Bevezetés az AI-ba az ESG-ben és a fenntarthatóságban: szerepek, határok, érvényesítés és etika — Mesterséges intelligencia a fenntarthatóságban és az ESG-menedzsmentben

Nyereség:

Meg tudja különböztetni, hogy a mesterséges intelligencia hol takarít meg időt az ESG munkafolyamatban (adatok, számlák, feltérképezés, jelentéskészítés), és hol marad az emberre a tényező, a szabvány és a követelés döntése a kockázati szinttől függően
Képes olyan tudományág alkalmazására, amely minden egyes számszerű és minőségi kimenetet egység, forrás és ellenőrzési nyomvonal lépésekkel auditál
Annak megértése, hogy a hamis emissziós tényezők, a hamis szabványos hivatkozások és a zöldmosó nyelvezet miért jelentenek olyan kockázatot ennek a szakmának, amelyet a kezdetektől fogva figyelembe kell venni.

A vállalat fenntarthatósági jelentése többé már nem csak egy jóindulatú brosúra; Olyan kötelező érvényű, auditált és jogi következményekkel járó bizonylat, mint a számviteli bizonylat. Az Európai Unió CSRD (Corporate Sustainability Reporting Direktíva) szabályozásával cégek ezrei; Kötelezően, ellenőrizhetően és összehasonlítható módon kellett közzétennie a szén-dioxid-kibocsátást, a munkavállalói adatokat és az ellátási lánc hatásait, akárcsak a pénzügyi kimutatásokat. Ebből a részből megtudhatja, hogy a mesterséges intelligencia (AI) hol takarít meg igazán időt ebben a nehéz és adatigényes feladatban, hol veszélyes, és hogyan ellenőrizheti az egyes kimeneteket.

Először is egy kritikai fogalom. Az ESG az angol Environmental, Social és Governance szavak kezdőbetűi; Ez a neve annak a keretrendszernek, amely méri a vállalat környezeti hatásait, mint például a szén-dioxid-kibocsátást és a vízfelhasználást, a társadalmi hatásokat, például a munkavállalói jogokat és a munkahelyi biztonságot, valamint az olyan irányítási gyakorlatokat, mint az igazgatótanácsi struktúra és az etika. A fenntarthatósági jelentés e három terület teljesítményének szabványos mérése és nyilvánosságra hozatala.

A második kritikus fogalom: a hallucináció az, amikor a mesterséges intelligencia teljes bizalommal olyan információkat állít elő, amelyek valójában nem igazak. Az ESG világában ez; Találkozhat fiktív kibocsátási tényezővel, nem létező GRI-szabványszámmal, hibás mértékegységgel vagy nem létező jogszabályi cikkre való hivatkozással. A kritikus pont az, hogy a nagy nyelvi modell (LLM) nem számológép, szabályozási adatbázis vagy auditor. Ez egy szöveggenerátor, amely statisztikailag utánozza a képzési adatokban látott szövegeket. Legtöbbször pontos információkat állít elő; de a „legtöbbször pontos” és az „elég pontos ahhoz, hogy átmenjen az auditon” közötti különbség az ESG-jelentésekben minden.

Hol működik az AI az ESG-ben és hol nem?

Gondoljon az AI-ra, mint egy gyors vázlatra, adatkezelő és elemző partnerre: értékes, de elengedhetetlen az érvényesítéshez. A következő megkülönböztetés képezi ennek a modulnak a gerincét.

Quest

Az AI hozzájárulása

A szakértő felelőssége

adatgyűjtés

Különféle formátumokat szerkeszt, szóközöket jelöl

A szám megerősítése a forrásdokumentumban

Kibocsátási számla

Képletet és számítási keretet hoz létre

A kibocsátási tényező ellenőrzése hivatalos forrásból

GRI/CSRD leképezés

Összetevőket ajánl a standard termékekhez

Pontos ellenőrzés a szabványos szöveggel

Lényegességelemzés

Témákra bontja az érintettek véleményét

Hozz egy prioritási döntést

Jelentésírás

Szövegvázlatot és összefoglalót készít

Minden állítást támasszon alá bizonyítékokkal

Greenwashing szabályozás

Kockázatos kifejezéseket jelöl meg

vállalja a végső követelés felelősségét

Ökölszabály: ne alkalmazza az AI-t magára az adatra; adatok rendszerezésére, állványelemzésre és szövegtervezetekre használható; Mindig ellenőrizze az egyes számokat és szabványos hivatkozásokat az elsődleges forrással (számla, mérőnyilvántartás, hivatalos szabványszöveg, kibocsátási tényező adatbázis). A fenntarthatósági jelentésben szereplő minden figura mögött kell lennie egy ellenőrzési nyomvonalnak, amelyre egy auditornak szüksége lehet. A mesterséges intelligencia nem tudja felmutatni ezt a bizonyítékot; csak segít megszervezni.

Az AI három halálos csapdája az ESG-ben

1. Összeállított emissziós tényezők és számok. A mesterséges intelligencia egy olyan kibocsátási tényezőt, amelyre nem emlékszik (az üzemanyag- vagy villamosenergia-egységre jutó szén-dioxid-kibocsátási együtthatót) „be tudja tölteni” egy ésszerűnek tűnő számmal. Ez a szám érvényteleníti a teljes szénlábnyom-számítást.

2. Hivatkozás nem létező vagy elavult jogszabályokra/szabványokra. A mesterséges intelligencia létrehozhat olyan szabványos számokat, amelyek valósnak tűnnek, de tartalma félre van ábrázolva vagy teljesen kitalált, például "GRI 305-7". A szabványokat is rendszeresen frissítik; A modell által ismert verzió elavult lehet.

3. Zöldmosást előidéző nyelv. A mesterséges intelligencia lelkesen állít elő jól hangzó, de megalapozatlan és félrevezető kijelentéseket, mint például „környezetbarát”, „környezetbarát”, „karbonsemleges”. Ezek a kijelentések ma jogi kockázattal járnak. Ezzel a 10. fejezetben részletesen foglalkozunk.

Tipp: Minden numerikus ESG eredményt közelítsen meg három kérdéssel: (1) Mi a mértékegysége (tCO₂e, kg, MWh)? (2) Melyik dokumentum a forrás? (3) Hogyan bizonyíthatom ezt a számot egy könyvvizsgálónak? Ez a három kérdés a legtöbb ESG-hibát már az elején megragadja. "tCO₂e" itt "tonna szén-dioxid-egyenérték"; Ez az az intézkedés, amely a különböző üvegházhatású gázokat egyetlen közös egységgé alakítja.

Lépésről lépésre: Biztonságos mesterséges intelligencia munkafolyamat az ESG-ben

1. Kapcsolja össze a feladatot a szabvánnyal és az egységgel. A „Számítsa ki szén-dioxid-kibocsátásunkat” helyett mondjuk azt, hogy „2024, Isztambuli iroda, földgázfogyasztás 12 000 m³; Számítsa ki a kibocsátást tCO₂e-ben az GHG Protocol Scope 1 módszerrel, adja meg a használt kibocsátási tényezőt és forrást.”

2. Kérdezze meg egyértelműen a forrást és a feltételezést. Kérje meg az MI-t, hogy írja le, melyik kibocsátási tényezőt, melyik szabványt és melyik feltételezést használta az egyes számokhoz. Ne fogadjon el egyetlen számot sem a forrás megjelölése nélkül.

3. Ellenőrizze az elsődleges forrással. Erősítse meg a kibocsátási tényezőt egy hivatalos adatbázisból (pl. Nemzeti Energiaügyi Minisztérium, UK DEFRA adatkészlet, IEA), a szabványos szöveget a GRI vagy az EFRAG hivatalos dokumentumából. Az EFRAG az az európai intézmény, amely a CSRD alapját képező ESRS (European Sustainability Reporting Standards) szabványokat készíti elő.

4. Mentse el az ellenőrzési nyomvonalat. Írja be egy táblázatba, hogy melyik adatot használta fel, milyen forrásból, melyik dátumon és milyen feltételezés alapján. A biztosítási ellenőr (független hitelesítő) ezt kéri.

5. Kérj meg egy embert, hogy erősítse meg a végső állítást. Minden nyilvános ESG-igény mögött felelős személynek kell állnia.

Gyenge felszólítás / Erős felszólítás

Ha ugyanazt a munkát két különböző módon kérik, az gyökeresen megváltoztatja az eredmény hitelességét.

Gyenge felszólítás:

Számítsa ki cégünk szénlábnyomát, és írjon egy bekezdést a fenntarthatósági jelentéshez.

Ez az állítás nem tartalmazza az egységet, a hatókört, az évet, az adatokat és a forrást; A mesterséges intelligencia kitölti az üres helyeket kitalálással, és zöldmosással teli szöveget állít elő.

Erőteljes felszólítás:

Az Ön szerepe: vezető ESG jelentési szakértő. Beviteli adatok (csak ezeket használja, ha hiányzik, írja be, hogy nincs adat):- 2024, földgáz: 12 000 m³- 2024, hálózati villamos energia: 85 000 kWhFeladat: Számítsa ki a CO₂e-kibocsátást a GHG Protocol módszerrel. használat Külön oszlopban adja meg a tényezőt, mértékegységet és forrást. - Ha nem ismeri a tényezőt, ne pótolja; Írd be, hogy "hivatalos tényező szükséges". - Adja meg az eredményt táblázatban; Sorolja fel a végén azokat az elemeket, amelyeket ellenőrizni kell.

Etika, magánélet és határok

Az ESG-adatok gyakran érzékenyek: az alkalmazottak nemére és fizetésére vonatkozó adatok (társadalmi mutatók), szállítói szerződési feltételek, pénzügyi hatások még nem hozták nyilvánosságra. Tisztázza az adatvédelmi határokat, mielőtt bevinné ezeket az adatokat egy nyilvános AI-eszközbe. A személyes adatok anonimizálása vagy összesítése (név, személyi igazolvány, fizetés a KVKK és a GDPR keretein belül), mielőtt átadná azokat az AI-nak; Vagyis az egyes emberek helyett alakítsa át őket összefoglaló számokká, például "a női alkalmazottak aránya 38%. A KVKK a Türkiye személyes adatok védelméről szóló törvény, a GDPR pedig Európa személyes adatvédelmi törvénye.

Figyelem: Az ESG-jelentésben szereplő hamis vagy túlzó állítás nem csak a hírnévre vonatkozó kockázatot jelent; Ez pénzbírságot és jogi felelősséget vonhat maga után a CSRD és a nemzeti fogyasztóvédelmi jogszabályok értelmében. Ne tegye közzé az AI által előállított állításokat bizonyíték nélkül.

három mini tok

1. eset – kitalált tényező. Egy gyártó cég megadta a dízelfogyasztást az AI-nak, és kibocsátási számítást kért. Az YZ a "2,40 kgCO₂e/liter gázolajhoz" tényezőt használta. A szakértő ellenőrizte: a hivatalos faktor körülbelül 2,68 kgCO₂e/liter volt. A különbség 10% volt, és körülbelül 11 tonna CO₂e eltérést jelentett 40 000 liter fogyasztásonként. A faktort a hivatalos forrásból kijavították.

2. eset – Nem létező szabvány. Egy tanácsadó a jelentéshez a "GRI 305-8 vízfogyasztás" címet kérte az YZ-től. mivel a vizet a GRI 303 szerint jelentették; A GRI 305 a levegő kibocsátása. A normál szöveggel történő ellenőrzéskor a hiba észlelésre került, és a tartalom átkerült a megfelelő cikkbe.

3. eset – Greenwashing nyelv. A YZ a "termékeink teljesen környezetbarát" mondatot javasolta egy kiskereskedelmi márka számára. Az ESG csapata ezt bizonyíthatatlannak találta, és egy konkrét, bizonyítható kijelentésre cserélte, mint például „a csomagolásunk 60%-a újrahasznosított (2024, belső mérés).”

Felszólít az auditálásra kész munkára

Vizsgálja meg az alábbi ESG-szöveget auditáló szemmel. Mindegyik numerikus állításhoz: 1) Világos az egység? 2) Meg van adva a forrás? 3) Ellenőrizhető vagy szubjektív/eltúlzott? Jelölje meg a megalapozatlan vagy homályos állításokat, például „környezetbarát, zöld, természetes”, és javasoljon konkrét, mérhető alternatívát mindegyikre. Szöveg: [TEXT]

A következő felszólítás egy rövid irányelvvázlatot tartalmaz, amely tisztázza az AI-használat korlátait a szervezeten belül.

Az Ön szerepe: a fenntarthatósági csoport vezetője. Feladat: írjon egy 1 oldalas belső szabályzattervezetet, amely szabályozza a csapat mesterséges intelligenciájának használatát az ESG-munkában. Tartalmazza:- Olyan feladatokat, ahol a mesterséges intelligencia szabadon használható (vázlat, összefoglalás, formázás)- Emberi ellenőrzést igénylő feladatok (szám, tényező, szabványos hozzárendelés, állítás)- Adattípusok, amelyeket soha nem fognak bevinni a mesterséges intelligenciába (személyes adatok, nyilvánosságra nem hozott pénzügyi hatás) Hangnem: világos, pontszerű, alkalmazható.

A következő prompt beállít egy kis „audit trail” táblázatvázat, amely hozzáadható minden ESG-hoz.

Gyakori hibák

A szám elfogadása forrás nélkül. Az YZ által megadott kibocsátási tényezők és adatok nem szerepelnek a jelentésben anélkül, hogy a hivatalos forrás megerősítette volna.
Az egység figyelmen kívül hagyása. Ha a kg-t összekeverik a tonnával, a kWh-t a MWh-val, az eredmény 1000-szeres eltérést mutathat.
Vakon bízva a szokásos trükkjeikben. A GRI/ESRS anyagszámokat hivatalos dokumentummal kell igazolni.
Érzékeny adatok megadása úgy, ahogy vannak. Az alkalmazottak és beszállítók adatai anonimizálás nélkül nem kerülnek a nyilvános eszközbe.
Az AI elhelyezése az auditor helyébe. Az AI készíthet ellenőrzőlistát, de nem nyújthat független biztosítékot.

Összefoglalva

A mesterséges intelligencia hatékony szerkesztési, adatkezelési és elemzési partner az ESG-ben; de ez nem számológép, szabályozási adatbázis vagy auditor. Értékét az igazolása mutatja. Az elsődleges forrásból származó minden szám megerősítése, minden szabványos hivatkozás összehasonlítása a hivatalos szöveggel, az érzékeny adatok anonimizálása és a végső követelés felelősségének emberre bízása a modul állandó gerince. Soha ne felejtse el a különbséget a „folyékonynak tűnik” és az „ellenőrzésen való megfelelés” között.

Pályázati feladat

Válasszon ki egyetlen környezeti adatot a saját szervezetétől (vagy egy fiktív cégtől): például egy havi villanyszámlát. Kérjen Scope 2 kibocsátás-elszámolási vázat az AI-tól a fenti „bekapcsolási felszólítás” sablon használatával. Ezután: (1) hasonlítsa össze az általa használt kibocsátási tényezőt egy hivatalos forrással, (2) ellenőrizze az egységek konzisztenciáját, (3) írjon egy kis ellenőrzési nyomvonal táblázatot, amely felsorolja, hogy mely tételek „kell ellenőrizni”.

ellenőrző lista

[ ] Megkérdőjeleztem az AI által megadott minden szám mértékegységét és forrását.
[ ] A kibocsátási tényezőket hivatalos adatbázissal igazoltam.
[ ] A szabványos (GRI/ESRS) számokat a hivatalos szöveggel ellenőriztem.
[ ] Anonimizált vagy összesített érzékeny/személyes adataim vannak.
[ ] Megjelöltem az olyan bizonyíték nélküli állításokat, mint például "környezetbarát, zöld, természetes".
[ ] Minden döntéshez ellenőrzési nyomvonalat (forrás, dátum, feltételezés) vezettem.
[ ] Kijelöltem egy felelős személyt, aki megerősíti a végső követelést.