سود:
- توانایی تشخیص تمرکز چارچوب های GRI، ESRS و ISSB (تأثیر، اهمیت مضاعف، مالی) و انتخاب چارچوب مناسب با توجه به خواننده
- امکان نگاشت موضوعات مواد به نامزدهای آیتم استاندارد و تأیید هر عدد با متن استاندارد رسمی
- امکان ایجاد یک تطبیق متقاطع که داده های واحد را به فریم های متعدد متصل می کند و به وضوح شکاف های داده را بدون پنهان کردن آنها نشان می دهد.
هنگامی که یک شرکت دادههای پایداری را جمعآوری میکند، باید آنها را طبق چارچوب گزارشدهی پذیرفتهشده بینالمللی، نه به شیوهای دلخواه، افشا کند. چارچوب، زبان مشترکی است که تعیین میکند «کدام موضوع، چگونه، با چه شاخصهایی گزارش شود». به لطف آن می توان گزارش های دو شرکت مختلف را با هم مقایسه کرد. در این واحد با سه چارچوب اصلی (GRI، ESRS/CSRD، ISSB) آشنا میشوید و نحوه استفاده ایمن از هوش مصنوعی (AI) در تطبیق محتوا بر اساس این چارچوبها را یاد میگیرید.
اجازه دهید به طور خلاصه این سه چارچوب را توضیح دهیم. GRI (ابتکار گزارشگری جهانی) پرکاربردترین خانواده استانداردهای گزارش دهی پایداری داوطلبانه در جهان است. عمدتاً به تأثیر این شرکت بر جهان می پردازد. ESRS (استانداردهای گزارش دهی پایداری اروپا) مجموعه ای از استانداردهای مبتنی بر اهمیت مضاعف است که توسط اتحادیه اروپا در محدوده دستورالعمل CSRD مورد نیاز است. ISSB (هیئت بین المللی استانداردهای پایداری) یک هیئت بین المللی است که استانداردهای IFRS S1/S2 را منتشر می کند که بر اهمیت مالی با تمرکز بر سرمایه گذار تمرکز دارد.
سه قاب، سه پرسپکتیو
قاب
چه کسی آن را برداشت؟
تمرکز اصلی
آیا اجباری است؟
خاکستری
موسسه GRI
تاثیر شرکت در جهان
داوطلبانه، بسیار رایج
ESRS/CSRD
اتحادیه اروپا / EFRAG
اهمیت دوگانه (تاثیر + مالی)
اجباری در اتحادیه اروپا
ISSB (IFRS S1/S2)
بنیاد IFRS
اهمیت مالی برای سرمایه گذار
توسط کشور به تصویب رسید
این چارچوب ها رقیب یکدیگر نیستند، بلکه زبان های مکملی هستند که برای خوانندگان مختلف جذابیت دارند. اکثر شرکتهای بزرگ دادههای خود را یک بار جمعآوری میکنند و آنها را در چارچوبهای متعدد «نقشهبندی» میکنند. این همان جایی است که ارزش واقعی هوش مصنوعی نهفته است: این یک دستیار سریع در توصیه داده های یکسان به تعداد آیتم های فریم های مختلف است. اما می تواند با شماره موارد مطابقت داشته باشد، بنابراین هر تطابق باید با متن استاندارد رسمی تأیید شود.
نکته: می توانید فریم ها را با سوال "کدام بهتر است؟" مقایسه کنید. نه "چه کسی آن را خواهد خواند؟" انتخاب کنید. اگر با سرمایه گذاران صحبت می کنید، ISSB/ اهمیت مالی. اگر مشمول مقررات اتحادیه اروپا هستید، ESRS اجباری است. اگر تأثیر خود را به طیف وسیعی از ذینفعان انتقال دهید، GRI قدرتمند است. اغلب بیش از یک با هم استفاده می شود.
ساختار استانداردهای GRI
GRI بر اساس اعداد موضوعی سازماندهی شده است. چند مثال (حتماً متن رسمی را برای تأیید بررسی کنید):
- GRI 302 - انرژی
- GRI 303 - آب و فاضلاب
- GRI 305 - انتشار (هوا)
- GRI 306 - زباله
- GRI 403 - بهداشت و ایمنی شغلی
رایج ترین اشتباه هوش مصنوعی قرار دادن یک موضوع در زیر شماره اشتباه است: به عنوان مثال، نشان دادن آب زیر GRI 305 (انتشار گازهای گلخانه ای). آب GRI 303 است. چنین خطاهایی فقط توسط لیست استانداردهای رسمی شناسایی می شوند.
گام به گام: تطبیق فریم با هوش مصنوعی
1. بر اساس مادیت. هنگامی که مشخص کردید کدام موضوعات گزارش می شوند (واحد 2)، به نقشه برداری بروید.
2. داده ها را به آیتم استاندارد توصیه کنید. از هوش مصنوعی بخواهید که هر موضوع ماده را به نامزد ماده GRI/ESRS مربوطه ترسیم کند. اما بیان کنید که "این یک پیش نویس پیشنهاد است".
3. شماره مورد را با متن رسمی تأیید کنید. هر عدد پیشنهادی را با سند رسمی GRI یا EFRAG تایید کنید. هم تعداد و هم محتوا را بررسی کنید.
4. شکاف ها را شناسایی کنید. داده هایی را که استاندارد می خواهید اما ندارید فهرست کنید (شکاف داده). اینها یا جمع آوری می شوند یا به عنوان "در دسترس" اعلام می شوند.
5. نقشه برداری متقاطع را تنظیم کنید. جدولی تهیه کنید که داده های مشابه را به اعداد GRI، ESRS و ISSB مرتبط می کند. بنابراین شما با یک داده به چندین چارچوب گزارش می دهید.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
این موضوعات را بر اساس GRI شماره گذاری کنید.
هوش مصنوعی ممکن است اعدادی را تولید کند که معقول به نظر میرسند، اما نادرست/ساخته شدهاند. تماس اعتبارسنجی وجود ندارد.
اعلان قدرتمند:
نقش شما: کارشناس چارچوب گزارش دهی. ورودی: موضوعات مواد ما (انرژی، آب، انتشار گازهای گلخانه ای، ایمنی شغلی، ضایعات). وظیفه: نامزدهای احتمالی GRI و ESRS را برای هر موضوع پیشنهاد دهید. قوانین: - به هر پیشنهاد یک برچسب «باید تأیید شود» بدهید. عدد دقیق را ادعا نکنید. - عددی را که از آن مطمئن نیستید درست نکنید. "تایید از لیست استاندارد رسمی" را بنویسید. - دلیل تبعیض را در موضوعاتی که به راحتی گیج می شوند مانند آب و گازهای گلخانه ای بنویسید. خروجی: جدول (موضوع | نامزد GRI | نامزد ESRS | یادداشت تأیید).
درخواست جدول نگاشت چند فریمی
یک داربست جدول نقشه برداری چند فریمی برای موضوعات مواد زیر بسازید. ستون ها: موضوع | مورد داده | هنر GRI | هنر ESRS | ISSB (S1/S2) | منبع داده | آیا هیچ شکافی وجود دارد؟ قوانین: - شماره مورد را به عنوان "نامزد/برای تایید" علامت گذاری کنید. - در سلول هایی که داده ای ندارند، "DATA GAP" را بنویسید. موضوعات: [TOPICS]
دستور زیر یک تجزیه و تحلیل شکاف گزارشی را تولید می کند.
نقش شما: تحلیلگر انطباق با ESG. وظیفه: داده هایی را که در اختیار داریم با توضیحات مورد نیاز چارچوبی که انتخاب کرده ایم (ESRS) مقایسه کرده و یک تجزیه و تحلیل شکاف ایجاد کنید. خروجی: توضیحات لازم | آیا آن را داریم؟ | در صورت گم شدن چه چیزی جمع آوری شود | Responsible.Rule: برای هر خطی که می گویید "ما داریم" منبع را بنویسید. اگر مطمئن نیستید، بگویید «بررسی الزامی است». به من یادآوری کن تا بندهای استاندارد را از متن رسمی تأیید کنم. ورودی: [لیست داده های موجود]
توجه: استانداردها به طور منظم به روز می شوند. ممکن است تعداد موارد، آستانه و الزامات تغییر کند. داده های آموزشی هوش مصنوعی ممکن است منعکس کننده یک نسخه قدیمی باشد. همیشه تصمیمات مهم جفت شدن و تعهد را با متن رسمی معتبر تأیید کنید.
سه کیف کوچک
مورد 1 - شماره اشتباه است. یک شرکت انرژی از هوش مصنوعی برای نقشه برداری GRI درخواست کرد. YZ مصرف آب خود را به عنوان "GRI 305-8" برچسب گذاری کرد. کارشناس بررسی کرد: آب GRI 303 است، GRI 305 انتشار هوا است و هیچ بیانیه 305-8 وجود ندارد. عدد با لیست رسمی تصحیح شده است.
مورد 2 - بسیاری از گزارش ها با یک داده. یک تولیدکننده یک بار دادههای انرژی را جمعآوری کرد و با کمک هوش مصنوعی آن را با نیازهای GRI 302، ESRS E1 (اقلیم) و ISSB S2 ترسیم کرد. به لطف جدول متقاطع، داده ها به جای جمع آوری مجدد داده ها برای سه گزارش جداگانه، از یک منبع واحد تغذیه شدند. هر عدد با متن رسمی تایید شد.
مورد 3 - حفره پنهان. یکی از شرکتها افشای «انتشارهای محدوده 3» مورد نیاز ESRS را نداشت. هوش مصنوعی این گزارش را به صورت روان نوشت «انگار کامل بود» و شکاف را نامرئی کرد. هنگامی که تجزیه و تحلیل شکاف انجام شد، کمبود آشکار شد. به جای جعل داده ها، این گزارش صادقانه توضیح داد که "داده های Scope 3 در سال 2025 جمع آوری خواهد شد."
اشتباهات رایج
- عدم تأیید شماره مورد شمارههای GRI/ESRS/ISSB بدون تأیید با متن رسمی استفاده نمیشوند.
- مخلوط کردن فریم ها با فرض یکسان بودن تمرکز تاثیر GRI و تمرکز مالی ISSB منجر به توضیحات نادرست می شود.
- با تکیه بر نسخه قدیمی. استانداردها به روز می شوند. متن فعلی ضروری است.
- پنهان کردن شکاف داده لازم است که داده های از دست رفته را به وضوح بیان کنید، نه اینکه آن را "انگار کامل" بنویسید.
- مسائل گیج کننده مانند آب / انتشار گازهای گلخانه ای. موضوعاتی که مشابه به نظر می رسند در زیر شماره آیتم های مختلف قرار می گیرند.
به طور خلاصه
چارچوبهای گزارشدهی ساختارهایی هستند که دادههای پایداری را به یک زبان قابل مقایسه مشترک ترجمه میکنند: GRI به تأثیر نگاه میکند، ISSB به امور مالی نگاه میکند، ESRS به هر دو با اهمیت دوگانه نگاه میکند. هوش مصنوعی یک دستیار قدرتمند در نگاشت سریع داده های مشابه به آیتم های چارچوب های مختلف است. اما ممکن است اعداد آیتم ها را مخدوش کند و نسخه های قدیمی تر را منعکس کند. هر نقشه برداری را با متن رسمی رسمی آن اعتبارسنجی کنید، فریم ها را بر اساس خواننده انتخاب کنید، شکاف های داده را پنهان نکنید. گزارش دهی به چارچوب های متعدد با یک داده کارآمد است. اما فقط زمانی امن است که هر عدد تایید شود.
وظیفه کاربردی
پنج موضوع مواد را انتخاب کنید (به عنوان مثال انرژی، آب، انتشار گازهای گلخانه ای، زباله، ایمنی شغلی). از طریق اعلان تطبیق چند فریمی در بالا، یک جدول نامزد GRI/ESRS/ISSB را از هوش مصنوعی درخواست کنید. سپس: (1) حداقل سه شماره مورد را با متن رسمی تأیید کنید، (2) بررسی کنید که آب و گازهای گلخانه ای به درستی از هم جدا شده باشند، (3) داده هایی را که از دست داده اید در یک لیست خالی بنویسید.
چک لیست
- [ ] من هر موضوع ماده را به مقاله چارچوب مربوطه ترسیم کردم.
- [ ] من شماره مورد را با متن رسمی (GRI/EFRAG/ISSB) تأیید کردم.
- [ ] من چارچوب را بر اساس خوانندگان آن (سرمایه گذار/ سهامدار/ تنظیم کننده) انتخاب کردم.
- [ ] من به درستی موضوعاتی را که به راحتی گیج می شوند مانند آب/انتشار جدا کرده ام.
- [ ] من شکاف های داده را به وضوح و بدون پنهان کردن آنها فهرست کرده ام.
- [ ] من تأیید کرده ام که از نسخه فعلی استانداردها استفاده می کنم.
- [ ] من یک زبانه متقاطع راه اندازی کردم که داده های واحد را به چندین فریم متصل می کند.