Guadagni:
- Capacità di distinguere i focus dei framework GRI, ESRS e ISSB (impatto, doppia materialità, finanziario) e scegliere il framework giusto in base al lettore
- Capacità di mappare gli argomenti materiali sugli elementi candidati standard e verificare ciascun numero con il testo standard ufficiale
- Capacità di stabilire una corrispondenza incrociata che collega singoli dati a più frame e indica chiaramente le lacune dei dati senza nasconderle
Una volta che un’azienda raccoglie dati sulla sostenibilità, deve divulgarli secondo un quadro di reporting accettato a livello internazionale e non in modo arbitrario. Il framework è il linguaggio comune che determina “quale tematica rendicontare, come, con quali indicatori”; Grazie ad esso è possibile confrontare i rapporti di due diverse aziende. In questa unità conoscerai i tre framework principali (GRI, ESRS/CSRD, ISSB) e imparerai come utilizzare in modo sicuro l'intelligenza artificiale (AI) nella corrispondenza dei contenuti secondo questi framework.
Descriviamo brevemente i tre framework. GRI (Global Reporting Initiative) è la famiglia di standard volontari di rendicontazione di sostenibilità più utilizzata al mondo; Guarda principalmente all'impatto dell'azienda sul mondo. L’ESRS (European Sustainability Reporting Standards) è un insieme di standard basati sulla doppia materialità, richiesti dall’Unione Europea nell’ambito della direttiva CSRD. L’ISSB (International Sustainability Standards Board) è un comitato internazionale che pubblica gli standard IFRS S1/S2, concentrandosi sulla materialità finanziaria con un focus sugli investitori.
Tre fotogrammi, tre prospettive
Cornice
Chi l'ha tolto?
obiettivo principale
È obbligatorio?
GRIGIO
istituzione GRI
L'impatto dell'azienda sul mondo
Volontario, molto comune
ESRS/CSRD
UE/EFRAG
Doppia materialità (impatto + finanza)
Obbligatorio ai sensi dell'UE
ISSB (IFRS S1/S2)
Fondazione IFRS
Rilevanza finanziaria per l’investitore
Adottato dal paese
Questi framework non sono concorrenti tra loro, ma linguaggi complementari che si rivolgono a lettori diversi. La maggior parte delle grandi aziende raccoglie i propri dati una volta e li “mappa” su più framework. È qui che risiede il vero valore dell'intelligenza artificiale: è un assistente veloce nel consigliare gli stessi dati a numeri di articolo di fotogrammi diversi. Ma può corrispondere ai numeri degli articoli, quindi ogni corrispondenza deve essere verificata rispetto al testo standard ufficiale.
Suggerimento: puoi confrontare i frame con la domanda "quale è migliore?" non "Chi lo leggerà?" Seleziona . Se ti rivolgi agli investitori, ISSB/materialità finanziaria; L'ESRS è obbligatorio se sei soggetto alla regolamentazione dell'UE; Il GRI è potente se comunichi il tuo impatto a un’ampia gamma di stakeholder. Spesso se ne usano più di uno insieme.
Struttura degli standard GRI
Il GRI è organizzato in numeri per argomento. Alcuni esempi (assicuratevi di controllare il testo ufficiale per verifica):
- GRI 302 — Energia
- GRI 303 — Acqua e acque reflue
- GRI 305 — Emissioni (aria)
- GRI 306 — Rifiuti
- GRI 403 — Salute e sicurezza sul lavoro
L’errore più comune dell’IA è inserire un argomento sotto il numero sbagliato: ad esempio mostrare l’acqua sotto GRI 305 (emissioni). L'acqua è GRI 303. Tali errori vengono rilevati solo dall'elenco degli standard ufficiali.
Passo dopo passo: corrispondenza dei frame con l'intelligenza artificiale
1. Basato sulla materialità. Una volta determinati quali argomenti verranno segnalati (unità 2), passare alla mappatura.
2. Consigliare i dati all'articolo standard. Chiedere all'IA di associare ciascun argomento materiale alla sostanza candidata GRI/ESRS pertinente; ma precisare che "si tratta di un progetto di proposta".
3. Verificare il numero dell'articolo con il testo ufficiale. Conferma ciascun numero suggerito con il documento ufficiale del GRI o dell'EFRAG. Controlla sia il numero che il contenuto.
4. Identificare le lacune. Elenca i dati che desideri standard ma che non hai (gap di dati); Questi vengono raccolti o dichiarati come "non disponibili".
5. Configurare la mappatura incrociata. Preparare una tabella che colleghi gli stessi dati ai numeri GRI, ESRS e ISSB; quindi riferisci a più framework con un solo dato.
Prompt debole / Prompt forte
Suggerimento debole:
Numerare questi argomenti in base al GRI.
L’intelligenza artificiale può produrre numeri che sembrano ragionevoli ma che sono falsi/fabbricati; Non è prevista alcuna chiamata di convalida.
Suggerimento potente:
Il tuo ruolo: esperto del sistema di reporting. Input: i nostri temi materiali (energia, acqua, emissioni, sicurezza sul lavoro, rifiuti). Compito: suggerire POSSIBILI sostanze candidate GRI ed ESRS per ciascun argomento. Regole: - Assegna a ciascun suggerimento un tag "DEVE VERIFICARE"; Non rivendicare un numero esatto. - Non comporre un numero di cui non sei sicuro; Scrivi "conferma dall'elenco standard ufficiale". - Scrivere il motivo della discriminazione su argomenti facili da confondere come l'acqua e le emissioni. Risultato: tabella (Argomento | Candidato GRI | Candidato ESRS | Nota di verifica).
Richiedi la tabella di mappatura multi-frame
Costruisci un'impalcatura della tabella di mappatura multi-frame per i seguenti argomenti materiali. Colonne: Argomento | Dato | GRIart. | ESRS artt. | ISSB (S1/S2) | Dati di origine | Ci sono lacune?Regole:- Contrassegnare i numeri degli articoli come "candidato/da verificare".- Scrivere "GAP DATI" nelle celle che non contengono dati.Argomenti: [ARGOMENTI]
Il seguente prompt produce un'analisi delle lacune di reporting.
Il tuo ruolo: analista della conformità ESG. Compito: confrontare i dati in nostro possesso con le spiegazioni richieste dal quadro che abbiamo scelto (ESRS) ed effettuare un'analisi del gap. Risultato: spiegazione richiesta | Ce l'abbiamo? | Cosa raccogliere se mancante | Responsabile.Regola: Per ogni riga in cui dici "abbiamo", scrivi la fonte; Se non sei sicuro, dì "controllo richiesto". Ricordami di verificare i punti normativi del testo ufficiale. Voce: [ELENCO DATI DISPONIBILI]
Attenzione: gli standard vengono aggiornati regolarmente; I numeri degli articoli, le soglie e i requisiti possono cambiare. I dati di addestramento dell'IA potrebbero riflettere una versione obsoleta. Confermare sempre le decisioni critiche sugli abbinamenti e sugli obblighi con il testo ufficiale applicabile.
tre mini custodie
Caso 1 – Numero sbagliato. Un’azienda energetica ha chiesto all’AI la mappatura GRI. YZ ha etichettato il proprio consumo di acqua come "GRI 305-8". L'esperto ha verificato: l'acqua è GRI 303, il GRI 305 è emissioni atmosferiche e non esiste alcuna dichiarazione 305-8. Il numero è stato corretto con l'elenco ufficiale.
Caso 2: molti report con un dato. Un produttore ha raccolto i dati energetici una volta e li ha mappati ai requisiti GRI 302, ESRS E1 (clima) e ISSB S2 con l’aiuto dell’intelligenza artificiale. Grazie alla tabella incrociata, i dati sono stati alimentati da un'unica fonte invece di raccogliere nuovamente i dati per tre report separati; ogni numero è stato confermato dal testo ufficiale.
Caso 3 — Cavità nascosta. Una società non disponeva dell'informativa sulle "emissioni Scope 3" richiesta dall'ESRS. L’intelligenza artificiale ha scritto il rapporto in modo fluido “come se fosse completo” e ha reso invisibile il divario. Quando è stata effettuata l'analisi delle lacune, è stata rivelata la carenza; Invece di falsificare i dati, il rapporto spiega onestamente che “i dati Scope 3 saranno raccolti nel 2025”.
Errori comuni
- Non verificare il numero dell'articolo. I numeri GRI/ESRS/ISSB non vengono utilizzati senza conferma con il testo ufficiale.
- Miscelazione di fotogrammi. Presumere che il focus sull'impatto del GRI e il focus finanziario dell'ISSB siano gli stessi porterebbe a spiegazioni errate.
- Basandosi sulla vecchia versione. Gli standard vengono aggiornati; Il testo attuale è essenziale.
- Nascondere la lacuna nei dati. È necessario indicare chiaramente i dati mancanti, non scriverli "come se fossero completi".
- Problemi confusi come acqua/emissioni. Gli argomenti che sembrano simili rientrano in numeri di articolo diversi.
In sintesi
I quadri di rendicontazione sono strutture che traducono i dati sulla sostenibilità in un linguaggio comune comparabile: il GRI esamina l’impatto, l’ISSB esamina la finanza, l’ESRS esamina entrambi con doppia materialità. L'intelligenza artificiale è un potente assistente nel mappare rapidamente gli stessi dati su elementi di framework diversi; ma potrebbe confondere i numeri degli articoli e riflettere versioni precedenti. Convalida ogni mappatura con il suo testo canonico ufficiale, seleziona i frame per lettore, non nascondere lacune nei dati. Il reporting su più framework con un singolo dato è efficiente; ma è sicuro solo quando ogni numero è confermato.
Compito dell'applicazione
Scegli cinque temi materiali (ad esempio energia, acqua, emissioni, rifiuti, sicurezza sul lavoro). Richiedi una tabella dei candidati GRI/ESRS/ISSB all'IA tramite la richiesta di corrispondenza multi-frame sopra. Quindi: (1) verifica almeno tre numeri di articolo con il testo ufficiale, (2) controlla che acqua ed emissioni siano separate correttamente, (3) scrivi i dati mancanti in un elenco vuoto.
lista di controllo
- [ ] Ho mappato ciascun argomento materiale all'articolo del frame pertinente.
- [ ] Ho verificato i numeri delle voci con il testo ufficiale (GRI/EFRAG/ISSB).
- [ ] Ho scelto il framework in base ai suoi lettori (investitori/stakeholder/regolatori).
- [ ] Ho separato correttamente argomenti facili da confondere come acqua/emissioni.
- [ ] Ho elencato le lacune nei dati in modo chiaro senza nasconderle.
- [ ] Ho confermato che sto utilizzando la versione attuale degli standard.
- [] Ho impostato una tabella incrociata che collega singoli dati a più frame.