Κέρδη:
- Δυνατότητα καθορισμού του Πεδίου 3 με την ιεράρχηση των προμηθευτών με βάση τις δαπάνες και το επίπεδο κινδύνου και τη διάκριση μεταξύ πραγματικών δεδομένων και εκτιμήσεων μεσολάβησης
- Όταν επισημαίνετε σήματα κινδύνου προμηθευτή με τεχνητή νοημοσύνη, να τα αντιμετωπίζετε ως «σήματα προς εξέταση» και όχι ως αποδεικτικά στοιχεία
- Ικανότητα διαχείρισης σοβαρών ανθρωπίνων δικαιωμάτων/περιβαλλοντικών αξιώσεων μέσω μιας διαδικασίας δέουσας επιμέλειας που απαιτεί επιτόπια επιθεώρηση και νομική επιβεβαίωση
Για τις περισσότερες εταιρείες, το μεγαλύτερο μέρος του αντίκτυπού τους στη βιωσιμότητα δεν βρίσκεται στο δικό τους εργοστάσιο αλλά στην αλυσίδα εφοδιασμού τους. Περισσότερο από το 80 τοις εκατό του αποτυπώματος άνθρακα μιας μάρκας ένδυσης μπορεί να προέλθει από τους προμηθευτές της, από τους κατασκευαστές υφασμάτων μέχρι τη ναυτιλία. Ομοίως, οι πιο σοβαροί κοινωνικοί κίνδυνοι, όπως η παιδική εργασία, η καταναγκαστική εργασία και οι περιβαλλοντικές παραβιάσεις, εμφανίζονται συχνά βαθιά στην εφοδιαστική αλυσίδα. Σε αυτή την ενότητα, θα μάθετε πώς να χρησιμοποιείτε την τεχνητή νοημοσύνη (AI) για τη συλλογή και αξιολόγηση δεδομένων της εφοδιαστικής αλυσίδας και τον έλεγχο για κινδύνους.
Ας διευκρινίσουμε δύο έννοιες. Το πεδίο 3, όπως είδαμε στην προηγούμενη ενότητα, είναι οι έμμεσες εκπομπές στην αλυσίδα αξίας της εταιρείας και είναι γενικά το μεγαλύτερο αλλά πιο δύσκολο στη μέτρηση στοιχείο. Η δέουσα επιμέλεια είναι η διαδικασία εντοπισμού, πρόληψης και αποκατάστασης των ανθρωπίνων δικαιωμάτων και των περιβαλλοντικών κινδύνων στην αλυσίδα εφοδιασμού μιας εταιρείας. Κανονισμοί όπως η CSDDD (Οδηγία Δέουσας Επιμέλειας για την Εταιρική Αειφορία) της ΕΕ το καθιστούν υποχρεωτικό για τις μεγάλες εταιρείες.
Η κύρια πρόκληση των δεδομένων της εφοδιαστικής αλυσίδας
Μπορείτε να μετρήσετε τα δεδομένα της δικής σας εγκατάστασης. Αλλά δεν μπορείτε να μετρήσετε απευθείας τα δεδομένα εκατοντάδων προμηθευτών, πρέπει να τους ρωτήσετε. Αυτό δημιουργεί τρία προβλήματα:
- Τα δεδομένα δεν φτάνουν ή είναι ελλιπή. Οι περισσότεροι μικρότεροι προμηθευτές δεν διατηρούν δεδομένα άνθρακα.
- Τα δεδομένα είναι αναξιόπιστα. Όταν ένας προμηθευτής αναφέρει ο ίδιος, μπορεί να υπάρχει υπερεκτίμηση ή υποεκτίμηση.
- Απαιτείται μια εικασία (proxy). Εάν δεν υπάρχουν διαθέσιμα πραγματικά δεδομένα, χρησιμοποιείται ο μέσος όρος του κλάδου ή η εκτίμηση βάσει δαπανών.
Αυτό είναι όπου η τεχνητή νοημοσύνη βοηθά με δύο τρόπους: (1) γρήγορη σύνταξη ερευνών και επιστολών παρακολούθησης που θα σταλούν σε εκατοντάδες προμηθευτές, (2) δομώντας διάσπαρτες απαντήσεις και επισήμανση σημάτων κινδύνου. Αλλά κανένας αριθμός που δόθηκε από τον προμηθευτή δεν επαληθεύεται, κανένα σήμα κινδύνου δεν ολοκληρώνεται χωρίς ανθρώπινη εξέταση.
Κατηγορία Πεδίου 3 (παράδειγμα)
Πηγή δεδομένων
Τυπική μέθοδος
Αγορασμένα αγαθά/υπηρεσίες
Έρευνα προμηθευτών / δαπάνη
Πραγματικά δεδομένα > πληρεξούσιος
Αποστολή και διανομή
Αρχεία φορέα
Απόσταση × φορτίο × συντελεστής
επαγγελματικά ταξίδια
σύστημα ταξιδιού
Km/πτήση × συντελεστής
Χρήση του πωλούμενου προϊόντος
Στοιχεία ενέργειας προϊόντος
Μοντέλο χρήσης
απόβλητα
Έγγραφα μεταφοράς απορριμμάτων
Ποσότητα × συντελεστής
Συμβουλή: Στο Πεδίο 3, η εκτίμηση «βάσει των δαπανών» (αυτή η ποσότητα CO₂e ανά 1.000 $ που δαπανάται) είναι μια γρήγορη αρχή, αλλά μια πρόχειρη. Όταν ένας προμηθευτής παρέχει πραγματικά δεδομένα, χρησιμοποιήστε τα. Η εκτίμηση βάσει δαπανών είναι προσωρινή μόνο εάν δεν υπάρχουν πραγματικά δεδομένα και θα πρέπει να επισημανθεί ως "εκτίμηση/μεσολάβηση" στην αναφορά.
Βήμα προς βήμα: Ροή εργασιών εφοδιαστικής αλυσίδας με AI
1. Δώστε προτεραιότητα στους προμηθευτές. Δεν μπορείτε να εξετάσετε και τους εκατοντάδες προμηθευτές στο ίδιο βάθος. Επικεντρωθείτε σε άτομα με υψηλό μέγεθος δαπανών και υψηλό κίνδυνο (τομέας, χώρα). Η τεχνητή νοημοσύνη μπορεί να δημιουργήσει μια πρόχειρη λίστα με αυτήν την ιεράρχηση.
2. Σχέδιο έρευνας και αίτησης. Ζητήστε από την τεχνητή νοημοσύνη για ένα σαφές, εύκολο στη συμπλήρωση περίγραμμα έρευνας δεδομένων προμηθευτή.
3. Διαμορφώστε τα εισερχόμενα δεδομένα. Τοποθετήστε τις απαντήσεις σε διαφορετικές μορφές σε έναν ενιαίο πίνακα. Σημειώστε τα μέρη που λείπουν.
4. Σάρωση για σήματα κινδύνου. Ζητήστε από το AI να βρει υποψηφίους με «κόκκινη σημαία» σε δημόσιες ειδήσεις, αρχεία παραβίασης και αποκλίσεις στις έρευνες. Αλλά οι άνθρωποι επαληθεύουν κάθε σήμα.
5. Δράση και επιδίωξη. Καθιέρωση διορθωτικών ενεργειών και σχεδίου παρακολούθησης για προμηθευτές υψηλού κινδύνου. Τεκμηριώστε τη διαδικασία.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Υπολογίστε το αποτύπωμα άνθρακα των προμηθευτών μας.
Καμία πηγή δεδομένων, καμία διάκριση πραγματικού/διαμεσολαβητή και καμία επαλήθευση. Το AI δημιουργεί αριθμούς προμηθευτών.
Ισχυρή προτροπή:
Ο ρόλος σας: αναλυτής βιωσιμότητας εφοδιαστικής αλυσίδας. Εισαγωγή: ονόματα 15 προμηθευτών, κλάδος παραγωγής, ετήσια ποσότητα δαπανών και δεδομένα πραγματικών εκπομπών που παρέχουν (εάν υπάρχουν). Εργασία: 1) Για όσους παρέχουν πραγματικά δεδομένα, χρησιμοποιήστε αυτά τα δεδομένα. 2) Για όσους δεν έχουν πραγματικά δεδομένα, γράψτε "Απαιτείται PROXY βάσει δαπανών", ΜΗΝ ΤΑΙΡΙΑΖΕΙ τον αριθμό. Προσδιορίστε ποιος παράγοντας θα λάβετε από την επίσημη πηγή.3) Δώστε προτεραιότητα σε προμηθευτές σε κλάδο υψηλών δαπανών + υψηλού κινδύνου. Αποτέλεσμα: πίνακας (Προμηθευτής | Βιομηχανία | Δαπάνες | Τύπος δεδομένων[πραγματικό/πληρεξούσιος] | Προτεραιότητα | Σημείωση). Οι αριθμοί πληρεξουσίου θα επισημαίνονται στην αναφορά.
Προτροπή για έλεγχο κινδύνου προμηθευτή
Δημιουργήστε ένα ικρίωμα ελέγχου κινδύνου για την ακόλουθη λίστα προμηθευτών. Αξιολόγηση για κάθε προμηθευτή (μόνο με βάση τις πληροφορίες που έχω παράσχει, δημόσιος ισχυρισμός FAKE):- Πιθανός κίνδυνος για τα ανθρώπινα δικαιώματα από χώρα/τομέα (υψηλό/μεσαίο/χαμηλό)- Πιθανός περιβαλλοντικός κίνδυνος- Ασυνέπεια στην απάντηση στην έρευνα/κόκκινες σημαίεςΚανόνας: προσθέστε τη σημείωση «απαιτείται επαλήθευση — δεν υπάρχει πηγή» για κάθε κίνδυνο. μην κάνετε οριστικές κατηγορίες, απλώς προτείνετε σήματα για διερεύνηση. Λίστα: [ΠΡΟΜΗΘΕΥΤΕΣ]
Η παρακάτω προτροπή συντάσσει μια έρευνα αιτήματος δεδομένων για αποστολή στους προμηθευτές.
Ο ρόλος σας: ειδικός σε θέματα βιωσιμότητας. Εργασία: συντάξτε μια έρευνα δεδομένων ESG με όχι περισσότερες από 10 ερωτήσεις που μπορούν εύκολα να συμπληρώσουν οι μικροί/μεσαίοι προμηθευτές. Περιλαμβάνονται: κατανάλωση ενέργειας, τύπος καυσίμου, απόβλητα, αριθμός ατυχημάτων επαγγελματικής ασφάλειας, δέσμευση για καταναγκαστική/παιδική εργασία. Τόνος: απλός, σαφής, εύκολος στην ολοκλήρωση. Προσθέστε ενότητες και παραδείγματα σε κάθε ερώτηση.
Προσοχή: Μην αναθέτετε την τεχνητή νοημοσύνη να επαληθεύει ένα σήμα κινδύνου για τον προμηθευτή (π.χ. "παιδική εργασία") και μην χρησιμοποιείτε ποτέ ως αποδεικτικό στοιχείο έναν ισχυρισμό που δημιουργείται από τεχνητή νοημοσύνη. Τέτοιοι σοβαροί ισχυρισμοί επιβεβαιώνονται μόνο από αξιόπιστη πηγή, επιτόπια επιθεώρηση και νομική διαδικασία. Η τεχνητή νοημοσύνη παράγει μόνο ένα «σήμα προς εξέταση». δεν κρίνει.
τρεις μίνι θήκες
Περίπτωση 1 — Ειλικρινής χρήση πληρεξουσίου. Μόνο 30 από τους 200 προμηθευτές ενός κατασκευαστή επίπλων παρείχαν πραγματικά δεδομένα άνθρακα. Η ομάδα χρησιμοποίησε έναν διακομιστή μεσολάβησης βάσει δαπανών για τα υπόλοιπα 170, αλλά η αναφορά δηλώνει ξεκάθαρα, "Το 65% του Πεδίου 3 είναι μια εκτίμηση που βασίζεται στις δαπάνες." Ο ελεγκτής αναγνώρισε αυτή την ειλικρίνεια. Αν είχε αποσιωπηθεί, η διαβεβαίωση μπορεί να είχε απορριφθεί.
Περίπτωση 2 — Προτεραιότητα. Μια εταιρεία τροφίμων είχε 480 προμηθευτές. Η τεχνητή νοημοσύνη έδειξε ότι το 80% των δαπανών συγκεντρώθηκε σε 40 προμηθευτές. Η ομάδα εστίασε τη βαθιά κατάδυση σε αυτά τα 40. Οι πόροι δεν σπαταλήθηκαν και οι προμηθευτές με τον υψηλότερο αντίκτυπο αναφέρθηκαν με πραγματικά δεδομένα.
Περίπτωση 3 — Κίνδυνος ψευδούς κατηγορίας. Η τεχνητή νοημοσύνη επισήμανε έναν προμηθευτή ως «πιθανή καταναγκαστική εργασία». Ο λόγος ήταν μόνο ο εθνικός μέσος όρος. Η ομάδα το δέχτηκε ως «σήμα προς εξέταση», όχι ως αποδεικτικό στοιχείο και ζήτησε επιτόπια επιθεώρηση. Η επιθεώρηση δεν διαπίστωσε προβλήματα. Εάν το σήμα του AI λαμβανόταν ως αποδεικτικό στοιχείο, θα προέκυπτε άδικη κατηγορία και νομικός κίνδυνος.
Συνήθη λάθη
- Αποδοχή δεδομένων προμηθευτή χωρίς επαλήθευση. Τα δεδομένα προμηθευτή που αναφέρονται από τον ίδιο τον πελάτη απαιτούν διασταύρωση.
- Απόκρυψη του πληρεξούσιου. Η χρήση προβλέψεων βάσει δαπανών είναι μια χαρά. Το να μην προσδιορίζεται είναι πρόβλημα στον έλεγχο.
- Εξετάζοντας όλους τους προμηθευτές εξίσου. Η προμήθεια θα πρέπει να επικεντρώνεται σε προμηθευτές υψηλών δαπανών και υψηλού κινδύνου.
- Παρεξήγηση του σήματος AI ως αποδεικτικό στοιχείο. Οι ισχυρισμοί περί ανθρωπίνων δικαιωμάτων/περιβαλλοντικών παραβιάσεων επαληθεύονται από το πεδίο και το νόμο, όχι από την τεχνητή νοημοσύνη.
- Πλήρης παράλειψη του πεδίου 3. Ο μεγαλύτερος αντίκτυπος είναι συνήθως εδώ. Δεν μπορεί να αγνοηθεί με το σκεπτικό ότι είναι «δύσκολο να μετρηθεί».
Συνοπτικά
Η αλυσίδα εφοδιασμού είναι εκεί όπου κρύβονται οι μεγαλύτερες περιβαλλοντικές και κοινωνικές επιπτώσεις των περισσότερων εταιρειών. Εδώ συγκεντρώνονται οι εκπομπές του πεδίου 3 και οι κίνδυνοι δέουσας επιμέλειας. ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ; Είναι ένα ισχυρό βοήθημα για τον καθορισμό προτεραιοτήτων προμηθευτών, τη σύνταξη ερευνών, τη δομή διάσπαρτων απαντήσεων και την επισήμανση σημάτων κινδύνου. Ωστόσο, τα δεδομένα προμηθευτή δεν περιλαμβάνονται στην έκθεση μέχρι να επαληθευθούν, να δηλωθούν σαφώς οι πληρεξούσιοι και να επιβεβαιωθούν σοβαροί ισχυρισμοί από επιτόπια επιθεώρηση. Το AI παράγει σήματα. Ο άνθρωπος αναλαμβάνει την κρίση και την ευθύνη.
Εργασία εφαρμογής
Ετοιμάστε μια λίστα με 10 εικονικούς προμηθευτές με όνομα, κλάδο και ετήσια δαπάνη. Προσθέστε δεδομένα πραγματικών εκπομπών σε μερικά, αφήστε τα περισσότερα κενά. Ζητήστε από το AI έναν πίνακα προτεραιοτήτων και τύπου δεδομένων μέσω της ισχυρής προτροπής παραπάνω. Στη συνέχεια: (1) επαληθεύστε ότι ο αριθμός των προμηθευτών που απαιτούν πληρεξούσιο δεν έχει συμπληρωθεί, (2) επιλέξτε τους 3 προμηθευτές υψηλότερης προτεραιότητας με αιτιολόγηση, (3) συντάξτε μια σύντομη έρευνα δεδομένων για αποστολή σε αυτούς.
λίστα ελέγχου
- [ ] Έδωσα προτεραιότητα στους προμηθευτές με βάση τις δαπάνες και το επίπεδο κινδύνου.
- [ ] Χρησιμοποίησα πραγματικά δεδομένα. Για όσους δεν το έχουν, σημείωσα το proxy.
- [ ] Αξιολόγησα τα δεδομένα προμηθευτή όχι ως έχουν, αλλά με διασταύρωση.
- [ ] Θεώρησα τα σήματα κινδύνου "να εξεταστούν" και δεν τα χρησιμοποίησα ως αποδεικτικά στοιχεία.
- [ ] Σχεδίασα ένα βήμα επιτόπιου ελέγχου/νομικής επαλήθευσης για σοβαρές αξιώσεις.
- [ ] Δεν παρέλειψα το Πεδίο 3. Δήλωσα το εύρος και το ποσοστό εκτίμησης στην έκθεση.
- [ ] Κατέγραψα όλη τη διαδικασία με έγγραφο δέουσας επιμέλειας.