નફો:
- કૃત્રિમ બુદ્ધિમત્તા ESG વર્કફ્લો (ડેટા, એકાઉન્ટ્સ, મેપિંગ, રિપોર્ટિંગ) માં ક્યાં સમય બચાવે છે અને જોખમના સ્તરના આધારે, પરિબળ, પ્રમાણભૂત અને દાવાના નિર્ણયો માનવો પર ક્યાં છોડવામાં આવે છે તે પારખવામાં સક્ષમ હોવું.
- એક શિસ્ત લાગુ કરવાની ક્ષમતા જે દરેક સંખ્યાત્મક અને ગુણાત્મક આઉટપુટનું એકમ, સ્ત્રોત અને ઓડિટ ટ્રેઇલ સ્ટેપ્સ સાથે ઓડિટ કરે છે
- શા માટે નકલી ઉત્સર્જન પરિબળો, નકલી પ્રમાણભૂત સંદર્ભો અને ગ્રીનવોશિંગ ભાષા આ વ્યવસાય માટે જોખમો છે તે સમજવું કે જેને શરૂઆતથી જ ધ્યાનમાં લેવાની જરૂર છે.
કંપનીનો સસ્ટેનેબિલિટી રિપોર્ટ હવે માત્ર ગુડવિલ બ્રોશર નથી રહ્યો; તે એક દસ્તાવેજ છે જે હિસાબી દસ્તાવેજ તરીકે બંધનકર્તા, ઓડિટ અને કાનૂની પરિણામો ધરાવે છે. યુરોપિયન યુનિયનના CSRD (કોર્પોરેટ સસ્ટેનેબિલિટી રિપોર્ટિંગ ડાયરેક્ટિવ) નિયમન સાથે, હજારો કંપનીઓ; તેણે કાર્બન ઉત્સર્જન, કર્મચારીઓના ડેટા અને સપ્લાય ચેઇનની અસરોને નાણાકીય નિવેદનોની જેમ જ ફરજિયાત, ચકાસી શકાય તેવી અને તુલનાત્મક રીતે જાહેર કરવાની હતી. આ એકમમાં, તમે શીખી શકશો કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) આ ભારે અને ડેટા-સઘન કાર્યમાં ખરેખર સમય ક્યાં બચાવે છે, તે ક્યાં જોખમી છે અને દરેક આઉટપુટને કેવી રીતે ચકાસવું.
પ્રથમ, એક જટિલ ખ્યાલ. ESG એ અંગ્રેજી શબ્દો Environmental, Social and Governance ના આદ્યાક્ષરો છે; તે ફ્રેમવર્કનું નામ છે જે કંપનીની પર્યાવરણીય અસરો જેમ કે કાર્બન ઉત્સર્જન અને પાણીનો ઉપયોગ, કર્મચારીઓના અધિકારો અને વ્યવસાયિક સલામતી જેવી સામાજિક અસરો અને બોર્ડ માળખું અને નીતિશાસ્ત્ર જેવી ગવર્નન્સ પ્રેક્ટિસને માપે છે. સસ્ટેનેબિલિટી રિપોર્ટિંગ આ ત્રણ ક્ષેત્રોમાં પ્રદર્શનને પ્રમાણભૂત રીતે માપે છે અને તેને જાહેર જનતા સમક્ષ જાહેર કરે છે.
બીજો નિર્ણાયક ખ્યાલ: આભાસ એ છે જ્યારે AI એવી માહિતી ઉત્પન્ન કરે છે જે વાસ્તવમાં સંપૂર્ણ આત્મવિશ્વાસ સાથે સાચી નથી. ESG વિશ્વમાં આ; તમે એક કાલ્પનિક ઉત્સર્જન પરિબળ, અવિદ્યમાન GRI માનક નંબર, ખોટો એકમ અથવા અવિદ્યમાન કાયદાના લેખનો સંદર્ભ મેળવી શકો છો. નિર્ણાયક મુદ્દો એ છે કે વિશાળ ભાષા મોડેલ (LLM) એ કેલ્ક્યુલેટર, નિયમનકારી ડેટાબેઝ અથવા ઓડિટર નથી. તે એક ટેક્સ્ટ જનરેટર છે જે આંકડાકીય રીતે તે પાઠોનું અનુકરણ કરે છે જે તે તાલીમ ડેટામાં જુએ છે. તે મોટાભાગે ચોક્કસ માહિતી ઉત્પન્ન કરે છે; પરંતુ ESG રિપોર્ટિંગમાં "મોટાભાગે સચોટ" અને "ઓડિટ પાસ કરવા માટે પૂરતા પ્રમાણમાં સચોટ" વચ્ચેનો તફાવત છે.
ESG માં AI ક્યાં કામ કરે છે અને ક્યાં નથી?
AI ને ઝડપી ડ્રાફ્ટ, ડેટા ક્યુરેશન અને વિશ્લેષણ ભાગીદાર તરીકે વિચારો: મૂલ્યવાન પરંતુ માન્યતા માટે આવશ્યક છે. નીચેનો તફાવત આ મોડ્યુલની કરોડરજ્જુ છે.
ક્વેસ્ટ
AIનું યોગદાન
નિષ્ણાતની જવાબદારી
માહિતી સંગ્રહ
વિવિધ ફોર્મેટમાં ફેરફાર કરે છે, સ્પેસ માર્ક કરે છે
સ્રોત દસ્તાવેજ સાથે નંબરની પુષ્ટિ કરવી
ઉત્સર્જન ખાતું
ફોર્મ્યુલા અને ગણતરી માળખું બનાવે છે
સત્તાવાર સ્ત્રોતમાંથી ઉત્સર્જન પરિબળની ચકાસણી
GRI/CSRD મેપિંગ
પ્રમાણભૂત વસ્તુઓ માટે ઘટકોની ભલામણ કરે છે
પ્રમાણભૂત ટેક્સ્ટ સાથે બરાબર તપાસી રહ્યું છે
ભૌતિકતા વિશ્લેષણ
હિતધારકોના અભિપ્રાયોને થીમ્સમાં અલગ કરે છે
પ્રાથમિકતાનો નિર્ણય લો
અહેવાલ લેખન
ડ્રાફ્ટ ટેક્સ્ટ અને સારાંશ ઉત્પન્ન કરે છે
પુરાવા સાથે દરેક દાવાને સમર્થન આપો
ગ્રીનવોશિંગ નિયંત્રણ
ફ્લેગ જોખમી શબ્દસમૂહો
અંતિમ દાવાની જવાબદારી લો
અંગૂઠાનો નિયમ: AI લાગુ કરો નહીં કે ડેટા પર જ; ડેટા, સ્કેફોલ્ડ વિશ્લેષણ અને ડ્રાફ્ટ ટેક્સ્ટ ગોઠવવા માટે ઉપયોગ કરો; પ્રાથમિક સ્ત્રોત (ઇનવોઇસ, મીટર રેકોર્ડ, સત્તાવાર માનક ટેક્સ્ટ, ઉત્સર્જન પરિબળ ડેટાબેઝ) સાથે હંમેશા દરેક નંબર અને દરેક પ્રમાણભૂત સંદર્ભને ચકાસો. સસ્ટેનેબિલિટી રિપોર્ટમાં દરેક આંકડાની પાછળ એક ઓડિટ ટ્રેલ હોવો જોઈએ જે ઓડિટર ઈચ્છે છે. AI આ પુરાવા રજૂ કરી શકતું નથી; તે ફક્ત તમને તેને ગોઠવવામાં મદદ કરે છે.
ESG માં AI ના ત્રણ ઘાતક ફાંસો
1. નિર્મિત ઉત્સર્જન પરિબળો અને સંખ્યાઓ. AI એક ઉત્સર્જન પરિબળને "ભરી" શકે છે જે તેને યાદ નથી (ઈંધણ અથવા વીજળીના એકમ દીઠ કાર્બન ઉત્સર્જનનો ગુણાંક) વાજબી લાગે તેવી સંખ્યા સાથે. આ સંખ્યા સમગ્ર કાર્બન ફૂટપ્રિન્ટ ગણતરીને અમાન્ય બનાવે છે.
2. અસ્તિત્વમાં નથી અથવા જૂના કાયદા/ધોરણોનો સંદર્ભ. AI પ્રમાણભૂત નંબરો જનરેટ કરી શકે છે જે વાસ્તવિક દેખાય છે પરંતુ જેની સામગ્રી ખોટી રીતે રજૂ કરવામાં આવી છે અથવા સંપૂર્ણપણે બનાવટી છે, જેમ કે "GRI 305-7". ધોરણો પણ નિયમિતપણે અપડેટ થાય છે; મોડેલ માટે જાણીતું સંસ્કરણ જૂનું હોઈ શકે છે.
3. ભાષા કે જે ગ્રીનવોશિંગ ઉત્પન્ન કરે છે. AI આતુરતાપૂર્વક "પર્યાવરણ મૈત્રીપૂર્ણ", "પર્યાવરણને અનુકૂળ", "કાર્બન ન્યુટ્રલ" જેવા સરસ-અવાજ ધરાવતા પરંતુ બિનસલાહભર્યા અને ભ્રામક નિવેદનો ઉત્પન્ન કરે છે. આ નિવેદનો આજે કાનૂની જોખમ ધરાવે છે. અમે આને એકમ 10 માં ઊંડાણમાં આવરી લઈશું.
ટીપ: ત્રણ પ્રશ્નો સાથે દરેક સંખ્યાત્મક ESG પરિણામનો સંપર્ક કરો: (1) તેનું એકમ શું છે (tCO₂e, kg, MWh)? (2) કયો દસ્તાવેજ સ્ત્રોત છે? (3) હું આ આંકડો ઓડિટરને કેવી રીતે સાબિત કરી શકું? આ ત્રણ પ્રશ્નો કળીમાં મોટાભાગની ESG ભૂલોને પકડે છે. અહીં "tCO₂e" નો અર્થ છે "ટન કાર્બન ડાયોક્સાઇડ સમકક્ષ"; તે એક માપ છે જે વિવિધ ગ્રીનહાઉસ વાયુઓને એક સામાન્ય એકમમાં રૂપાંતરિત કરે છે.
સ્ટેપ બાય સ્ટેપ: ESG માં સુરક્ષિત AI વર્કફ્લો
1. કાર્યને ધોરણ અને એકમ સાથે લિંક કરો. "અમારા કાર્બન ઉત્સર્જનની ગણતરી કરો" ને બદલે "2024, ઇસ્તંબુલ ઑફિસ, કુદરતી ગેસનો વપરાશ 12,000 m³; GHG પ્રોટોકોલ સ્કોપ 1 પદ્ધતિથી tCO₂e માં ઉત્સર્જનની ગણતરી કરો, તમે ઉપયોગ કરો છો તે ઉત્સર્જન પરિબળ અને સ્ત્રોતનો ઉલ્લેખ કરો."
2. સ્ત્રોત અને ધારણા માટે સ્પષ્ટપણે પૂછો. AI ને લખવા માટે કહો કે તેણે દરેક સંખ્યા માટે કયું ઉત્સર્જન પરિબળ, કયું ધોરણ અને કઈ ધારણાનો ઉપયોગ કર્યો. સ્ત્રોત ટાંક્યા વિના કોઈપણ નંબર સ્વીકારશો નહીં.
3. પ્રાથમિક સ્ત્રોત સાથે ચકાસો. સત્તાવાર ડેટાબેઝમાંથી ઉત્સર્જન પરિબળની પુષ્ટિ કરો (દા.ત. ઊર્જા માટેનો રાષ્ટ્રીય વિભાગ, UK DEFRA ડેટાસેટ, IEA), GRI અથવા EFRAG સત્તાવાર દસ્તાવેજમાંથી પ્રમાણભૂત ટેક્સ્ટ. EFRAG એ યુરોપિયન સંસ્થા છે જે ESRS (યુરોપિયન સસ્ટેનેબિલિટી રિપોર્ટિંગ સ્ટાન્ડર્ડ્સ) ધોરણો તૈયાર કરે છે જેના પર CSRD આધારિત છે.
4. ઓડિટ ટ્રેઇલ સાચવો. કોષ્ટકમાં લખો કે તમે કયા ડેટાનો ઉપયોગ કર્યો, કયા સ્ત્રોતમાંથી, કઈ તારીખે અને કઈ ધારણા હેઠળ. ખાતરી ઓડિટર (સ્વતંત્ર ચકાસણીકર્તા) આ માટે વિનંતી કરશે.
5. માનવીને અંતિમ દાવાની પુષ્ટિ કરવા દો. દરેક જાહેર ESG દાવા પાછળ જવાબદાર વ્યક્તિ હોવી જોઈએ.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
એક જ નોકરીની બે અલગ અલગ રીતે વિનંતી કરવાથી પરિણામની વિશ્વસનીયતા ધરમૂળથી બદલાઈ જાય છે.
નબળા પ્રોમ્પ્ટ:
અમારી કંપનીના કાર્બન ફૂટપ્રિન્ટની ગણતરી કરો અને ટકાઉપણું રિપોર્ટ માટે ફકરો લખો.
આ દાવામાં એકમ, અવકાશ, વર્ષ, ડેટા અને સ્ત્રોતનો સમાવેશ થતો નથી; AI ફેબ્રિકેશન વડે ખાલી જગ્યાઓ ભરે છે અને ગ્રીનવોશિંગથી ભરપૂર ટેક્સ્ટ બનાવે છે.
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: એક વરિષ્ઠ ESG રિપોર્ટિંગ નિષ્ણાત. ઇનપુટ ડેટા (માત્ર આનો ઉપયોગ કરો, જો ખૂટે છે તો 'કોઈ ડેટા નહીં' લખો):- 2024, કુદરતી ગેસ: 12,000 m³- 2024, ગ્રીડ વીજળી: 85,000 kWhTask: GHG પ્રોટોકોલ અને Scobased12 નો ઉપયોગ કરીને CO₂e માં ઉત્સર્જનની ગણતરી કરો. પદ્ધતિ. નિયમો:- તમે ઉપયોગ કરો છો તે દરેક ઉત્સર્જન એક અલગ કૉલમમાં પરિબળ, એકમ અને સ્ત્રોતનો ઉલ્લેખ કરો. - જો તમે પરિબળ જાણતા નથી, તો તેને બનાવશો નહીં; "સત્તાવાર પરિબળ જરૂરી" લખો. - કોષ્ટકમાં પરિણામ આપો; અંતે ચકાસવાની જરૂર હોય તેવી વસ્તુઓની યાદી બનાવો.
નીતિશાસ્ત્ર, ગોપનીયતા અને સીમાઓ
ESG ડેટા ઘણીવાર સંવેદનશીલ હોય છે: કર્મચારી લિંગ અને પગાર ડેટા (સામાજિક સૂચકાંકો), સપ્લાયર કરારની શરતો, નાણાકીય અસરો હજુ સુધી જાહેર કરવામાં આવી નથી. આ ડેટાને સાર્વજનિક AI ટૂલમાં દાખલ કરતા પહેલા ગોપનીયતાની સીમા સ્પષ્ટ કરો. AI ને આપતા પહેલા વ્યક્તિગત ડેટા (નામ, ID, KVKK અને GDPR ના કાર્યક્ષેત્રમાંનો પગાર) અનામી કરો અથવા એકત્રિત કરો; એટલે કે, વ્યક્તિગત લોકોની જગ્યાએ, તેમને સારાંશ નંબરોમાં ફેરવો જેમ કે "મહિલા કર્મચારી દર 38% છે". KVKK એ Türkiye નો વ્યક્તિગત ડેટા સંરક્ષણ કાયદો છે અને GDPR એ યુરોપનો વ્યક્તિગત ડેટા સંરક્ષણ કાયદો છે.
સાવધાન: ESG રિપોર્ટમાં ખોટો અથવા અતિશયોક્તિપૂર્ણ દાવો માત્ર પ્રતિષ્ઠાનું જોખમ નથી; તે CSRD અને રાષ્ટ્રીય ગ્રાહક કાયદા હેઠળ દંડ અને કાનૂની જવાબદારીમાં પરિણમી શકે છે. પુરાવા વિના AI દ્વારા ઉત્પાદિત કોઈપણ દાવા પ્રકાશિત કરશો નહીં.
ત્રણ નાના કેસો
કેસ 1 — કન્ટ્રીવ્ડ ફેક્ટર. એક મેન્યુફેક્ચરિંગ કંપનીએ AIને ડીઝલનો વપરાશ આપ્યો અને ઉત્સર્જનની ગણતરી માટે કહ્યું. YZ એ "ડીઝલ માટે 2.40 kgCO₂e/લિટર" પરિબળનો ઉપયોગ કર્યો. નિષ્ણાતે તપાસ્યું: સત્તાવાર પરિબળ આશરે 2.68 kgCO₂e/litre હતું. તફાવત 10% હતો અને તેનો અર્થ 40,000 લિટર વપરાશ દીઠ આશરે 11 ટન CO₂eનું વિચલન હતું. અધિકૃત સ્ત્રોતમાંથી પરિબળ સુધારવામાં આવ્યું છે.
કેસ 2 — અવિદ્યમાન ધોરણ. એક કન્સલ્ટન્ટે YZ ને રિપોર્ટ માટે "GRI 305-8 વોટર કન્ઝમ્પશન" શીર્ષક માટે પૂછ્યું. જ્યારે GRI 303 હેઠળ પાણીની જાણ કરવામાં આવી છે; GRI 305 એ હવાનું ઉત્સર્જન છે. જ્યારે પ્રમાણભૂત ટેક્સ્ટ સાથે તપાસ કરવામાં આવે ત્યારે, ભૂલ પકડાઈ હતી અને સામગ્રીને યોગ્ય લેખમાં ખસેડવામાં આવી હતી.
કેસ 3 - ગ્રીનવોશિંગ ભાષા. YZ એ છૂટક બ્રાન્ડ માટે "અમારા ઉત્પાદનો સંપૂર્ણપણે પર્યાવરણને અનુકૂળ છે" વાક્ય સૂચવ્યું. ESG ટીમને આ અયોગ્ય લાગ્યું અને તેને એક નક્કર, સાબિત કરી શકાય તેવા નિવેદન સાથે બદલ્યું જેમ કે "અમારા પેકેજિંગનો 60% રિસાયકલ કરવામાં આવે છે (2024, આંતરિક માપન)."
ઓડિટ-તૈયાર કાર્ય માટે સંકેત આપે છે
ઓડિટીંગ આંખ સાથે નીચેના ESG ટેક્સ્ટની તપાસ કરો. દરેક આંકડાકીય દાવા માટે: 1) શું એકમ સ્પષ્ટ છે? 2) સ્ત્રોત જણાવ્યું છે? 3) શું તે ચકાસી શકાય છે કે વ્યક્તિલક્ષી/અતિશયોક્તિપૂર્ણ? અપ્રમાણિત અથવા અસ્પષ્ટ નિવેદનો જેમ કે "ઇકો-ફ્રેન્ડલી, લીલો, કુદરતી" ચિહ્નિત કરો અને દરેક માટે નક્કર, માપી શકાય તેવા વિકલ્પ સૂચવો. ટેક્સ્ટ: [TEXT]
નીચેનો પ્રોમ્પ્ટ સંક્ષિપ્ત નીતિ રૂપરેખા બનાવે છે જે સંસ્થામાં AI ઉપયોગની મર્યાદાને સ્પષ્ટ કરે છે.
તમારી ભૂમિકા: ટકાઉપણું ટીમ લીડર. કાર્ય: ESG કાર્યમાં ટીમના AI ના ઉપયોગને સંચાલિત કરતો 1-પાનાનો આંતરિક નીતિનો ડ્રાફ્ટ લખો. સમાવિષ્ટ કરો:- એવા કાર્યો જ્યાં AI નો મુક્તપણે ઉપયોગ કરી શકાય છે (રૂપરેખા, સારાંશ, ફોર્મેટિંગ)- માનવીય ચકાસણીની જરૂર હોય તેવા કાર્યો (નંબર, પરિબળ, માનક એટ્રિબ્યુશન, દાવો)- ડેટા પ્રકારો કે જે ક્યારેય AI માં દાખલ કરવામાં આવશે નહીં (વ્યક્તિગત ડેટા, અપ્રગટ નાણાકીય અસર) સ્વર: સ્પષ્ટ, બુલેટ-પોઇન્ટ, લાગુ.
નીચેનું પ્રોમ્પ્ટ એક નાનું "ઓડિટ ટ્રેલ" ટેબલ હાડપિંજર સેટ કરે છે જે દરેક ESG ડિલિવરેબલમાં ઉમેરી શકાય છે.
નીચેના એકાઉન્ટની બાજુમાં ઓડિટ ટ્રેઇલ ટેબલ બનાવો. કૉલમ્સ: ડેટા આઇટમ | મૂલ્ય | એકમ | સ્ત્રોત દસ્તાવેજ | તારીખ | ધારણા | શું તે ચકાસાયેલ છે? જો સ્ત્રોત અજાણ્યો હોય તો દરેક લીટી પર "સ્રોત જરૂરી" લખો. પ્રવેશ: [ACCOUNT]
સામાન્ય ભૂલો
- સ્ત્રોત વિના સંખ્યા સ્વીકારવી. YZ દ્વારા આપવામાં આવેલ દરેક ઉત્સર્જન પરિબળ અને આંકડા સત્તાવાર સ્ત્રોત દ્વારા પુષ્ટિ કર્યા વિના અહેવાલમાં સમાવિષ્ટ નથી.
- એકમની અવગણના. જો kg ને ટન સાથે, kWh સાથે MWh સાથે ભેળસેળ કરવામાં આવે, તો પરિણામ 1000 ગણું વિચલિત થઈ શકે છે.
- તેમની પ્રમાણભૂત યુક્તિઓ પર આંધળો વિશ્વાસ કરવો. GRI/ESRS પદાર્થ નંબરો સત્તાવાર દસ્તાવેજ સાથે ચકાસવામાં આવશ્યક છે.
- જેમ છે તેમ સંવેદનશીલ ડેટા દાખલ કરી રહ્યાં છીએ. કર્મચારી અને સપ્લાયર ડેટા જાહેર સાધનને અનામી વિના પ્રદાન કરવામાં આવતો નથી.
- ઓડિટરની જગ્યાએ AI મૂકવું. AI ચેકલિસ્ટ બનાવી શકે છે, પરંતુ તે સ્વતંત્ર ખાતરી આપી શકતું નથી.
સારાંશમાં
AI એ ESG માં એક શક્તિશાળી ડ્રાફ્ટિંગ, ડેટા ક્યુરેશન અને વિશ્લેષણ ભાગીદાર છે; પરંતુ તે કેલ્ક્યુલેટર, રેગ્યુલેટરી ડેટાબેઝ કે ઓડિટર નથી. તેનું મૂલ્ય તેની ચકાસણી દ્વારા જાણવા મળે છે. પ્રાથમિક સ્ત્રોતમાંથી દરેક નંબરની પુષ્ટિ કરવી, દરેક પ્રમાણભૂત સંદર્ભની અધિકૃત ટેક્સ્ટ સાથે સરખામણી કરવી, સંવેદનશીલ ડેટાને અનામી રાખવો અને અંતિમ દાવાની જવાબદારી માનવ પર છોડવી એ આ મોડ્યુલની સતત કરોડરજ્જુ છે. "અસ્ખલિત દેખાવા" અને "ઓડિટમાં પાસ થવું" વચ્ચેનો તફાવત ક્યારેય ભૂલશો નહીં.
એપ્લિકેશન કાર્ય
તમારી પોતાની સંસ્થા (અથવા કાલ્પનિક કંપની)માંથી પર્યાવરણીય ડેટાની એક આઇટમ પસંદ કરો: ઉદાહરણ તરીકે, માસિક વીજળીનું બિલ. ઉપરના “પાવર પ્રોમ્પ્ટ” ટેમ્પલેટનો ઉપયોગ કરીને AI થી સ્કોપ 2 ઉત્સર્જન એકાઉન્ટિંગ સ્કેલેટનની વિનંતી કરો. પછી: (1) તે જે ઉત્સર્જન પરિબળનો ઉપયોગ કરે છે તેની સત્તાવાર સ્ત્રોત સાથે સરખામણી કરો, (2) એકમોની સુસંગતતા તપાસો, (3) કઈ વસ્તુઓને "ચકાસણીની જરૂર છે" સૂચિબદ્ધ કરતું એક નાનું ઓડિટ ટ્રેલ ટેબલ લખો.
ચેકલિસ્ટ
- [ ] મેં AI દ્વારા આપવામાં આવેલા દરેક નંબરના એકમ અને સ્ત્રોત પર પ્રશ્ન કર્યો.
- [ ] મેં સત્તાવાર ડેટાબેઝ સાથે ઉત્સર્જન પરિબળોની પુષ્ટિ કરી છે.
- [ ] મેં સત્તાવાર ટેક્સ્ટ સાથે પ્રમાણભૂત (GRI/ESRS) નંબરોની ચકાસણી કરી છે.
- [] મારી પાસે અનામી અથવા એકીકૃત સંવેદનશીલ/વ્યક્તિગત ડેટા છે.
- [ ] મેં "ઇકો-ફ્રેન્ડલી, ગ્રીન, નેચરલ" જેવા પુરાવા વિના નિવેદનોને ચિહ્નિત કર્યા.
- મેં દરેક નિર્ણય માટે ઓડિટ ટ્રેલ (સ્રોત, તારીખ, ધારણા) રાખ્યું છે.
- [ ] મેં એક જવાબદાર વ્યક્તિની ઓળખ કરી છે જે અંતિમ દાવાની પુષ્ટિ કરે છે.