Εισαγωγή στην τεχνητή νοημοσύνη στο ESG και τη βιωσιμότητα: Ρόλοι, όρια, επικύρωση και ηθική — Τεχνητή Νοημοσύνη στη Βιωσιμότητα και Διαχείριση ESG

Κέρδη:

Να είστε σε θέση να διακρίνετε πού εξοικονομεί χρόνο η τεχνητή νοημοσύνη στη ροή εργασίας ESG (δεδομένα, λογαριασμοί, χαρτογράφηση, αναφορές) και πού οι αποφάσεις παραγόντων, προτύπων και αξιώσεων αφήνονται στους ανθρώπους, ανάλογα με το επίπεδο κινδύνου
Δυνατότητα εφαρμογής μιας πειθαρχίας που ελέγχει κάθε αριθμητική και ποιοτική έξοδο με βήματα μονάδας, πηγής και διαδρομής ελέγχου
Η κατανόηση του γιατί οι ψεύτικοι παράγοντες εκπομπών, οι ψεύτικες τυπικές αναφορές και η γλώσσα πράσινης πλύσης αποτελούν κινδύνους για αυτό το επάγγελμα που πρέπει να ληφθούν υπόψη από την αρχή.

Η έκθεση βιωσιμότητας μιας εταιρείας δεν είναι πλέον απλώς ένα φυλλάδιο καλής θέλησης. Είναι ένα έγγραφο που είναι τόσο δεσμευτικό, ελεγμένο και έχει νομικές συνέπειες όσο ένα λογιστικό έγγραφο. Με τον κανονισμό CSRD της Ευρωπαϊκής Ένωσης (Οδηγία Αναφοράς για την Εταιρική Αειφορία), χιλιάδες εταιρείες, Έπρεπε να αποκαλύψει τις εκπομπές άνθρακα, τα δεδομένα των εργαζομένων και τις επιπτώσεις στην αλυσίδα εφοδιασμού με υποχρεωτικό, επαληθεύσιμο και συγκρίσιμο τρόπο, όπως και οι οικονομικές καταστάσεις. Σε αυτήν την ενότητα, θα μάθετε πού η τεχνητή νοημοσύνη (AI) εξοικονομεί πραγματικά χρόνο σε αυτή τη βαριά και εντατική εργασία δεδομένων, πού είναι επικίνδυνη και πώς να επαληθεύσετε κάθε έξοδο.

Πρώτον, μια κριτική έννοια. Το ESG είναι τα αρχικά των αγγλικών λέξεων Environmental, Social και Governance. Είναι το όνομα του πλαισίου που μετρά τις περιβαλλοντικές επιπτώσεις μιας εταιρείας όπως οι εκπομπές άνθρακα και η χρήση νερού, οι κοινωνικές επιπτώσεις όπως τα δικαιώματα των εργαζομένων και η επαγγελματική ασφάλεια και πρακτικές διακυβέρνησης όπως η δομή και η ηθική του διοικητικού συμβουλίου. Η αναφορά βιωσιμότητας είναι η μέτρηση της απόδοσης σε αυτούς τους τρεις τομείς με τυπικό τρόπο και η αποκάλυψη της στο κοινό.

Η δεύτερη κρίσιμη ιδέα: η ψευδαίσθηση είναι όταν η τεχνητή νοημοσύνη παράγει πληροφορίες που στην πραγματικότητα δεν είναι αληθινές με πλήρη εμπιστοσύνη. Στον κόσμο του ESG αυτό? Μπορεί να συναντήσετε έναν πλασματικό παράγοντα εκπομπής, έναν ανύπαρκτο τυπικό αριθμό GRI, μια λανθασμένη μονάδα ή μια αναφορά σε ανύπαρκτο άρθρο της νομοθεσίας. Το κρίσιμο σημείο είναι ότι ένα μεγάλο γλωσσικό μοντέλο (LLM) δεν είναι μια αριθμομηχανή, μια κανονιστική βάση δεδομένων ή ένας ελεγκτής. Είναι μια γεννήτρια κειμένου που μιμείται στατιστικά τα κείμενα που βλέπει στα δεδομένα εκπαίδευσης. Παράγει ακριβείς πληροφορίες τις περισσότερες φορές. αλλά η διαφορά μεταξύ του «ακριβούς τις περισσότερες φορές» και του «αρκετά ακριβούς για να περάσει ο έλεγχος» είναι τα πάντα στην αναφορά ESG.

Πού λειτουργεί το AI στο ESG και πού όχι;

Σκεφτείτε την τεχνητή νοημοσύνη ως ένα γρήγορο προσχέδιο, επιμέλεια δεδομένων και συνεργάτη ανάλυσης: πολύτιμο αλλά απαραίτητο για την επικύρωση. Η ακόλουθη διάκριση είναι η ραχοκοκαλιά αυτής της ενότητας.

Αναζήτηση

Συνεισφορά του AI

Ευθύνη ειδικού

συλλογή δεδομένων

Επεξεργάζεται διαφορετικές μορφές, επισημαίνει κενά

Επιβεβαίωση του αριθμού με το έγγραφο προέλευσης

Λογαριασμός εκπομπών

Δημιουργεί τύπο και πλαίσιο υπολογισμού

Επαλήθευση του συντελεστή εκπομπής από επίσημη πηγή

Χαρτογράφηση GRI/CSRD

Συνιστά συστατικά σε τυποποιημένα είδη

Έλεγχος ακριβώς με το τυπικό κείμενο

Ανάλυση ουσιαστικότητας

Διαχωρίζει τις απόψεις των ενδιαφερομένων σε θέματα

Λάβετε μια απόφαση ιεράρχησης προτεραιοτήτων

Σύνταξη αναφοράς

Παράγει προσχέδιο κειμένου και περίληψη

Υποστηρίξτε κάθε ισχυρισμό με στοιχεία

Έλεγχος πρασίνου πλυσίματος

Επισημαίνει επικίνδυνες φράσεις

αναλάβει την ευθύνη της τελικής διεκδίκησης

Εμπειρικός κανόνας: εφαρμόστε την τεχνητή νοημοσύνη όχι στα ίδια τα δεδομένα. χρήση για την οργάνωση δεδομένων, ανάλυση ικριωμάτων και προσχέδιο κειμένου. Ελέγχετε πάντα κάθε αριθμό και κάθε τυπική αναφορά με την κύρια πηγή (τιμολόγιο, αρχείο μετρητή, επίσημο πρότυπο κείμενο, βάση δεδομένων συντελεστών εκπομπής). Πίσω από κάθε σχήμα σε μια έκθεση βιωσιμότητας θα πρέπει να υπάρχει μια διαδρομή ελέγχου που μπορεί να θέλει ένας ελεγκτής. Το AI δεν μπορεί να παράσχει αυτά τα στοιχεία. απλά σε βοηθά να το οργανώσεις.

Τρεις θανατηφόρες παγίδες AI στο ESG

1. Σύνθετοι συντελεστές και αριθμοί εκπομπής. Το AI μπορεί να «συμπληρώσει» έναν παράγοντα εκπομπών που δεν θυμάται (ο συντελεστής εκπομπών άνθρακα ανά μονάδα καυσίμου ή ηλεκτρικής ενέργειας) με έναν αριθμό που φαίνεται λογικός. Αυτός ο αριθμός ακυρώνει ολόκληρο τον υπολογισμό του αποτυπώματος άνθρακα.

2. Αναφορά σε ανύπαρκτη ή απαρχαιωμένη νομοθεσία/πρότυπα. Η τεχνητή νοημοσύνη μπορεί να δημιουργήσει τυπικούς αριθμούς που φαίνονται πραγματικοί αλλά των οποίων το περιεχόμενο παραποιείται ή έχει κατασκευαστεί πλήρως, όπως το "GRI 305-7". Τα πρότυπα ενημερώνονται επίσης τακτικά. Η έκδοση που είναι γνωστή στο μοντέλο μπορεί να είναι ξεπερασμένη.

3. Γλώσσα που παράγει greenwashing. Η τεχνητή νοημοσύνη παράγει με ανυπομονησία ωραίες αλλά ατεκμηρίωτες και παραπλανητικές δηλώσεις όπως «φιλικό προς το περιβάλλον», «φιλικό προς το περιβάλλον», «ουδέτερο από άνθρακα». Αυτές οι δηλώσεις ενέχουν νομικό κίνδυνο σήμερα. Θα το καλύψουμε σε βάθος στην ενότητα 10.

Συμβουλή: Προσεγγίστε κάθε αριθμητικό αποτέλεσμα ESG με τρεις ερωτήσεις: (1) Ποια είναι η μονάδα του (tCO₂e, kg, MWh); (2) Ποιο έγγραφο είναι η πηγή; (3) Πώς μπορώ να αποδείξω αυτό το ποσό σε έναν ελεγκτή; Αυτές οι τρεις ερωτήσεις πιάνουν τα περισσότερα λάθη ESG στην αρχή. "tCO2e" εδώ σημαίνει "τόνοι ισοδυνάμου διοξειδίου του άνθρακα". Είναι το μέτρο που μετατρέπει διαφορετικά αέρια θερμοκηπίου σε μια κοινή μονάδα.

Βήμα προς βήμα: Ασφαλής ροή εργασίας AI στο ESG

1. Συνδέστε την εργασία με το πρότυπο και τη μονάδα. Αντί για "Υπολογίστε τις εκπομπές μας άνθρακα", πείτε "2024, γραφείο Κωνσταντινούπολης, κατανάλωση φυσικού αερίου 12.000 m³. Υπολογίστε την εκπομπή σε tCO₂e με τη μέθοδο Πεδίο 1 πρωτοκόλλου GHG, προσδιορίστε τον συντελεστή εκπομπής και την πηγή που χρησιμοποιείτε".

2. Ζητήστε ξεκάθαρα την πηγή και την υπόθεση. Ζητήστε από το AI να γράψει ποιον συντελεστή εκπομπής, ποιο πρότυπο και ποια υπόθεση χρησιμοποίησε για κάθε αριθμό. Μην αποδεχτείτε κανέναν αριθμό χωρίς να αναφέρετε την πηγή.

3. Επαληθεύστε με την κύρια πηγή. Επιβεβαιώστε τον παράγοντα εκπομπής από μια επίσημη βάση δεδομένων (π.χ. εθνικό τμήμα ενέργειας, σύνολο δεδομένων DEFRA του ΗΒ, IEA), το τυπικό κείμενο από το επίσημο έγγραφο GRI ή EFRAG. Το EFRAG είναι το ευρωπαϊκό ίδρυμα που εκπονεί τα πρότυπα ESRS (European Sustainability Reporting Standards) στα οποία βασίζεται η CSRD.

4. Αποθηκεύστε τη διαδρομή ελέγχου. Γράψτε σε έναν πίνακα ποια δεδομένα χρησιμοποιήσατε, από ποια πηγή, ποια ημερομηνία και με ποια υπόθεση. Ο ελεγκτής διασφάλισης (ανεξάρτητος επαληθευτής) θα το ζητήσει.

5. Ζητήστε από έναν άνθρωπο να επιβεβαιώσει τον τελικό ισχυρισμό. Πρέπει να υπάρχει ένα υπεύθυνο άτομο πίσω από κάθε δημόσια αξίωση ESG.

Αδύναμη προτροπή / Ισχυρή προτροπή

Το να ζητάς την ίδια δουλειά με δύο διαφορετικούς τρόπους αλλάζει ριζικά την αξιοπιστία του αποτελέσματος.

Αδύναμη προτροπή:

Υπολογίστε το αποτύπωμα άνθρακα της εταιρείας μας και γράψτε μια παράγραφο για την έκθεση βιωσιμότητας.

Αυτός ο ισχυρισμός δεν περιλαμβάνει ενότητα, εύρος, έτος, δεδομένα και πηγή. Η τεχνητή νοημοσύνη συμπληρώνει τα κενά με κατασκευή και παράγει κείμενο γεμάτο πράσινο.

Ισχυρή προτροπή:

Ο ρόλος σας: ανώτερος ειδικός στην αναφορά ESG. Εισαγάγετε δεδομένα (χρησιμοποιήστε μόνο αυτά, γράψτε "χωρίς δεδομένα" εάν λείπουν): - 2024, φυσικό αέριο: 12.000 m³ - 2024, ηλεκτρική ενέργεια δικτύου: 85.000 kWhΕργασία: Υπολογίστε τις εκπομπές σε CO₂e χρησιμοποιώντας το Scope21-Scope και το πρωτόκολλο GHG μέθοδος.Κανόνες:- Κάθε εκπομπή που χρησιμοποιείτε Καθορίστε τον παράγοντα, τη μονάδα και την πηγή σε ξεχωριστή στήλη. - Εάν δεν γνωρίζετε τον παράγοντα, μην τον συνθέσετε. Γράψτε "απαιτείται επίσημος παράγοντας". - Δώστε το αποτέλεσμα σε έναν πίνακα. Καταγράψτε τα στοιχεία που πρέπει να επαληθευτούν στο τέλος.

Ηθική, ιδιωτικότητα και όρια

Τα δεδομένα ESG είναι συχνά ευαίσθητα: δεδομένα φύλου και μισθών εργαζομένων (κοινωνικοί δείκτες), όροι συμβάσεων προμηθευτών, οικονομικές επιπτώσεις που δεν έχουν ακόμη αποκαλυφθεί. Διευκρινίστε τα όρια απορρήτου πριν εισαγάγετε αυτά τα δεδομένα σε ένα δημόσιο εργαλείο AI. Ανωνυμοποιήστε ή συγκεντρώστε προσωπικά δεδομένα (όνομα, ταυτότητα, μισθός εντός του πεδίου εφαρμογής του KVKK και του GDPR) πριν τα δώσετε στην τεχνητή νοημοσύνη. Δηλαδή, αντί για μεμονωμένα άτομα, μετατρέψτε τα σε συνοπτικά νούμερα όπως «το ποσοστό των γυναικών εργαζομένων είναι 38%». Το KVKK είναι ο νόμος περί προστασίας προσωπικών δεδομένων της Τουρκίας και ο GDPR είναι ο ευρωπαϊκός νόμος για την προστασία των προσωπικών δεδομένων.

Προσοχή: Ένας ψευδής ή υπερβολικός ισχυρισμός σε μια αναφορά ESG δεν αποτελεί μόνο κίνδυνο φήμης. Μπορεί να οδηγήσει σε πρόστιμα και νομική ευθύνη βάσει της CSRD και της εθνικής νομοθεσίας για τους καταναλωτές. Μην δημοσιεύετε τυχόν ισχυρισμούς που παράγονται από AI χωρίς απόδειξη.

τρεις μίνι θήκες

Περίπτωση 1 — Επινοημένος παράγοντας. Μια κατασκευαστική εταιρεία έδωσε κατανάλωση ντίζελ στην τεχνητή νοημοσύνη και ζήτησε έναν υπολογισμό εκπομπών. Η YZ χρησιμοποίησε τον παράγοντα "2,40 kgCO2e/λίτρο για ντίζελ". Ο εμπειρογνώμονας έλεγξε: ο επίσημος συντελεστής ήταν περίπου 2,68 kg CO₂e/λίτρο. Η διαφορά ήταν 10% και σήμαινε απόκλιση περίπου 11 τόνων CO₂e ανά 40.000 λίτρα κατανάλωσης. Ο παράγοντας έχει διορθωθεί από την επίσημη πηγή.

Περίπτωση 2 — Ανύπαρκτο πρότυπο. Ένας σύμβουλος ζήτησε από την YZ τον τίτλο «GRI 305-8 water κατανάλωση» για την έκθεση. ότι το νερό αναφέρεται στο GRI 303· Το GRI 305 είναι οι εκπομπές αέρα. Όταν έγινε έλεγχος με το τυπικό κείμενο, το σφάλμα εντοπίστηκε και το περιεχόμενο μετακινήθηκε στο σωστό άρθρο.

Περίπτωση 3 — Γλώσσα Greenwashing. Η YZ πρότεινε την πρόταση "τα προϊόντα μας είναι απολύτως φιλικά προς το περιβάλλον" για μια μάρκα λιανικής. Η ομάδα ESG βρήκε αυτό το αναπόδεικτο και το αντικατέστησε με μια συγκεκριμένη, αποδείξιμη δήλωση όπως «το 60% της συσκευασίας μας ανακυκλώνεται (2024, εσωτερική μέτρηση).»

Προτροπές για εργασία έτοιμη για έλεγχο

Εξετάστε το παρακάτω κείμενο ESG με βλέμμα ελέγχου. Για κάθε αριθμητικό ισχυρισμό: 1) Είναι σαφής η μονάδα; 2) Αναφέρεται η πηγή; 3) Είναι επαληθεύσιμο ή υποκειμενικό/υπερβολικό; Σημειώστε αβάσιμες ή ασαφείς δηλώσεις όπως "φιλικό προς το περιβάλλον, πράσινο, φυσικό" και προτείνετε μια συγκεκριμένη, μετρήσιμη εναλλακτική για καθεμία. Κείμενο: [ΚΕΙΜΕΝΟ]

Η ακόλουθη προτροπή δημιουργεί ένα σύντομο περίγραμμα πολιτικής που διευκρινίζει το όριο χρήσης τεχνητής νοημοσύνης εντός του οργανισμού.

Ο ρόλος σας: ηγέτης ομάδας βιωσιμότητας. Εργασία: γράψτε ένα προσχέδιο εσωτερικής πολιτικής 1 σελίδας που διέπει τη χρήση της τεχνητής νοημοσύνης από την ομάδα στην εργασία ESG. Συμπεριλάβετε:- Εργασίες όπου η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί ελεύθερα (περίγραμμα, περίληψη, μορφοποίηση) - Εργασίες που απαιτούν ανθρώπινη επαλήθευση (αριθμός, παράγοντας, τυπική απόδοση, αξίωση) - Τύποι δεδομένων που δεν θα εισαχθούν ποτέ στο AI (προσωπικά δεδομένα, άγνωστος οικονομικός αντίκτυπος) Τόνος: σαφής, κουκκίδα, ισχύει.

Η ακόλουθη προτροπή δημιουργεί έναν μικρό σκελετό πίνακα «ίχνος ελέγχου» που μπορεί να προστεθεί σε κάθε παραδοτέο ESG.

Συνήθη λάθη

Αποδοχή του αριθμού χωρίς πηγή. Κάθε συντελεστής εκπομπής και αριθμός που δίνεται από την YZ δεν συμπεριλαμβάνεται στην αναφορά χωρίς να επιβεβαιωθεί από την επίσημη πηγή.
Αγνοώντας τη μονάδα. Εάν το kg συγχέεται με τόνους, kWh με MWh, το αποτέλεσμα μπορεί να αποκλίνει κατά 1000 φορές.
Εμπιστευόμενοι τυφλά τα τυπικά κόλπα τους. Οι αριθμοί ουσιών GRI/ESRS πρέπει να επαληθεύονται με επίσημο έγγραφο.
Εισαγωγή ευαίσθητων δεδομένων ως έχουν. Τα δεδομένα εργαζομένων και προμηθευτών δεν παρέχονται στο δημόσιο εργαλείο χωρίς ανωνυμοποίηση.
Τοποθέτηση AI στη θέση του ελεγκτή. Η τεχνητή νοημοσύνη μπορεί να δημιουργήσει μια λίστα ελέγχου, αλλά δεν μπορεί να παρέχει ανεξάρτητη διασφάλιση.

Συνοπτικά

Το AI είναι ένας ισχυρός συνεργάτης σύνταξης, επιμέλειας δεδομένων και ανάλυσης στο ESG. αλλά δεν είναι αριθμομηχανή, ρυθμιστική βάση δεδομένων ή ελεγκτής. Η αξία του αποκαλύπτεται από την επαλήθευση του. Η επιβεβαίωση κάθε αριθμού από την κύρια πηγή, η σύγκριση κάθε τυπικής αναφοράς με το επίσημο κείμενο, η ανωνυμοποίηση ευαίσθητων δεδομένων και η ανάθεση της ευθύνης της τελικής αξίωσης σε έναν άνθρωπο είναι η σταθερή ραχοκοκαλιά αυτής της ενότητας. Μην ξεχνάτε ποτέ τη διαφορά μεταξύ του «φαίνομαι άπταιστα» και του «περνάω τον έλεγχο».

Εργασία εφαρμογής

Επιλέξτε ένα μόνο στοιχείο περιβαλλοντικών δεδομένων από τον δικό σας οργανισμό (ή μια πλασματική εταιρεία): για παράδειγμα, έναν μηνιαίο λογαριασμό ηλεκτρικού ρεύματος. Ζητήστε έναν σκελετό λογιστικής εκπομπών Πεδίου 2 από το AI χρησιμοποιώντας το πρότυπο "power prompt" παραπάνω. Στη συνέχεια: (1) συγκρίνετε τον συντελεστή εκπομπών που χρησιμοποιεί με μια επίσημη πηγή, (2) ελέγξτε τη συνοχή των μονάδων, (3) γράψτε έναν μικρό πίνακα ίχνους ελέγχου που αναφέρει ποια στοιχεία «χρειάζονται επαλήθευση».

λίστα ελέγχου

[ ] Αμφισβήτησα τη μονάδα και την πηγή κάθε αριθμού που δίνεται από το AI.
[ ] Επιβεβαίωσα τους συντελεστές εκπομπής με μια επίσημη βάση δεδομένων.
[ ] Έχω επαληθεύσει τους τυπικούς αριθμούς (GRI/ESRS) με το επίσημο κείμενο.
[ ] Έχω ανώνυμα ή συγκεντρωτικά ευαίσθητα/προσωπικά δεδομένα.
[ ] Σημείωσα δηλώσεις χωρίς στοιχεία όπως "οικολογικό, πράσινο, φυσικό".
[ ] Κράτησα μια διαδρομή ελέγχου (πηγή, ημερομηνία, υπόθεση) για κάθε απόφαση.
[ ] Έχω εντοπίσει ένα υπεύθυνο άτομο που επιβεβαιώνει την τελική αξίωση.