La Incertidumbre que los LCA No Reportan: Métodos Probabilísticos en Infraestructura

En resumen: Cuando un estudio de ciclo de vida reporta que un proyecto genera 19,82 toneladas de CO₂ equivalente por año, ese número transmite una precisión que rara vez posee. Un estudio publicado en Structure and Infrastructure Engineering cuantifica exactamente cuánta precisión se está asumiendo — y de dónde viene la mayor parte de la variabilidad real.

El contexto regulatorio que hace esto urgente

En Suecia, la Administración de Transporte (Trafikverket) estableció que los proyectos de infraestructura —puentes, túneles— programados para completarse entre 2020 y 2029, con costo de inversión de al menos 50 millones de coronas suecas, deben lograr una reducción de emisiones de CO₂ equivalente de entre 17% y 30% respecto a construcciones similares en 2015.

Es un requisito verificable mediante LCA. Y ahí surge el problema que motiva el estudio.

Investigación citada por los autores (Jörnland & Henriksson, 2018) sugiere que una reducción cercana al valor objetivo podría lograrse en puentes de concreto simplemente mediante una selección cuidadosa de proveedores de materiales, sin ninguna acción específicamente dedicada a reducir el impacto ambiental del proyecto.

Cuando un umbral regulatorio puede cruzarse por variación en los datos de entrada más que por mejora real de desempeño, la pregunta sobre la robustez del resultado deja de ser académica.

Los dos tipos de incertidumbre

El trabajo de Oskar Larsson Ivanov (Universidad de Lund), Dániel Honfi y Fabio Santandrea (RISE Research Institutes of Sweden) y Håkan Stripple (IVL) parte de una distinción fundamental:

Incertidumbre aleatoria — variación intrínsecamente aleatoria en procesos y eventos reales: dispersión en la producción dentro de una población, aleatoriedad natural en la medición de resistencia de materiales. Es "variación verdadera" que no puede eliminarse.

Incertidumbre epistémica — asociada a la falta de conocimiento. Puede reducirse obteniendo más información: escasez de datos sobre impacto ambiental de materiales, desviaciones entre supuestos de modelado y realidad.

El hallazgo notable de la clasificación que los autores construyen para infraestructura: la mayoría de las fuentes de incertidumbre caen en la categoría epistémica. Fronteras del sistema, criterios de corte, métodos de asignación, elección de unidad funcional, factores de caracterización, interpretación de resultados, calidad general de los datos, vida útil asumida — todas reducibles con más información y mejor documentación.

Los autores incluyen además una tercera categoría incómoda pero honesta: incertidumbres relacionadas con errores reales o malentendidos —errores de cálculo, supuestos equivocados por falta de conocimiento, y errores intencionales (fraude).

Los casos de estudio

El análisis usa datos reales de un tramo de 7,5 km de la autopista E6 en el oeste de Suecia, con 18,5 m de ancho y velocidad máxima de 110 km/h, incluyendo un túnel de 250 m y un puente de 150 m.

Los insumos principales del puente: 6.250 m³ de concreto vaciado en sitio (vida útil esperada 120 años), 625 toneladas de acero de refuerzo (120 años), 250 toneladas de acero estructural (120 años), y 500 m de pilotes de concreto (80 años).

El túnel involucra nueve categorías de insumos, incluyendo 56.938 m³ de excavación de roca, 13.267 m³ de concreto proyectado, 12.884 m de pernos de roca y 10.000 m² de revestimiento de poliéster — con vidas útiles que van de 40 a 120 años.

Los cálculos se realizaron con Klimatkalkyl versión 3.0, la herramienta oficial de Trafikverket, cuyos datos de inventario provienen principalmente de Declaraciones Ambientales de Producto (EPD) verificadas independientemente bajo ISO 14025.

Un detalle que merece atención: Klimatkalkyl no incluye actualmente ninguna consideración de incertidumbre. Los autores compensaron esa ausencia integrando la herramienta con scripts desarrollados en Matlab.

El resultado central

Los autores ejecutaron simulaciones de Monte Carlo con tres niveles progresivos de incertidumbre, asumiendo un coeficiente de variación de 10% para todas las variables.

Caso del puente — Potencial de Calentamiento Global (t CO₂e/año):

| Nivel de incertidumbre considerada | Media | Desviación estándar | |---|---|---| | Solo factores de emisión | 19,82 | 1,42 | | + cantidades de material | 19,80 | 2,01 | | + vida útil esperada | 20,01 | 2,89 |

Caso del puente — Demanda Acumulada de Energía (GJ/año):

| Nivel | Media | Desviación estándar | |---|---|---| | Solo factores de emisión | 197,56 | 12,19 | | + cantidades de material | 197,46 | 17,15 | | + vida útil esperada | 199,26 | 26,96 |

La implicación es directa: la desviación estándar se duplica al incorporar cantidades de material y vida útil. Un LCA que solo modela incertidumbre en factores de emisión —la práctica dominante, según los autores— está reportando aproximadamente la mitad de la variabilidad real.

En el túnel, con más parámetros, la dispersión es aún mayor: la desviación estándar del GWP pasa de 1,79 a 3,23 t CO₂e/año entre el primer y el tercer nivel.

Dónde se concentra la variabilidad

El análisis de sensibilidad identifica los factores dominantes con precisión. Para el puente, los tres factores más influyentes son las emisiones, la cantidad y la vida útil esperada del concreto.

Los números del análisis VMEA lo confirman: la cantidad de concreto, su vida útil y su factor de GWP contribuyen cada uno alrededor de 1,79–1,81 unidades de incertidumbre, frente a 0,14 del acero de refuerzo y 0,066 del acero estructural. Los pilotes de concreto contribuyen esencialmente cero.

Las gráficas de sensibilidad revelan algo aún más contundente: pequeñas variaciones en ese grupo restringido de variables pueden producir cambios superiores al 60% en los resultados respecto al punto de referencia.

Esto habilita una estrategia práctica: identificar primero los pocos parámetros dominantes mediante análisis de sensibilidad, y concentrar el esfuerzo de recolección de datos precisos exclusivamente ahí. Cuando los autores asignaron distribuciones únicamente a los tres contribuyentes principales, la desviación estándar apenas cambió — de 2,89 a 2,82 en GWP.

El efecto de las correlaciones

Un hallazgo metodológico con consecuencias prácticas: las vidas útiles de los elementos estructurales no son independientes entre sí. Si se asume que todos los componentes se reemplazarían simultáneamente para preservar los objetivos de seguridad de la estructura, deben tratarse como correlacionados.

El efecto es sustancial. En el caso del puente, la desviación estándar del GWP pasa de 2,52 (sin correlación) a 2,89 (con correlación completa), y la de energía acumulada de 21,61 a 26,96.

Ignorar las correlaciones subestima la incertidumbre. Los autores advierten que al comparar dos análisis probabilísticos debe quedar explícito qué supuestos de dependencia se usaron.

Dos métodos, y cuándo usar cada uno

El estudio compara Monte Carlo con VMEA (Variation Mode and Effect Analysis), un método que requiere solo las varianzas de las entradas en lugar de distribuciones de probabilidad completas.

Los resultados coinciden estrechamente en los dos primeros niveles de incertidumbre. Divergen cuando se incorpora la vida útil: 2,45 (VMEA) contra 2,52 (Monte Carlo) en GWP. La explicación es que al entrar las vidas útiles el modelo se vuelve más no lineal, y VMEA —que linealiza alrededor de un punto nominal— pierde precisión.

Pero la observación más valiosa de los autores va en dirección contraria a lo esperado:

Monte Carlo con distribuciones inapropiadas puede dar una falsa sensación de precisión.

Es decir: aplicar el método más sofisticado sobre datos insuficientes no produce mejores decisiones, produce confianza injustificada. Cuando los datos disponibles no permiten estimar distribuciones con fundamento, VMEA —más simple y con exigencias mínimas de información— puede ser la elección más honesta.

La recomendación técnica de los autores, cuando no hay información adicional disponible: usar distribución lognormal para todos los parámetros, porque no toma valores negativos y porque el resultado de multiplicar o dividir varias distribuciones tiende a una lognormal.

El principio que ordena todo

La conclusión más transferible del estudio no es un número, sino un principio de consistencia.

Los autores señalan que el uso principal del LCA es apoyar decisiones cuando dos o más alternativas deben compararse. En ese contexto, los valores absolutos importan menos que la consistencia en cómo se evalúan: los mismos principios deben aplicarse a lo largo de toda la evaluación, incluyendo la consideración y propagación de incertidumbres.

De ahí una regla operativa concreta: los resultados de un VMEA no deben compararse con los resultados de un Monte Carlo como base de una decisión. Mezclar métodos entre alternativas invalida la comparación.

Para el analista, los autores condensan tres preguntas obligatorias: (1) qué incertidumbres se consideran y cuáles se omiten; (2) la confiabilidad e importancia de cada entrada; (3) si existe posibilidad de reducir las incertidumbres relevantes.

Qué significa esto para una organización

Tres implicaciones prácticas emergen para cualquier empresa que encomiende o reciba estudios de ciclo de vida:

Un resultado sin rango de incertidumbre es un resultado incompleto. Si un estudio reporta un valor puntual sin desviación estándar ni análisis de sensibilidad, no hay forma de saber si una diferencia entre alternativas es real o está dentro del ruido del modelo.

La reducción de incertidumbre tiene un retorno medible. Los autores demuestran que reducir el coeficiente de variación de las entradas a la mitad produce una reducción significativa en la variabilidad del resultado — lo que justifica invertir en datos primarios precisos para los pocos parámetros dominantes, en lugar de mejorar marginalmente todos.

La vida útil asumida es una variable estratégica, no un dato técnico. Es una de las tres fuentes principales de variabilidad, está correlacionada entre componentes, y es epistémica — es decir, reducible mediante mejor información.

Preguntas frecuentes

¿Qué diferencia hay entre incertidumbre aleatoria y epistémica? La aleatoria proviene de variación intrínsecamente aleatoria en procesos reales y no puede eliminarse. La epistémica proviene de falta de conocimiento y sí puede reducirse obteniendo más información. En LCA de infraestructura, la mayoría de las fuentes de incertidumbre son epistémicas.

¿Es suficiente considerar la incertidumbre solo en los factores de emisión? No. En el caso del puente estudiado, la desviación estándar del GWP pasó de 1,42 (solo factores de emisión) a 2,89 (incluyendo cantidades de material y vida útil). Un estudio que modela solo factores de emisión reporta aproximadamente la mitad de la variabilidad real.

¿Qué método conviene usar: Monte Carlo o VMEA? Depende de los datos disponibles. Monte Carlo requiere distribuciones de probabilidad completas; VMEA solo varianzas. Los autores advierten que Monte Carlo con distribuciones inapropiadas puede dar una falsa sensación de precisión. Si no hay información adicional, recomiendan distribución lognormal.

¿Se pueden comparar resultados de VMEA con resultados de Monte Carlo? No como base de una decisión. Los autores enfatizan que los mismos principios deben aplicarse a lo largo de toda la evaluación, incluyendo la propagación de incertidumbres. Mezclar métodos entre alternativas invalida la comparación.

¿Dónde conviene invertir en mejorar la calidad de los datos? En los pocos parámetros dominantes. En el puente, las emisiones, cantidad y vida útil del concreto concentran la variabilidad; asignar distribuciones solo a esos tres apenas cambió el resultado, de 2,89 a 2,82.

¿Importa asumir que las vidas útiles son independientes entre sí? Sí, y mucho. Al tratar las vidas útiles de los elementos estructurales como correlacionadas, la desviación estándar del GWP subió de 2,52 a 2,89 y la de energía acumulada de 21,61 a 26,96. Ignorar correlaciones subestima la incertidumbre.

Cómo Sustek.co gestiona la incertidumbre en decisiones de inversión

Presentar un número puntual sin rango a un comité de inversión es transferirle una confianza que el modelo no tiene. Estructuramos la evidencia para que la decisión sea consciente de su propia solidez:

Sustainability Pulse — Identifica dónde la calidad de los datos limita la confiabilidad de cualquier conclusión posterior. Diagnóstico Sustrategize™ con línea base ESG, mapeo de brechas de información y priorización de qué datos vale la pena mejorar primero.

Sustainability Navigator — Integra el análisis de ciclo de vida en la estrategia de transformación circular con documentación explícita de supuestos, rangos e incertidumbres — de modo que las decisiones de inversión se tomen sabiendo qué tan robusta es la evidencia que las sustenta. Entrega el value-at-stake circular, la secuenciación de tecnologías 4IR y la Hoja de Ruta lista para junta directiva.

Sustainability Command — Sustituye el reporte anual retrospectivo por monitoreo continuo: dashboards ejecutivos trimestrales, reporting para inversionistas, y medición permanente de retorno social vía ValueFlow™, con MeasureUp como banco de proxies.

Cuando el proyecto exige experticia técnica puntual — modelado probabilístico, revisión crítica independiente bajo ISO/TS 14071, cumplimiento regulatorio en una jurisdicción específica — Iconet® activa bajo demanda más de 93 consultores verificados, sin costo fijo de estructura. El programa Iconet® x AWS reStart tiene un SROI verificado de 6,41:1.

Sustek.co es S.A.S. BIC certificada bajo Sistema B Colombia, y parte de Google for Startups y AWS Activate.

¿Sus cifras de sostenibilidad resistirían una pregunta sobre su margen de error? Descúbralo antes que un inversionista o un regulador: sustek.co/services

Fuente: Larsson Ivanov, O., Honfi, D., Santandrea, F. & Stripple, H. (2019). "Consideration of uncertainties in LCA for infrastructure using probabilistic methods." Structure and Infrastructure Engineering, 15(6), 711–724. DOI: 10.1080/15732479.2019.1572200. Publicación de acceso abierto (Taylor & Francis). Financiado por la Administración de Transporte de Suecia (Trafikverket), Subvención 2014-018. Casos de estudio basados en el tramo E6 de Suecia occidental, modelados con Klimatkalkyl v3.0.