"El marco mental de ESG como obligación es el que crea el problema, por eso hemos dejado de hablar de ello"

Las empresas llevan años acumulando datos operativos —consumos energéticos, logística, compras, flotas— pero rara vez los cruzan entre departamentos. El resultado: ineficiencias que no se ven, millones en ahorro potencial escondidos y un equipo de sostenibilidad haciendo reporting anual con Excel. Hablamos con Juanjo Mestre, CEO y cofundador de Dcycle, que desde su compañía trata de resolver este problema desde la raíz.

Con un equipo de 64 personas entre Madrid, Londres y Múnich, Dcycle ha construido una plataforma de inteligencia operacional que conecta los sistemas internos de una empresa (ERPs, datos de empleados, proveedores) y aplica agentes de IA especializados para detectar anomalías, consolidar rutas o comparar eficiencias entre plantas. C

Con más de 2.000 empresas ya operando sobre su infraestructura y una reciente expansión a Alemania y Reino Unido, Dcycle asegura haber identificado hasta 2 millones de euros en ahorro anual potencial en una sola compañía simplemente analizando información que ya estaba ahí, pero dispersa.

Mestre explica a El Referente por qué la inteligencia operacional va a sepultar al ESG tradicional o cómo la IA está cambiando los plazos de decisión de semanas a minutos.

Para quien todavía no conozca Dcycle, ¿qué es exactamente la compañía, qué problema busca resolver y quiénes estáis detrás del proyecto?

Dcycle es una plataforma de inteligencia operacional. Conectamos los sistemas que ya tiene una empresa (ERPs, consumos, compras, logística, datos de empleados, proveedores) y convertimos esos datos en un modelo unificado sobre el que trabajan agentes de IA.

El problema en sí es fácil de explicar: las empresas recopilan los mismos datos operativos varias veces, para distintos departamentos, en formatos que no se entienden entre sí. Energía vive en un sitio, logística en otro, compras en otro, sostenibilidad en otro. Nadie tiene la foto completa. Resolverlo, en cambio, es bastante difícil. Por eso llevamos años en ello.

Somos 64 personas entre Madrid, Londres y Múnic. La mayoría venimos de ingeniería, datos y operaciones, no de consultoría ESG. Eso se nota bastante en cómo pensamos el producto.

Durante años las empresas han utilizado sus datos principalmente para reporting y cumplimiento regulatorio. ¿Por qué creéis que ahora empieza a surgir una necesidad real de convertir esos datos en inteligencia operacional?

Porque la IA ha empujado el problema a un sitio donde la empresa ya no lo puede ignorar. Tener datos operativos desordenados era tolerable durante mucho tiempo: las personas sabían dónde buscar, más o menos, y el reporting se hacía una vez al año con ayuda de una consultora. Caro e ineficiente, pero se vivía con ello.

Ahora todo el mundo quiere poner a trabajar agentes de IA sobre sus operaciones. Y se chocan con la realidad. Los modelos están listos. Los datos no. Están dispersos entre veinte sistemas, en formatos distintos, sin estructura común.

Lo que era un problema de eficiencia se ha convertido en uno de competitividad. Y ahí los plazos cambian.

Dcycle asegura haber identificado hasta 2 millones de euros en ahorro potencial anual en una empresa simplemente analizando información que ya tenía disponible. ¿Qué tipo de ineficiencias suelen pasar desapercibidas dentro de las compañías?

Las que cruzan departamentos. Es el patrón que vemos una y otra vez.

Finanzas ve el coste total de la energía, pero no sabe que una planta consume tres veces más por metro cuadrado que otra del mismo tamaño. Ese dato vive en el sistema del facility manager, no en el ERP. Logística optimiza rutas dentro de su perímetro, pero nadie cruza eso con datos de ocupación de vehículos ni con alternativas modales. Compras negocia precios unitarios sin visibilidad del coste total real (transporte, riesgo de suministro, concentración geográfica acaban fuera de la ecuación).

Esas ineficiencias no están escondidas. Lo que pasa es que los datos que las revelan están en sistemas a los que nadie se ha conectado todavía.

¿Por qué muchas empresas siguen perdiendo dinero pese a tener enormes cantidades de datos operativos, financieros y de sostenibilidad recopilados?

Porque nadie en la empresa tiene incentivo para cruzar esos datos.

Suena raro, pero es así. El director financiero tiene sus datos en el ERP. El de operaciones tiene los suyos. El de sostenibilidad tiene un archivo de Excel. Cada uno rinde cuentas de su parte y optimiza dentro de su perímetro. Nadie tiene mandato ni herramienta para mirar transversalmente y decir: "Oye, estamos gastando un 30% más en energía en esta planta que en aquella, y nadie se ha enterado porque los datos de consumo no se cruzan con los de producción".

El problema, al final, no es técnico sino organizativo. Los datos existen; están repartidos entre departamentos que no se hablan. Ningún departamento va a resolverlo solo, porque no es su responsabilidad. Por eso tiene que haber una capa externa que lo conecte. Eso es lo que hacemos.

Habláis mucho de "Inteligencia Operacional". ¿Cómo definiríais este concepto de una forma sencilla y por qué creéis que será una de las grandes transformaciones tecnológicas en la gestión empresarial?

Inteligencia Operacional: que los datos operativos se conviertan en decisiones sin pasar antes por una reunión, un Excel y un cierre trimestral.

BI te enseña lo que ya pasó. Esto te enseña lo que está pasando, mientras todavía puedes hacer algo al respecto.

Diferencia frente a la inteligencia financiera, que es la que casi todas las empresas ya tienen: la financiera te dice que gastaste 2 millones de euros en energía. La operacional te dice que 400.000 de esos 2 millones son evitables, porque tres de tus plantas consumen el doble de lo que deberían, y te lo dice cuando aún puedes apagar algo.

Antes, ese cruce era un proyecto de consultoría de tres meses. Con agentes de IA sobre datos bien estructurados, son minutos. No es una herramienta más: es la primera vez que detectar y corregir deja de ser un ejercicio trimestral.

¿Qué áreas de una empresa suelen ofrecer mayores oportunidades de optimización cuando se analizan correctamente los datos: compras, energía, cadena de suministro, logística, flota…?

Depende del sector, pero hay un patrón que se repite: las oportunidades grandes no están dentro de un área, están entre dos o tres.

Dicho esto, las áreas más consistentes son energía y logística. En energía, porque la diferencia de eficiencia entre instalaciones del mismo tipo suele ser enorme y nadie la ve hasta que normalizas los datos y comparas. En logística, porque la consolidación de rutas o los cambios modales solo aparecen cuando cruzas datos de volumen, coste y frecuencia que normalmente viven en sistemas distintos.

Compras y cadena de suministro vienen después. Ahí el valor no es tanto el ahorro directo como la gestión del riesgo: concentración excesiva en pocos proveedores, dependencia de zonas inestables, falta de alternativas claras. Eso no se ve mirando facturas; se ve cruzando gasto con geografía y datos operativos.

Tradicionalmente, el ESG se ha visto como un coste o una obligación regulatoria. ¿Cómo estáis consiguiendo transformar esa percepción y demostrar que también puede convertirse en una palanca de rentabilidad y eficiencia?

Dejando de hablar de ESG.

No es una provocación. El marco mental de "ESG como obligación" es el que crea el problema. Cuando una empresa lo piensa así, monta un equipo separado, le asigna un presupuesto limitado, le compra una herramienta específica y le pide un informe al año. Por definición, eso es un coste.

Nosotros hacemos otra cosa. Estructuramos los datos operativos de la empresa en una infraestructura unificada, con una granularidad que ningún otro sistema interno tiene. Esa estructura sirve para tomar mejores decisiones financieras y operativas. Y, como efecto colateral, esos mismos datos alimentan el reporting regulatorio de forma automática. El 90% de lo que pide CSRD son datos operativos que ya existen en la empresa.

El cambio de percepción no es algo que tengamos que vender. Pasa cuando el CFO ve que la misma infraestructura que le detecta ineficiencias logísticas también le genera el informe CSRD sin esfuerzo adicional. A partir de ahí ya no lo mira como un coste.

¿Qué papel juega la inteligencia artificial dentro de Dcycle y cómo está cambiando la forma en la que las empresas interpretan y utilizan sus propios datos?

No es un chatbot encima de documentos. Son agentes especializados que entienden un dominio concreto y trabajan sobre datos reales de forma continua.

Tenemos agentes de eficiencia energética que comparan instalaciones y detectan anomalías. Agentes de logística que identifican rutas consolidables. Agentes de riesgo que cruzan datos geopolíticos con la base real de proveedores. Agentes de compliance que monitorizan cambios regulatorios y verifican que los datos estén al día.

Lo que cambia es el modelo de operación: antes, necesitabas que alguien pidiera un informe, recogiera los datos, los procesara y sacara conclusiones. Semanas. Ahora el agente detecta la anomalía y te la comunica antes de que la preguntes.

Y luego está el MCP. Hemos integrado un servidor que permite que asistentes como Claude accedan a los datos de Dcycle en tiempo real. Un directivo pregunta "¿cuál es nuestra instalación menos eficiente este trimestre?" y obtiene respuesta con datos reales en segundos. Eso es algo que no teníamos hace seis meses y que está cambiando cómo nuestros clientes se relacionan con sus datos.

El mercado europeo del dato empresarial y la inteligencia operacional está cada vez más competido, con grandes tecnológicas entrando en este espacio. ¿Cuál creéis que es la ventaja diferencial de Dcycle frente a otros actores?

Conocimiento de dominio. No hay mucho más misterio.

Las grandes tecnológicas construyen plataformas horizontales de datos, y lo hacen bien. Pero cuando una empresa necesita calcular Scope 3 por categoría, aplicar factores de emisión de la UE, mapear datos operativos a ESRS o detectar una anomalía de consumo teniendo en cuenta turnos de producción y estacionalidad, una plataforma genérica se queda corta.

Llevamos años metiendo ese conocimiento en el producto. Más de 200 integraciones con sistemas europeos. 13 frameworks regulatorios mapeados a un modelo común. Factores de emisión actualizados y validación por sector. Encima, 2.000 empresas operando dentro, que generan un ciclo de aprendizaje que mejora los agentes cada semana.

Con dinero se puede montar infraestructura genérica. Lo que no se puede comprar es saber que el factor de emisión de electricidad en Portugal cambió en marzo, o que las instalaciones industriales del norte de España tienen patrones estacionales distintos a las del sur. Eso solo se sabe si llevas años operando con clientes reales en esos contextos.

Concretando, hay cuatro diferencias.

La primera es el acceso. SAP y Microsoft construyen para corporaciones con departamentos de IT enormes y proyectos de 12 a 24 meses. Dcycle funciona en empresas de cualquier tamaño que ya están recopilando datos de sostenibilidad para cumplir con la regulación. No requiere un proyecto de IT ni una integración compleja: la inteligencia operacional es una capa encima de los datos que la empresa ya tiene. Entre la primera conversación y el primer análisis sobre la mesa del comité pasan días.

La segunda es el punto de entrada. SAP y Microsoft entran por el ERP o el CRM, así que ven qué se compró, qué se facturó, qué se produjo. Dcycle entra por los datos que la empresa ya construyó para reportar a regulador. Eso da una granularidad que un ERP estructuralmente no puede tener: emisiones por proveedor con atribución de carbono, eficiencia de flota por vehículo y ruta, residuos por sede. Datos que ningún otro sistema recogía, porque nadie los pedía, hasta que la regulación los hizo obligatorios.

La tercera es la naturaleza del dato, y es donde la diferencia se vuelve estructural y no comercial. Un ERP tiene datos transaccionales: qué ocurrió en el plano económico. Dcycle tiene datos con impacto atribuido: cuánto se gastó con un proveedor y cuántas emisiones generó eso, qué riesgo regulatorio acumula, qué se puede optimizar al cruzarlo con el resto del grupo. Esa capa de significado no existe en el ERP ni en el CRM. Y no se construye con una decisión de producto: son años de recopilación, validación y estructuración de datos reales, completados con factores de emisión de fuentes muy distintas.

La cuarta es la inteligencia detrás del producto. Dcycle no es software con guía humana. Es una plataforma que evoluciona cada semana junto al mercado, la regulación y los clientes. Cuando una empresa necesita calcular Scope 3 por categoría con factores de la UE, mapear datos operativos a ESRS, o detectar una anomalía teniendo en cuenta turnos y estacionalidad, la plataforma genérica se queda fuera. Hay años de conocimiento metidos dentro: más de 200 integraciones con sistemas europeos, 13 frameworks regulatorios mapeados a un solo modelo, factores actualizados, validación por sector. Y 2.000 empresas operando encima, retroalimentando el modelo cada día.

Lo que más destacan los clientes, además, no es la tecnología. Es lo que pasa cuando un equipo de expertos acompaña ese proceso: los datos que antes eran un coste de compliance empiezan a moverse hacia decisiones financieras y estratégicas. Eso no se replica con presupuesto. Con suficiente dinero se monta infraestructura genérica. El conocimiento situado (saber que el factor de electricidad en Portugal cambió en marzo, o que las plantas del norte de España tienen patrones distintos a las del sur) solo se adquiere operando con clientes reales en esos contextos. Y haciéndolo cada día.

En los últimos meses habéis reforzado vuestra presencia en mercados como Alemania y Reino Unido. ¿Qué oportunidades estáis viendo fuera de España y qué retos supone construir una compañía tecnológica europea en este sector?

Europa es nuestro mercado natural. Y, probablemente, el único sitio donde una empresa como Dcycle podía nacer. La presión regulatoria europea ha creado una necesidad de infraestructura de datos operativos que en Estados Unidos o Asia no existe con la misma intensidad. Eso nos abre una ventana de tiempo.

En febrero adquirimos ESG-X en Múnich, lo que nos da presencia directa en el mercado DACH, el más exigente de Europa en reporting corporativo. El Reino Unido es complementario por otras razones: regulación propia, empresas grandes con operaciones globales y un ecosistema tecnológico bastante maduro.

Construir en estos mercados es difícil de verdad. Son entornos exigentes, con competidores locales muy asentados y unos códigos de compra que se aprenden a base de tropezar varias veces. Pero esa misma dificultad es la barrera que protege a quien llega con producto probado y casos reales en la mano. Nosotros no llegamos a prometer. Llegamos con una metodología que ya está rodando en clientes europeos, con ahorros cuantificados (no estimados) y cinco años de datos estructurados detrás. Con eso, la conversación ya no es de apertura de mercado: es de escalado.

Dcycle habla abiertamente de liderar el mercado europeo de inteligencia operacional con datos ESG. ¿Cómo imagináis la compañía y este mercado dentro de cinco años?

En cinco años la distinción entre "datos ESG" y "datos operativos" habrá dejado de existir. Será una sola capa. Tener al equipo de sostenibilidad recogiendo datos por un lado, y a operaciones recogiéndolos por otro, es una aberración temporal que se corrige en cuanto las empresas tienen infraestructura decente. Lo lógico es una sola base de datos operativos que alimente decisiones financieras, eficiencia, compliance y a los inversores.

Dcycle está construida para ser esa infraestructura. No la herramienta que se usa una vez al año para un informe, sino el sistema sobre el que trabajan agentes de IA de forma continua.

Que el mercado se mueva en esa dirección no es la duda. La duda es quién lo construye. Nosotros ya estamos desplegados en más de 2.000 empresas, y empezamos por donde el dato es más sucio y más auditado. Si la infraestructura aguanta ahí, aguanta en otros sitios.