Come può l'IA aiutare a stimare le emissioni scope 3 nelle filiere della moda?

L'IA può rendere le stime scope 3 nella moda più rapide e coerenti ordinando i dati di acquisto, leggendo le informative dei fornitori e abbinando materiali e processi ai fattori di emissione. Non può creare dati credibili dove i fornitori non hanno comunicato nulla. Il ruolo pratico dell'IA è produrre una prima stima difendibile, mostrare dove è più debole e aiutare il brand a decidere quali fornitori coinvolgere per ottenere dati primari.

Che cosa sono le emissioni scope 3 per un brand di moda?

Lo scope 3 comprende le emissioni indirette della catena del valore di un'azienda, a monte e a valle, al di fuori delle sue attività dirette e dell'energia acquistata. La Scope 3 Calculation Guidance del GHG Protocol le suddivide in 15 categorie. Per un brand che esternalizza la produzione, quella dominante è di solito la categoria 1, beni e servizi acquistati: produzione delle fibre, filatura, tessitura o maglieria, trattamenti a umido, tintura e confezione, quasi tutto presso fornitori terzi su più livelli.

Ecco perché il lavoro sullo scope 3 nella moda è difficile. Il brand spesso conosce i suoi confezionisti di primo livello, sa meno delle tessiture e può avere scarsa visibilità sull'origine delle fibre. La stessa camicia può avere impronte molto diverse a seconda del mix energetico della tintoria, che il brand raramente misura in prima persona.

Come si calcola oggi lo scope 3?

Le linee guida del GHG Protocol descrivono diversi metodi di calcolo per ogni categoria. Semplificando, si va dai dati specifici del fornitore (il fornitore comunica le proprie emissioni allocate al prodotto), passando per approcci ibridi che combinano dati del fornitore e dati secondari, fino ai metodi basati su dati medi e sulla spesa, che moltiplicano quantità o importi spesi per fattori di emissione generici.

I fattori basati sulla spesa sono i più semplici per iniziare ma, come sottolinea Normative, i fattori tratti da banche dati input-output estese all'ambiente come Exiobase riflettono medie di settore, per cui l'impronta reale di un fornitore specifico può essere più bassa o più alta. Passare dalla spesa ai dati di attività, e poi ai dati dei fornitori, di solito migliora l'accuratezza, ma ogni passaggio richiede più dati e di qualità migliore.

Leggi anche

Come rileva l'IA i difetti in tessuti e capi?

Dove aiuta davvero l'IA con lo scope 3?

Le applicazioni utili riguardano soprattutto la gestione di grandi volumi di dati disordinati, non la modellazione del clima.

• Classificazione di spesa e prodotti: ricondurre migliaia di righe d'acquisto in testo libero, descrizioni articolo e distinte base a categorie coerenti di materiali e processi.
• Estrazione dai documenti: analizzare report di sostenibilità dei fornitori, risposte CDP e questionari alla ricerca di dati scope 1, 2 e 3, metodologie e stato di assurance.
• Abbinamento dei fattori: suggerire il fattore di emissione più vicino per un materiale o un processo, con un livello di affidabilità che uno specialista può verificare.
• Rilevamento di anomalie: segnalare dati non plausibili, ad esempio un fornitore che dichiara zero emissioni in una categoria di norma rilevante.
• Definizione delle priorità: ordinare i fornitori per emissioni stimate e maturità dei dati, così che il coinvolgimento si concentri dove conta.

Normative sottolinea che l'estrazione richiede istruzioni precise e controlli di validazione, e che l'abbinamento dei dati comporta il rischio di falsi positivi, ad esempio collegare un fornitore alla persona giuridica sbagliata. La tracciabilità di ogni passaggio supportato dall'IA fino al documento di origine non è quindi facoltativa.

Quali sono i limiti dell'IA per i dati scope 3?

Il limite centrale è semplice: l'IA può interpretare solo ciò che esiste. Normative afferma chiaramente che l'IA non può creare dati credibili dove non ne sono stati comunicati. Molti fornitori della moda, soprattutto tessiture e laboratori più piccoli, non pubblicano alcun dato sulle emissioni. Un modello di IA che colma queste lacune con delle medie produce una stima, e il report dovrebbe indicarla come tale.

Anche le informative pubblicate variano per qualità, completezza e verifica. Usare dati non verificati può portare a rilievi di audit, controlli delle autorità o danni reputazionali. Normative osserva inoltre che la Science Based Targets initiative ha avviato una consultazione per rendere l'assurance esterna un prerequisito per la validazione dei target, il che alzerebbe ulteriormente l'asticella della qualità dei dati.

Come incide la CSRD rivista sulle richieste di dati ai fornitori?

Per i brand che rientrano nella Corporate Sustainability Reporting Directive, la revisione Omnibus I cambia fino a che punto possono spingersi con i fornitori. Secondo la scheda informativa di Accountancy Europe, le aziende non possono chiedere informazioni che vadano oltre lo standard di rendicontazione volontario alle cosiddette imprese protette, cioè i partner della catena del valore con una media di 1.000 dipendenti o meno. Le aziende possono basarsi sulle autodichiarazioni dei partner della catena del valore, a meno che non sappiano, o non debbano ragionevolmente sapere, che una dichiarazione è manifestamente errata.

L'analisi di Morrison Foerster aggiunge che le aziende che rispettano questo limite si considerano conformi all'obbligo di rendicontazione sulla catena del valore, anche tramite stime. In pratica questo rende più importanti metodi di stima ben documentati, dove l'IA può aiutare, e riduce l'interesse per lunghi questionari ai fornitori a cui le piccole fabbriche non sono in grado di rispondere.

Da dove dovrebbe partire un brand di moda?

1. Pulire gli input: consolidare dati di acquisto, anagrafiche fornitori e distinte base in modo che ogni riga di spesa sia collegata a un fornitore e, ove possibile, a un materiale.
2. Costruire una baseline basata sulla spesa su tutte le 15 categorie, poi individuare quali categorie e fornitori pesano di più.
3. Usare l'IA per classificare, estrarre e abbinare i dati, tenendo traccia di ogni documento di origine e di ogni ipotesi.
4. Sostituire le medie con dati di attività per i materiali principali e con dati specifici del fornitore per i maggiori emettitori.
5. Far verificare a uno specialista i fattori e le anomalie suggeriti dall'IA prima che i dati entrino in qualsiasi report.
6. Ripetere ogni anno e monitorare come indicatore di qualità la quota di emissioni basata su dati primari.

Anche il lavoro a livello di prodotto si collega a questo. Le Product Environmental Footprint Category Rules per abbigliamento e calzature, lanciate da Cascale e approvate dalla Commissione europea nel 2025, offrono ai brand un metodo armonizzato di analisi del ciclo di vita che può rendere più confrontabili tra fornitori i dati su materiali e processi.

Leggi anche

Che cos'è una control tower della supply chain basata sull'IA, e chi agisce in base a ciò che mostra?

Come si presenta una buona governance dello scope 3?

Una buona governance significa che ogni dato riportato può essere ricondotto a una fonte, a un metodo e a una persona che lo ha approvato. Gli strumenti di IA dovrebbero registrare input e output, i modelli andrebbero validati rispetto a dati noti dei fornitori e i metodi di stima andrebbero dichiarati. I brand che considerano l'IA un acceleratore di un processo disciplinato, e non un sostituto delle relazioni con i fornitori, sono meglio preparati per l'assurance e per il lavoro di decarbonizzazione che i numeri devono orientare.