רווחים:
- היכולת להבחין היכן בינה מלאכותית חוסכת זמן בזרימת העבודה של ESG (נתונים, חשבונות, מיפוי, דיווח) והיכן החלטות גורמים, סטנדרטים וטענות נותרות לבני אדם, בהתאם לרמת הסיכון
- יכולת ליישם דיסציפלינה המבקרת כל פלט מספרי ואיכותי עם שלבי יחידה, מקור ושביל ביקורת
- ההבנה מדוע גורמי פליטה מזויפים, הפניות סטנדרטיות מזויפות ושפת שטיפה ירוקה הם סיכונים למקצוע זה שיש לקחת בחשבון כבר מההתחלה.
דוח קיימות של חברה אינו עוד רק חוברת רצון טוב; זהו מסמך מחייב, מבוקר ובעל השלכות משפטיות כמו מסמך חשבונאי. עם תקנת CSRD (Corporate Sustainability Reporting Directive) של האיחוד האירופי, אלפי חברות; הוא היה צריך לחשוף פליטות פחמן, נתוני עובדים והשפעות על שרשרת האספקה באופן חובה, ניתן לאימות וניתן להשוואה, בדיוק כמו דוחות כספיים. ביחידה זו תלמדו היכן בינה מלאכותית (AI) באמת חוסכת זמן במשימה הכבדה ועתירת הנתונים הזו, היכן היא מסוכנת וכיצד לאמת כל פלט.
ראשית, מושג קריטי. ESG הוא ראשי התיבות של המילים באנגלית Environmental, Social and Governance; זהו שמה של המסגרת המודדת את ההשפעות הסביבתיות של חברה כגון פליטת פחמן ושימוש במים, השפעות חברתיות כגון זכויות עובדים ובטיחות בעבודה, ונהלי ממשל כגון מבנה מועצות ואתיקה. דיווח על קיימות הוא מדידת הביצועים בשלושת התחומים הללו בצורה סטנדרטית וחשיפתם לציבור.
המושג הקריטי השני: הזיה הוא כאשר בינה מלאכותית מייצרת מידע שאינו נכון למעשה בביטחון מלא. בעולם ה-ESG זה; אתה עלול להיתקל בגורם פליטה פיקטיבי, מספר תקן GRI לא קיים, יחידה שגויה או הפניה למאמר חקיקה לא קיים. הנקודה הקריטית היא שמודל שפה גדול (LLM) אינו מחשבון, מסד נתונים רגולטורי או מבקר. זהו מחולל טקסטים שמחקה באופן סטטיסטי את הטקסטים שהוא רואה בנתוני ההדרכה. הוא מייצר מידע מדויק רוב הזמן; אבל ההבדל בין "מדויק רוב הזמן" ל"דיוק מספיק כדי לעבור ביקורת" הוא הכל בדיווח ESG.
איפה AI עובד ב-ESG ואיפה לא?
חשבו על בינה מלאכותית כעל טיוטה מהירה, שותף לאיסוף נתונים ולניתוח: בעל ערך אך חיוני לאימות. ההבחנה הבאה היא עמוד השדרה של מודול זה.
קווסט
תרומה של AI
אחריות המומחה
איסוף נתונים
עורך פורמטים שונים, מסמן רווחים
אישור המספר עם מסמך המקור
חשבון פליטות
יוצר נוסחה ומסגרת חישוב
אימות מקדם הפליטה ממקור רשמי
מיפוי GRI/CSRD
ממליצה על מרכיבים לפריטים סטנדרטיים
בודקים בדיוק עם הטקסט הסטנדרטי
ניתוח חומריות
מפריד את דעות מחזיקי העניין לנושאים
קבל החלטת סדר עדיפויות
כתיבת דוחות
מפיקה טיוטת טקסט ותקציר
תמכו כל טענה בראיות
בקרת שטיפת ירוק
מסמן ביטויים מסוכנים
לקחת אחריות תביעה סופית
כלל אצבע: החל AI לא על הנתונים עצמם; להשתמש לארגון נתונים, ניתוח פיגומים וניסוח טקסט; אמת תמיד כל מספר וכל התייחסות סטנדרטית עם המקור העיקרי (חשבונית, רשומת מד, טקסט סטנדרטי רשמי, מסד נתונים של גורמי פליטה). מאחורי כל נתון בדוח קיימות צריך להיות נתיב ביקורת שמבקר עשוי לרצות. בינה מלאכותית לא יכולה לייצר ראיות אלה; זה רק עוזר לך לארגן את זה.
שלוש מלכודות קטלניות של AI ב-ESG
1. גורמי פליטה ומספרים מורכבים. הבינה המלאכותית יכולה "למלא" גורם פליטה שהוא לא זוכר (מקדם פליטת הפחמן ליחידת דלק או חשמל) במספר שנראה הגיוני. מספר זה מבטל את כל חישוב טביעת הרגל הפחמנית.
2. התייחסות לחקיקה/תקנים לא קיים או מיושן. בינה מלאכותית יכולה ליצור מספרים סטנדרטיים שנראים אמיתיים אך התוכן שלהם מצג שווא או מפוברק לחלוטין, כגון "GRI 305-7". גם התקנים מתעדכנים באופן שוטף; הגרסה המוכרת לדגם עשויה להיות מיושנת.
3. שפה המייצרת greenwashing. בינה מלאכותית מייצרת בשקיקה אמירות שנשמעות יפה אך לא מבוססות ומטעות כמו "ידידותי לסביבה", "ידידותי לסביבה", "ניטרל פחמן". הצהרות אלו טומנות בחובן סיכון משפטי כיום. נסקור זאת לעומק ביחידה 10.
טיפ: גש לכל תוצאת ESG מספרית באמצעות שלוש שאלות: (1) מהי היחידה שלה (tCO₂e, kg, MWh)? (2) איזה מסמך הוא המקור? (3) איך אני מוכיח את הנתון הזה למבקר? שלוש השאלות הללו תופסות את רוב טעויות ה-ESG בפיתוח. "tCO₂e" כאן פירושו "טון שווה ערך לפחמן דו חמצני"; זהו המדד הממיר גזי חממה שונים ליחידה משותפת אחת.
צעד אחר צעד: זרימת עבודה בטוחה של AI ב-ESG
1. קשר את המשימה לתקן וליחידה. במקום "חשב את פליטת הפחמן שלנו", אמור "2024, משרד באיסטנבול, צריכת גז טבעי 12,000 מ"ר; חשב את הפליטה ב-tCO₂e בשיטת GHG Protocol Scope 1, ציין את גורם הפליטה ואת מקור הפליטה שבהם אתה משתמש."
2. בקשו בבירור את המקור וההנחה. בקשו מה-AI לרשום איזה מקדם פליטה, איזה תקן ואיזו הנחה הוא השתמש עבור כל מספר. אין לקבל שום מספר מבלי לצטט את המקור.
3. אמת עם המקור הראשי. אשר את גורם הפליטה ממסד נתונים רשמי (למשל המחלקה הלאומית לאנרגיה, מערך DEFRA בבריטניה, IEA), הטקסט הסטנדרטי מהמסמך הרשמי של GRI או EFRAG. EFRAG הוא המוסד האירופי שמכין את תקני ה-ESRS (European Sustainability Reporting Standards) שעליהם מבוסס CSRD.
4. שמור את נתיב הביקורת. כתוב בטבלה באילו נתונים השתמשת, מאיזה מקור, באיזה תאריך ובאיזה הנחה. מבקר הביטחון (מאמת בלתי תלוי) יבקש זאת.
5. בקש מאדם לאשר את הטענה הסופית. חייב להיות אדם אחראי מאחורי כל תביעת ESG ציבורית.
הנחיה חלשה / הנחיה חזקה
בקשת אותה עבודה בשתי דרכים שונות משנה באופן קיצוני את אמינות התוצאה.
הנחיה חלשה:
חשב את טביעת הרגל הפחמנית של החברה שלנו וכתוב פסקה לדוח הקיימות.
תביעה זו אינה כוללת יחידה, היקף, שנה, נתונים ומקור; בינה מלאכותית משלימה את החסר עם ייצור ומפיקה טקסט מלא בשטיפה ירוקה.
הנחיה עוצמתית:
תפקידך: מומחה בכיר לדיווח ESG. קלט נתונים (השתמש רק באלה, כתוב 'ללא נתונים' אם חסר):- 2024, גז טבעי: 12,000 מ"ר- 2024, חשמל ברשת: 85,000 קילוואט-שעה. שיטה.כללים:- כל פליטה שבה אתה משתמש ציין את הגורם, היחידה והמקור בעמודה נפרדת. - אם אינך יודע את הגורם, אל תמציא אותו; כתוב "דרוש גורם רשמי". - תן את התוצאה בטבלה; רשום את הפריטים שיש לאמת בסוף.
אתיקה, פרטיות וגבולות
נתוני ESG הם לרוב רגישים: נתוני מגדר ושכר עובדים (אינדיקטורים חברתיים), תנאי חוזי ספקים, השפעות כספיות שטרם נחשפו. הבהירו את גבול הפרטיות לפני הזנת נתונים אלה לכלי AI ציבורי. אנונימי או צבור נתונים אישיים (שם, מזהה, משכורת במסגרת KVKK ו-GDPR) לפני מסירתם ל-AI; כלומר, במקום אנשים בודדים, הפכו אותם למספרים מסכמים כמו "שיעור העובדות הוא 38%". KVKK הוא חוק הגנת המידע האישי של טורקיה ו-GDPR הוא חוק הגנת המידע האישי באירופה.
זהירות: טענה שקרית או מוגזמת בדוח ESG היא לא רק סיכון מוניטין; זה עלול לגרום לקנסות ואחריות משפטית על פי CSRD וחקיקת צרכנות לאומית. אל תפרסם כל טענות שהופקו על ידי AI ללא הוכחה.
שלושה מיני תיקים
מקרה 1 - גורם מתוכנן. חברה יצרנית נתנה צריכת סולר לבינה מלאכותית וביקשה חישוב פליטה. YZ השתמש במקדם "2.40 kgCO₂e/ליטר לדיזל". המומחה בדק: הגורם הרשמי היה כ-2.68 ק"ג CO₂e/ליטר. ההבדל היה 10% ומשמעותו סטייה של כ-11 טון CO₂e לכל 40,000 ליטר צריכה. הגורם תוקן מהמקור הרשמי.
מקרה 2 - תקן לא קיים. יועץ ביקש מ-YZ את הכותרת "צריכת מים GRI 305-8" לדוח. הואיל והמים מדווחים תחת GRI 303; GRI 305 הוא פליטת אוויר. כאשר נבדק עם הטקסט הסטנדרטי, השגיאה נתפסה והתוכן הועבר למאמר הנכון.
מקרה 3 - שפת הירוק. YZ הציע את המשפט "המוצרים שלנו ידידותיים לסביבה לחלוטין" עבור מותג קמעונאי. צוות ה-ESG מצא שזה בלתי ניתן להוכחה והחליף אותו בהצהרה קונקרטית שניתן להוכיח כמו "60% מהאריזה שלנו ממוחזרים (2024, מדידה פנימית)."
הנחיה לעבודה מוכנה לביקורת
בחן את טקסט ה-ESG למטה בעין ביקורתית. לכל טענה מספרית: 1) האם היחידה ברורה? 2) האם מצוין המקור? 3) האם זה ניתן לאימות או סובייקטיבי/מוגזם? סמן הצהרות לא מבוססות או מעורפלות כגון "ידידותי לסביבה, ירוק, טבעי" והצע חלופה קונקרטית ניתנת למדידה עבור כל אחת מהן. טקסט: [TEXT]
ההנחיה הבאה מייצרת מתווה מדיניות קצר המבהיר את מגבלת השימוש ב-AI בתוך הארגון.
תפקידך: ראש צוות קיימות. משימה: כתוב טיוטת מדיניות פנימית של עמוד אחד המסדירה את השימוש של הצוות ב-AI בעבודת ESG. כלול:- משימות שבהן ניתן להשתמש ב-AI באופן חופשי (מתווה, סיכום, עיצוב)- משימות הדורשות אימות אנושי (מספר, גורם, ייחוס סטנדרטי, טענה)- סוגי נתונים שלעולם לא יוכנסו ל-AI (נתונים אישיים, השפעה כספית לא נחשפת) טון: ברור, נקודתי, ישים.
ההנחיה הבאה מגדירה שלד טבלה "שביל ביקורת" קטן שניתן להוסיף לכל תוצר ESG.
הפק טבלת עקבות ביקורת ליד החשבון הבא.עמודות: פריט נתונים | ערך | יחידה | מסמך מקור | תאריך | הנחה | האם זה מאומת? כתוב "SOURCE REQUIRED" בכל שורה אם המקור אינו ידוע. כניסה: [חשבון]
טעויות נפוצות
- קבלת המספר ללא מקור. כל גורם פליטה ונתון שניתנו על ידי YZ אינם נכללים בדוח מבלי שאושרו על ידי המקור הרשמי.
- התעלמות מהיחידה. אם ק"ג מבולבל עם טונות, קילו-וואט עם מג-וואט, התוצאה יכולה לסטות פי 1000.
- סומך בעיוורון על הטריקים הסטנדרטיים שלהם. יש לאמת מספרי חומר GRI/ESRS באמצעות מסמך רשמי.
- הזנת נתונים רגישים כפי שהם. נתוני עובדים וספקים אינם מסופקים לכלי הציבורי ללא אנונימיזציה.
- הכנסת AI במקום המבקר. בינה מלאכותית יכולה לייצר רשימת בדיקה, אבל היא לא יכולה לספק ביטחון עצמאי.
לסיכום
בינה מלאכותית היא שותף רב עוצמה לשרטוט, איסוף וניתוח נתונים ב-ESG; אבל זה לא מחשבון, מסד נתונים רגולטורי או מבקר. ערכו מתגלה על ידי אימותו. אישור כל מספר מהמקור הראשי, השוואת כל התייחסות סטנדרטית לטקסט הרשמי, אנונימיזציה של נתונים רגישים והשארת האחריות של התביעה הסופית לאדם הוא עמוד השדרה הקבוע של מודול זה. לעולם אל תשכח את ההבדל בין "להיראות שוטף" לבין "לעבור את הביקורת".
משימת יישום
בחר פריט בודד של נתונים סביבתיים מהארגון שלך (או מחברה פיקטיבית): לדוגמה, חשבון חשמל חודשי. בקש שלד חשבונאי פליטות Scope 2 מה-AI באמצעות תבנית "הנחיית הכוח" למעלה. לאחר מכן: (1) השוו את גורם הפליטה שבו הוא משתמש עם מקור רשמי, (2) בדוק את עקביות היחידות, (3) כתוב טבלה קטנה של עקבות ביקורת המפרטת אילו פריטים "צריכים אימות".
רשימת בדיקה
- [ ] שאלתי את היחידה והמקור של כל מספר שניתן על ידי ה-AI.
- [ ] אישרתי את גורמי הפליטה במסד נתונים רשמי.
- [ ] אימתתי את המספרים הסטנדרטיים (GRI/ESRS) עם הטקסט הרשמי.
- [ ] יש לי נתונים אנונימיים או מצטברים רגישים/אישיים.
- [ ] סימנתי הצהרות ללא הוכחות כגון "ידידותי לסביבה, ירוק, טבעי".
- [ ] שמרתי עקבות ביקורת (מקור, תאריך, הנחה) לכל החלטה.
- [ ] זיהיתי אדם אחראי שמאשר את התביעה הסופית.