Pensemos en los casos en que las cifras se ven claramente en la pantalla, pero las decisiones en el terreno no cambian. Puede ocurrir si no se ha definido quién debe hacer qué ante un determinado valor. Carbon Intelligence, tal como se presenta en el capítulo 9 de «Tecnología y soluciones para demostrar la reducción de carbono», es un concepto práctico que conecta los datos de carbono con las operaciones y las decisiones de inversión. Al analizar una plataforma de gestión del carbono, espero que también examine esta conexión.
Esto es lo primero que conviene distinguir en el libro
Si primero se especifican las decisiones operativas, se hacen evidentes las unidades y la frecuencia necesarias para los datos. Si una anomalía requiere una acción diaria, esperar a un promedio anual puede ser demasiado tarde; tampoco hay motivo para recopilar siempre en tiempo real los datos necesarios para un informe anual. Defina la frecuencia de los datos según el propósito y el coste. Al vincular los indicadores de una granja con los de una empresa compradora, hay que comprobar las definiciones de cada elemento, los periodos y los derechos de acceso. Reutilizar datos registrados una sola vez es práctico, pero hay que diferenciarlos para no utilizar la misma cifra como explicación de conclusiones distintas.
Primero, volvamos a comprobar los límites del término. Carbon Intelligence no es el nombre de una norma internacional ni un sistema de certificación. Es un concepto analítico que utiliza este libro para describir un sistema práctico que conecta los datos de carbono con los costes, los riesgos, la productividad y las decisiones de política. El término, por sí solo, no significa que una tecnología sea superior ni que haya completado la verificación.
Los datos de carbono ganadero pueden organizarse en datos de actividad, datos ambientales y operativos, y datos de medición de precisión. Esta clasificación distingue los usos y métodos de recopilación; no establece automáticamente una jerarquía de credibilidad. Hay que evaluar la calidad y el alcance de aplicación de cada dato y comprobar cómo se propagan los errores y la incertidumbre al combinarlos.
La cantidad de pienso consumido, su composición, la ganancia de peso y los días de crianza pueden utilizarse conjuntamente para evaluar la productividad y estimar las emisiones. Registrar una sola vez los datos de entrada comunes y compartir el historial de cambios puede reducir la duplicación del trabajo. Sin embargo, los dos cálculos pueden tener límites, denominadores y periodos de agregación distintos, por lo que debe ser posible rastrear por qué difieren los resultados.
Si se conectan el suministro de datos y las tareas de verificación, pueden surgir riesgos de autorrevisión o presiones comerciales. No se limite a revisar el nombre de las funciones o el organigrama: examine las relaciones de ingresos, la autoridad de revisión y las solicitudes para modificar resultados. En los proyectos que requieren verificación de terceros, la independencia y la admisibilidad se comprueban por separado según los requisitos aplicables.
La mejora de la calidad de los datos también puede ayudar a las decisiones públicas, pero ese beneficio no se transfiere automáticamente a los ingresos del proveedor. Hay que separar las tareas financiadas con fondos públicos de las remuneradas por el sector privado y asignar la responsabilidad de prevenir la doble facturación y los conflictos de derechos.
Para evaluar la demanda recurrente de un servicio de datos, hay que comprobar cómo lo utilizan los clientes y qué contratos tienen. La capacidad de producir datos precisos es necesaria, pero por sí sola no garantiza la intención de compra. Se deben concretar la frecuencia y la calidad de la prestación, los derechos de acceso y las condiciones de entrega, la corrección de errores y las condiciones de renovación y rescisión. La respuesta regulatoria, los informes de la cadena de suministro y las operaciones de las granjas requieren datos y plazos de decisión diferentes; por eso, también deben analizarse por separado el alcance y el coste del servicio.
Así podemos analizarlo en el terreno
Supongamos que el responsable de una granja recibe un gráfico todos los días. Para que pueda responder, deben estar definidos el umbral de alerta, la persona a quien contactar y las tareas que hay que comprobar. También hay que revisar si se tomaron medidas reales después de la alerta y cuáles fueron los resultados. Se trata de diseñar la conexión entre las funciones de la pantalla y las acciones en el terreno.
El apoyo en el terreno, las actividades económicas, las finanzas y la verificación independiente de las organizaciones cooperativas agrícolas cumplen funciones distintas. Es posible conectar el registro de datos, las compras colectivas y la formación, pero hay que comprobar por separado quién tiene la autoridad para la evaluación final de los efectos y las decisiones de pago. La comodidad de aprovechar los puntos de contacto de la organización debe diseñarse junto con la neutralidad del proveedor y los controles de conflictos de intereses. La confianza general en una organización no sustituye las pruebas de los resultados de reducción de un proyecto concreto.
La experiencia ganadera y el personal especializado en datos pueden variar de una cooperativa a otra. En vez de imponer exactamente las mismas tareas a todas, hay que comprobar las capacidades disponibles y distinguir lo que se hará directamente de lo que requerirá apoyo externo.
Los indicadores finales deben mostrar su nivel de calidad y su procedencia. Sin esta información, Carbon Intelligence se queda en una mera combinación de datos y no llega a ser un sistema de toma de decisiones responsable.
Un papel deseable. Una buena función de las finanzas no es convertir los datos de reducción en una puntuación para excluir a las granjas, sino proporcionar financiación a largo plazo y herramientas de mitigación del riesgo para inversiones verificadas en ventilación, refrigeración, cambio de pienso y suministro eléctrico de emergencia. Los seguros también deben dar prioridad a indicadores con una relación causal válida —como olas de calor, cortes de electricidad, enfermedades y resiliencia de la productividad— frente a los indicadores de carbono.
¿Lo preguntamos también al revisar una inversión?
Los inversores deberían preguntar qué decisiones ha cambiado realmente el usuario. Puede ser más importante saber si los datos han reducido las tareas repetitivas y las dificultades para decidir que comprobar si se instalaron más equipos. Por supuesto, el nombre Carbon Intelligence por sí mismo no significa que haya una validación del rendimiento ni una certificación.
Al recibir los datos, se comprueban los datos originales y el diccionario de datos, el equipo y el historial de calibración, las reglas para tratar datos faltantes y valores atípicos, y la versión del modelo. Se puede evaluar la viabilidad de uso real mediante una prueba que reconstruya a partir de los datos originales los resultados del periodo acordado. También deben establecerse de antemano los datos y formatos que se entregarán al finalizar el contrato, los derechos de acceso y las condiciones de conservación y eliminación. La mera entrega de una pantalla de panel de control no basta para concluir que se han transferido todos los datos necesarios.
La solución no es romper la relación, sino dividir las responsabilidades. El suministro y el apoyo en el terreno pueden estar conectados, pero el muestreo, la estimación de los efectos, las decisiones de pago y la verificación independiente deben poder controlarse mutuamente. Los controles no son lo contrario de la eficiencia: son una condición para que la eficiencia se convierta en confianza.
Preguntas para plantearse antes de cerrar el libro
Al explicar una plataforma, en vez de empezar por los datos y añadir funciones, conviene razonar hacia atrás desde las decisiones necesarias. Al definir el momento de la decisión, quién es responsable y qué calidad se necesita, también se concretan los datos que deben recopilarse. Espero que, junto con el libro, encuentre la ruta por la que las cifras llegan a utilizarse en el trabajo.
Sobre el autor
Bongjun Lee se graduó de la Escuela de Posgrado de Gestión de Tecnología (MOT) de Sogang University. Trabajó durante 27 años en el campo de la medición de gases, incluidos 7 años en Infitron Co., Ltd. y 20 años en Honeywell, desempeñando funciones de ingeniería de servicio, ventas técnicas y gestión de canales. Actualmente, como fundador de AI Safety Korea Co., Ltd., investiga el monitoreo de metano en la ganadería y los sistemas de medición, presentación de informes y verificación (MRV) mediante sensores, IA y análisis de datos.