گردش کار ESG سرتاسر، حاکمیت داده، اخلاق و دروازه کیفیت

سود:

• امکان ایجاد یک گردش کار هشت مرحله‌ای ESG از مادییت تا انتشار با دروازه‌های باکیفیت با ریتم «هوش مصنوعی تولید می‌کند → انسان تأیید می‌کند → از دروازه عبور می‌کند».
• امکان محافظت از داده های مالی شخصی و فاش نشده با طبقه بندی داده های ESG به عنوان رایگان / داخلی / محرمانه
• امکان پذیرفتن مسئولیت نهایی و الصاق نام های مسئول و سوابق تایید به هر نشریه بدون اتکا به دفاعیه "گفته هوش مصنوعی"

در ده بخش قبلی، هر بخش از تجارت ESG و پایداری را به طور جداگانه پوشش داده‌ایم: ورودی و مرزها، اهمیت، جمع‌آوری داده‌ها، حسابداری کربن، چارچوب‌های گزارش‌دهی، زنجیره تامین، ارتباطات ذینفعان، گزارش‌نویسی، تضمین و شستشوی سبز. در این بخش نهایی، ما قطعات را کنار هم می‌گذاریم و یک گردش کار سرتاسر ایجاد می‌کنیم: کجا، چگونه و با چه گیت امنیتی برای استفاده از هوش مصنوعی (AI) در هر مرحله از تعریف ماموریت پایداری تا انتشار آن. ما همچنین حاکمیت داده، حریم خصوصی و مسئولیت اخلاقی را در یک چارچوب واحد قرار خواهیم داد.

بیایید یک بار دیگر ستون فقرات ثابت ماژول را تکرار کنیم: AI; این یک دستیار است که کد می نویسد، داده ها را سازماندهی می کند، پیش نویس ها را تولید می کند و خلاصه می کند. صحت شماره، تایید فاکتور، کنترل استاندارد، اثبات ادعا و مسئولیت نهایی همیشه بر عهده کارشناس ذیصلاح است. این واحد این اصل را به یک گردش کار و چک لیست روزانه تبدیل می کند.

گردش کار ESG انتها به انتها

چرخه گزارش پایداری را در هشت مرحله در نظر بگیرید:

1. دامنه و اهمیت - کدام موضوعات مادی هستند؟ (واحد 2)
2. جمع آوری داده ها - منابع، واحدها، مسیر حسابرسی. (واحد 3)
3. محاسبه - کربن و سایر معیارها با فاکتورهای تأیید شده. (واحد 4)
4. تطبیق چارچوب - مواد GRI/ESRS/ISSB، تأیید با متن رسمی. (واحد 5)
5. زنجیره تامین - محدوده 3 و بررسی دقیق. (واحد 6)
6. نوشتن و ارتباط - گزارش متوازن، مستند و پیام ذینفعان. (واحد 7-8)
7. آماده سازی اطمینان - زنجیره شواهد و آماده سازی حسابرسی. (واحد 9)
8. حسابرسی ادعا - غربالگری Greenwashing و تایید انتشار. (واحد 10)

در هر مرحله، هوش مصنوعی یک شتاب دهنده است. اما در خروجی هر مرحله، یک دروازه با کیفیت وجود دارد - یک ایست بازرسی که قبل از رفتن به مرحله بعدی باید از آن عبور کرد. خروجی که از در عبور نمی کند پیشرفت نمی کند.

گام

هوش مصنوعی چه می کند؟

دروازه با کیفیت

مادی بودن

نامزد موضوع، تحلیل موضوع

جنبه تاثیر + مالی تایید انسانی

داده ها

پیکربندی، تبدیل واحد

تایید منبع و حجم

حساب کاربری

فرمول، داربست کد

این عامل از منبع رسمی تایید شده است

تطبیق

پیشنهاد مقاله

تصویر را با متن استاندارد آن بررسی کنید

املا

پیش نویس، خلاصه

مرتب سازی ادعاها بدون مدرک

ادعا

اسکن شستشوی سبز

انتشارات تایید شده توسط انسان

نکته: گردش کار را با ریتم «هوش مصنوعی تولید می‌کند → انسان تأیید می‌کند → از در عبور می‌کند» تنظیم کنید. قبل از انتقال هر خروجی هوش مصنوعی به مرحله بعدی، بپرسید: "کدام قسمت از این خروجی نمی تواند بدون اعتبار سنجی ادامه یابد؟" آن قسمت دروازه کیفیت آن مرحله است.

حاکمیت داده و حریم خصوصی

داده‌های ESG اغلب حساس هستند: داده‌های جنسیت و حقوق کارکنان، شرایط قرارداد تامین‌کننده، اثرات مالی هنوز افشا نشده، داده‌های تولید در سطح تسهیلات. لازم است قبل از ارائه آنها به یک ابزار هوش مصنوعی عمومی، آنها را طبقه بندی کنید. حاکمیت داده این است که "چه کسی می تواند از کدام داده ها، چگونه و با چه ابزاری استفاده کند؟" سوال به قاعده گره خورده است.

یک طبقه بندی ساده:

• رایگان: داده‌هایی که قبلاً در دسترس عموم است (گزارش منتشر شده). می توان آن را به هوش مصنوعی داد.
• استفاده داخلی: داده های داخلی بدون ارزش تجاری. با دقت در خودروی شرکتی
• محرمانه: اسرار تجاری، تأثیر مالی فاش نشده، داده های شخصی (KVKK/GDPR). بدون ناشناس سازی یا ابزارهای سازمانی (غیر درز) به هوش مصنوعی داده نمی شود.

نقش شما: مشاور حاکمیت داده وظیفه: موارد داده زیر را به عنوان "رایگان / استفاده داخلی / محرمانه" طبقه بندی کنید و اقدام توصیه شده را برای هر مورد محرمانه بنویسید (ناشناس / جمع کردن / ابزار سازمانی / به هیچ وجه ندهید). قانون: اگر مطمئن نیستید، در کلاس محافظ بیشتری قرار دهید. موارد: [اقلام داده های شخصی و مالی]

اعلان ضعیف / اعلان قوی

روشی که یک کار را به یک ابزار محول می کنید، خطر حفظ حریم خصوصی را به شدت تغییر می دهد.

اعلان ضعیف:

آن جدول حقوق و دستمزد کارمندان و تولید تسهیلات را تجزیه و تحلیل کنید، خلاصه ESG را ارائه دهید.

داده های شخصی و اسرار تجاری خام را مستقیماً به یک ابزار باز صادر می کند. مرحله طبقه بندی، ناشناس سازی و تایید وجود ندارد.

اعلان قدرتمند:

نقش شما: تحلیلگر ESG حساس به حاکمیت داده. من فقط داده‌های جمع‌آوری شده شخصی/بدون اسرار تجاری را به شما دادم. وظیفه: شاخص های خلاصه زیر را تجزیه و تحلیل کنید. قوانین: - بدون نام افراد، حقوق، شناسه یا تأثیر مالی نامشخص در داده ها. اگر چنین فیلدی را مشاهده کردید، بگویید "داده های محرمانه - پردازش نکنید، هشدار دهید". - عدد جدیدی به نتیجه اضافه نکنید. فقط با خلاصه ای که دادم برو - در انتهای خروجی یادداشت «تأیید انسانی لازم است» اضافه کنید. داده ها (جمع آوری): [شاخص های خلاصه]

احتیاط: "AI گفت" دفاع نیست. مسئولیت تعداد نادرست، ادعای غیرمستند، یا اطلاعات محرمانه لو رفته در گزارش ESG بر عهده سازمان و شخصی است که آن را تأیید کرده است. وقتی از هوش مصنوعی استفاده می کنید، مسئولیت را منتقل نمی کنید. شما فقط کار را تسریع خواهید کرد.

اعلان دروازه با کیفیت انتها به انتها

دستور زیر تمام مراحل را قبل از انتشار از طریق یک بررسی انجام می دهد.

نقش شما: افسر تضمین کیفیت ESG. وظیفه: بخش گزارش زیر را از دروازه کیفیت انتها به انتها عبور دهید. برای هر مورد "عبور / FAIL" بدهید و در صورت عدم موفقیت دلیل آن را بنویسید: 1) آیا منبع و واحد هر عدد ذکر شده است؟ 2) آیا فاکتورهای انتشار از منبع رسمی هستند؟ 3) آیا شماره اقلام استاندارد تأیید شده است؟ 4) آیا پروکسی ها/برآوردها مشخص شده اند؟ 5) آیا عباراتی حاوی شستشوی سبز وجود دارد؟ 6) آیا نشت داده های محرمانه/شخصی وجود دارد؟ 7) نام مسئول برای تایید نهایی اختصاص داده شده است؟ بخش: [فصل]

دستور زیر کل ماژول را به یک سیاست سازمانی تبدیل می کند.

نقش شما: رهبر تیم پایداری وظیفه: یک خط‌مشی داخلی ۱ صفحه‌ای بنویسید که بر استفاده تیم از هوش مصنوعی در کار ESG حاکم است. شامل موارد زیر است: - کارهایی که در آنها می توان آزادانه از هوش مصنوعی استفاده کرد (پیش نویس، خلاصه، کد، تجزیه و تحلیل موضوع) - کارهایی که نیاز به تأیید انسانی دارند (عامل، استاندارد، ادعا، دامنه) - انواع داده هایی که هرگز در اختیار هوش مصنوعی قرار نمی گیرند (شخصی، مالی نامشخص) - مراحل دروازه کیفیتی که باید قبل از هر انتشار گذرانده شود، لحن: واضح، نقطه گلوله، قابل اجرا.

سه کیف کوچک

مورد 1 - گزارش از در بازگردانده شد. یک تیم فکر می کرد که تمام مراحل را کامل کرده اند و گزارش آماده انتشار است. درخواست دروازه کیفیت نهایی یک ادعای بدون منبع "بازیابی 78٪" و یک بیانیه "کربن خنثی" را در یک بخش ثبت کرد. انتشار قبل از تصحیح هر یک متوقف شد. درب حشره را قبل از عمومی شدن نگه داشت.

مورد 2 - از نشت اطلاعات محرمانه جلوگیری شد. یک تحلیلگر می‌تواند داده‌های تاثیر مالی سه‌ماهه‌ای که هنوز منتشر نشده است را در ابزاری در دسترس عموم برای تجزیه و تحلیل قرار دهد. درخواست طبقه بندی داده ها آن را به عنوان "محرمانه-مالی فاش نشده" علامت گذاری کرد. داده ها ابتدا جمع آوری شدند و سپس در ابزار سازمانی پردازش شدند. از نقض احتمالی قوانین جلوگیری شد.

مورد 3 - مسئولیت پذیری پس از انتشار گزارش، یکی از ذینفعان تعدادی را زیر سوال برد. تیم نگفتند "هوش مصنوعی محاسبه شده". مسیر حسابرسی را باز کرد، منبع را ذکر کرد، تصحیح جزئی انجام داد و شفاف توضیح داد. این نگرش که متکی به دفاع «به گفته هوش مصنوعی» نبود، اعتماد را حفظ کرد.

اشتباهات رایج

• حرکت رو به جلو بدون دریچه کیفیت. اگر تأیید در خروجی هر مرحله انجام نشود، خطاها تا پایان انباشته می شوند.
• دادن اطلاعات به وسیله نقلیه بدون طبقه بندی آن. اطلاعات محرمانه و شخصی را نمی توان بدون نامگذاری در هوش مصنوعی عمومی وارد کرد.
• انتقال مسئولیت به هوش مصنوعی "AI گفت" یک دفاع قانونی یا حرفه ای نیست.
• مراحل تفکر جدا شده اهمیت، داده ها، محاسبه و ادعا به هم مرتبط هستند. اگر یکی آسیب ببیند، همه تحت تأثیر قرار می گیرند.
• عدم تعیین یک فرد مسئول برای تایید نشریه. پشت هر ادعای عمومی باید یک انسان وجود داشته باشد.

به طور خلاصه

تجارت ESG زنجیره ای از هشت مرحله به هم پیوسته است و هوش مصنوعی در هر مرحله یک شتاب دهنده است. اما در خروجی هر مرحله دری از کیفیت وجود دارد. ریتم «هوش مصنوعی تولید می‌کند → انسان تأیید می‌کند → از در عبور می‌کند» همه درس‌های این ماژول را در یک رشته مطالعاتی واحد ترکیب می‌کند. طبقه بندی داده ها و محافظت از محرمانه بودن، تأیید فاکتور و استاندارد از منبع رسمی، پیوند ادعا به شواهد، پاک کردن سبزه ها قبل از انتشار، و دادن مسئولیت نهایی به یک انسان. هوش مصنوعی کار را سرعت می بخشد. شما دقت، صداقت و مسئولیت پذیری را به عهده می گیرید. ملاک این حرفه نه «مسلط ظاهر»، بلکه «گذراندن حسابرسی و اثبات شده» است.

وظیفه کاربردی

محصولات قابل تحویلی را که در واحدهای قبلی تولید کردید (فهرست اهمیت، حساب کربن، بخش گزارش) را در یک گزارش کوچک ترکیب کنید. این گزارش کوچک را در 7 مورد با اعلان دروازه با کیفیت بالا از هوش مصنوعی مرور کنید. سپس: (1) تصحیح هر مورد با علامت "RELEASE"، (2) طبقه بندی و اقدام در مورد تمام داده های محرمانه/شخصی، (3) اضافه کردن یک نام مسئول و یادداشت تایید برای انتشار.

چک لیست

• [ ] من جریان کار را با ریتم "هوش مصنوعی تولید می کند → انسان تایید می کند → از در عبور می کند" تنظیم کردم.
• [ ] من در خروجی هر مرحله یک دروازه با کیفیت اجرا کردم.
• [ ] من تمام داده ها را به عنوان رایگان/داخلی/محرمانه طبقه بندی کردم و از محرمانه بودن آن محافظت کردم.
• [ ] فاکتورها و موارد استاندارد را از منبع رسمی تایید کرده ام.
• [ ] من از هر ادعایی با شواهد پشتیبانی کردم و قبل از انتشار، شستشوی سبز را حذف کردم.
• [ ] من مسئولیت را بدون تکیه بر دفاع «گفته هوش مصنوعی» به عهده گرفتم.
• [ ] من یک نام مسئول و سابقه تایید برای نشریه تنظیم کرده ام.

امتحان ماژول

1. کدام یک از موارد زیر بهترین موقعیت برای هوش مصنوعی در تجارت ESG و پایداری است؟

• الف) هوش مصنوعی دستیار کد، داده و نقشه است. مسئولیت عوامل، استانداردها، شواهد و تصمیمات اخلاقی بر عهده مردم است ✔
• ب) هوش مصنوعی یک حسابرس است و مقادیر ESG که ارائه می کند، جایگزینی برای اطمینان مستقل است.
• ج) هوش مصنوعی فقط در نوشتن گزارش کار می کند، ربطی به داده ها و محاسبات ندارد
• د) از آنجایی که هوش مصنوعی نسبت به انسان ها بی طرف تر است، تمام تصمیمات ESG باید به آن واگذار شود

توضیحات: هوش مصنوعی; این یک دستیار است که کد می نویسد، داده ها را سازماندهی می کند، پیش نویس ها را تولید می کند و خلاصه می کند. اما مسئولیت نهایی تایید ضریب انتشار، بررسی شماره ماده استاندارد، اثبات هر ادعا بر عهده کارشناس ذیصلاح است. مدل زبان بزرگ یک ماشین‌حساب، پایگاه‌داده نظارتی/استاندارد، یا جستجوگر نیست. یک تولید کننده متن است که "محتمل ترین کلمه بعدی" را تولید می کند و خروجی تایید نشده آن ممکن است منجر به گزارش یا ادعای نادرست شود.

2. جنبه «محتوای تأثیر» یک موضوع در تحلیل اهمیت مضاعف به چه معناست؟

• الف) تأثیر موضوع بر سود و ارزش سهام شرکت
• ب) ریسک مالی موضوع فقط برای سرمایه گذاران
• ج) عملکرد شرکت های رقیب در موضوع مشابه
• د) تأثیر فعالیت های شرکت بر محیط زیست و جامعه ✔

توضیحات: مادیت دوگانه از طریق دو عدسی به نظر می رسد. اهمیت مالی تأثیر یک موضوع بر جریان‌های نقدی و ارزش شرکت است ("خارج از داخل"). اهمیت تأثیر، تأثیر فعالیت های شرکت بر محیط زیست و جامعه است («داخل بیرون»). CSRD/ESRS هر دو جنبه را اجرا می کند. از آنجایی که هوش مصنوعی اغلب فقط به جهت مالی تغییر می کند، جهت ضربه نیز باید توسط انسان کنترل شود.

3. روش صحیح جمع آوری داده های انرژی بر حسب کیلووات ساعت، مگاوات ساعت و GJ از تاسیسات مختلف چیست؟

• الف) واحدها را نادیده بگیرید و همه اعداد را مستقیماً اضافه کنید
• ب) تکیه بر هوش مصنوعی برای جمع آوری لیست بلند در ذهن شما
• ج) تبدیل تمام مقادیر به یک واحد و انجام تبدیل و جمع با کد/فرمول ✔
• د) انتخاب بزرگترین واحد و عدم گزارش سایر امکانات

توضیح: ریزش واحد رایج ترین و خطرناک ترین اشتباه ESG است. از آنجایی که 1 مگاوات ساعت = 1000 کیلووات ساعت، اگر واحد حذف شود، نتیجه می تواند با ضریب 1000 منحرف شود. روش صحیح این است که همه مقادیر را به یک واحد تبدیل کنید و هوش مصنوعی این تبدیل و جمع را با یک کد/فرمول اجرایی انجام دهد، نه به صورت دستی. بنابراین نتیجه قطعی و قابل تأیید است.

4. انتشار گازهای گلخانه ای ناشی از تولید برق خریداری شده طبق پروتکل GHG چه محدوده ای را شامل می شود؟

• الف) محدوده 1
• ب) دامنه 2 ✔
• ج) محدوده 3
• د) در هیچ محدوده ای قرار نمی گیرد و گزارش نمی شود

توضیحات: محدوده 1 انتشار مستقیم از منابع خود سازمان (دیگ بخار، وسیله نقلیه شرکت، ژنراتور) است. محدوده 2 انتشار غیر مستقیم از تولید انرژی خریداری شده (برق، بخار، گرمایش، سرمایش) است. محدوده 3 سایر انتشارات غیرمستقیم در زنجیره ارزش (تامین، سفر، استفاده از محصول، ضایعات) را پوشش می دهد. الکتریسیته از دودکش شرکت خارج نمی شود، اما نیروگاهی که آن را تولید می کند، گازهای گلخانه ای منتشر می کند. بنابراین محدوده 2 است.

5. هنگام تبدیل یک گاز گلخانه ای مانند متان (CH4) به CO2 از چه مفهومی استفاده می شود و چرا مهم است؟

• الف) GWP (پتانسیل گرمایش جهانی)؛ اگر حذف شود، اثر متان/N2O بسیار دست کم گرفته می شود
• ب) AQI (شاخص کیفیت هوا)؛ رنگ گاز موجود در هوا را تعیین می کند
• ج) GRI (ابتکار گزارش دهی)؛ ماده ای را که گاز در آن گزارش می شود را تعیین می کند
• د) بدون نیاز به ضرایب؛ متان به طور مستقیم مانند CO2 از 1 تا 1 شمارش می کند

توضیحات: GWP (پتانسیل گرمایش جهانی) ضریبی است که اثر گرمایش گازهای گلخانه ای مختلف را به یک واحد مشترک نسبت به CO2 تبدیل می کند. GWP 100 ساله متان تقریباً 28 است. بنابراین 1 تن متان به معنای تقریباً 28 تن CO2 است. اگر GWP حذف شود، تأثیر گازهای قوی مانند متان و N2O بسیار دست کم گرفته می شود و موجودی کاملاً نادرست خواهد بود. همچنین باید بیان شود که کدام مجموعه GWP (به عنوان مثال IPCC AR6، 100 سال) استفاده می شود.

6. کدام رویکرد برای محاسبه "داده های فعالیت × ضریب انتشار" در موجودی گازهای گلخانه ای صحیح است؟

• الف) با استفاده از فاکتوری که هوش مصنوعی به خاطر می آورد و انجام کل را به صورت دستی انجام می دهد
• ب) شمارش همه گازها به عنوان CO2 و ضریب پرش و تبدیل GWP
• ج) استفاده از یک فاکتور پیش فرض دقیقاً برای هر کشور، سال و سوخت
• د) تایید ضریب از منبع رسمی بر حسب کشور و سال و ساخت داربست محاسباتی و کل با کد ✔

توضیحات: فاکتورهای انتشار بر اساس کشور، سال و سوخت متفاوت است. "یادآوری" هوش مصنوعی خطر ساختن چیزها (توهم) را ایجاد می کند. فاکتور همیشه باید از یک جدول رسمی تایید شود (IPCC، DEFRA/EPA، IEA، موجودی ملی). فقط تفکیک محدوده، داربست حسابداری و کد کل باید توسط هوش مصنوعی انجام شود. مجموع چند ردیف توسط کد اجرایی انجام می شود، نه به صورت دستی.

7. رفتار صحیح برای شماره ماده استاندارد GRI/ESRS (به عنوان مثال 'GRI 305 برای مصرف آب') پیشنهاد شده توسط هوش مصنوعی چیست؟

• الف) نوشتن عدد به طور مستقیم در گزارش زیرا هوش مصنوعی آن را پیشنهاد می کند
• ب) شماره اقلام بی اهمیت است. هر کدوم رو میشه نوشت
• ج) تأیید شماره و محتوای آن با متن استاندارد رسمی، تأیید آن در صورت جعلی یا قدیمی بودن ✔
• د) از آنجایی که انتشار آب و هوا مشابه هستند، گزارش آن ها در همان مقاله

توضیحات: هوش مصنوعی می‌تواند اعداد استانداردی تولید کند که واقعی به نظر می‌رسند اما محتوای آنها نادرست یا کاملاً ساختگی است. همچنین، استانداردها به روز می شوند و نسخه ای که مدل می شناسد ممکن است قدیمی باشد. به عنوان مثال، آب تحت GRI 303 گزارش شده است، در حالی که GRI 305 انتشار هوا است. بنابراین، هر شماره و محتوای هر ماده بدون تأیید متن استاندارد رسمی (GRI/EFRAG/ISSB) قابل استفاده نیست.

8. اگر اکثر تامین کنندگان در زنجیره تامین داده های کربن واقعی ندارند، رویکرد درست و صادقانه برای محدوده 3 چیست؟

• الف) استفاده مستقیم از اعداد ساخته شده توسط هوش مصنوعی برای تامین کنندگان
• ب) به طور کامل از محدوده 3 صرف نظر کنید زیرا اندازه گیری آن سخت است
• ج) استفاده از آنهایی که داده واقعی دارند، مشخصاً پروکسی را برای کسانی که فاقد ✔ هستند علامت گذاری کنید
• د) اعمال پروکسی برای کلیه تامین کنندگان و پنهان کردن آن در گزارش

توضیحات: محدوده 3 بزرگ ترین اما سخت ترین مورد اکثر شرکت ها برای اندازه گیری است. برای تامین کنندگانی که داده های واقعی را ارائه می کنند، از آن داده ها استفاده می شود. برای کسانی که آن را ارائه نمی کنند، می توان از یک پروکسی مبتنی بر هزینه (برآورد) استفاده کرد. نکته مهم این است که پروکسی را پنهان نکنید: گزارش باید به وضوح قسمت و نسبت برآورد استفاده شده را بیان کند. پروکسی مبهم ممکن است منجر به انکار تضمین مستقل شود. همچنین نادیده گرفتن کامل محدوده 3 به این دلیل که "اندازه گیری آن دشوار است" اشتباه است.

9. هوش مصنوعی یک تامین کننده را تنها بر اساس میانگین کشوری به عنوان «کار اجباری احتمالی» علامت گذاری کرد. رفتار صحیح چیست؟

• الف) سیگنال را به عنوان مدرک بپذیرید و بلافاصله رابطه خود را با تامین کننده قطع کنید
• ب) نوشتن ادعا به طور مستقیم در گزارش زیرا هوش مصنوعی آن را گفته است
• ج) بی توجهی کامل به سیگنال های خطر و عدم بررسی آنها
• د) در نظر گرفتن سیگنال به عنوان "هشدار مورد بررسی" و تایید آن با بازرسی میدانی و منبع موثق ✔

توضیح: اتهامات جدی مانند نقض حقوق بشر با سیگنال تولید شده توسط هوش مصنوعی قابل اثبات نیست. چنین سیگنالی صرفاً یک "هشدار مورد بررسی" است. استفاده از آن به عنوان یک اتهام قطعی هم ناعادلانه و هم از نظر قانونی خطرناک است. چنین ادعاهایی تنها توسط یک منبع موثق، بازرسی میدانی و روند قانونی تایید می شود. هوش مصنوعی سیگنال تولید می کند. انسان قضاوت و مسئولیت را بر عهده می گیرد.

10. مهمترین اقدام احتیاطی هنگام تجزیه و تحلیل صدها پاسخ متن آزاد از نظرسنجی سهامداران با هوش مصنوعی چیست؟

• الف) نیاز به سیگنال های کمیاب اما با اهمیت (ایمنی/اخلاقی/زیست محیطی) به طور جداگانه و تحت الشعاع قرار ندادن آنها ✔
• ب) انتخاب تنها موضوعات با فرکانس بالاتر، حذف دیدگاه های اقلیت
• ج) تمام پاسخ ها را به یک خلاصه مثبت کاهش دهید و جزئیات را کنار بگذارید
• د) پذیرش خلاصه هوش مصنوعی به جای پاسخ های خام

توضیحات: هوش مصنوعی صدای اکثریت را تقویت می کند و صدای اقلیت را در تحلیل موضوعی سرکوب می کند. با این حال، با ارزش ترین سیگنال در پایداری گاهی اوقات یک مشکل جدی ایمنی، اخلاقی یا زیست محیطی است که توسط یک فرد بیان می شود. بنابراین تجزیه و تحلیل می پرسد "چه چیزی اغلب گفته شد؟" به این ختم نمی شود؛ سیگنال‌های «نادر اما با اهمیت بالا» باید به‌طور جداگانه درخواست شوند و از پاسخ‌های خام علاوه بر خلاصه، نه به جای آن، استفاده شود.

11. موثرترین راه برای جلوگیری از نشت اعداد و اهداف جعلی در متن هنگام نوشتن بخش گزارش به هوش مصنوعی چیست؟

• الف) تهیه یکباره کل گزارش با گفتن «نوشتن یک متن مناسب»
• ب) ارائه فقط داده های تایید شده و ممنوعیت صریح ایجاد اعداد/ادعاهای جدید ✔
• ج) بررسی کنید که متن چقدر روان و تاثیرگذار است و آن را منتشر کنید
• د) اجازه دادن به هوش مصنوعی برای پر کردن داده های از دست رفته با حدس های منطقی

توضیحات: هوش مصنوعی با استفاده از منطق «این همان چیزی است که گزارش‌های مشابه گفته‌اند» در یک اعلان خالی، اعداد و اهدافی تولید می‌کند که واقعاً ندارید. موثرترین اقدام احتیاطی این است که فقط داده های تأیید شده را به آن ارائه دهید و هیچ عدد، درصد، تاریخ، یا ادعایی غیر از داده هایی که به شما داده ام اضافه نکنید. این است که به وضوح قاعده "نوشتن [داده های مورد نیاز] در مکان گم شده" را بیان کنید. علاوه بر این، گزارش باید بخش به بخش چاپ شود و با داده ها تغذیه شود.

12. یک حسابرس تضمینی مستقل هنگام بررسی گزارش پایداری ابتدا به دنبال چه چیزی است؟

• الف) گزارش چقدر روان و حرفه ای نوشته شده است
• ب) هر موضوع دارای یک زنجیره از شواهد قابل ردیابی به سند منبع ✔
• ج) هوش مصنوعی می گوید "گزارش برای ممیزی آماده است"
• د) گزارش را قاطع تر از رقبا جلوه دهید

توضيح: آزمايشگر به روان بودن متن علاقه مند نيست، بلكه به زنجيره شواهد پشت هر ادعا علاقه دارد. اولین سوال او این است که این عدد را ثابت کنید. بررسی می شود که یک عدد از کدام سند منبع می آید، از کدام فرمول و عامل به گزارش تبدیل می شود و آیا می توان آن را به طور مستقل تکرار کرد. بنابراین، هر متریک ماده باید تا منبع آن قابل ردیابی باشد، فاکتورها باید از منبع رسمی تأیید شوند، و پروکسی‌ها باید مشخص شوند. هوش مصنوعی این آماده سازی را انجام می دهد، اما نمی تواند اطمینان حاصل کند.

13. کدام یک از ادعاهای زیست محیطی زیر کمترین خطر را برای شستشوی سبز دارد؟

• الف) "ما تا سال 2023 انتشارات تولید خود را 18٪ کاهش دادیم (با تایید شخص ثالث)" ✔
• ب) "محصولات ما کاملاً سازگار با محیط زیست و طبیعی هستند"
• ج) "شرکت ما کربن خنثی است" (بدون ارائه هیچ گونه سند یا داده ای)
• د) "ما پایدارترین و تقریباً صفرترین شرکت در صنعت هستیم"

توضیح: یک ادعای زیست‌محیطی خوب قابل اندازه‌گیری (شامل یک عدد)، اثبات شده (بر اساس شواهد) و از نظر دامنه واضح است (مشخص است که چه چیزی با چه چیزی و چه زمانی مقایسه می‌شود). «ما تا سال 2023 انتشارات تولید را 18 درصد کاهش دادیم (با تأیید شخص ثالث)» این سه ویژگی را دارد. عباراتی مانند «دوستانه با محیط زیست»، «طبیعی»، «کربن خنثی» تایید نشده غیرقابل اندازه‌گیری یا غیرقابل اثبات هستند و خطر شستشوی سبز را به همراه دارند.

14. قبل از چسباندن داده های تولید تاسیسات و انتشارات فاش نشده در یک ابزار هوش مصنوعی در دسترس عموم برای تجزیه و تحلیل، چه کاری باید انجام شود؟

• الف) چسباندن داده ها همانطور که هست. داده های محیطی همیشه در دسترس عموم است
• ب) دادن بدون رعایت احتیاط زیرا مسئولیت به عهده ارائه دهنده هوش مصنوعی می باشد
• ج) خطر صرفاً اشتباه محاسباتی است. یک اقدام محرمانه غیر ضروری است
• د) طبقه بندی داده ها به عنوان رایگان/داخلی/محرمانه و ناشناس سازی داده های محرمانه یا استفاده از ابزارهای شرکتی ✔

افشا: داده های تولید و انتشار در سطح کارخانه ممکن است اسرار تجاری باشد. داده‌های مالی/زیست‌محیطی که هنوز فاش نشده‌اند ممکن است قوانین افشای نظارتی را نقض کنند. اطلاعات مکان/حقوق کارکنان، داده های شخصی در محدوده KVKK/GDPR است. قبل از دادن این نوع داده ها به یک ابزار باز، لازم است آن را به عنوان رایگان/داخلی/محرمانه طبقه بندی کنید، در صورت لزوم آن را ناشناس کنید یا از یک ابزار شرکتی (بدون داده) استفاده کنید. "AI گفت" یک دفاع نیست. مسئولیت بر عهده مؤسسه و شخصی است که آن را تأیید می کند.