سود:
- امکان ایجاد محدوده 3 با اولویت بندی تامین کنندگان بر اساس هزینه و سطح ریسک و تمایز بین داده های واقعی و برآوردهای پروکسی
- وقتی سیگنالهای ریسک تامینکننده را با هوش مصنوعی علامتگذاری میکنید، آنها را بهعنوان «سیگنالهایی که باید بررسی شوند» و نه بهعنوان مدرک در نظر بگیرید.
- توانایی مدیریت ادعاهای جدی حقوق بشر/محیط زیست از طریق فرآیند بررسی دقیق که نیاز به بازرسی میدانی و تایید قانونی دارد.
برای اکثر شرکت ها، بزرگترین بخش تاثیر پایداری آنها نه در کارخانه خود بلکه در زنجیره تامین آنها نهفته است. بیش از 80 درصد از ردپای کربن یک برند پوشاک می تواند از تامین کنندگان آن، از تولیدکنندگان پارچه گرفته تا حمل و نقل باشد. به همین ترتیب، شدیدترین خطرات اجتماعی، مانند کار کودکان، کار اجباری و نقض محیط زیست، اغلب در اعماق زنجیره تامین رخ میدهد. در این بخش، نحوه استفاده از هوش مصنوعی (AI) برای جمعآوری و ارزیابی دادههای زنجیره تامین و غربالگری خطرات را خواهید آموخت.
بیایید دو مفهوم را روشن کنیم. محدوده 3، همانطور که در واحد قبلی دیدیم، انتشار غیرمستقیم در زنجیره ارزش شرکت است و به طور کلی بزرگترین اما دشوارترین مورد برای اندازه گیری است. بررسی دقیق فرآیند شناسایی، پیشگیری و اصلاح حقوق بشر و خطرات زیست محیطی در زنجیره تامین یک شرکت است. مقرراتی مانند CSDDD اتحادیه اروپا (دستورالعمل کوشش مناسب برای پایداری شرکت) این امر را برای شرکت های بزرگ اجباری می کند.
چالش اصلی داده های زنجیره تامین
شما می توانید داده های تاسیسات خود را اندازه گیری کنید. اما شما نمی توانید به طور مستقیم داده های صدها تامین کننده را اندازه گیری کنید، باید از آنها بپرسید. این سه مشکل ایجاد می کند:
- داده ها نمی رسند یا ناقص هستند. اکثر تامین کنندگان کوچکتر داده های کربن را حفظ نمی کنند.
- داده ها غیر قابل اعتماد هستند. هنگامی که یک تامین کننده خود گزارش می دهد، ممکن است اغراق یا کم گزارش وجود داشته باشد.
- حدس زدن (پروکسی) مورد نیاز است. اگر داده های واقعی در دسترس نباشد، میانگین صنعت یا برآورد مبتنی بر هزینه استفاده می شود.
اینجاست که هوش مصنوعی به دو روش کمک می کند: (1) تهیه سریع پیش نویس نظرسنجی ها و نامه های پیگیری برای ارسال به صدها تامین کننده، (2) ساختاربندی پاسخ های پراکنده و علامت گذاری سیگنال های خطر. اما هیچ شماره ای که توسط تامین کننده داده شده تایید نمی شود، هیچ سیگنال خطری بدون بررسی انسانی به نتیجه نمی رسد.
طبقه بندی محدوده 3 (مثال)
منبع داده
روش معمولی
کالا/خدمات خریداری شده
نظرسنجی تامین کننده / خرج کردن
داده واقعی > پروکسی
حمل و توزیع
سوابق حامل
فاصله × بار × فاکتور
سفر کاری
سیستم سفر
کیلومتر/پرواز × فاکتور
استفاده از محصول فروخته شده
داده های انرژی محصول
مدل استفاده
زباله
اسناد انتقال زباله
مقدار × عامل
نکته: در محدوده 3، برآورد «مبتنی بر هزینه» (این مقدار CO₂e به ازای هر 1000 دلار خرج شده) شروعی سریع، اما خشن است. هنگامی که یک تامین کننده داده های واقعی را ارائه می دهد، از آن استفاده کنید. تخمین مبتنی بر هزینه تنها زمانی موقتی است که دادههای واقعی وجود نداشته باشد و باید بهعنوان «تخمین/نمایندگی» در گزارش علامتگذاری شود.
گام به گام: گردش کار زنجیره تامین با هوش مصنوعی
1. تامین کنندگان را اولویت بندی کنید. شما نمی توانید همه صدها تامین کننده را در یک عمق بررسی کنید. روی کسانی که اندازه هزینه و ریسک بالایی دارند (بخش، کشور) تمرکز کنید. هوش مصنوعی میتواند با این اولویتبندی یک فهرست پیشنویس تولید کند.
2. پیش نویس نظرسنجی و درخواست. از هوش مصنوعی یک طرح کلی بررسی دادههای تامینکننده واضح و با قابلیت تکمیل آسان بخواهید.
3. داده های ورودی را پیکربندی کنید. پاسخ ها را در قالب های مختلف در یک جدول قرار دهید. قسمت های از دست رفته را علامت گذاری کنید.
4. برای سیگنال های خطر اسکن کنید. از هوش مصنوعی بخواهید نامزدهای "پرچم قرمز" را در اخبار عمومی، سوابق نقض و اختلاف نظرسنجی ها پیدا کند. اما انسان ها هر سیگنالی را تایید می کنند.
5. عمل و تعقیب. ایجاد یک اقدام اصلاحی و برنامه پیگیری برای تامین کنندگان پرخطر؛ فرآیند را مستند کنید.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
ردپای کربن تامین کنندگان ما را محاسبه کنید.
بدون منبع داده، بدون تمایز واقعی/پراکسی، و بدون تأیید. هوش مصنوعی اعداد تامین کنندگان را تشکیل می دهد.
اعلان قدرتمند:
نقش شما: تحلیلگر پایداری زنجیره تامین ورودی: نام 15 تامین کننده، صنعت، میزان هزینه سالانه، و داده های انتشار واقعی آنها (در صورت وجود). وظیفه: 1) برای کسانی که داده های واقعی را ارائه می دهند، از آن داده ها استفاده کنند. 2) برای کسانی که داده واقعی ندارند، بنویسید "PROXY مبتنی بر خرج کردن مورد نیاز است"، شماره را متناسب نکنید. مشخص کنید کدام عامل را از منبع رسمی دریافت کنید. 3) تامین کنندگان را در صنعت با هزینه بالا + ریسک بالا اولویت بندی کنید. خروجی: جدول (تامین کننده | صنعت | هزینه | نوع داده[واقعی/پراکسی] | اولویت | توجه). شماره های پروکسی در گزارش مشخص خواهد شد.
درخواست برای غربالگری ریسک تامین کننده
یک داربست غربالگری خطر برای لیست تامین کنندگان زیر راه اندازی کنید. ارزیابی برای هر تأمینکننده (فقط بر اساس اطلاعاتی که ارائه کردهام، ادعای عمومی جعلی): - خطر احتمالی حقوق بشر از کشور/بخش (بالا/متوسط/پایین)- خطر زیستمحیطی احتمالی- ناهماهنگی در پاسخ نظرسنجی/پرچمهای قرمز قانون: برای هر خطر، یادداشت «لازم به تأیید - بدون منبع» را اضافه کنید. اتهامات قطعی نکنید، فقط سیگنال هایی را برای بررسی پیشنهاد دهید. فهرست: [تامین کنندگان]
دستور زیر یک بررسی درخواست داده را برای ارسال به تامین کنندگان پیش نویس می کند.
نقش شما: متخصص منبع یابی پایداری. وظیفه: پیش نویس یک نظرسنجی داده های ESG با حداکثر 10 سوال که تامین کنندگان کوچک/متوسط می توانند به راحتی آن را تکمیل کنند. شامل: مصرف انرژی، نوع سوخت، ضایعات، تعداد حوادث ایمنی شغلی، تعهد به کار اجباری/کودکان. لحن: ساده، واضح، آسان برای تکمیل. به هر سوال واحد و مثال اضافه کنید.
احتیاط: هوش مصنوعی سیگنال خطری را در مورد تأمینکننده تأیید نکند (مثلاً «کار کودک») و هرگز از ادعایی که توسط هوش مصنوعی ایجاد شده است به عنوان مدرک استفاده نکنید. چنین ادعاهای سنگین تنها توسط منبع معتبر، بازرسی میدانی و روند قانونی تایید می شود. هوش مصنوعی فقط یک "سیگنال برای بررسی" تولید می کند. قضاوت نمی کند.
سه کیف کوچک
مورد 1 - استفاده صادقانه از پروکسی. تنها 30 نفر از 200 تامین کننده یک تولید کننده مبلمان، داده های کربن واقعی را ارائه کردند. تیم از یک پروکسی مبتنی بر هزینه برای 170 باقیمانده استفاده کرد، اما گزارش به وضوح بیان میکند که "65% از محدوده 3 یک تخمین مبتنی بر هزینه است." حسابرس این صداقت را تصدیق کرد. اگر پنهان می شد، ممکن بود این اطمینان رد شود.
مورد 2 - اولویت بندی. یک شرکت مواد غذایی 480 تامین کننده داشت. هوش مصنوعی نشان داد که 80 درصد از هزینه ها در 40 تامین کننده متمرکز شده است. تیم غواصی عمیق را روی این 40 متمرکز کرد. منابع هدر نرفتند و تامین کنندگان بیشترین تاثیر را با داده های واقعی گزارش کردند.
مورد 3 - خطر اتهام نادرست. هوش مصنوعی یک تامین کننده را به عنوان «کار اجباری احتمالی» علامت گذاری کرد. دلیلش فقط میانگین کشوری بود. تیم این را به عنوان یک "سیگنال برای بررسی"، نه مدرک، پذیرفت و درخواست بازرسی میدانی کرد. بازرسی هیچ مشکلی پیدا نکرد. اگر سیگنال هوش مصنوعی به عنوان مدرک در نظر گرفته شود، یک اتهام ناعادلانه و خطر قانونی ایجاد می شود.
اشتباهات رایج
- پذیرش داده های تامین کننده بدون تایید آن. داده های تامین کننده خود گزارش دهی نیاز به بررسی متقابل دارد.
- مخفی کردن پروکسی استفاده از پیشبینی مبتنی بر هزینه خوب است. عدم تعیین مشکل در حسابرسی است.
- بررسی همه تامین کنندگان به طور یکسان. منبع یابی باید بر تامین کنندگان هزینه بالا و ریسک بالا متمرکز شود.
- اشتباه گرفتن سیگنال هوش مصنوعی با شواهد ادعاهای مربوط به نقض حقوق بشر/محیط زیست توسط میدان و قانون تأیید می شود، نه توسط هوش مصنوعی.
- رد شدن از محدوده 3 به طور کامل. بیشترین تأثیر معمولاً اینجاست. نمی توان آن را به این دلیل که «اندازه گیری آن دشوار است» نادیده گرفت.
به طور خلاصه
زنجیره تامین جایی است که بزرگترین تاثیرات زیست محیطی و اجتماعی اکثر شرکت ها پنهان می شود. انتشار محدوده 3 و خطرات بررسی دقیق در اینجا متمرکز شده است. هوش مصنوعی این یک کمک قدرتمند در اولویتبندی تامینکننده، تهیه پیشنویس نظرسنجی، ساختاربندی پاسخهای پراکنده و پرچمگذاری سیگنال ریسک است. اما دادههای تامینکننده در گزارش گنجانده نمیشود تا زمانی که تأیید شود، پروکسیها به وضوح بیان شوند و ادعاهای جدی با بازرسی میدانی تأیید شوند. هوش مصنوعی سیگنال تولید می کند. انسان قضاوت و مسئولیت را بر عهده می گیرد.
وظیفه کاربردی
فهرستی از 10 تامین کننده ساختگی با نام، صنعت و هزینه سالانه تهیه کنید. دادههای انتشار واقعی را به تعداد کمی اضافه کنید، بیشتر آنها را خالی بگذارید. از هوش مصنوعی جدول اولویت بندی و نوع داده را از طریق اعلان قدرتمند بالا بخواهید. سپس: (1) بررسی کنید که تعداد تامین کنندگانی که نیاز به پروکسی دارند تشکیل نشده است، (2) 3 تامین کننده با اولویت را با توجیه انتخاب کنید، (3) پیش نویس یک نظرسنجی داده کوتاه برای ارسال به آنها.
چک لیست
- [ ] من تامین کنندگان را بر اساس هزینه و سطح ریسک اولویت بندی کردم.
- [ ] من از داده های واقعی استفاده کردم. برای اونایی که ندارن پروکسی رو علامت زدم.
- [ ] من داده های تامین کننده را نه آنطور که هست، بلکه با بررسی متقاطع ارزیابی کردم.
- [ ] من سیگنال های خطر را "باید بررسی کنیم" در نظر گرفتم و از آنها به عنوان مدرک استفاده نکردم.
- [ ] من یک مرحله ممیزی میدانی/تأیید قانونی را برای ادعاهای جدی برنامه ریزی کردم.
- [ ] من از محدوده 3 رد نشدم. محدوده و میزان برآورد را در گزارش بیان کردم.
- [ ] من کل فرآیند را با یک سند بررسی دقیق ثبت کردم.