En muchos sectores, el problema es que los datos están dispersos entre departamentos y sistemas, pero se generan dentro de una sola organización. En el sector agrario, la fragmentación empieza antes de ese punto. Gran parte de los datos de sostenibilidad más solicitados —uso del suelo, consumo de agua, rotación de cultivos, alimentación animal, emisiones del estiércol— no se genera en la empresa que informa, sino en agricultores, proveedores y cooperativas que no disponen de una rutina contable o digital para ello. Mientras que una organización de oficina puede encontrar los datos en un sistema ERP, una empresa agraria a menudo debe primero consultar a una cadena de terceros que no consideran esa pregunta como un problema propio.
A esto se añade que los datos que sí están disponibles internamente suelen registrarse por unidad de negocio o por temporada de cultivo, no por periodo de reporte. Un ejercicio fiscal no coincide con un ciclo de cosecha, y un factor de emisión válido hoy puede haber cambiado la próxima temporada debido a otro cultivo u otra labranza del suelo. La mayor parte del tiempo dedicado a la elaboración de informes de sostenibilidad no se destina a rellenar cifras, sino a averiguar de quién deben proceder realmente esas cifras.
El primer punto es la propia cadena. Gran parte de las emisiones de alcance 3 en el sector agrario se origina en proveedores que no elaboran informes de sostenibilidad y cuyos datos —si existen— están en otro formato, en otro idioma o simplemente no están digitalizados. Quien intenta vincular aquí un dato a una fuente descubre que, a veces, la fuente es una persona, no un sistema.
El segundo punto es la operación dentro de la propia empresa: el consumo de agua, energía y productos fitosanitarios a menudo se registra en papel o en hojas de Excel sueltas por parcela o por establo. Estos datos existen, pero no se ha asignado a nadie la responsabilidad de reportarlos: es contabilidad agrícola, no contabilidad CSRD, y ambas rara vez coinciden a la perfección.
El tercer punto es la traducción a unidades medibles. El uso del suelo y el carbono del suelo se registran de formas muy distintas según el actor, y convertir esos datos a una unidad de reporte uniforme es en sí mismo una fuente de errores si nadie documenta qué supuesto se ha utilizado.
En el sector TIC, los datos de sostenibilidad suelen encontrarse en sistemas digitales que ya existen, y el reto consiste principalmente en su extracción. En el sector energético, gran parte de los datos ya están medidos porque la obligación de medición y el seguimiento forman parte de la operativa. El sector agrario carece con más frecuencia de esa base: los datos no están escondidos en un sistema, nunca se han registrado de forma sistemática. Esto no hace que el problema sea mayor o menor que en los servicios financieros o el sector inmobiliario, pero sí de naturaleza distinta: allí el problema suele ser la integración entre sistemas, aquí a menudo es primero el registro en la fuente.
Resulta tentador comprar un paquete de software que automatice los informes para el sector agrario. Pero una herramienta que extrae datos de sistemas que no contienen los datos correctos solo produce un informe bien presentado basado en los mismos cabos sueltos. Antes de que un sistema pueda sumar algo, debe estar establecido qué dato corresponde a qué fuente, quién dentro o fuera de la propia organización es responsable de ello, y qué regla de calidad determina si una cifra introducida es plausible. Esa no es una cuestión de software, sino de organización, y precede a cualquier sistema de reporte.
El Data Readiness Scan registra, por cada dato, de dónde procede —de la propia operación, de un agricultor, de una cooperativa o de una fuente externa— y quién dentro de la cadena es responsable de ello. Para un sector en el que gran parte de los datos se genera fuera de las propias paredes, esa titularidad suele ser la pieza que falta: no la cifra en sí, sino quién responde por ella. Para determinar qué datos son realmente relevantes para una empresa agraria, y cuáles se reportan sin tener función alguna, resulta útil la distinción que se hace en qué puntos de datos necesita realmente cuando existen varias unidades de negocio, así como el principio de que un dato a menudo ya existe en una de las unidades de negocio existentes antes de volver a recopilarlo.
En cuanto queda claro qué datos deben proceder de la cadena agraria y quién los debe aportar, surge una segunda pregunta: qué parte del trabajo de recopilar, verificar y rastrear esos datos sigue requiriendo intervención humana, y qué parte es lo bastante repetitiva como para dejarla en manos de la IA. El escaneo de trabajo de FTE TO AI calcula esto por tarea, no a partir de una estimación para todo el sector, sino a partir de las tareas que realmente se ejecutan en una cadena específica. Para un sector en el que gran parte del tiempo se dedica a rastrear fuentes en lugar de interpretar cifras, esto ofrece un punto de partida para ver dónde la automatización aporta algo y dónde no.
El escaneo que cartografía estos datos, fuentes y responsabilidades para el sector agrario está en desarrollo. Quien desee recibir un aviso en cuanto el escaneo esté disponible puede apuntarse a la lista de espera.
Vraag maar waar een datapunt vandaan komt. Dat is meestal de hele vraag.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.