Održivost lanca opskrbe: Opseg 3, Podaci o dobavljačima i Due Diligence

Dobici:

• Sposobnost uspostavljanja opsega 3 određivanjem prioriteta dobavljačima na temelju potrošnje i razine rizika te razlikovanjem stvarnih podataka i zamjenskih procjena
• Kada umjetnom inteligencijom označavate signale rizika dobavljača, tretirajte ih kao "signale koje treba ispitati", a ne kao dokaz
• Sposobnost upravljanja ozbiljnim zahtjevima vezanim uz ljudska prava/okoliš kroz proces dubinske analize koji zahtijeva terensku inspekciju i pravnu potvrdu

Za većinu tvrtki, najveći dio njihovog utjecaja na održivost ne leži u njihovoj vlastitoj tvornici, već u njihovom opskrbnom lancu. Više od 80 posto ugljičnog otiska brenda odjeće može doći od njegovih dobavljača, od proizvođača tkanina do dostave. Isto tako, najteži društveni rizici, poput dječjeg rada, prisilnog rada i kršenja okoliša, često se javljaju duboko u opskrbnom lancu. U ovoj ćete jedinici naučiti kako koristiti umjetnu inteligenciju (AI) za prikupljanje i procjenu podataka o opskrbnom lancu i provjeru rizika.

Razjasnimo dva pojma. Opseg 3, kao što smo vidjeli u prethodnoj jedinici, su neizravne emisije u lancu vrijednosti tvrtke i općenito je najveća, ali najteža mjerljiva stavka. Due diligence je proces utvrđivanja, sprječavanja i saniranja ljudskih prava i rizika za okoliš u opskrbnom lancu tvrtke. Propisi kao što je CSDDD (Corporate Sustainability Due Diligence Directive) čine ovo obaveznim za velike tvrtke.

Glavni izazov podataka lanca opskrbe

Možete mjeriti podatke vlastitog objekta; Ali ne možete izravno mjeriti podatke stotina dobavljača, morate pitati njih. To stvara tri problema:

1. Podaci ne stižu ili su nepotpuni. Većina manjih dobavljača ne čuva podatke o ugljiku.
2. Podaci su nepouzdani. Kada dobavljač sam izvještava, može doći do precjenjivanja ili podcjenjivanja.
3. Potreban je pogodak (proxy). Ako stvarni podaci nisu dostupni, koristi se prosjek industrije ili procjena na temelju troškova.

Ovdje umjetna inteligencija pomaže na dva načina: (1) brzo sastavljanje anketa i dodatnih pisama koja se šalju stotinama dobavljača, (2) strukturiranje raštrkanih odgovora i označavanje signala rizika. Ali niti jedan broj koji je dao dobavljač nije provjeren, nijedan signal rizika nije zaključen bez ljudskog pregleda.

Kategorija opsega 3 (primjer)

Izvor podataka

Tipična metoda

Kupljena roba/usluge

Istraživanje dobavljača / potrošnja

Pravi podaci > proxy

Dostava i distribucija

Evidencija nositelja

Udaljenost × opterećenje × faktor

poslovno putovanje

sustav putovanja

Km/let × faktor

Korištenje prodanog proizvoda

Podaci o energiji proizvoda

Model korištenja

otpad

Dokumenti o prijenosu otpada

Količina × faktor

Savjet: u opsegu 3, procjena "temeljena na potrošnji" (ovoliko CO₂e na potrošenih 1000 USD) brz je početak, ali grub. Kada dobavljač pruži stvarne podatke, koristite ih; Procjena na temelju potrošnje samo je privremena ako nema stvarnih podataka i trebala bi biti označena kao "procjena/proksi" u izvješću.

Korak po korak: tijek rada lanca opskrbe s umjetnom inteligencijom

1. Dajte prioritet dobavljačima. Ne možete ispitati sve stotine dobavljača u istoj dubini. Usredotočite se na one s visokom veličinom potrošnje i rizikom (sektor, država). AI može izraditi nacrt popisa s ovim prioritetom.

2. Nacrt ankete i zahtjeva. Zatražite od AI jasan nacrt ankete o podacima dobavljača koji se lako ispunjava.

3. Konfigurirajte dolazne podatke. Stavite odgovore u različitim formatima u jednu tablicu; Označite dijelove koji nedostaju.

4. Skenirajte signale rizika. Neka umjetna inteligencija pronađe kandidate za "crvenu zastavu" u javnim vijestima, zapisima o kršenjima i odstupanjima u anketama; Ali ljudi provjeravaju svaki signal.

5. Akcija i potraga. Uspostavite korektivne radnje i plan praćenja za visokorizične dobavljače; Dokumentirajte proces.

Slab upit / Jak upit

Slab upit:

Izračunajte ugljični otisak naših dobavljača.

Nema izvora podataka, nema razlike pravi/proxy i nema verifikacije; AI čini brojeve dobavljača.

Snažan upit:

Vaša uloga: analitičar održivosti opskrbnog lanca. Unos: imena 15 dobavljača, industrija, godišnji iznos potrošnje i stvarni podaci o emisijama koje pružaju (ako postoje). Zadatak: 1) Za one koji daju stvarne podatke, koristite te podatke. 2) Za one koji nemaju stvarne podatke, napišite "potreban je PROXY temeljen na potrošnji", NEMOJTE UKLJUČIVATI broj; odredite koji čimbenik dobiti iz službenog izvora.3) Dajte prioritet dobavljačima u industriji visoke potrošnje + visokog rizika. Izlaz: tablica (Dobavljač | Industrija | Potrošnja | Vrsta podataka [stvarni/proksi] | Prioritet | Napomena). Brojevi opunomoćenika bit će označeni u izvješću.

Brz pregled rizika dobavljača

Postavite skelu za provjeru rizika za sljedeći popis dobavljača. Procijenite za svakog dobavljača (samo na temelju informacija koje sam dao, javna tvrdnja LAŽNO):- Mogući rizik za ljudska prava iz zemlje/sektora (visok/srednji/nizak)- Mogući rizik za okoliš- Nedosljednost u odgovoru na anketu/crvene zastavicePravilo: dodajte napomenu "potrebna provjera - nema izvora" za svaki rizik; nemojte iznositi konačne optužbe, samo sugerirajte signale koje treba istražiti. Popis: [DOBAVLJAČI]

Sljedeći upit sastavlja upitnik za slanje podataka dobavljačima.

Vaša uloga: stručnjak za održivost. Zadatak: izradite anketu o ESG podacima s najviše 10 pitanja koja mali/srednji dobavljači mogu lako ispuniti. Uključite: potrošnju energije, vrstu goriva, otpad, broj nezgoda na radu, predanost prisilnom/dječjem radu. Ton: jednostavan, jasan, lako se dovršava; Svakom pitanju dodajte jedinice i primjere.

Oprez: Neka AI ne provjeri signal rizika o dobavljaču (npr. "dječji rad") i nikada ne koristite tvrdnju koju je generirala AI kao dokaz. Ovako ozbiljne tvrdnje potvrđuju samo pouzdani izvori, terenska inspekcija i pravni proces. AI samo proizvodi "signal koji treba ispitati"; ne sudi.

tri mini kućišta

Slučaj 1 — Iskreno korištenje proxyja. Samo 30 od 200 dobavljača jednog proizvođača namještaja pružilo je stvarne podatke o ugljiku. Tim je koristio proxy temeljen na potrošnji za preostalih 170, ali izvješće jasno navodi: "65% opsega 3 je procjena temeljena na potrošnji." Revizor je priznao ovo poštenje; da je bilo skriveno, jamstvo bi moglo biti odbijeno.

Slučaj 2 — Određivanje prioriteta. Prehrambena tvrtka imala je 480 dobavljača. AI je pokazao da je 80% potrošnje bilo koncentrirano u 40 dobavljača. Tim se fokusirao na ovih 40; resursi nisu uzalud potrošeni, a dobavljači s najvećim utjecajem prijavljeni su sa stvarnim podacima.

Slučaj 3 — Rizik od lažne optužbe. AI je označio dobavljača kao "mogući prisilni rad"; Razlog je bio samo državni prosjek. Tim je to prihvatio kao "signal koji treba ispitati", a ne dokaz, i zatražio terensku inspekciju. Inspekcija nije pronašla probleme; Ako bi se signal umjetne inteligencije uzeo kao dokaz, pojavila bi se nepravedna optužba i pravni rizik.

Uobičajene greške

• Prihvaćanje podataka dobavljača bez provjere. Podaci dobavljača koji sami prijavljuju zahtijevaju unakrsnu provjeru.
• Skrivanje proxyja. Korištenje predviđanja na temelju potrošnje je u redu; Neodređivanje je problem u reviziji.
• Ispitivanje svih dobavljača podjednako. Pronalaženje bi se trebalo usredotočiti na dobavljače s visokom potrošnjom i visokim rizikom.
• Zamijenivši AI signal za dokaz. Tvrdnje o kršenju ljudskih prava/okoliša provjeravaju teren i zakon, a ne AI.
• Potpuno preskakanje opsega 3. Najveći utjecaj obično je ovdje; Ne može se zanemariti s obrazloženjem da ga je "teško izmjeriti".

Ukratko

Opskrbni lanac mjesto je gdje se skriva najveći utjecaj većine tvrtki na okoliš i društvo; Ovdje su koncentrirane emisije Scope 3 i rizici dubinske analize. AI; To je snažna pomoć u određivanju prioriteta dobavljača, izradi ankete, strukturiranju raspršenih odgovora i označavanju signala rizika. No, podaci o dobavljačima nisu uključeni u izvješće dok se ne provjere, zamjene nisu jasno navedene, a ozbiljne optužbe potvrđene terenskom inspekcijom. AI generira signale; Ljudsko biće preuzima prosudbu i odgovornost.

Zadatak aplikacije

Pripremite popis od 10 fiktivnih dobavljača s imenom, industrijom i godišnjom potrošnjom; Nekoliko dodajte podatke o stvarnim emisijama, većinu ostavite praznim. Zatražite od umjetne inteligencije tablicu prioriteta i vrstu podataka putem snažnog gornjeg upita. Zatim: (1) provjerite da broj dobavljača kojima je potrebna opunomoćenica nije dopunjen, (2) odaberite 3 dobavljača s najvišim prioritetom uz obrazloženje, (3) izradite kratku anketu s podacima koju ćete im poslati.

popis za provjeru

• [ ] Dao sam prioritet dobavljačima na temelju potrošnje i razine rizika.
• [ ] Koristio sam one sa stvarnim podacima; Za one koji ga nemaju, označio sam proxy.
• [ ] Podatke dobavljača nisam procijenio onakvima kakvi jesu, već unakrsnom provjerom.
• [ ] Smatrao sam da signale rizika "treba ispitati" i nisam ih upotrijebio kao dokaz.
• [ ] Planirao sam korak terenske revizije/pravne provjere za ozbiljne tvrdnje.
• [ ] Nisam preskočio Opseg 3; U izvješću sam naveo opseg i stopu procjene.
• [ ] Zabilježio sam cijeli proces s dokumentom dubinske analize.