AI-klimatberäkning: varför jag slutade lita på konsultrapporter
Jag slutade lita på konsultrapporter för klimatdata av en enkel anledning: de gick nästan aldrig att spåra tillbaka till en verklig transaktion. Numera litar jag på AI-klimatberäkning, men bara under ett villkor: att varje siffra är kvalitetssäkrad rad för rad av människor som förstår vad som faktiskt döljer sig i bokföringen.
Jag heter Mattias och är VD för Wellfish. Det här inlägget är inte ett tekniskt argument för AI. Det är en personlig redogörelse för hur jag tänkte om, från skeptisk till övertygad, och vad som faktiskt fick mig att byta uppfattning.
Skepsisen jag bar med mig i flera år
Jag var skeptisk till AI inom hållbarhet i flera år. Klimatdata kändes för viktigt för att lämnas åt en algoritm. Om ett företags koldioxidutsläpp ska ligga till grund för investerarbeslut, kundkrav och regulatorisk rapportering enligt CSRD, borde inte en människa med expertis sitta och gå igenom varje siffra?
Den känslan är fortfarande vanlig. De flesta jag pratar med, kunder, kollegor, andra grundare, känner samma tvekan första gången de hör att AI ska räkna på deras klimatpåverkan. Det är en rimlig instinkt. Vi har lärt oss att lita på människor med rätt utbildning och rätt certifiering, inte på svarta lådor.
Problemet är att jag aldrig ifrågasatte vad den mänskliga konsulten faktiskt gjorde bakom kulisserna. Jag antog att expertis automatiskt innebar precision.
Vad en traditionell konsultrapport egentligen bygger på
En traditionell klimatberäkning från en konsultfirma bygger sällan på fullständig data. Konsulten tar ett stickprov av fakturor, extrapolerar utifrån en bransch-genomsnittlig emissionsfaktor, och fyller resten med uppskattningar. Det är inte fusk. Det är hur metoden är byggd, eftersom manuell genomgång av tusentals transaktioner är för tidskrävande att göra fullt ut för hand.
Resultatet är en rapport med en siffra i botten, till exempel 340 ton CO2e, som ser exakt ut men som i praktiken är en modellerad approximation. Fråga konsulten vilken enskild leverantörsfaktura som ligger bakom en specifik delsumma, och svaret är ofta att den informationen inte går att ta fram i efterhand. Stickprovet är inte sparat på ett sätt som gör det spårbart.
Jag insåg detta efter att ha suttit i möten där jag själv ställde den frågan och inte fått ett tydligt svar.
Insikten som vände mig: ingen rapport är automatiskt mer pålitlig bara för att en människa skrivit den
Vändpunkten kom inte från en teknisk demonstration av AI. Den kom från en enkel insikt: konsultens siffror är också uppskattningar. Skillnaden mellan en AI-driven process och en konsultrapport handlar inte om människa mot maskin. Den handlar om spårbarhet mot approximation.
En mänsklig konsult som extrapolerar från ett stickprov gör en kvalificerad gissning. En AI-process som läser varje transaktion i bokföringen och sedan kvalitetssäkras rad för rad av ett team gör något annat: den utgår från fullständig data istället för ett urval. Frågan jag borde ha ställt mig tidigare var inte "kan jag lita på AI?" utan "vilken metod ger mig faktiskt en siffra jag kan spåra till en verklig kostnad?"
Det var den frågan som fick mig att byta spår, inte en övertygelse om att AI generellt sett är smartare än människor.
Spårbarhet till bokföringen, inte en svart låda
Det jag landade i, och det som Wellfish är byggt kring, är att AI-klimatberäkning bara är pålitlig om den går att spåra till källdata. Hos oss hämtar systemet automatiskt in transaktioner direkt från affärssystemet, leverantör för leverantör, belopp för belopp, kontoklass för kontoklass. Ingen siffra i en Wellfish-rapport är en uppskattning som saknar underlag. Varje rad går att klicka sig tillbaka till en faktisk transaktion i bokföringen.
Det är en avgörande skillnad mot en "svart låda"-algoritm dit du matar in data och får ut ett resultat utan insyn i mellanstegen. Skillnaden mellan de två metoderna sammanfattas nedan.
| Aspekt | Traditionell konsultrapport | AI-driven process med mänsklig kvalitetssäkring |
|---|---|---|
| Datakälla | Stickprov av fakturor | All bokföringsdata, transaktion för transaktion |
| Spårbarhet | Ofta omöjlig i efterhand | Varje siffra kopplad till leverantör, belopp, kontoklass |
| Metod för resten av datan | Extrapolering och branschgenomsnitt | Automatisk insamling, ingen extrapolering |
| Mänsklig kontroll | Vid urval och tolkning av stickprov | Rad för rad efter automatisk insamling |
| Uppdateringsfrekvens | Vanligtvis årsvis | Löpande, i takt med bokföringen |
AI ersätter inte omdöme, den skärper det
Jag vill vara tydlig med en sak: det här handlar inte om att AI ska ersätta mänskligt omdöme i hållbarhetsarbete. Det gör den inte hos oss, och jag tror inte den bör göra det någonstans. Automatiken sköter det AI faktiskt är bra på: att läsa in stora mängder transaktioner snabbt och konsekvent, utan att bli trött efter rad 4 000 av 10 000.
Wellfish-teamet går sedan igenom varje rad manuellt. Om ett konto är felklassat, om en leverantör borde ha en annan emissionsfaktor, om en engångstransaktion snedvrider bilden, fångas det i den mänskliga granskningen. Kombinationen av automatisk datainsamling och manuell kvalitetssäkring ger högre precision än vad en ren manuell process kan uppnå, eftersom människor helt enkelt inte hinner granska hundra procent av transaktionerna för hand inom rimlig tid och budget.
Det var den kombinationen, inte AI för sakens skull, som fick mig att lita på hållbarhetsdata på ett sätt jag inte gjorde tidigare. Jag litar inte på AI trots att en människa är med i loopen. Jag litar på processen för att en människa är med i loopen, på rätt ställe.
Vad jag skulle säga till mitt gamla jag
Om jag kunde säga något till mig själv för fem år sedan skulle det vara det här: fråga inte om siffran kommer från en människa eller en maskin. Fråga om siffran går att spåra till en verklig transaktion. Om svaret är nej, spelar det ingen roll hur erfaren konsulten är.
Jag trodde att förtroende för klimatdata handlade om vem som räknade. Det handlar om vad man faktiskt kan bevisa i efterhand, faktura för faktura, konto för konto.
Frequently Asked Questions
Kan jag verkligen lita på AI-klimatberäkning mer än en konsultrapport?
Det beror på metoden, inte på om AI är inblandad. En AI-driven process som hämtar all data direkt från bokföringen och sedan kvalitetssäkras rad för rad av ett team ger högre spårbarhet än en konsultrapport baserad på stickprov och extrapolering. Skillnaden ligger i om varje siffra går att koppla till en verklig transaktion.
Innebär det här att mänskligt omdöme inte längre behövs?
Nej, mänskligt omdöme är fortfarande avgörande. Hos Wellfish sköter AI den automatiska datainsamlingen från affärssystemet, medan teamet manuellt granskar varje rad för felklassade konton, avvikande transaktioner och rimlighet i emissionsfaktorer. Kombinationen av automatik och manuell kontroll ger bättre precision än om endera görs helt ensam.
Varför är spårbarhet till bokföringen viktigare än vem som gör beräkningen?
Spårbarhet till bokföringen betyder att varje siffra i klimatrapporten kan verifieras mot en verklig leverantör, ett verkligt belopp och en verklig kontoklass. Utan den kopplingen blir en rapport, oavsett om den är gjord av en konsult eller en AI, i praktiken en uppskattning som inte går att kontrollera i efterhand.
Hur skiljer sig Wellfish metod från en traditionell klimatkonsult?
Traditionella konsulter tar ofta ett stickprov av transaktioner och extrapolerar resten utifrån branschgenomsnitt. Wellfish samlar in all transaktionsdata automatiskt från affärssystemet och låter teamet kvalitetssäkra varje rad manuellt, vilket eliminerar behovet av extrapolering och gör varje siffra spårbar till källdata.