Gevinster:
- Evne til at etablere Scope 3 ved at prioritere leverandører baseret på forbrug og risikoniveau og skelne mellem faktiske data og proxy estimater
- Når du markerer leverandørrisikosignaler med kunstig intelligens, skal du behandle dem som "signaler, der skal undersøges" snarere end som beviser
- Evne til at håndtere alvorlige menneskerettigheds-/miljøkrav gennem en due diligence-proces, der kræver feltinspektion og juridisk bekræftelse
For de fleste virksomheder ligger den største del af deres bæredygtighedspåvirkning ikke i deres egen fabrik, men i deres forsyningskæde. Mere end 80 procent af et tøjmærkes CO2-fodaftryk kan komme fra dets leverandører, lige fra stofproducenter til forsendelse. Ligeledes opstår de mest alvorlige sociale risici, såsom børnearbejde, tvangsarbejde og miljøkrænkelser, ofte dybt i forsyningskæden. I denne enhed lærer du, hvordan du bruger kunstig intelligens (AI) til at indsamle og evaluere forsyningskædedata og screene for risici.
Lad os præcisere to begreber. Scope 3, som vi så i den forrige enhed, er de indirekte emissioner i virksomhedens værdikæde og er generelt den største, men sværest at måle post. Due diligence er processen med at identificere, forebygge og afhjælpe menneskerettigheder og miljørisici i en virksomheds forsyningskæde. Forordninger som EU's CSDDD (Corporate Sustainability Due Diligence-direktiv) gør dette obligatorisk for store virksomheder.
Den største udfordring ved forsyningskædedata
Du kan måle dit eget anlægs data; Men du kan ikke direkte måle data fra hundredvis af leverandører, du skal spørge dem. Dette skaber tre problemer:
- Data ankommer ikke eller er ufuldstændige. De fleste mindre leverandører opbevarer ikke kulstofdata.
- Dataene er upålidelige. Når en leverandør selvrapporterer, kan der være tale om over- eller underrapportering.
- Et gæt (fuldmagt) er påkrævet. Hvis faktiske data ikke er tilgængelige, anvendes branchegennemsnit eller udgiftsbaseret skøn.
Det er her, AI hjælper på to måder: (1) hurtig udarbejdelse af undersøgelser og opfølgningsbreve, der skal sendes til hundredvis af leverandører, (2) strukturering af spredte svar og markering af risikosignaler. Men intet tal givet af leverandøren er verificeret, intet risikosignal er afsluttet uden menneskelig gennemgang.
Omfang 3 kategori (eksempel)
Datakilde
Typisk metode
Købte varer/ydelser
Leverandørundersøgelse / forbrug
Ægte data > proxy
Forsendelse og distribution
Transportør optegnelser
Afstand × belastning × faktor
forretningsrejser
rejsesystem
Km/flyvning × faktor
Brug af det solgte produkt
Produktets energidata
Brugsmodel
affald
Affaldsoverførselsdokumenter
Mængde × faktor
Tip: I Scope 3 er det "forbrugsbaserede" skøn (så mange CO₂e pr. brugt $1.000) en hurtig start, men en grov en. Når en leverandør leverer rigtige data, skal du bruge dem; Det forbrugsbaserede estimat er kun foreløbigt, hvis der ikke er faktiske data og skal markeres som "estimat/proxy" i rapporten.
Trin for trin: Supply chain workflow med AI
1. Prioriter leverandører. Du kan ikke undersøge alle hundredvis af leverandører i samme dybde. Fokuser på dem med høj forbrugsstørrelse og -risiko (sektor, land). AI kan producere en kladdeliste med denne prioritering.
2. Udkast til undersøgelse og anmodning. Bed AI om en klar, nem at udfylde leverandørdataundersøgelsesoversigt.
3. Konfigurer de indgående data. Sæt svarene i forskellige formater i en enkelt tabel; Marker de manglende dele.
4. Scan for risikosignaler. Få AI til at finde "rødt flag"-kandidater i offentlige nyheder, bryde registreringer og uoverensstemmelser i undersøgelser; Men mennesker bekræfter hvert signal.
5. Handling og forfølgelse. Etablere en korrigerende handling og opfølgningsplan for højrisikoleverandører; Dokumenter processen.
Svag prompt / Stærk prompt
Svag prompt:
Beregn vores leverandørers CO2-fodaftryk.
Ingen datakilde, ingen reel/proxy sondring og ingen verifikation; AI udgør leverandørnumre.
Kraftig prompt:
Din rolle: forsyningskædens bæredygtighedsanalytiker. Input: 15 leverandørers navne, branche, årligt forbrugsbeløb og de faktiske emissionsdata, de leverer (hvis nogen). Opgave: 1) For dem, der leverer rigtige data, brug disse data. 2) For dem der ikke har rigtige data, skriv "forbrugsbaseret PROXY påkrævet", PASSER IKKE nummeret; angiv, hvilken faktor der skal hentes fra den officielle kilde.3) Prioriter leverandører i industrien med høj forbrug + høj risiko. Output: tabel (Leverandør | Branche | Spend | Datatype[faktisk/proxy] |Prioritet | Note). Fuldmagtsnumre vil blive markeret i rapporten.
Spørg om leverandørrisikoscreening
Opsæt et risikoscreeningsstillads for følgende liste over leverandører. Vurder for hver leverandør (kun baseret på oplysninger, jeg har givet, offentlig påstand FAKE):- Mulig menneskerettighedsrisiko fra land/sektor (høj/middel/lav)- Mulig miljørisiko- Inkonsistens i undersøgelsessvar/røde flagRegel: Tilføj bemærkning "verifikation påkrævet — ingen kilde" for hver risiko; fremsæt ikke endelige anklager, men foreslå blot signaler til at undersøge. Liste: [LEVERANDØRER]
Følgende prompt udarbejder en dataanmodningsundersøgelse, der skal sendes til leverandører.
Din rolle: specialist i bæredygtighed sourcing. Opgave: udarbejde en ESG-dataundersøgelse med højst 10 spørgsmål, som små/mellemstore leverandører nemt kan udfylde. Inkluder: energiforbrug, brændstoftype, affald, antal arbejdssikkerhedsulykker, engagement i tvangs-/børnearbejde. Tone: enkel, klar, nem at fuldføre; Tilføj enheder og eksempler til hvert spørgsmål.
Forsigtig: Lad ikke AI bekræfte et risikosignal om leverandøren (f.eks. "børnearbejde"), og brug aldrig en påstand genereret af AI som bevis. Sådanne alvorlige påstande bekræftes kun af pålidelige kilder, feltinspektion og juridisk proces. AI producerer kun et "signal, der skal undersøges"; dømmer ikke.
tre minisager
Case 1 — Ærlig brug af proxy. Kun 30 af en møbelproducents 200 leverandører leverede faktiske kulstofdata. Holdet brugte en forbrugsbaseret proxy for de resterende 170, men rapporten siger klart, "65 % af Scope 3 er et forbrugsbaseret estimat." Revisoren erkendte denne ærlighed; havde den været skjult, kunne forsikringen være blevet nægtet.
Sag 2 — Prioritering. En fødevarevirksomhed havde 480 leverandører. AI viste, at 80 % af udgifterne var koncentreret hos 40 leverandører. Holdet fokuserede det dybe dyk på disse 40; ressourcer blev ikke spildt, og leverandørerne med størst effekt blev rapporteret med reelle data.
Sag 3 — Risiko for falsk anklage. AI markerede en leverandør som "muligt tvangsarbejde"; Årsagen var kun landsgennemsnittet. Holdet accepterede dette som et "signal om at blive undersøgt", ikke bevis, og anmodede om en feltinspektion. Inspektionen fandt ingen problemer; Hvis AI's signal blev taget som bevis, ville der opstå en uretfærdig anklage og juridisk risiko.
Almindelige fejl
- Accept af leverandørdata uden at verificere dem. Selvrapporterende leverandørdata kræver krydstjek.
- Skjuler proxyen. Det er fint at bruge forbrugsbaseret prognose; Ikke at specificere er et problem ved revision.
- Undersøgelse af alle leverandører ligeligt. Sourcing bør fokusere på høje forbrug og højrisikoleverandører.
- Forveksler AI-signalet som bevis. Påstande om menneskerettigheder/miljøkrænkelser verificeres af feltet og loven, ikke af AI.
- Springer Scope 3 helt over. Den største påvirkning er normalt her; Det kan ikke ignoreres med den begrundelse, at det er "svært at måle".
Sammenfattende
Forsyningskæden er der, hvor de fleste virksomheders største miljømæssige og sociale påvirkning gemmer sig; Scope 3-emissioner og due diligence-risici er koncentreret her. AI; Det er en stærk hjælp til leverandørprioritering, udarbejdelse af undersøgelser, strukturering af spredte svar og risikosignalflaggning. Men leverandørdata indgår ikke i rapporten, før den er verificeret, fuldmagter er tydeligt angivet, og alvorlige påstande bekræftes ved feltinspektion. AI genererer signaler; Mennesket påtager sig dømmekraften og ansvaret.
Ansøgningsopgave
Udarbejd en liste over 10 fiktive leverandører med navn, branche og årligt forbrug; Tilføj faktiske emissionsdata til nogle få, lad de fleste stå tomme. Bed AI om en tabel over prioritering og datatype via den kraftfulde prompt ovenfor. Derefter: (1) kontrollere, at antallet af leverandører, der kræver en fuldmagt, ikke er opgjort, (2) vælge de 3 højest prioriterede leverandører med begrundelse, (3) udarbejde en kort dataundersøgelse, der skal sendes til dem.
tjekliste
- [ ] Jeg prioriterede leverandører ud fra forbrug og risikoniveau.
- [ ] Jeg brugte rigtige data; For dem, der ikke har det, har jeg markeret proxyen.
- [ ] Jeg vurderede leverandørdataene ikke som de er, men ved at krydstjekke.
- [ ] Jeg anså risikosignalerne for "at blive undersøgt" og brugte dem ikke som bevis.
- [ ] Jeg planlagde et feltrevision/juridisk verifikationstrin for alvorlige krav.
- [ ] Jeg sprang ikke Scope 3 over; Jeg angav omfanget og estimeringsgraden i rapporten.
- [ ] Jeg registrerede hele processen med et due diligence-dokument.