras que una empresa que trabaja con una estimación anual consolidada solo puede volver a enunciarla.

La dimensión social pone a las personas bajo los mismos sensores

La medición ambiental lee máquinas. La medición social lee personas, y en esa diferencia está casi todo el valor y toda la dificultad.

La seguridad laboral fue la primera en beneficiarse y la que lo hizo de forma más limpia. Los sensores que vigilan temperatura, vibración, carga y esfuerzo estructural marcan una condición que va a fallar antes de que lesione a nadie, y los sistemas conectados a ellos pueden frenar una línea o disparar una alerta sin esperar a que un supervisor lo note. En bodegaje, Amazon incorporó esto al layout mismo: la robótica se encarga del levante que produce la mayoría de las lesiones de espalda, los sensores siguen el movimiento contra zonas restringidas y los wearables le avisan al trabajador que entró en una. La salud ha ido más adentro de la persona. Los modelos predictivos marcan patrones de fatiga y estrés en el personal clínico antes de que se traduzcan en error, y los modelos de riesgo de infección identifican la exposición dentro de una sala a tiempo para que alguien intervenga. Los programas de salud ocupacional hoy leen esas mismas señales de deuda de sueño y estrés sostenido a lo largo de toda una fuerza laboral.

La contratación es donde esa misma capacidad se vuelve más difícil y más disputada. Los modelos pueden revisar descripciones de cargo en busca de lenguaje que desincentiva postulaciones de grupos subrepresentados, y pueden filtrar contra habilidad demostrada, dejando de lado los sustitutos a los que echa mano un revisor humano cansado. Aplicado a datos de promoción y desempeño, ese mismo análisis de patrones deja a la vista qué grupos avanzan, cuáles se estancan y dónde el proceso de evaluación hace algo distinto de lo que declara. La capacidad y el riesgo llegan en el mismo instrumento. Un modelo que aprende del historial de promociones de una empresa va a aprender las preferencias de esa empresa, y las va a aplicar más rápido y con más consistencia que los gerentes que las crearon.

La innovación en productos aporta la tercera hebra. Los modelos de diagnóstico que leen imágenes médicas detectan varios cánceres y condiciones cardíacas antes que la revisión estándar, lo que importa sobre todo en los hospitales que no logran mantener un radiólogo especialista en planta. Los sistemas de aprendizaje adaptativo identifican dónde un estudiante perdió el hilo y encaminan material hacia esa brecha, lo que extiende instrucción utilizable a lugares que no pueden dotarla de personal. Ambas aplicaciones trabajan sobre el acceso antes de trabajar sobre el desempeño, y el acceso es la variable social que siempre fue la más difícil de mover.

El gobierno corporativo apunta el instrumento hacia su dueño

El gobierno corporativo es la columna donde la tecnología audita a la organización y después tiene que ser auditada ella misma.

La primera mitad está bien establecida. Los modelos de clasificación y retención manejan volúmenes de datos que ningún equipo de cumplimiento podría revisar a mano: etiquetan registros sensibles, hacen cumplir las reglas de retención y marcan los patrones de acceso que indican filtración o uso indebido. Los servicios financieros llevaron esto más lejos bajo presión regulatoria. El monitoreo de transacciones para fraude y lavado de activos hoy corre sobre modelos que leen comportamiento a través de las cuentas, y los supervisores no esperan menos. El soporte a la decisión funciona igual, poniendo datos actuales frente a un comité que antes discutía sobre una presentación que alguien había armado seis semanas atrás.

La segunda mitad está inconclusa. Un modelo que aprende de decisiones históricas hereda el sesgo de esas decisiones, y en contratación, crédito y asignación de servicios esa herencia produce resultados que un regulador va a tratar como discriminación, haya habido intención o no. La ley de protección de datos suma una segunda restricción. El GDPR y los regímenes construidos después de él exigen una base legal para el tratamiento y una explicación con sentido de las decisiones automatizadas, lo que descarta la posición cómoda de que el modelo es propietario y su razonamiento no está disponible.

Lo que eso deja es un requisito de gobernanza que la mayoría de las organizaciones no ha construido. La explicabilidad, las trazas de auditoría, los procedimientos de corrección y la propiedad clara de la decisión que produjo el modelo le pertenecen al mismo directorio que firma el reporte de sostenibilidad. Una organización que no puede explicar su propio modelo no desplegó un control. Desplegó una exposición.

Lo que Google, Unilever, Tesla, HP y HSBC construyeron en realidad

El trabajo de Google en sus centros de datos sigue siendo el ejemplo más citado, y se ganó ese lugar. Su unidad DeepMind entrenó modelos con años de datos de sensores de los sistemas de refrigeración y después los dejó fijar los parámetros de control directamente. El consumo de energía en refrigeración cayó alrededor de cuarenta por ciento. La cifra operativa es el titular, y el efecto sobre gobernanza pesa igual: el sistema produce un registro continuo y auditable del uso de energía en toda la infraestructura, que es lo que convierte los compromisos de energía renovable de la compañía en algo que un auditor puede poner a prueba.

Unilever aplicó el mismo instinto a una cadena de suministro que abarca decenas de miles de proveedores en decenas de jurisdicciones, donde la exposición en sostenibilidad no está en las operaciones propias de la compañía sino en un predio de tercer nivel que nadie de la empresa visitó nunca. Los modelos que leen imágenes satelitales, datos logísticos y reportes de proveedores marcan riesgo de deforestación, estrés hídrico e irregularidades laborales contra ubicaciones de abastecimiento específicas. El valor es más estrecho de lo que sugiere el marketing y más útil precisamente por eso. Lo que entrega el sistema es una lista corta de proveedores que alguien debería ir a visitar, que es una afirmación más pequeña que la certificación y bastante más accionable.

Tesla corre la lógica dentro de su propia manufactura. En las Gigafactories, los modelos de control de proceso ajustan la producción de baterías en tiempo real contra rendimiento y consumo energético, lo que reduce a la vez la merma y el carbono incorporado en la celda. Los vehículos llevan una versión del mismo software, que administra el comportamiento térmico y la carga del tren motriz para sacarle más autonomía a una batería fija.

HP construyó su versión alrededor del tramo de retorno, que es el tramo que la mayoría de los programas de economía circular nunca cierra. Instant Ink monitorea el consumo real de cartuchos y despacha reemplazos contra ese consumo, lo que saca del sistema una capa de sobreproducción e inventario sin vender. La parte difícil es la recuperación: seguir los cartuchos de vuelta por recolección, remanufactura y reemisión, con trazabilidad de materiales en cada etapa. Un circuito cerrado tiene que cerrar de verdad, y cerrarlo es un problema de logística y de datos mucho antes de volverse un problema ambiental.

HSBC está de lleno en la columna de gobernanza. Los modelos de monitoreo de transacciones revisan pagos a lo largo de una red global buscando los patrones asociados a lavado y a elusión de sanciones, a volúmenes que ninguna función de revisión podría dotar de personal. El beneficio de cumplimiento es obvio. El menos obvio es probatorio. Un banco bajo supervisión tiene que mostrarle al regulador su método además de sus conclusiones, y un sistema que registra cada decisión que tomó produce ese expediente como subproducto.

Leídos en conjunto, estos son cinco problemas de negocio sin relación entre sí. Carga de refrigeración, opacidad de proveedores, rendimiento de proceso, logística inversa y volumen transaccional no tienen nada en común en un estado de resultados. Sí tienen una cosa en común como problemas de medición: en cada caso la restricción activa era que nadie podía observar de forma continua a la escala requerida, y en cada caso la salida fue construir algo que sí pudiera.

El retorno llega en cuatro relojes distintos

El costo paga primero, y paga en trimestres. La optimización energética, la reducción de merma y el mantenimiento predictivo producen ahorros que un controller ve en el mismo año fiscal que los financió. Por eso estos programas se aprueban, y vale la pena ser honesto: el caso ambiental normalmente viaja montado sobre el caso de costo, y rara vez al revés.

El cumplimiento paga en el calendario del regulador, que nadie controla. Los regímenes de reporte se apretaron en la mayoría de los mercados grandes, y la dirección apunta hacia divulgaciones que firma un auditor, a una cadencia más rápida que la anual, cubriendo las emisiones que una empresa causa de forma indirecta además de las directas. Una firma cuyas cifras ya salen de instrumentación continua cumple ese requisito por defecto. El resto enfrenta una reconstrucción a contrarreloj, y la sanción por equivocarse hoy arrastra la exposición de ley de valores asociada a una divulgación mal declarada.

La posición de mercado paga a lo largo de años y paga de forma despareja. Los clientes, en particular los más jóvenes, sí ponderan el desempeño ambiental, los inversionistas institucionales lo filtran, y ambos hechos conviven con un escepticismo bien ganado frente a afirmaciones que nadie puede verificar. Lo que cambió es el estándar de prueba. El mercado descuenta las afirmaciones de sostenibilidad que no puede comprobar, lo que pone un premio exactamente sobre la evidencia que produce la medición continua.

El cuarto reloj corre más largo y se resiste por completo a la atribución. La generación y distribución renovable dependen de pronóstico y balance de carga a una granularidad que solo los modelos alcanzan. La reducción de agua y pesticidas en agricultura, a lo largo de suficientes hectáreas, mueve cifras a escala de cuenca. El trabajo intersectorial, donde empresas, gobiernos y ONG comparten datos operativos al nivel de medidores y embarques reales, es de donde vendría cualquier efecto agregado sobre los Objetivos de Desarrollo Sostenible. Nada de eso aparece en el balance de una sola empresa en ningún año, que es precisamente por qué necesita un mecanismo distinto del compromiso voluntario para sostenerse.

La prueba es si la evidencia se sostiene entre un reporte y el siguiente

La pregunta que vale la pena hacerle a cualquier programa de sostenibilidad se redujo a una sola. ¿Puede la empresa producir la cifra un martes cualquiera, desde un sistema, sin levantar un proyecto para armarla? Los compromisos son baratos y toda firma grande ya hizo el suyo. La evidencia continua es cara, y es la única parte sobre la que un regulador, un auditor o un inversionista serio puede actuar.

La mayoría de las organizaciones que construyeron esto no se lo propusieron. Instrumentaron la operación por costo y se encontraron con que las cifras ambientales y de cumplimiento salían de los mismos datos. Ese accidente es hoy toda la arquitectura, y arrastra una obligación que nadie ha puesto en precio del todo. Una empresa cuyo desempeño en sostenibilidad depende de modelos tiene que gobernar esos modelos con el estándar que le aplica a sus sistemas financieros, ya que ambos producen ahora cifras de las que responde legalmente.

La mayoría de las empresas no está ahí. Tienen los sensores y no la gobernanza, o la gobernanza y no los sensores, y el reporte anual sigue cargando cifras que nadie en la operación podría reproducir si se las piden. Esa es la brecha que vale la pena cerrar, y se cierra desde el lado operativo.