L’intelligenza artificiale applicata ai dati ESG apre nuove prospettive per la professione dell’esperto di sostenibilità

La responsabilità professionale non cambia nella sostanza: ciò che cambia è il contenuto delle competenze richieste. Firmare una valutazione assistita da un algoritmo significa saperne comprendere il funzionamento, governarne i limiti e documentare le ragioni delle conclusioni raggiunte, senza potersi nascondere dietro il software.

Prima della norma, la prassi: l’IA nel lavoro quotidiano dell’ESG

Tra le tante normative con cui oggi deve interfacciarsi chi si occupa di sostenibilità – dalla direttiva sul reporting CSRD a quella sulla due diligence di filiera – il nuovo Regolamento europeo sull’Intelligenza Artificiale (l’AI Act) è solo l’ultimo grande argomento di dibattito, perché tocca punti nevralgici per l’ESG: dall’impronta carbonica dei Data Center al rischio di greenwashing causato da dati generati dagli algoritmi, fino al controllo etico sui fornitori.

Eppure, mentre ci si interroga su norme e cavilli, chi lavora nella gestione dei dati ESG affronta ogni giorno una realtà molto più concreta: l’intelligenza artificiale è già dentro i software aziendali, spinta non dalle leggi, ma dalla cogente semplice necessità di sopravvivere alla mole di dati da gestire.

Per capire quanto sia concreta questa presenza, basta guardare cosa accade oggi nelle aziende in relazione, ad esempio:

– alla valutazione automatica dei fornitori (software dedicati analizzano centinaia di schede tecniche e questionari aziendali per assegnare in pochi secondi un “punteggio di sostenibilità” a chi vende beni o servizi all’azienda, incrociando dati sulle emissioni, sull’impatto ambientale e sulla gestione dei lavoratori);

– al controllo dei documenti di filiera (piattaforme automatiche scansionano decine di certificati, visure e allegati contrattuali dei subfornitori, segnalando in automatico discrepanze o scadenze – come un DURC non in regola o una certificazione ambientale scaduta – che nessun controllo manuale avrebbe mai intercettato in tempi ragionevoli);

– alla bozza di analisi strategica (assistenti virtuali integrati nei programmi di contabilità e reporting analizzano le informazioni raccolte nell’anno precedente e propongono una prima mappa dei temi di sostenibilità più rilevanti su cui l’azienda dovrebbe concentrarsi);

– al monitoraggio dei rischi di immagine (sistemi automatici leggono in tempo reale notizie di stampa, dati di tracciamento dei trasporti e banche dati pubbliche per avvisare subito l’azienda se un fornitore è finito al centro di uno scandalo ambientale).

Nessuno di questi strumenti nasce per rispondere a un obbligo normativo, ma per risolvere un problema molto più semplice ed operativo: gestire una quantità di informazioni che nessun essere umano potrebbe elaborare a mano nei tempi richiesti dal mercato.

Questo sta trasformando radicalmente la quotidianità del professionista: il tempo speso a raccogliere e formattare i dati si sta azzerando, mentre aumenta a dismisura la responsabilità di doverli verificare, contestualizzare e interpretare.

È da qui che conviene partire: il cambiamento vero non si vede nei codici di legge, ma nel modo in cui evolve ogni giorno il lavoro di chi questi dati li raccoglie, li organizza e li firma.

Esperto di sostenibilità: una professione che si definisce due volte

La gestione dei dati ESG è una funzione aziendale relativamente giovane: le competenze che la caratterizzano– come raccogliere i dati, costruire indicatori affidabili o redigere report conformi agli standard europei (gli ESRS) – si sono consolidate in pochissimi anni, senza percorsi formativi ad hoc.

Chi oggi si occupa di sostenibilità proviene dai settori più diversi (ambientale, legale, ingegneristico, economico) e ha costruito le proprie competenze sul campo, mentre le regole stesse cambiavano di continuo: la sua è un’area di competenze ancora in fase di assestamento.

L’arrivo dell’intelligenza artificiale interviene proprio in questo momento delicato, costringendo il settore a ridefinirsi una seconda volta, prima ancora di aver stabilito del tutto chi sia e cosa faccia l’esperto di sostenibilità.

Non è quello che accade a professioni consolidate come i commercialisti o gli auditor interni, che inseriscono i software di automazione all’interno di regole e prassi chiare da decenni.

Chi lavora sui dati ESG deve invece capire simultaneamente due cose: cosa significa fare bene questo lavoro e come farlo bene quando una parte consistente delle analisi viene prodotta da una macchina.

Con un duplice rischio: fidarsi ciecamente della tecnologia senza avere la preparazione per guidarla, o rifiutarla in nome di un rigore manuale che le tempistiche del mercato non permettono più.

Cosa cambia nel contenuto del mestiere: da “chi raccoglie” a “chi controlla”

Il cambiamento più profondo riguarda la natura stessa delle attività quotidiane.

Fino a poco tempo fa, gran parte del lavoro consisteva nel produrre e raccogliere dati: inviare questionari ai fornitori, sollecitarne le risposte, organizzare le informazioni nei fogli di calcolo. Oggi una quota crescente di quel tempo viene assorbita dalla necessità di validare, correggere e contestualizzare un’informazione che uno strumento automatizzato ha già elaborato in prima battuta.

C’è una bella differenza fra questi due modi di lavorare:

– quando il dato veniva raccolto manualmente, chi effettuava la rilevazione ne conosceva quasi per intuito la genesi e la fragilità; sapeva se un fornitore aveva compilato il modulo con superficialità, se un valore relativo alle emissioni derivava da una misurazione o da un’approssimazione teorica, se una risposta evasiva nascondeva una reticenza. Esisteva – in sostanza – una conoscenza contestuale costruita direttamente sul campo;

– chi oggi si trova a validare l’output di un software lavora in una condizione opposta. La dashboard visualizza un risultato già sintetizzato e apparentemente impeccabile (un punteggio di rischio, una mappa di materialità, una percentuale di conformità) ma ne nasconde il processo di elaborazione. Il professionista deve quindi compiere un’analisi a ritroso: non partecipa più alla costruzione del dato, ma deve ricostruire a posteriori i criteri con cui la macchina lo ha generato, individuando le scorciatoie logiche o le carenze informative che il sistema ha inevitabilmente compensato in automatico.

È in questo passaggio che si consuma la vera mutazione del mestiere: se in passato, il valore risiedeva nell’efficienza esecutiva (la competenza coincideva con la capacità di reperire le informazioni, strutturarle e condurle a termine entro le scadenze di rendicontazione), oggi il valore risiede nella capacità critica (l’automazione ha azzerato i tempi di calcolo, ma ha alzato il livello di responsabilità richiesta. Il professionista non è più un compilatore, ma un supervisore chiamato a valutare se il risultato fornito dal software corrisponda davvero alla realtà aziendale o se ne presenti soltanto una rappresentazione sfalsata, pur coerente con i dati raccolti).

Alcuni casi concreti mostrano chiaramente dove si annidi la distanza tra la logica dell’algoritmo e la realtà dei fatti:

– l’illusione dell’assenza di rischio: uno strumento di due diligence può assegnare un ottimo punteggio di affidabilità sociale a un fornitore extraeuropeo semplicemente perché l’organizzazione non dispone di informazioni su di esso. Il sistema, lavorando per assenza di segnali negativi, deduce la conformità dalla mancanza di dati; spetta al controllore umano riconoscere che dietro quel profilo “pulito” si nasconde in realtà un vuoto informativo;

– la distorsione delle priorità: un assistente virtuale che elabora una prima bozza di analisi di materialità può presentare come strategico un tema sollevato da un unico portatore di interesse, solo perché espresso con un linguaggio particolarmente assertivo. La macchina misura la rilevanza semantica, ma non possiede la sensibilità per pesarne il valore politico o industriale;

– la gerarchia dei rischi: un sistema di monitoraggio continuo della catena di fornitura può segnalare come prioritario un rischio geografico molto visibile nei media, tralasciando una criticità legata alla sicurezza sul lavoro meno esposta alla cronaca, ma assai più impattante per le specifiche attività dell’impresa.

In tutti questi casi lo strumento non commette un errore informatico: elabora correttamente i dati di cui dispone.

Ecco che, allora, riconoscere la differenza tra un output tecnicamente coerente rispetto agli input e un output corretto rispetto alla realtà è divenuto il cuore della prestazione professionale.

Non è un caso che il Regolamento europeo sull’Intelligenza Artificiale intervenga su questo snodo: l’articolo 14 dell’AI Act richiede che i sistemi ad alto rischio siano progettati per garantire una supervisione umana efficace (human oversight). Per chi opera nella gestione dei dati ESG, questa disposizione non rappresenta un mero adempimento formale, ma la traduzione normativa di una facoltà critica che la pratica quotidiana sta già esigendo, a prescindere dal quadro regolatorio di riferimento.

Cosa cambia nella gestione dei dati: la fine del “report annuale”

Questa necessità di controllo umano si scontra però con una seconda trasformazione profonda, che riguarda la natura stessa dell’informazione aziendale e la sua frequenza.

Per anni la sostenibilità si è espressa attraverso una logica prevalentemente “fotografica”: ci si preoccupava di produrre un bilancio una volta all’anno, ed era sufficiente che il dato fosse corretto al momento della pubblicazione del report.

Oggi che quell’informazione alimenta in modo continuo i software gestionali e le piattaforme di intelligenza artificiale, le regole del gioco sono già cambiate.

Non basta più la veridicità di un singolo numero isolato; serve la tracciabilità della sua origine, la cosiddetta data lineage: il dato deve arrivare alla macchina già accompagnato dalla propria storia e dalla propria struttura:

– la fonte primaria (da quale sistema aziendale, documento o fornitore proviene esattamente?);

– la metodologia (con quale algoritmo, formula o fattore di conversione è stato calcolato?);

– il grado di aggiornamento (a quando risale l’ultimo aggiornamento e con quale cadenza viene rivisto?).

L’intelligenza artificiale non lavora su istantanee annuali, ma su flussi dinamici.

Di conseguenza, il professionista ESG non è più il curatore di un documento unico da chiudere a fine esercizio, ma il responsabile di una “catena di custodia” del dato, che deve garantire un’informazione sempre aggiornata, tracciabile e pronta a essere sottoposta a revisione in qualsiasi momento.

Il contesto del dato tra revisione umana e automazione

Passare a una gestione avanzata dell’informazione ESG significa registrare il contesto completo del dato, e non soltanto il suo valore finale numerico. Un’informazione che per un revisore umano in fase di bilancio rappresenta un dettaglio marginale può rivelarsi critica per i sistemi automatici.

Per garantire la sicurezza dei flussi digitali, il dato deve quindi portare con sé due informazioni di contesto fondamentali, con conseguenze operative ben precise:

– la natura e la qualità della fonte (dato reale vs. stimato);

differenza: un revisore umano legge la nota “il 40% delle emissioni è stimato e il 60% è reale” e la accetta per approvare il bilancio di fine anno. Un software di monitoraggio in tempo reale, invece, non può lavorare su un blocco unico: deve sapere esattamente quali singoli numeri sono misurazioni certe e quali sono stime.

conseguenza: se il software non distingue la stima dal dato reale, applica i suoi algoritmi di intelligenza artificiale su numeri ipotetici come se fossero veri. La conseguenza è che l’azienda rischia di prendere decisioni strategiche errate (ad esempio pianificare investimenti per tagliare emissioni che in realtà esistevano solo sulla carta) o di inviare report sballati a banche e investitori, compromettendo la propria credibilità finanziaria;

– la versione e la semantica della rilevazione:

differenza: conoscere la versione del questionario somministrata a un fornitore o la lingua originale della risposta non è un dettaglio d’archivio, ma l’unica chiave per capire cosa significasse davvero quel “Sì” o quel “No”;

conseguenza: se il software legge una risposta senza conoscere quale versione di domanda è stata usata (magari formulata con criteri diversi l’anno precedente) o senza un’adeguata traduzione contestuale, l’algoritmo classificherà in modo errato il livello di rischio del fornitore. La conseguenza è che l’azienda rischia di bloccare senza motivo la supply chain di un fornitore virtuoso o, al contrario, di ingaggiare un fornitore non conforme, esponendosi a gravi sanzioni e danni di reputazione.

In sintesi, non si tratta di fare un lavoro diverso, ma di farlo con uno standard molto più alto. Un dato privo di contesto che ieri era “sufficiente” per una tabella riassuntiva, oggi inserito in un sistema automatizzato diventa una “mina vagante” per i processi aziendali.

Di chi è la responsabilità?

Sulla scorta di queste trasformazioni, la domanda decisiva diventa: se una scelta aziendale (come la qualifica di un fornitore o una decisione su un investimento green) viene suggerita da un algoritmo su dati validati dal professionista, chi risponde di eventuali errori?

La risposta è semplice: la tecnologia non elimina la responsabilità, la rende solo più complessa da gestire.

Firmare una valutazione prodotta con l’aiuto dell’intelligenza artificiale richiede di saper spiegare in qualsiasi momento – a un cliente, a un revisore o a un giudice – da dove arrivavano quei dati e quali limiti aveva il software usato. È il principio di alfabetizzazione informatica (AI literacy) richiesto dall’articolo 4 dell’AI Act: non si potrà mai giustificare un errore dicendo “ha fatto tutto il software”.

In fondo, si tratta dello stesso principio stabilito dal Codice Civile (art. 2086 c.c.), che impone alle imprese di dotarsi di assetti organizzativi e di controllo adeguati: un’azienda deve conoscere i propri processi e i propri dati per poter decidere in modo consapevole. L’intelligenza artificiale non crea un vincolo del tutto nuovo, ma costringe a verificare se quella conoscenza della realtà aziendale esiste davvero o se finora ci si è accontentati delle buone intenzioni sulla carta.

L’intelligenza artificiale macina dati a una velocità che nessun essere umano potrà mai eguagliare, questo è fuori discussione. Le manca però, e continuerà a mancarle, quel piccolo e trascurabile dettaglio che rende insostituibile chi il mestiere lo conosce davvero: un mix imprevedibile di empatia, intuito, dubbio, senso critico e contesto etico.

Doti che chiamiamo soft skills e che nessun aggiornamento software – per quanto avanzato – potrà mai fornire.