AI es el término inglés de inteligencia artificial. Y AI-washing es el concepto que proponemos en Ser Sostenibles para describir un riesgo que ya asoma en sostenibilidad: usar la IA para “parecer” más sostenibles sin aportar mejoras reales ni evidencias verificables. No es solo marketing; puede erosionar la confianza de clientes, inversores y administraciones y, en el peor de los casos, llevar a incumplimientos normativos.

¿Por qué ahora? Con la expansión de la IA generativa, la reducción de costes de automatizar textos y la presión regulatoria en Europa (CSRD, CSDDD) —junto a los movimientos de “simplificación” que están reordenando calendarios— muchas organizaciones están comunicando más y más rápido… pero no siempre con el rigor que exige la materia. La Comisión Europea ha impulsado en 2025 un paquete de simplificación que incluye aplazamientos parciales de plazos de reporte (“stop-the-clock”), y ha planteado elevar umbrales bajo CSRD; un movimiento que busca desburocratizar, pero que también puede relajar controles si no se compensa con buena gobernanza interna.

Al mismo tiempo, el Green Claims Directive —la propuesta europea que pretende acotar las alegaciones ambientales vagas— sigue en el aire: el Consejo frenó el expediente en 2025, por desacuerdos sobre alcance y método de verificación. Es decir, el mercado avanza con menos certezas regulatorias sobre cómo validar mensajes “verdes”.

Qué es exactamente el AI-washing

AI-washing en sostenibilidad es cualquier uso de IA (generativa o analítica) para producir o reforzar mensajes, métricas o informes “verdes” sin respaldo suficiente en datos auditables, metodologías claras o mejoras medibles.
Incluye desde informes redactados por IA que “rellenan” huecos hasta cuadros de mando que infieren logros con datos incompletos, o simulaciones optimistas sin trazabilidad.

No confundamos términos: en tecnología ya se usa “AI-washing” para denunciar empresas que presumen de IA sin usarla de verdad. Aquí lo llevamos al terreno ESG: cuando la IA se usa para comunicar sostenibilidad sin practicarla.

Por qué este riesgo crecerá

1. Más comunicación con menos fricción.
La IA redacta, resume y traduce a coste marginal casi cero. Los detectores de texto “generado por IA” son poco fiables, lo que dificulta separar lo humano de lo automatizado.

2. Menos claridad normativa a corto plazo.
El parón del Green Claims y la “simplificación” de plazos bajo CSRD crean zonas grises sobre qué, cómo y cuándo evidenciar.

3. Grandes exigencias en la cadena de valor.
La CSDDD (debida diligencia) ya es una realidad: Estados miembros deberán transponerla y grandes empresas tendrán que vigilar riesgos ESG en toda su cadena, arrastrando a pymes proveedoras a mayor escrutinio de datos.

4. Coste energético real de la IA.
La propia IA consume electricidad: la IEA estima que la demanda eléctrica de centros de datos (impulsada por IA y cloud) podría duplicarse con holgura a finales de década si no hay eficiencia y renovables. Ignorar este impacto mientras se “vende” eficiencia puede ser otra forma de AI-washing.

5. Nuevas obligaciones de transparencia digital.
El AI Act europeo, adoptado en 2024, introduce requisitos de transparencia (p. ej., etiquetar deepfakes o contenidos sintéticos). Aunque muchas apps ESG no son “alto riesgo”, la presión por explicar cómo se usa la IA crecerá.

La prueba del algodón: cómo distinguir lo que aporta de lo que es puro marketing

Para que una empresa detecte si está incurriendo en AI-washing, estas preguntas no solo sirven de control trivial: son filtros prácticos que, bien aplicados, marcan diferencias sustanciales.

1. ¿Qué problema real resuelve?
No basta con decir “ahorramos emisiones” o “mejoramos eficiencia”; la solución basada en IA debe tener un objetivo específico, medible y vinculado al negocio. Por ejemplo, detectar fugas energéticas, optimizar rutas logísticas o predecir fallos en maquinaria. Si la IA se usa simplemente para generar contenido bonito o estadísticas genéricas, hay alto riesgo de AI-washing.

2. ¿Puedo medir antes y después?
Se necesita una línea de base clara: cuánto se consumía de energía, cuántos residuos se generaban, qué nivel de emisiones. Luego, con la solución IA implementada (o parcialmente), se debe poder cuantificar la mejora. Esto exige registros previos y seguimiento sistemático, no solo comparaciones subjetivas.

3. ¿El beneficio neto supera el coste y el consumo extra?
Aquí no solo entra lo económico, sino también el coste en energía, mantenimiento, entrenamiento de modelos, verificación y auditoría. En casos documentados, aplicar IA puede implicar costes de hardware o cloud que, si no se compensan con mejoras reales, generan un impacto ambiental mayor que el supuesto beneficio.

4. ¿Dispongo de evidencias exportables y verificables?
Evidencias que puedan respaldarse con datos crudos, trazabilidad del modelo (versión, datos usados, parámetros), fuentes verificables y metodologías claras. No basta con gráficos bonitos; los stakeholders pueden exigir auditorías, y los grandes clientes lo pedirán para contratos.

5. ¿Hay alguien en la empresa que supervise los datos y el proceso?
Es clave que haya un responsable interno que entienda tanto sostenibilidad como IA, que valide las salidas del modelo, detecte errores o “alucinaciones”, supervise el mantenimiento del sistema y asegure que todos los pasos (desde la recolección de datos hasta la interpretación de resultados) sean transparentes y rastreables.

Señales de alerta en informes y alegaciones

Estas son pistas reales que indican que puede estar produciéndose AI-washing. Si detectas varias de estas señales, conviene llevar a cabo una revisión crítica interna:

• Textos “perfectos” pero sin transparencia metodológica. Informes muy bien redactados, con lenguaje técnico y gráficos atractivos que no citan fuentes, no detallan cómo se recogieron los datos, ni explican los supuestos detrás de los modelos.
• Promesas de mejoras inmediatas. Alegaciones como “logramos reducciones de emisiones en un mes” o “optimización instantánea”, sin explicar qué cambios reales en procesos operativos existieron.
• Gráficos sin escala, sin origen de datos o con “modelos propietarios” opacos. Usar curvas comparativas sin explicar qué datos exactos se están comparando, o basarse en modelos de IA de terceros sin mostrar versiones, sesgos ni condiciones de entrenamiento.
• Exceso de comunicación frente a escaso seguimiento interno. Que se hagan muchos comunicados, campañas o posts de sostenibilidad, pero que en los reportes operativos internos no existan registros concretos, auditorías o validaciones humanas.
• Dependencia de proveedores de IA sin cláusulas de verificación. Comprar servicios de IA (contenidos, chatbots, análisis predictivo) sin contratos que incluyan logs, derechos de auditoría, metadatos de modelo o responsabilidades en caso de errores.

Buenas prácticas para usar IA sin caer en AI-washing

Para que la IA sea una herramienta de credibilidad y mejora real, estas prácticas ayudan a institucionalizar su uso responsable:

1. Política interna y gobernanza clara.
Definir desde la dirección cuándo y cómo se usa la IA, quién es responsable del sistema, qué criterios éticos y de supervisión se aplican, y cómo se gestionan riesgos de privacidad, sesgos y seguridad.

2. Evaluaciones de impacto y riesgos previas.
Antes de desplegar un modelo de IA, evaluar su impacto ambiental, social y ético. Esto incluye sesgos potenciales, consumo energético, dependencia de recursos externos o seguridad de los datos. Estándares como ISO/IEC 42001 pueden guiar estas evaluaciones.

3. Documentar el ciclo de vida del modelo.
Desde los datos de entrenamiento hasta la puesta en producción, pasando por mantenimiento, reentrenamientos y fuentes utilizadas. La documentación es lo que permite medir, auditar y defender las decisiones ante terceros.

4. Transparencia en la comunicación.
Cuando uses IA en informes o contactos públicos: indicar qué parte fue generada con IA, qué datos se usaron, qué validaciones humanas se hicieron y qué limitaciones existen. Evitar afirmaciones absolutas si no se pueden demostrar.

5. Supervisión y mejora continua.
Revisar resultados, corregir desviaciones, actualizar modelos, gestionar incidentes y adaptar prácticas a normativas nuevas o exigencias emergentes.

6. Concienciación y formación del equipo.
Formar a quienes producen informes, interpretan datos o comunican resultados para que comprendan riesgos y limitaciones de la IA. Así se reduce el riesgo de caer en mensajes atractivos pero engañosos.

En Ser Sostenibles creemos que la IA puede ser un gran aliado, pero solo si se usa con honestidad y responsabilidad. Nuestro trabajo es acompañar a las empresas a identificar casos de uso concretos, medir resultados y convertir la tecnología en una palanca de crecimiento sostenible.