End-to-end ESG Workflow, Data Governance, Etik og Quality Gateway

Gevinster:

• Evne til at etablere en otte-trins ESG-workflow fra væsentlighed til udgivelse med kvalitetsporte med rytmen 'kunstig intelligens producerer → mennesket verificerer → passerer gennem porten'
• Evne til at beskytte personlige og ikke-oplyste finansielle data ved at klassificere ESG-data som gratis/interne/fortrolige
• Evne til at påtage sig det ultimative ansvar og vedhæfte ansvarlige navne og godkendelsesposter til hver publikation uden at stole på 'AI sagde'-forsvaret

I de foregående ti enheder har vi dækket hver del af ESG- og bæredygtighedsforretningen separat: indgang og grænser, væsentlighed, dataindsamling, CO2-regnskab, rapporteringsrammer, forsyningskæde, interessentkommunikation, rapportskrivning, assurance og greenwashing. I denne sidste enhed vil vi sætte brikkerne sammen og etablere en ende-til-ende-workflow: hvor, hvordan og med hvilken sikkerhedsport skal vi bruge kunstig intelligens (AI) på hvert trin fra definitionen af ​​en bæredygtighedsmission til dens offentliggørelse. Vi vil også bringe datastyring, privatliv og etisk ansvar i en enkelt ramme.

Lad os gentage modulets konstante rygrad: AI; Det er en assistent, der skriver kode, organiserer data, laver udkast og opsummerer. Nøjagtigheden af ​​tallet, bekræftelse af faktoren, kontrol af standarden, bevis for kravet og endeligt ansvar påhviler altid den kompetente ekspert. Denne enhed gør dette princip til en daglig arbejdsgang og tjekliste.

End-to-end ESG workflow

Overvej en bæredygtighedsrapporteringscyklus i otte trin:

1. Omfang og væsentlighed — Hvilke emner er væsentlige? (Enhed 2)
2. Dataindsamling — Kilder, enheder, revisionsspor. (Enhed 3)
3. Beregning — Kulstof og andre målinger med verificerede faktorer. (Enhed 4)
4. Rammematchning — GRI/ESRS/ISSB-stoffer, bekræftelse ved officiel tekst. (Enhed 5)
5. Forsyningskæde — Scope 3 og due diligence. (Enhed 6)
6. Skrivning og kommunikation — Afbalanceret, dokumenteret rapport og interessentbudskab. (Enhed 7-8)
7. Sikkerhedsforberedelse — Beviskæde og revisionsforberedelse. (Enhed 9)
8. Skaderevision — Greenwashing-screening og frigivelsesgodkendelse. (Enhed 10)

Ved hvert trin er AI en accelerator; Men ved udgangen af ​​hvert trin er der en kvalitetsport - et kontrolpunkt, der skal passeres, før du går videre til næste trin. Udgangen, der ikke passerer gennem døren, fortsætter ikke.

trin

Hvad gør AI?

Kvalitetslåge

væsentlighed

Emnekandidat, temaanalyse

Impact+finance aspekt menneskelig godkendelse

Data

Konfiguration, enhedskonvertering

Kilde- og volumenbekræftelse

konto

Formel, kode stillads

Faktoren er bekræftet fra den officielle kilde

Matchende

Artikel forslag

Tjek billedet med dets standardtekst

stavning

udkast, resumé

Sortering af påstande uden beviser

krav

Greenwashing scanning

Menneske-certificeret publikation

Tip: Indstil arbejdsgangen i rytmen "AI producerer → mennesket bekræfter → går gennem døren." Inden du flytter hvert AI-output til næste trin, spørg: "Hvilken del af dette output kan ikke fortsætte uden validering?" Den del er kvalitetsindgangen til det trin.

Datastyring og privatliv

ESG-data er ofte følsomme: medarbejdernes køn og løndata, leverandørkontraktvilkår, økonomiske konsekvenser, der endnu ikke er afsløret, produktionsdata på anlægsniveau. Det er nødvendigt at klassificere disse, før de gives til et offentligt AI-værktøj. Datastyring er "hvem kan bruge hvilke data, hvordan og med hvilket værktøj?" Spørgsmålet er knyttet til reglen.

En simpel klassificering:

• Gratis: Data allerede offentligt tilgængelige (offentliggjort rapport). Det kan gives til AI.
• Intern brug: Interne data uden kommerciel værdi. Forsigtigt i virksomhedens køretøj.
• Fortroligt: ​​Forretningshemmelighed, uoplyst økonomisk påvirkning, personlige data (KVKK/GDPR). Det gives ikke til AI uden anonymisering eller institutionelle (ikke-lækkende) midler.

Din rolle: Datagovernance rådgiver. Opgave: klassificer følgende dataelementer som "gratis / intern brug / fortroligt" og skriv den anbefalede handling for hver fortrolig post (anonymiser / samle / virksomhedsværktøj / giv slet ikke). Regel: hvis du er usikker, så sæt i mere beskyttende klasse. Elementer: [PERSONLIGE OG FINANSIELLE DATAPOSTER]

Svag prompt / Stærk prompt

Den måde, du uddelegerer en opgave til et værktøj på, ændrer radikalt privatlivsrisikoen.

Svag prompt:

Analyser medarbejdernes løn- og produktionstabel, kom med en ESG-oversigt.

Eksporterer rå person- og forretningshemmelighedsdata direkte til et åbent værktøj; Der er ingen klassificering, anonymisering og bekræftelsestrin.

Kraftig prompt:

Din rolle: ESG-analytiker følsom over for datastyring. Jeg gav dig KUN aggregerede, personlige/forretningshemmelighedsfrie data. Opgave: Analyser følgende opsummerende indikatorer. Regler:- INGEN individuelle navne, lønninger, ID'er eller ikke-oplyste økonomiske konsekvenser i dataene; Hvis du ser et sådant felt, skal du sige "FORTROLIGE DATA - behandl ikke, advar". - Tilføj ikke et nyt tal til resultatet; bare gå med det resumé, jeg gav. - Tilføj en "menneskelig godkendelse påkrævet"-notat i slutningen af ​​outputtet. Data (samlet): [SUMMary INDICATORS]

Advarsel: "AI sagde" er ikke et forsvar. Ansvaret for et forkert nummer, udokumenteret påstand eller lækkede fortrolige data i en ESG-rapport ligger hos organisationen og den person, der har godkendt den. Når du bruger kunstig intelligens, overfører du ikke ansvar; Du vil kun fremskynde arbejdet.

End-to-end kvalitets gate prompt

Den følgende prompt kører alle trin gennem en enkelt kontrol før udgivelse.

Din rolle: ESG kvalitetssikringsmedarbejder. Opgave: Send følgende rapportsektion gennem ende-til-ende-kvalitetsporten. Angiv "bestået / FAIL" for hvert emne og skriv årsagen, hvis det mislykkes: 1) Er kilden og enheden for hvert nummer angivet? 2) Er emissionsfaktorerne fra den officielle kilde? 3) Er standardvarenumrene verificeret? 4) Er fuldmagter/estimat markeret? 5) Er der nogen udtalelser, der indeholder greenwashing? 6) Er der nogen lækage af fortrolige/personlige data? 7) Ansvarlig navn for den endelige godkendelse tildelt? Afsnit: [KAPITEL]

Følgende prompt konverterer hele modulet til en virksomhedspolitik.

Din rolle: teamleder for bæredygtighed. Opgave: skrive en 1-sides intern politik, der styrer teamets brug af AI i ESG-arbejdet. Inkluder:- Opgaver, hvor AI kan bruges frit (udkast, resumé, kode, temaanalyse)- Opgaver, der kræver menneskelig verifikation (faktor, standard, krav, omfang)- Datatyper, der aldrig vil blive givet til AI (personlige, ikke-oplyste økonomiske)- Kvalitetsindgangstrin, der skal bestå før hver udgivelse Tone: klar, punkttegn, relevant.

tre minisager

Sag 1 — Rapport returneret fra døren. Et hold troede, at de havde gennemført alle trinene, og rapporten var klar til offentliggørelse. Den endelige kvalitetsindgangsprompt fangede en usourcet "78% nyttiggørelse"-påstand og en "carbon neutral"-erklæring i et afsnit. Udgivelsen blev stoppet, før nogen af ​​dem blev rettet; Døren holdt fejlen, før den blev offentlig.

Case 2 — Fortroligt datalækage forhindret. En analytiker ville indsætte de endnu ikke-frigivet kvartalsvise økonomiske konsekvensdata i et offentligt tilgængeligt værktøj til analyse. Dataklassificeringsprompten markerede det som "fortroligt - ikke offentliggjort økonomisk." Dataene blev først aggregeret og derefter behandlet i virksomhedsværktøjet; En mulig overtrædelse af lovgivningen blev forhindret.

Case 3 — At tage ansvar. Efter at en rapport blev offentliggjort, stillede en interessent spørgsmålstegn ved en række. Holdet sagde ikke "AI beregnet"; åbnede revisionssporet, citerede kilden, lavede en mindre rettelse og forklarede gennemsigtigt. Denne holdning, som ikke var afhængig af "AI sagde"-forsvaret, bevarede tilliden.

Almindelige fejl

• Gå fremad uden døren til kvalitet. Hvis verifikationen ikke udføres ved afslutningen af ​​hvert trin, vil fejl akkumulere indtil slutningen.
• Give data til køretøjet uden at klassificere det. Fortrolige og personlige data kan ikke indtastes i offentlig AI uden anonymisering.
• Overførsel af ansvar til AI. "AI sagde" er ikke et juridisk eller professionelt forsvar.
• Tænketrin isoleret. Væsentlighed, data, beregning og krav hænger sammen; Hvis en er beskadiget, er alle berørt.
• Ikke at tildele en person, der er ansvarlig for udgivelsesgodkendelse. Bag enhver offentlig påstand skal der være et menneske.

Sammenfattende

ESG-forretningen er en kæde af otte indbyrdes forbundne trin, og AI er en accelerator på hvert trin; Men der er en dør af kvalitet ved udgangen af ​​hvert trin. Rytmen af ​​"AI producerer → mennesket verificerer → passerer gennem døren" kombinerer alle lektionerne fra dette modul til en enkelt studiedisciplin. Klassificer data og beskyt fortrolighed, bekræft faktor og standard fra officiel kilde, link krav til beviser, lug greenwashing ud før offentliggørelse, og giv det endelige ansvar til et menneske. AI fremskynder arbejdet; Du påtager dig nøjagtighed, ærlighed og ansvar. Kriteriet for denne profession er ikke at "fremstå flydende", men "bestå revisionen og blive bevist".

Ansøgningsopgave

Kombiner de leverancer, du har produceret i tidligere enheder (en væsentlighedsliste, en kulstofkonto, en rapportsektion) til en enkelt minirapport. Gennemgå denne minirapport i 7 punkter med ovenstående ende-til-ende-kvalitets-gate-prompt fra AI. Derefter: (1) ret hvert punkt markeret med "RELEASE", (2) klassificere og handle på alle fortrolige/personlige data, (3) tilføje et ansvarligt navn og godkendelsesnotat til offentliggørelse.

tjekliste

• [ ] Jeg sætter arbejdsgangen op med rytmen "AI producerer → mennesket bekræfter → passerer gennem døren."
• [ ] Jeg implementerede en kvalitetsport ved udgangen af ​​hvert trin.
• [ ] Jeg klassificerede alle data som gratis/interne/fortrolige og beskyttede fortroligheden.
• [ ] Jeg har bekræftet faktorerne og standardelementerne fra den officielle kilde.
• [ ] Jeg støttede enhver påstand med beviser og eliminerede greenwashing før offentliggørelse.
• [ ] Jeg tog ansvar uden at stole på "AI sagde"-forsvaret.
• [ ] Jeg har sat et ansvarligt navn og godkendelsesrekord for udgivelsen.

Modul eksamen

1. Hvilken af følgende er den bedste positionering for AI i ESG- og bæredygtighedsbranchen?

• A) Kunstig intelligens er en assistent til kode, data og tegninger; Ansvaret for faktorer, standarder, beviser og etiske beslutninger ligger hos mennesker ✔
• B) Kunstig intelligens er en revisor, og de ESG-værdier, den giver, er en erstatning for uafhængig forsikring
• C) Kunstig intelligens fungerer kun i at skrive rapporter, det har intet med data og beregninger at gøre
• D) Da AI er mere upartisk end mennesker, bør alle ESG-beslutninger overlades til det

Beskrivelse: Kunstig intelligens; Det er en assistent, der skriver kode, organiserer data, laver udkast og opsummerer. Det endelige ansvar for at bekræfte emissionsfaktoren, kontrollere standardstofnummeret og bevise hver påstand ligger dog hos den kompetente ekspert. Den store sprogmodel er ikke en lommeregner, regulerings-/standarddatabase eller checker; er en tekstgenerator, der producerer det 'næste mest sandsynlige ord', og dets ubekræftede output kan føre til en falsk rapport eller påstand.

2. Hvad betyder "impact materiality"-aspektet af et spørgsmål i dobbelt væsentlighedsanalyse?

• A) Emissionens indvirkning på virksomhedens resultat og aktieværdi
• B) Den finansielle risiko ved udstedelsen kun for investorer
• C) Konkurrerende virksomheders præstationer om samme emne
• D) Virkningen af virksomhedens aktiviteter på miljø og samfund ✔

Beskrivelse: Dobbelt materialitet ser gennem to linser. Finansiel væsentlighed er virkningen af ​​et problem på en virksomheds pengestrømme og værdi ('udenfor-ind'). Påvirkningsvæsentlighed er påvirkningen af ​​virksomhedens aktiviteter på miljøet og samfundet ('inside out'). CSRD/ESRS håndhæver begge aspekter; Da kunstig intelligens ofte kun skifter til den økonomiske retning, skal påvirkningsretningen desuden styres af mennesket.

3. Hvad er den korrekte tilgang ved indsamling af energidata i kWh, MWh og GJ fra forskellige anlæg?

• A) Ignorer enheder og tilføj alle tal direkte
• B) At stole på kunstig intelligens for at samle den lange liste i dit hoved
• C) Konvertering af alle værdier til en enkelt enhed og lav konvertering og sum med kode/formel ✔
• D) Valg af den største enhed og ikke rapportering af andre faciliteter

Forklaring: Unit churn er ESG's hyppigste og mest farlige fejl; Da 1 MWh = 1.000 kWh, hvis enheden udelades, kan resultatet afvige med en faktor på 1.000. Den korrekte tilgang er at konvertere alle værdier til en enkelt enhed og få den kunstige intelligens til at foretage denne konvertering og summere med en eksekverbar kode/formel, ikke manuelt; således er resultatet deterministisk og verificerbart.

4. Hvilket omfang omfatter emissioner fra produktion af købt elektricitet i henhold til GHG-protokollen?

• A) Omfang 1
• B) Omfang 2 ✔
• C) Omfang 3
• D) Det er ikke inkluderet i noget omfang og er ikke indberettet

Beskrivelse: Scope 1 er direkte emissioner fra organisationens egne kilder (kedel, firmabil, generator). Scope 2 er indirekte emissioner fra produktion af købt energi (el, damp, varme, køling). Scope 3 dækker alle andre indirekte emissioner i værdikæden (forsyning, rejser, produktanvendelse, affald). Elektricitet kommer ikke ud af virksomhedens skorsten, men kraftværket, der producerer den, udleder emissioner; så det er Scope 2.

5. Hvilket koncept bruges, når en drivhusgas som f.eks. metan (CH₄) omdannes til CO₂e, og hvorfor er det vigtigt?

• A) GWP (globalt opvarmningspotentiale); hvis den udelades, vil metan/N₂O-effekten blive stærkt undervurderet ✔
• B) AQI (luftkvalitetsindeks); bestemmer farven på gassen i luften
• C) GRI (rapporteringsinitiativ); bestemmer det stof, som gassen vil blive rapporteret i
• D) Ingen koefficienter påkrævet; metan tæller 1 til 1 direkte ligesom CO₂

Beskrivelse: GWP (Global Warming Potential) er den koefficient, der konverterer varmeeffekten af forskellige drivhusgasser til en fælles enhed i forhold til CO₂. Den 100-årige GWP af metan er cirka 28; Så 1 ton metan betyder cirka 28 tons CO₂e. Hvis GWP udelades, vil påvirkningen af ​​stærke gasser såsom methan og N₂O blive stærkt undervurderet, og opgørelsen vil være fuldstændig unøjagtig; Det skal også oplyses hvilket GWP-sæt (f.eks. IPCC AR6, 100 år) der anvendes.

6. Hvilken tilgang er korrekt til at beregne 'aktivitetsdata × emissionsfaktor' i en drivhusgasopgørelse?

• A) Brug af den faktor, som den kunstige intelligens husker, og få den til at gøre totalen manuelt
• B) Tæller alle gasser som CO₂ og overspringsfaktor og GWP-konvertering
• C) Brug af en standardfaktor nøjagtigt for hvert land, år og brændstof
• D) Bekræftelse af faktoren fra den officielle kilde i henhold til land og år og lav beregningsstillads og total med kode ✔

Beskrivelse: Emissionsfaktorer varierer efter land, år og brændstof; At 'minde' AI’en skaber risikoen for at finde på ting (hallucinationer). Faktoren skal altid bekræftes fra en officiel tabel (IPCC, DEFRA/EPA, IEA, national opgørelse); Kun omfangsadskillelse, regnskabsstilladser og totalkode bør udføres af kunstig intelligens. Totaler med flere rækker udføres af eksekverbar kode, ikke manuelt.

7. Hvad er den korrekte adfærd for et GRI/ESRS standard stofnummer (f.eks. 'GRI 305 for vandforbrug') foreslået af AI?

• A) Skriv nummeret direkte ind i rapporten, fordi kunstig intelligens antyder det
• B) Varenumre er uden betydning; enhver kan skrives
• C) Bekræftelse af nummeret og dets indhold med den officielle standardtekst, bekræfte det i tilfælde af at det er falsk/forældet ✔
• D) Da vand- og luftemissioner er ens, rapporteres det i samme artikel

Beskrivelse: Kunstig intelligens kan generere standardtal, der ser rigtige ud, men hvis indhold er falsk eller fuldstændigt opdigtet; Desuden er standarder opdateret, og den version, som modellen kender, kan være forældet. Eksempelvis er vand indberettet under GRI 303, mens GRI 305 er luftemissioner. Derfor kan hvert stofnummer og indhold ikke bruges uden at være verificeret med den officielle standardtekst (GRI/EFRAG/ISSB).

8. Hvis de fleste leverandører i forsyningskæden ikke har reelle kulstofdata, hvad er den rigtige og ærlige tilgang til Scope 3?

• A) Direkte ved hjælp af de tal, som kunstig intelligens består af for leverandører
• B) Springer Scope 3 over, helt fordi det er 'svært at måle'
• C) Brug af dem med rigtige data, tydelig markering af proxy for dem uden ✔
• D) Anvendelse af fuldmagt til alle leverandører og skjule det i rapporten

Beskrivelse: Scope 3 er de fleste virksomheders største, men sværeste at måle emne. For leverandører, der leverer faktiske data, bruges disse data; For dem, der ikke giver det, kan en udgiftsbaseret proxy (overslag) bruges. Det kritiske er ikke at skjule proxyen: rapporten skal klart angive den anvendte del og andel af estimatet. Uklar fuldmagt kan føre til nægtelse af uafhængig forsikring; Det er også forkert at springe Scope 3 over helt med den begrundelse, at det er 'svært at måle'.

9. AI markerede en leverandør som "muligt tvangsarbejde" udelukkende baseret på landsgennemsnittet. Hvad er korrekt adfærd?

• A) Accepter signalet som bevis og afbryd straks offentligt forholdet til leverandøren
• B) At skrive påstanden direkte ind i rapporten, fordi den kunstige intelligens sagde det
• C) Helt ignorere risikosignaler og slet ikke undersøge dem
• D) At betragte signalet som en 'advarsel, der skal undersøges' og bekræfte det med feltinspektion og en pålidelig kilde ✔

Forklaring: Alvorlige påstande såsom menneskerettighedskrænkelser kan ikke bevises med et signal produceret af kunstig intelligens. Et sådant signal er blot en "advarsel om at blive undersøgt"; At bruge det som en definitiv anklage er både uretfærdigt og juridisk risikabelt. Sådanne påstande bekræftes kun af en pålidelig kilde, feltinspektion og juridisk proces. Kunstig intelligens genererer signaler; Mennesket påtager sig dømmekraften og ansvaret.

10. Hvad er den mest kritiske forholdsregel, når man analyserer hundredvis af fritekstsvar fra en interessentundersøgelse med AI?

• A) Kræver sjældne, men høje vigtige (sikkerhed/etiske/miljømæssige) signaler separat og ikke overskygger dem ✔
• B) Vælger kun de højeste frekvenstemaer, fjerner minoritetsvisninger
• C) Reducer alle svar til et enkelt positivt resumé og udelad detaljerne
• D) Acceptere resuméet af kunstig intelligens i stedet for rå svar

Beskrivelse: Kunstig intelligens forstærker flertallets stemme og undertrykker minoritetens stemme i tematisk analyse. Det mest værdifulde signal inden for bæredygtighed er dog nogle gange et alvorligt sikkerheds-, etisk eller miljømæssigt problem, som en enkelt person har givet udtryk for. Så analysen spørger 'hvad blev sagt oftest?' Det ender ikke med; "sjældne, men høj signifikans"-signaler bør anmodes om særskilt, og rå svar bør bruges som supplement til, snarere end i stedet for, resuméet.

11. Hvad er den mest effektive måde at forhindre falske numre og mål i at lække ind i teksten, når man skriver et rapportafsnit til kunstig intelligens?

• A) At få hele rapporten fremstillet på én gang ved at sige 'skriv en passende tekst'
• B) Kun at levere verificerede data og eksplicit forbyde generering af nye numre/krav ✔
• C) Tjek, hvor flydende og imponerende teksten er, og udgiv den
• D) Tillad AI at udfylde manglende data med rimelige gæt

Beskrivelse: Kunstig intelligens genererer tal og mål, du faktisk ikke har, ved at bruge logikken "det er, hvad lignende rapporter sagde" i en tom prompt. Den mest effektive forholdsregel er kun at give den verificerede data og 'tilføj ingen tal, procenter, datoer eller påstande udover de data, jeg har givet dig; Det er klart at angive reglen om 'skriv [DATA PÅKRÆVET] på det manglende sted'. Derudover skal rapporten udskrives afsnit for afsnit, fodret med data.

12. Hvad ser en uafhængig revisionsrevisor efter først, når han gennemgår en bæredygtighedsrapport?

• A) Hvor flydende og professionelt rapporten er skrevet
• B) Hvert problem har en kæde af beviser, der kan spores til kildedokumentet ✔
• C) Kunstig intelligens siger "rapporten er klar til revision"
• D) Få rapporten til at fremstå mere selvsikker end konkurrenterne

Forklaring: Eksaminator er ikke interesseret i tekstens flydende karakter, men i kæden af ​​beviser bag hver påstand; Hans første spørgsmål er 'bevis dette tal'. Det undersøges, hvilket kildedokument et nummer kommer fra, hvilken formel og faktor det bliver til en rapport, og om det kan gentages selvstændigt. Derfor skal hver materialemetrik kunne spores til sin kilde, faktorer skal verificeres fra den officielle kilde, og fuldmagter skal angives; Kunstig intelligens laver denne forberedelse, men kan ikke give sikkerhed.

13. Hvilken af ​​følgende miljøpåstande har den laveste risiko for greenwashing?

• A) "Vi reducerede vores produktionsemissioner med 18 % inden 2023 (med tredjepartsverifikation)" ✔
• B) 'Vores produkter er fuldstændig miljøvenlige og naturlige'
• C) "Vores virksomhed er CO2-neutral" (uden at levere nogen dokumenter eller data)
• D) 'Vi er den mest bæredygtige og næsten nul-impact virksomhed i branchen'

Forklaring: En god miljøpåstand er målbar (indeholder et tal), bevist (baseret på evidens) og klar i omfang (det er tydeligt, hvad der sammenlignes med hvad og hvornår). "Vi reducerede produktionsemissioner med 18 % inden 2023 (med tredjepartsverifikation)" har disse tre funktioner. Sætninger som "miljøvenlig", "naturlig", ucertificeret "kulstofneutral" er ikke kvantificerbare eller ubegrundede og indebærer risiko for grønvask.

14. Hvad skal der gøres, før man indsætter ikke-offentliggjorte produktions- og emissionsdata i et offentligt tilgængeligt AI-værktøj til analyse?

• A) Indsæt dataene som de er; miljødata er altid offentligt tilgængelige
• B) At give uden at tage forholdsregler, da ansvaret overgår til udbyderen af kunstig intelligens
• C) Risikoen er simpelthen fejlberegning; En fortrolighedsforanstaltning er unødvendig
• D) Klassificering af data som gratis/interne/fortrolige og anonymisering af fortrolige data eller brug af virksomhedsværktøjer ✔

Offentliggørelse: Produktions- og emissionsdata på anlægsniveau kan være forretningshemmeligheder; finansielle/miljømæssige data, der endnu ikke er blevet offentliggjort, kan være i strid med lovmæssige regler for offentliggørelse; Medarbejderplacering/løndata er persondata inden for KVKK/GDPRs rammer. Før du giver denne type data til et åbent værktøj, er det nødvendigt at klassificere det som gratis/internt/fortroligt, anonymisere det om nødvendigt eller bruge et virksomhedsværktøj (datafrit). 'AI sagde' er ikke et forsvar; Ansvaret ligger hos institutionen og den, der godkender den.