Metodologia e fonti
Fattori di emissione (Italia)
I fattori di intensità di carbonio incorporati nel software, usati per convertire i consumi energetici in tonnellate di CO₂ equivalente, provengono dalla fonte pubblica nazionale italiana:
- ISPRA — Istituto Superiore per la Protezione e la Ricerca Ambientale
- Fattori di emissione per consumi energetici
- https://www.isprambiente.gov.it/it/banche-dati/banche-dati-folder/atmosfera/fattori-di-emissione-per-le-sorgenti-di-combustione-stazionarie-in-italia
Ultima riconciliazione annuale:
2026-04-27
(versione tabella: ISPRA 2026;
registro: eval/factor_audit_2026.md)
Standard di rendicontazione
EFRAG VSME 1.0 (October 2025) — https://www.efrag.org/en/projects/voluntary-reporting-standard-for-smes-vsme/concluded
Guide di supporto EFRAG per informative specifiche
EFRAG pubblica guide di supporto dedicate ad alcune informative del Modulo Comprehensive che richiedono maggiore interpretazione (attualmente C2, C3 e C7). Lo schema dei moduli, le regole di validazione e le indicazioni inline per queste sezioni sono derivati dalle rispettive guide. Per evitare un dump di link che non riguarda tutti gli utenti, l'URL della guida pertinente compare direttamente accanto al modulo corrispondente al momento della compilazione, dove è effettivamente utile. EFRAG aggiorna queste guide nel tempo: ricontrolliamo le versioni pinned ad ogni rilascio del nostro software.
Trasparenza e revisione (HITL)
Ogni report è preparato con assistenza di intelligenza artificiale sotto la supervisione del firmatario. I dati numerici sono forniti dall'azienda e tracciati cella-per-cella; le sezioni narrative sono redatte da un sistema AI e revisionate dal firmatario prima della generazione del DOCX. La copertina del DOCX riporta la dichiarazione Art. 50 obbligatoria, in italiano e inglese.
Governance dell'AI — standard PONDUS-AI
La piattaforma è progettata e gestita in aderenza a PONDUS-AI (v3), un framework di governance agile e proporzionale per l'AI in ambito finanziario e di rendicontazione regolamentare, che abbiamo formalizzato e pubblicato come standard aperto. Il framework definisce un'architettura di controllo a sei livelli e due griglie di valutazione — una di conformità (livello di rischio ai sensi dell'AI Act, modalità di esecuzione, raggio d'impatto, sensibilità dei dati) e una operativa (severità dei guasti, asimmetria di competenze dell'utente, stabilità del regime di input) — che determinano il livello di rigore applicato. I controlli descritti in questa pagina (tracciabilità cella-per-cella, revisione umana prima della firma, riconciliazione annuale dei fattori) discendono direttamente da tale valutazione.
- github.com/gmmensi/pondus-ai — working paper e implementazione di riferimento (standard aperto)
- DOI: 10.5281/zenodo.21307392
Protezione dei dati (GDPR)
Econova-AI s.r.l. agisce come responsabile del trattamento ai sensi dell'Art. 28 GDPR per i dati personali che il Cliente carica sulla piattaforma. Il modello di Accordo sul Trattamento dei Dati elenca i sub-responsabili autorizzati (Google Gemini per l'estrazione/generazione AI; provider di object storage UE per l'archiviazione), le misure tecniche e organizzative dell'Allegato II, le finestre di retention e l'SLA di notifica violazione (24 ore dall'effettiva conoscenza, più stringente del minimo di 72 ore previsto dall'Art. 33).