Varför AI utan branschkunskap floppar i bygg, transport och tillverkning
Branschspecifik AI: varför generell klimat-AI floppar
Generell AI floppar i klimatberäkning när den inte förstår verksamheten bakom siffrorna. En betongleverans 40 mil bort, ett byte av bunkerbränsle eller en rad i inköpsreskontran betyder helt olika saker beroende på bransch.
Det här är del 3 av 5 i vår opinionsserie om AI och faktiska resultat. Vi säger det rakt ut: AI för alla branscher betyder ofta AI för ingen bransch på riktigt.
Schabloner räcker inte för klimatdata
AI är bra på att hitta mönster, räkna fort och flagga konstiga värden. Men den vet ingenting om vad som ska räknas förrän någon har byggt in den kunskapen.
Det är där klimatdata utan branschkunskap går sönder. En generell modell ser fakturarader, belopp och leverantörsnamn. Den förstår inte automatiskt vilka utsläpp som hör hemma i scope 1, 2 eller 3 enligt GHG Protocols scope-ramverk.
Spend-based metodik är ett typexempel. Den tar inköp i kronor och multiplicerar med en utsläppsfaktor. Metoden ger en startpunkt, men den missar verkliga förbättringar när bolaget byter leverantör utan att inköpssumman förändras särskilt mycket.
Det blir snygga diagram. Det blir också fel beslut.
| Bransch | Vanligt AI-missar | Vad som faktiskt krävs |
|---|---|---|
| Bygg och fastighet | Behandlar lokal och importerad betong som samma inköp. Blandar ihop location-based och market-based scope 2. | Materiallogik, transportavstånd, EPD-data och kontroll mot Boverkets krav på klimatdeklaration. |
| Transport och logistik | Fångar inte leverantörsbyten med spend-based data. Missar skillnaden mellan HFO och MGO i bunkring. | Bränsledata, fordonsdata, underleverantörer och en modell för scope 3 i transportkedjan. |
| Tillverkning | Klistrar generella faktorer på inköpsdata och tappar produktkrav från kunder. | Inköpsklassning på komponentnivå, leverantörsdata och produktspecifika beräkningar. |
Bygg, transport och tillverkning har olika fällor
I bygg och fastighet spelar detaljerna brutalt stor roll. Betong är inte betong. Lokal betong, importerad betong, cementhalt, recept och transportsträcka påverkar resultatet. En AI som bara matchar “betong” mot en schablon har redan tappat tråden.
Fastighetsdrift har en annan klassiker. Scope 2 ska ofta redovisas både location-based och market-based. Den första utgår från elnätets genomsnittliga utsläpp. Den andra tar hänsyn till elavtal och ursprungsgarantier. Blandar du ihop dem får du inte bara en sämre analys. Du får ett bokslutsunderlag som inte går att förklara för styrelsen.
För nya byggnader kräver Boverkets klimatdeklaration att underlaget håller vid en stickprovskontroll. Det räcker inte att siffran ser rimlig ut i en dashboard. Du måste kunna visa var den kommer ifrån.
I transport är spend-based scope 3 ofta en dyr genväg. Ett asset-light åkeri kan köpa in nästan hela transportkapaciteten externt. I Wellfish erfarenhet från den typen av verksamhet kan scope 3 stå för upp till 93 procent av utsläppen. Byter åkeriet till en underleverantör med bättre bränslemix men liknande pris, då ser den generella modellen knappt förändringen.
Bunkerbränsle gör det ännu tydligare. HFO, heavy fuel oil, och MGO, marine gas oil, är inte samma sak. De har olika egenskaper, användning och utsläppsprofil. AI som saknar maritim branschlogik sorterar båda som “bränsle”. Toppen för en generell rapport. Värdelöst när du ska styra om inköp eller svara på kundkrav.
Tillverkning gömmer ofta 40 till 80 procent av klimatpåverkan i scope 3. Den ligger i material, komponenter, emballage och inköpta tjänster. Kunden frågar sällan efter en bred koncernsiffra. Kunden vill veta avtrycket för just den artikel, batch eller komponent de köper.
Branschspecifik AI gör rätt jobb i rätt ordning
Branschspecifik AI börjar med frågan “vad betyder datan?” före frågan “hur fort kan vi räkna?”. Det är hela skillnaden.
En bra lösning kombinerar tre delar:
- Branschexpertis som avgör vad som ska räknas och varför.
- AI som kategoriserar, räknar och kvalitetssäkrar stora datamängder.
- Flexibel UX där varje kund får rätt vy utan att datamodellen bakom måste byggas om.
Det sista glöms ofta bort. En hållbarhetschef i ett fastighetsbolag behöver se energi, drift och byggprojekt. En transportchef behöver se bränsle, fordonsflotta och underleverantörer. En inköpschef i tillverkning behöver se komponenter, leverantörer och produktdata.
Samma motor. Olika instrumentpaneler.
På Wellfish byggde vi inte en generell klimatkalkylator med en AI-etikett på. Vi byggde en motor som redan vet skillnaden mellan scope 3 i ett bygg- och fastighetsprojekt och scope 3 i en transportkedja.
För bygg hanterar vi material, betong, stål och klimatdeklaration. För transport hanterar vi bränsle i scope 1, fordonstillverkning och externa transportörer i scope 3. För industri och tillverkning kopplar vi inköpsdata till material- och produktnivå när kunden behöver det.
Det är mindre sexigt än att säga “AI löser allt”. Det fungerar betydligt bättre.
Frequently Asked Questions
Varför räcker inte generisk AI för klimatberäkningar?
Generisk AI saknar reglerna som avgör hur en bransch ska klassificera, beräkna och verifiera utsläpp. Den kan bearbeta data snabbt, men den vet inte om en rad representerar cement, bunkerbränsle eller en inköpt komponent utan rätt branschmodell.
Vad betyder scope 3 för transportföretag?
Scope 3 omfattar indirekta utsläpp i värdekedjan, exempelvis inköpta transporter, tillverkning av fordon och bränslerelaterade utsläpp. För asset-light transportbolag kan externa underleverantörer stå för nästan hela klimatavtrycket.
Hur hjälper Wellfish byggbolag med klimatdeklarationer?
Wellfish strukturerar material- och projektdata så att bolaget kan spåra beräkningar tillbaka till rätt underlag. Det gör det enklare att arbeta enligt Boverkets krav och att förklara siffrorna vid kontroll.
AI avgör inte ensam vem som vinner. I del 4 tar vi den obekväma sanningen: sälj avgör fortfarande om rätt bolag faktiskt väljer rätt lösning, oavsett hur bra AI:n är.