سود:
- توانایی تشخیص اینکه هوش مصنوعی کجا در جریان کار ESG در زمان صرفه جویی می کند (داده ها، حساب ها، نقشه برداری، گزارش) و جایی که تصمیمات فاکتور، استاندارد و ادعا بسته به سطح خطر به انسان واگذار می شود.
- توانایی اعمال رشته ای که هر خروجی عددی و کیفی را با واحد، منبع و مراحل دنباله حسابرسی ممیزی می کند.
- درک اینکه چرا عوامل انتشار جعلی، مراجع استاندارد جعلی و زبان شستشوی سبز خطراتی برای این حرفه هستند که باید از همان ابتدا مورد توجه قرار گیرند.
گزارش پایداری یک شرکت دیگر فقط یک بروشور حسن نیت نیست. سندی است که مانند سند حسابداری الزام آور، حسابرسی شده و دارای عواقب قانونی است. با مقررات CSRD اتحادیه اروپا (دستورالعمل گزارش دهی پایداری شرکت)، هزاران شرکت؛ باید انتشار کربن، داده های کارکنان و تأثیرات زنجیره تأمین را به شیوه ای اجباری، قابل تأیید و قابل مقایسه، درست مانند صورت های مالی، افشا کند. در این بخش، یاد خواهید گرفت که هوش مصنوعی (AI) واقعاً در این کار سنگین و پر داده در زمان صرفه جویی می کند، کجا خطرناک است و چگونه هر خروجی را تأیید کنید.
اول، یک مفهوم انتقادی. ESG حروف اول کلمات انگلیسی Environmental، Social و Governance است. این نام چارچوبی است که اثرات زیست محیطی یک شرکت مانند انتشار کربن و مصرف آب، اثرات اجتماعی مانند حقوق کارکنان و ایمنی شغلی، و شیوه های حاکمیتی مانند ساختار هیئت مدیره و اخلاق را اندازه می گیرد. گزارش پایداری عبارت است از سنجش عملکرد در این سه حوزه به صورت استاندارد و افشای آن برای عموم.
دومین مفهوم مهم: توهم زمانی است که هوش مصنوعی با اطمینان کامل اطلاعاتی را تولید می کند که در واقع درست نیست. در دنیای ESG این; ممکن است با یک ضریب انتشار ساختگی، یک عدد استاندارد GRI که وجود ندارد، یک واحد نادرست یا ارجاع به یک ماده قانونی غیرموجود مواجه شوید. نکته مهم این است که یک مدل زبان بزرگ (LLM) یک ماشین حساب، یک پایگاه داده نظارتی یا یک حسابرس نیست. این یک تولید کننده متن است که از نظر آماری متن هایی را که در داده های آموزشی می بیند تقلید می کند. بیشتر اوقات اطلاعات دقیقی را تولید می کند. اما تفاوت بین "در اکثر مواقع دقیق" و "دقیق کافی برای گذراندن ممیزی" همه چیز در گزارش ESG است.
هوش مصنوعی کجا در ESG کار می کند و کجا نه؟
هوش مصنوعی را به عنوان یک شریک پیش نویس سریع، مدیریت داده و تجزیه و تحلیل در نظر بگیرید: ارزشمند اما برای اعتبارسنجی ضروری است. تمایز زیر ستون فقرات این ماژول است.
تلاش
سهم هوش مصنوعی
مسئولیت کارشناس
جمع آوری داده ها
فرمت های مختلف را ویرایش می کند، فضاها را علامت گذاری می کند
تأیید شماره با سند منبع
حساب انتشار
فرمول و چارچوب محاسباتی را ایجاد می کند
بررسی ضریب انتشار از منبع رسمی
نقشه برداری GRI/CSRD
مواد تشکیل دهنده را به اقلام استاندارد توصیه می کند
دقیقاً با متن استاندارد بررسی می شود
تحلیل مادی
نظرات ذینفعان را به موضوعات تفکیک می کند
برای اولویت بندی تصمیم بگیرید
گزارش نویسی
پیش نویس متن و خلاصه را تولید می کند
از هر ادعایی با مدرک پشتیبانی کنید
کنترل شستشوی سبز
عبارات خطرناک را علامت گذاری می کند
مسئولیت ادعای نهایی را بر عهده بگیرید
قانون سرانگشتی: هوش مصنوعی را روی خود داده ها اعمال نکنید. استفاده برای سازماندهی داده ها، تجزیه و تحلیل داربست، و پیش نویس متن. همیشه هر شماره و هر مرجع استاندارد را با منبع اصلی (فاکتور، رکورد متر، متن استاندارد رسمی، پایگاه داده فاکتور انتشار) تأیید کنید. پشت هر رقمی در گزارش پایداری باید یک مسیر حسابرسی وجود داشته باشد که ممکن است حسابرس بخواهد. هوش مصنوعی نمی تواند این شواهد را ارائه دهد. این فقط به شما کمک می کند آن را سازماندهی کنید.
سه تله مرگبار هوش مصنوعی در ESG
1. عوامل انتشار و اعداد ساخته شده. هوش مصنوعی میتواند فاکتور انتشاری را که به خاطر نمیآورد (ضریب انتشار کربن در واحد سوخت یا برق) با عددی که معقول به نظر میرسد، پر کند. این عدد کل محاسبه ردپای کربن را باطل می کند.
2. ارجاع به قوانین/استانداردهای موجود یا قدیمی. هوش مصنوعی میتواند اعداد استانداردی تولید کند که واقعی به نظر میرسند، اما محتوای آنها اشتباه ارائه شده یا کاملاً ساخته شده است، مانند "GRI 305-7". استانداردها نیز به طور مرتب به روز می شوند. نسخه شناخته شده برای مدل ممکن است قدیمی باشد.
3. زبانی که باعث شستشوی سبز می شود. هوش مصنوعی مشتاقانه جملاتی زیبا، اما بیاساس و گمراهکننده مانند «دوستانه با محیطزیست»، «سازگار با محیطزیست»، «کربن خنثی» تولید میکند. این اظهارات امروز خطر قانونی دارد. در بخش 10 به طور عمیق به این موضوع خواهیم پرداخت.
نکته: هر نتیجه ESG عددی را با سه سؤال نزدیک کنید: (1) واحد آن (tCO2e، kg، MWh) چیست؟ (2) منبع کدام سند است؟ (3) چگونه این رقم را به حسابرس ثابت کنم؟ این سه سوال بیشتر اشتباهات ESG را در جوانی می گیرند. "tCO2e" در اینجا به معنای "تن معادل دی اکسید کربن" است. این معیاری است که گازهای گلخانه ای مختلف را به یک واحد مشترک تبدیل می کند.
گام به گام: گردش کار ایمن هوش مصنوعی در ESG
1. وظیفه را به استاندارد و واحد پیوند دهید. به جای «انتشار کربن ما را محاسبه کنید»، بگویید «2024، دفتر استانبول، مصرف گاز طبیعی 12000 مترمکعب؛ انتشار را بر حسب tCO₂e با روش محدوده پروتکل 1 GHG محاسبه کنید، ضریب انتشار و منبع مورد استفاده خود را مشخص کنید».
2. به طور واضح منبع و فرض را بخواهید. از هوش مصنوعی بخواهید بنویسد که کدام ضریب انتشار، کدام استاندارد، و از کدام فرض برای هر عدد استفاده کرده است. هیچ شماره ای را بدون ذکر منبع قبول نکنید.
3. با منبع اصلی تأیید کنید. فاکتور انتشار را از یک پایگاه داده رسمی (مثلاً اداره ملی انرژی، مجموعه داده DEFRA انگلستان، IEA)، متن استاندارد از سند رسمی GRI یا EFRAG تأیید کنید. EFRAG مؤسسه اروپایی است که استانداردهای ESRS (استانداردهای گزارش دهی پایداری اروپا) را که بر اساس آن CSRD است تهیه می کند.
4. دنباله حسابرسی را ذخیره کنید. در یک جدول بنویسید که از کدام داده ها، از کدام منبع، در کدام تاریخ و با چه فرضی استفاده کرده اید. حسابرس اطمینان (تأیید کننده مستقل) این را درخواست خواهد کرد.
5. از یک انسان بخواهید ادعای نهایی را تأیید کند. پشت هر ادعای عمومی ESG باید یک فرد مسئول وجود داشته باشد.
اعلان ضعیف / اعلان قوی
درخواست یک شغل به دو روش متفاوت، اعتبار نتیجه را به طور اساسی تغییر می دهد.
اعلان ضعیف:
ردپای کربن شرکت ما را محاسبه کنید و یک پاراگراف برای گزارش پایداری بنویسید.
این ادعا شامل واحد، محدوده، سال، داده ها و منبع نمی شود. هوش مصنوعی جاهای خالی را با ساختگی پر می کند و متنی پر از شستشوی سبز تولید می کند.
اعلان قدرتمند:
نقش شما: یک متخصص ارشد گزارش ESG. دادههای ورودی (فقط از اینها استفاده کنید، در صورت عدم وجود داده بنویسید): - 2024، گاز طبیعی: 12000 مترمربع - 2024، برق شبکه: 85000 کیلووات ساعت وظیفه: محاسبه انتشار CO₂e با استفاده از پروتکل Scope21-Scope و GHG متد.قوانین: - هر انتشاری که استفاده می کنید فاکتور، واحد و منبع را در یک ستون جداگانه مشخص کنید. - اگر عامل را نمی دانید، آن را جبران نکنید. "فاکتور رسمی مورد نیاز" را بنویسید. - نتیجه را در یک جدول ارائه دهید. مواردی را که باید تأیید شوند در پایان فهرست کنید.
اخلاق، حریم خصوصی و مرزها
دادههای ESG اغلب حساس هستند: دادههای جنسیت و حقوق کارکنان (شاخصهای اجتماعی)، شرایط قرارداد تأمینکننده، تأثیرات مالی هنوز فاش نشده است. قبل از وارد کردن این داده ها در ابزار هوش مصنوعی عمومی، مرز حریم خصوصی را روشن کنید. اطلاعات شخصی (نام، شناسه، حقوق و دستمزد در محدوده KVKK و GDPR) را قبل از ارائه آن به هوش مصنوعی ناشناس یا جمع آوری کنید. یعنی به جای تک تک افراد، آنها را به اعداد خلاصه مانند «نرخ کارمند زن 38 درصد» تبدیل کنید. KVKK قانون حفاظت از داده های شخصی ترکیه و GDPR قانون حفاظت از داده های شخصی اروپا است.
احتیاط: ادعای نادرست یا اغراق آمیز در گزارش ESG نه تنها یک خطر شهرت است. ممکن است منجر به جریمه و مسئولیت قانونی تحت CSRD و قوانین مصرف کننده ملی شود. هیچ ادعایی که توسط هوش مصنوعی تولید شده است را بدون مدرک منتشر نکنید.
سه کیف کوچک
مورد 1 - عامل ساختگی. یک شرکت تولیدی مصرف گازوئیل را به هوش مصنوعی داد و درخواست محاسبه آلایندگی کرد. YZ از ضریب "2.40 kgCO₂e/litre برای دیزل" استفاده کرد. کارشناس بررسی کرد: فاکتور رسمی تقریباً 2.68 کیلوگرم CO₂e / لیتر بود. این تفاوت 10 درصد بود و به معنای انحراف تقریباً 11 تن CO₂e در هر 40000 لیتر مصرف بود. فاکتور از منبع رسمی تصحیح شده است.
مورد 2 - استانداردی که وجود ندارد. یک مشاور از YZ عنوان "مصرف آب GRI 305-8" را برای گزارش درخواست کرد. در حالی که آب تحت GRI 303 گزارش شده است. GRI 305 انتشار گازهای گلخانه ای در هوا است. وقتی با متن استاندارد بررسی شد، خطا مشخص شد و محتوا به مقاله صحیح منتقل شد.
مورد 3 - زبان شستشوی سبز. YZ جمله «محصولات ما کاملاً سازگار با محیط زیست هستند» را برای یک برند خردهفروشی پیشنهاد کرد. تیم ESG این را غیرقابل اثبات یافت و آن را با یک جمله ملموس و قابل اثبات مانند «۶۰ درصد بستهبندی ما بازیافت میشود» جایگزین کرد (۲۰۲۴، اندازهگیری داخلی).»
درخواست برای کار آماده حسابرسی
متن ESG زیر را با چشم ممیزی بررسی کنید. برای هر ادعای عددی: 1) آیا واحد مشخص است؟ 2) آیا منبع ذکر شده است؟ 3) آیا قابل تایید است یا ذهنی/ اغراق آمیز؟ عبارات غیرمستند یا مبهم مانند "دوستانه با محیط زیست، سبز، طبیعی" را علامت گذاری کنید و برای هر یک جایگزین مشخص و قابل اندازه گیری پیشنهاد کنید. متن: [TEXT]
دستور زیر یک خط مشی کوتاه را ارائه می کند که محدودیت استفاده از هوش مصنوعی در سازمان را روشن می کند.
نقش شما: یک رهبر تیم پایداری وظیفه: یک پیشنویس خطمشی داخلی ۱ صفحهای بنویسید که بر استفاده تیم از هوش مصنوعی در کار ESG حاکم است. شامل موارد زیر است: - وظایفی که در آنها میتوان از هوش مصنوعی آزادانه استفاده کرد (طرح کلی، خلاصه، قالببندی) - کارهایی که نیاز به تأیید انسانی دارند (تعداد، فاکتور، اسناد استاندارد، ادعا) - انواع دادههایی که هرگز در هوش مصنوعی وارد نمیشوند (دادههای شخصی، تأثیر مالی نامشخص) لحن: واضح، دقیق، قابل اجرا.
دستور زیر یک اسکلت جدول کوچک "پیمای حسابرسی" را تنظیم می کند که می تواند به هر تحویل ESG اضافه شود.
یک جدول دنباله حسابرسی در کنار حساب زیر تولید کنید. ستون ها: آیتم داده | ارزش | واحد | سند منبع | تاریخ | فرض | آیا تایید شده است؟ در صورت ناشناخته بودن منبع، روی هر خط «SOURCE REQUIRED» را بنویسید. ورودی: [ACCOUNT]
اشتباهات رایج
- پذیرش شماره بدون منبع هر فاکتور انتشار و رقم ارائه شده توسط YZ بدون تایید منبع رسمی در گزارش گنجانده نشده است.
- نادیده گرفتن واحد اگر کیلوگرم با تن، کیلووات ساعت با مگاوات ساعت اشتباه گرفته شود، نتیجه می تواند 1000 برابر منحرف شود.
- کورکورانه به ترفندهای استاندارد آنها اعتماد دارند. شماره مواد GRI/ESRS باید با یک سند رسمی تأیید شود.
- وارد کردن داده های حساس همانطور که هست. دادههای کارمند و تامینکننده بدون نامگذاری در اختیار ابزار عمومی قرار نمیگیرد.
- قرار دادن هوش مصنوعی به جای حسابرس هوش مصنوعی می تواند یک چک لیست تولید کند، اما نمی تواند تضمین مستقلی ارائه دهد.
به طور خلاصه
هوش مصنوعی یک شریک قدرتمند در تهیه پیش نویس، مدیریت داده و تجزیه و تحلیل در ESG است. اما این یک ماشین حساب، پایگاه داده نظارتی یا حسابرس نیست. ارزش آن با تأیید آن آشکار می شود. تأیید هر عدد از منبع اصلی، مقایسه هر مرجع استاندارد با متن رسمی، ناشناس کردن داده های حساس و سپردن مسئولیت ادعای نهایی به یک انسان، ستون فقرات ثابت این ماژول است. تفاوت بین «مسلط ظاهر شدن» و «گذراندن حسابرسی» را هرگز فراموش نکنید.
وظیفه کاربردی
یک مورد واحد از داده های محیطی را از سازمان خود (یا یک شرکت ساختگی) انتخاب کنید: به عنوان مثال، قبض ماهانه برق. با استفاده از الگوی "power prompt" بالا، یک اسکلت حسابداری انتشارات Scope 2 را از هوش مصنوعی درخواست کنید. سپس: (1) ضریب انتشار مورد استفاده را با یک منبع رسمی مقایسه کنید، (2) سازگاری واحدها را بررسی کنید، (3) یک جدول ردیابی حسابرسی کوچک بنویسید که در آن مواردی را که «نیاز به تأیید» دارند، بنویسید.
چک لیست
- [ ] من واحد و منبع هر عددی که توسط هوش مصنوعی داده شده را مورد سوال قرار دادم.
- [ ] فاکتورهای انتشار را با یک پایگاه داده رسمی تأیید کردم.
- [ ] من اعداد استاندارد (GRI/ESRS) را با متن رسمی تأیید کرده ام.
- [ ] من داده های حساس/شخصی ناشناس یا جمع آوری کرده ام.
- [ ] من عباراتی را بدون شواهدی مانند "دوستانه با محیط زیست، سبز، طبیعی" علامت گذاری کردم.
- [ ] من برای هر تصمیم یک دنباله حسابرسی (منبع، تاریخ، فرض) نگه داشتم.
- [ ] من یک فرد مسئول را شناسایی کرده ام که ادعای نهایی را تایید می کند.