End-to-End ESG munkafolyamat, adatirányítás, etika és minőségi átjáró

Nyereség:

• Nyolc lépésből álló ESG munkafolyamat kialakítása a lényegességtől a publikálásig minőségi kapukkal a „mesterséges intelligencia termel → ember ellenőrzi → áthalad a kapun” ritmusával.
• Képes megvédeni a személyes és a nyilvánosságra nem hozott pénzügyi adatokat az ESG adatok ingyenes/belső/bizalmas minősítésével
• Képes a végső felelősség vállalására, és felelős neveket és jóváhagyási bejegyzéseket csatolni minden kiadványhoz anélkül, hogy az „AI által mondott” védelemre hagyatkozna.

Az előző tíz egységben külön foglalkoztunk az ESG és a fenntarthatósági üzletág minden egyes részével: beléptetés és határok, lényegesség, adatgyűjtés, szén-dioxid-elszámolás, jelentési keretrendszerek, ellátási lánc, érdekeltekkel való kommunikáció, jelentésírás, biztosítás és zöldmosás. Ebben az utolsó részben összerakjuk a darabokat, és létrehozunk egy végponttól végpontig terjedő munkafolyamatot: hol, hogyan és milyen biztonsági kapuval használjuk a mesterséges intelligenciát (AI) a fenntarthatósági küldetés meghatározásától a közzétételig minden lépésben. Az adatkezelést, a magánélet védelmét és az etikai felelősséget is egyetlen keretbe fogjuk foglalni.

Ismételjük meg még egyszer a modul állandó gerincét: AI; Ez egy asszisztens, amely kódot ír, adatokat rendez, piszkozatokat készít és összegez. A szám pontossága, a faktor megerősítése, a szabvány ellenőrzése, az igény bizonyítása és a végső felelősség mindig az illetékes szakértőt terheli. Ez az egység ezt az elvet napi munkafolyamattá és ellenőrzőlistává változtatja.

Végpontok közötti ESG munkafolyamat

Fontolja meg a fenntarthatósági jelentéstételi ciklust nyolc lépésben:

1. Hatály és lényegesség – Mely témák lényegesek? (2. egység)
2. Adatgyűjtés – Források, egységek, ellenőrzési nyomvonal. (3. egység)
3. Számítás – Szén- és egyéb mutatók ellenőrzött tényezőkkel. (4. egység)
4. Keretegyeztetés – GRI/ESRS/ISSB anyagok, megerősítés hivatalos szöveggel. (5. egység)
5. Ellátási lánc – 3. hatály és kellő gondosság. (6. egység)
6. Írás és kommunikáció – Kiegyensúlyozott, bizonyított jelentés és az érdekelt felek üzenete. (7-8. egység)
7. A bizonyosság előkészítése — Bizonyítási lánc és ellenőrzés előkészítése. (9. egység)
8. Igényellenőrzés – Greenwashing átvilágítás és kiadás jóváhagyása. (10. egység)

Az AI minden lépésben egy gyorsító; De minden lépés kijáratánál van egy minőségi kapu – egy ellenőrző pont, amelyet át kell haladni, mielőtt a következő lépésre lépnénk. Az a kimenet, amely nem megy át az ajtón, nem halad előre.

lépést

Mit csinál az AI?

Minőségi kapu

lényegesség

Témajelölt, témaelemzés

Hatás+pénzügyi szempont emberi jóváhagyás

Adatok

Konfiguráció, mértékegység átalakítás

Forrás és kötet ellenőrzése

fiókot

Képlet, kód állványzat

A faktort hivatalos forrás is megerősíti

Illesztés

Cikk javaslat

Ellenőrizze a képet a szabványos szöveggel

helyesírás

tervezet, összefoglaló

Az állítások rendezése bizonyítékok nélkül

követelés

Greenwashing scan

Ember által hitelesített kiadvány

Tipp: Állítsa be a munkafolyamatot az „AI produkál → ember ellenőrzi → besétál az ajtón” ritmusában. Mielőtt minden AI-kimenetet a következő lépésre helyezne, kérdezze meg: „A kimenet melyik része nem mehet tovább érvényesítés nélkül?” Ez a rész ennek a lépésnek a minőségi kapuja.

Adatkezelés és adatvédelem

Az ESG-adatok gyakran érzékenyek: az alkalmazottak nemére és fizetésére vonatkozó adatok, szállítói szerződési feltételek, még nem közölt pénzügyi hatások, létesítményszintű termelési adatok. Ezeket osztályozni kell, mielőtt nyilvános AI-eszköznek adná őket. Az adatkezelés az, hogy „ki milyen adatokat, hogyan és milyen eszközzel használhat fel?” A kérdés a szabályhoz kötődik.

Egy egyszerű osztályozás:

• Ingyenes: Az adatok már nyilvánosan elérhetőek (közzétett jelentés). AI-nak adható.
• Belső felhasználás: Kereskedelmi értékű belső adatok. Óvatosan a vállalati járműben.
• Bizalmas: Üzleti titok, nyilvánosságra nem hozott pénzügyi hatás, személyes adatok (KVKK/GDPR). Nem adják át az MI-nek anonimizálás vagy intézményi (nem szivárgó) eszközök nélkül.

Az Ön szerepköre: adatkezelési tanácsadó. Feladat: az alábbi adatelemeket minősítse "ingyenes / belső felhasználású / bizalmas" kategóriába, és minden bizalmas elemhez írja be a javasolt műveletet (anonimizálás / összesítés / vállalati eszköz / egyáltalán nem ad meg). Szabály: ha bizonytalan, helyezze nagyobb védelmi osztályba. Tételek: [SZEMÉLYES ÉS PÉNZÜGYI ADATOK]

Gyenge felszólítás / Erős felszólítás

Az, ahogyan egy feladatot delegál egy eszközre, gyökeresen megváltoztatja az adatvédelmi kockázatot.

Gyenge felszólítás:

Elemezze az alkalmazottak fizetését és a létesítmények termelési táblázatát, és készítsen ESG-összefoglalót.

Nyers személyes és üzleti titokadatokat közvetlenül egy nyílt eszközbe exportál; Nincs osztályozási, anonimizálási és megerősítési lépés.

Erőteljes felszólítás:

Az Ön szerepköre: az adatkezelésre érzékeny ESG-elemző. CSAK összesített, személyes/üzleti titoktól mentes adatokat adtam meg. Feladat: elemezze az alábbi összefoglaló mutatókat. Szabályok:- az adatokban NINCS egyéni név, fizetés, személyi igazolvány vagy fel nem tárt pénzügyi hatás; Ha ilyen mezőt lát, mondja azt, hogy „BIZALMAS ADAT – ne dolgozza fel, figyelmeztesse”. - Ne adjon hozzá új számot az eredményhez; csak kövesse az általam adott összefoglalót. - Adjon hozzá egy "emberi jóváhagyás szükséges" megjegyzést a kimenet végén. Adatok (összesített): [ÖSSZEFOGLALÓ MUTATÓK]

Vigyázat: „Az AI azt mondta” nem védekezés. Az ESG jelentésben szereplő hibás számokért, megalapozatlan állításért vagy kiszivárgott bizalmas adatokért a szervezet és az azt jóváhagyó személy felelős. Az AI használatakor nem ruházza át a felelősséget; Csak felgyorsítja a munkát.

Végponttól végpontig minőségi kapukérő

A következő prompt minden lépést egyetlen ellenőrzésen keresztül futtat a közzététel előtt.

Az Ön szerepköre: ESG minőségbiztosítási tiszt. Feladat: menjen át a következő jelentés szakaszon a végpontok közötti minőségi kapun. Adja meg a "pass / FAIL" értéket minden elemhez, és írja be az okot, ha nem sikerül: 1) Meg van adva az egyes számok forrása és mértékegysége? 2) A kibocsátási tényezők a hivatalos forrásból származnak? 3) Ellenőrizték a szabványos cikkszámokat? 4) Meg vannak jelölve a proxyk/becslések? 5) Vannak-e zöldmosást tartalmazó állítások? 6) Kiszivárogtak-e bizalmas/személyes adatok? 7) A végleges jóváhagyásért felelős név? Szakasz: [FEJEZET]

A következő prompt a teljes modult vállalati szabályzattá alakítja.

Az Ön szerepe: fenntarthatósági csoportvezető. Feladat: írjon egy 1 oldalas belső szabályzatot, amely szabályozza a csapat mesterséges intelligenciájának használatát az ESG munkában. Tartalmazza a következőket: - Olyan feladatok, ahol a mesterséges intelligencia szabadon használható (vázlat, összefoglaló, kód, témaelemzés) - Emberi ellenőrzést igénylő feladatok (tényező, szabvány, állítás, hatókör) - Adattípusok, amelyeket soha nem adunk meg az MI-nek (személyes, nem nyilvános pénzügyi) - Minőségi kapu lépései, amelyeket minden kiadás előtt át kell adni Hangszín: egyértelmű, felsoroláspont, alkalmazható.

három mini tok

1. eset – Az ajtóból érkezett jelentés. Az egyik csapat úgy gondolta, hogy minden lépést végrehajtott, és a jelentés készen áll a közzétételre. A végső minőségbiztosítási prompt egy forrás nélküli „78%-os visszanyerés” állítást és egy „karbonsemleges” állítást tartalmazott egy részben. A közzétételt leállították, mielőtt bármelyiket kijavították volna; Az ajtó tartotta a hibát, mielőtt nyilvánosságra került.

2. eset – A bizalmas adatok kiszivárgása megakadályozva. Egy elemző beilleszti a még közzé nem tett negyedéves pénzügyi hatásadatokat egy nyilvánosan elérhető elemzési eszközbe. Az adatbesorolási felszólítás „bizalmas – nem nyilvánosságra hozott pénzügyi”ként jelölte meg. Az adatokat először összesítették, majd feldolgozták a vállalati eszközben; Megakadályozták az esetleges jogszabálysértést.

3. eset – Felelősségvállalás. Egy jelentés közzététele után egy érdekelt fél megkérdőjelezte a számot. A csapat nem azt mondta, hogy „AI számított”; megnyitotta az ellenőrzési nyomvonalat, megjelölte a forrást, kisebb javítást végzett, és átláthatóan magyarázott. Ez a hozzáállás, amely nem az "AI mondta" védelemre támaszkodott, megőrizte a bizalmat.

Gyakori hibák

• Továbblépés a minőség kapuja nélkül. Ha az ellenőrzést nem hajtják végre az egyes lépések befejezésekor, a hibák a végéig halmozódnak.
• Adatok megadása a járműnek besorolás nélkül. A bizalmas és személyes adatok anonimizálás nélkül nem vihetők be a nyilvános mesterséges intelligencia közé.
• A felelősség átruházása az AI-ra. Az „AI azt mondta” nem jogi vagy szakmai védelem.
• Elszigetelt gondolkodási lépések. A lényegesség, az adatok, a számítás és a követelés összefügg egymással; Ha az egyik sérült, az összes érintett.
• Nem jelölt ki a közzététel jóváhagyásáért felelős személyt. Minden nyilvános követelés mögött emberi lénynek kell állnia.

Összefoglalva

Az ESG üzletág nyolc, egymással összefüggő lépésből álló lánc, és az AI minden egyes lépésben gyorsító; De minden lépésnél ott van a minőség kapuja. Az „AI produkál → ember ellenőrzi → átmegy az ajtón” ritmusa egyetlen tanulmányi tudományágban egyesíti ennek a modulnak az összes leckéjét. Osztályozza az adatokat és védje a titoktartást, erősítse meg a faktort és a szabványt a hivatalos forrásból, kapcsolja össze az állítást bizonyítékokkal, gyomlálja ki a zöldmosást a közzététel előtt, és adja át a végső felelősséget egy embernek. Az AI felgyorsítja a munkát; Vállalod a pontosságot, az őszinteséget és a felelősséget. Ennek a szakmának nem az a kritériuma, hogy „folyékonynak tűnjön”, hanem az „ellenőrzésen való megfelelés és bizonyítottság”.

Pályázati feladat

A korábbi egységekben elkészített szállítmányokat (lényegességi lista, szén-dioxid-elszámolás, jelentésszakasz) egyesítse egyetlen mini-jelentésben. Végezze el ezt a mini jelentést 7 tételben a fenti, teljes körű minőségi kapura vonatkozó prompt segítségével az AI-tól. Ezután: (1) javítson ki minden egyes "RELEASE" jelzéssel ellátott tételt, (2) minősítsen be minden bizalmas/személyes adatot, és tegyen lépéseket azokkal kapcsolatban, (3) adjon hozzá egy felelős nevet és a közzétételhez jóváhagyó megjegyzést.

ellenőrző lista

• [ ] A munkafolyamatot az „AI produkál → ember ellenőrzi → áthalad az ajtón” ritmusával állítottam be.
• [ ] Minden lépés kijáratánál minőségi kaput implementáltam.
• [ ] Minden adatot szabad/belső/bizalmas kategóriába soroltam, és védtem a titoktartást.
• [ ] Megerősítettem a faktorokat és a szabványos tételeket a hivatalos forrásból.
• [ ] Minden állítást bizonyítékkal támasztottam alá, kiküszöbölve a zöldmosást a publikálás előtt.
• [ ] Vállaltam a felelősséget anélkül, hogy az "AI mondta" védelemre hagyatkoztam volna.
• [ ] Felelős nevet és jóváhagyási rekordot állítottam be a kiadványhoz.

Modul vizsga

1. Az alábbiak közül melyik a legjobb pozíció az AI számára az ESG és a fenntarthatósági üzletágban?

• A) A mesterséges intelligencia a kód, az adatok és a tervrajzok asszisztense; A tényezőkért, szabványokért, bizonyítékokért és etikai döntésekért az emberek felelősek ✔
• B) A mesterséges intelligencia egy auditor, és az általa nyújtott ESG értékek helyettesítik a független bizonyosságot
• C) A mesterséges intelligencia csak jelentésírásban működik, semmi köze az adatokhoz, számításokhoz
• D) Mivel a mesterséges intelligencia pártatlanabb, mint az emberek, minden ESG-döntést rá kell bízni

Leírás: Mesterséges intelligencia; Ez egy asszisztens, amely kódot ír, adatokat rendez, piszkozatokat készít és összegez. A végső felelősség azonban a kibocsátási tényező megerősítéséért, a standard anyagszám ellenőrzéséért, az egyes állítások igazolásáért az illetékes szakértőt terheli. A nagy nyelvi modell nem számológép, szabályozási/szabványi adatbázis vagy ellenőrző; egy szöveggenerátor, amely előállítja a „következő legvalószínűbb szót”, és ennek ellenőrizetlen kimenete hamis jelentéshez vagy állításhoz vezethet.

2. Mit jelent egy kérdés „hatás-lényegességi” aspektusa a kettős lényegesség elemzésében?

• A) A kibocsátás hatása a társaság nyereségére és részvényértékére
• B) A kibocsátás pénzügyi kockázata csak a befektetők számára
• C) A rivális vállalatok teljesítménye ugyanabban a témában
• D) A vállalat tevékenységének hatása a környezetre és a társadalomra ✔

Leírás: A kettős anyagiság két lencsén keresztül néz. A pénzügyi lényegesség egy kibocsátás hatása a vállalat cash flow-ira és értékére („outside-in”). A hatás lényegessége a vállalat tevékenységeinek a környezetre és a társadalomra gyakorolt ​​hatása („belül kifelé”). A CSRD/ESRS mindkét szempontot érvényesíti; Mivel a mesterséges intelligencia gyakran csak a pénzügyi irányra tolódik el, a hatásirányt ráadásul az embernek kell irányítania.

3. Mi a helyes megközelítés a kWh-ban, MWh-ban és GJ-ban kifejezett energiaadatok gyűjtése során a különböző létesítményekből?

• A) Hagyja figyelmen kívül az egységeket, és adja hozzá közvetlenül az összes számot
• B) A mesterséges intelligenciára támaszkodva összegyűjti a fejedben a hosszú listát
• C) Az összes érték egyetlen egységgé konvertálása, majd az átalakítás és az összegzés a ✔ kóddal/képlettel
• D) A legnagyobb egység kiválasztása, más létesítmények bejelentésének mellőzése

Magyarázat: Az egységlemorzsolódás az ESG leggyakoribb és legveszélyesebb hibája; Mivel 1 MWh = 1000 kWh, a mértékegység elhagyása esetén az eredmény 1000-szeres eltérést mutathat. A helyes megközelítés az, hogy az összes értéket egyetlen egységgé konvertálják, és a mesterséges intelligencia ezt az átalakítást és összegzést végrehajtható kóddal/képlettel végezze el, nem manuálisan; így az eredmény determinisztikus és ellenőrizhető.

4. Milyen körbe tartoznak az ÜHG Protokoll szerinti vásárolt villamosenergia-termelésből származó kibocsátások?

• A) Hatály 1
• B) 2. hatókör ✔
• C) Hatály 3
• D) Nem tartozik semmilyen hatókörbe, és nincs jelentve

Leírás: Az 1. hatókör a szervezet saját forrásaiból (kazán, céges jármű, generátor) származó közvetlen kibocsátások. A 2. hatókör a vásárolt energia (villamos energia, gőz, fűtés, hűtés) előállításából származó közvetett kibocsátások. A 3. hatókör az értéklánc minden egyéb közvetett kibocsátására vonatkozik (ellátás, utazás, termékhasználat, hulladék). A villany nem a cég kéményéből jön ki, hanem az azt előállító erőmű bocsát ki károsanyagot; tehát ez a Scope 2.

5. Milyen fogalmat használnak egy üvegházhatású gáz, például metán (CH₄) CO₂e-vé való átalakítása során, és miért fontos ez?

• A) GWP (globális felmelegedési potenciál); ha kihagyjuk, a metán/N₂O hatást erősen alábecsüljük ✔
• B) AQI (levegőminőség-index); meghatározza a levegőben lévő gáz színét
• C) GRI (jelentési kezdeményezés); meghatározza azt az anyagot, amelyben a gázt jelenteni fogják
• D) Nincs szükség együtthatóra; A metán 1-től 1-ig számít közvetlenül, mint a CO₂

Leírás: A GWP (Global Warming Potential) az az együttható, amely a különböző üvegházhatású gázok fűtőhatását egy közös egységgé alakítja a CO₂-hoz viszonyítva. A metán 100 éves GWP-je megközelítőleg 28; Tehát 1 tonna metán körülbelül 28 tonna CO₂e-t jelent. Ha a GWP-t kihagyjuk, az erős gázok, például a metán és az N2O hatását nagymértékben alábecsüljük, és a leltár teljesen pontatlan lesz; Azt is meg kell adni, hogy melyik GWP-készletet (pl. IPCC AR6, 100 év) használják.

6. Melyik megközelítés a helyes a „tevékenységi adatok × kibocsátási tényező” kiszámításához az üvegházhatású gázok nyilvántartásában?

• A) Használja azt a tényezőt, amelyre a mesterséges intelligencia emlékszik, és manuálisan végezze el az összesítést
• B) Az összes gázt CO₂-ként és kihagyási tényezőként és GWP-konverzióként számolva
• C) Minden országra, évre és üzemanyagra pontosan egy alapértelmezett tényezőt használ
• D) A faktor megerősítése a hivatalos forrásból ország és év szerint, és a számítás állványozása és összege ✔ kóddal

Leírás: A kibocsátási tényezők országonként, évenként és üzemanyagonként változnak; A mesterséges intelligencia „emlékeztetése” azzal a kockázattal jár, hogy valamit kitalálunk (hallucinációk). A faktort mindig hivatalos táblázatból kell megerősíteni (IPCC, DEFRA/EPA, IEA, nemzeti jegyzék); Csak a hatókör szétválasztását, a számviteli állványzatot és a teljes kódot szabad mesterséges intelligencia végeznie. A többsoros összegzés végrehajtható kóddal történik, nem manuálisan.

7. Mi a helyes viselkedés az AI által javasolt GRI/ESRS szabvány anyagszámhoz (pl. „GRI 305 vízfogyasztáshoz”)?

• A) A szám beírása közvetlenül a jelentésbe, mert a mesterséges intelligencia ezt sugallja
• B) A cikkszámok nem fontosak; bármit le lehet írni
• C) A szám és annak tartalmának ellenőrzése a hivatalos szabványszöveggel, megerősítése, hamis/elavult ✔
• D) Mivel a víz és a levegő kibocsátása hasonló, ezek bejelentése ugyanabban a cikkben

Leírás: A mesterséges intelligencia képes szabványos számokat generálni, amelyek valódinak tűnnek, de tartalma hamis vagy teljesen kitalált; Emellett a szabványok is frissülnek, és a modell által ismert verzió elavult lehet. Például a víz a GRI 303 alatt szerepel, míg a GRI 305 a levegőbe történő kibocsátás. Ezért az egyes anyagok száma és tartalma nem használható a hivatalos szabványszöveg (GRI/EFRAG/ISSB) ellenőrzése nélkül.

8. Ha az ellátási láncban a legtöbb beszállító nem rendelkezik valós szén-dioxid-kibocsátási adatokkal, mi a helyes és őszinte megközelítés a 3. hatókörhöz?

• A) Közvetlenül a mesterséges intelligencia által alkotott számok felhasználásával a szállítók számára
• B) A 3. hatókör teljes kihagyása, mert „nehéz mérni”
• C) Valós adatokkal rendelkezők használata, egyértelműen jelölje meg a proxyt a ✔ nélkül
• D) Meghatalmazott alkalmazása minden beszállítóra, és elrejtése a jelentésben

Leírás: A Scope 3 a legtöbb vállalat legnagyobb, de legnehezebben mérhető tétele. A tényleges adatokat szolgáltató szállítók esetében ezeket az adatokat használják fel; Aki ezt nem adja meg, annak költségalapú proxy (becslés) használható. A kritikus dolog az, hogy ne rejtsük el a proxyt: a jelentésnek egyértelműen fel kell tüntetnie a felhasznált becslés hányadát és arányát. Az elhomályosított proxy a független biztosítás megtagadásához vezethet; Az is helytelen, ha a 3. hatókört teljesen kihagyjuk azon az alapon, hogy „nehéz mérni”.

9. Az AI kizárólag az ország átlaga alapján jelölt meg egy szállítót „lehetséges kényszermunkaként”. Mi a helyes viselkedés?

• A) Fogadja el a jelet bizonyítékként, és azonnal nyilvánosan szakítsa meg a kapcsolatot a szállítóval
• B) Az állítást közvetlenül a jelentésbe írni, mert a mesterséges intelligencia mondta
• C) Teljesen figyelmen kívül hagyja a kockázati jelzéseket, és egyáltalán nem vizsgálja azokat
• D) A jelzést „vizsgálandó figyelmeztetésnek” tekintve, és helyszíni szemlével és megbízható forrással megerősítve ✔

Magyarázat: Az olyan súlyos állításokat, mint az emberi jogok megsértése, nem lehet mesterséges intelligencia által generált jelekkel bizonyítani. Az ilyen jelzés csupán „megvizsgálandó figyelmeztetés”; Határozott vádként használni tisztességtelen és jogilag kockázatos is. Az ilyen állításokat csak megbízható forrás, helyszíni szemle és jogi eljárás erősíti meg. A mesterséges intelligencia jeleket generál; Az ember vállalja az ítéletet és a felelősséget.

10. Mi a legkritikusabb óvintézkedés, amikor több száz szabad szövegű választ elemezünk egy MI-vel végzett felmérésből?

• A) Ritka, de nagy jelentőségű (biztonsági/etikai/környezetvédelmi) jelzések külön megkövetelése, és nem árnyékolása ✔
• B) Csak a legmagasabb gyakoriságú témák kiválasztása, a kisebbségi nézetek kiküszöbölése
• C) Csökkentse az összes választ egyetlen pozitív összefoglalásra, és hagyja ki a részleteket
• D) A mesterséges intelligencia összefoglalójának elfogadása nyers válaszok helyett

Leírás: A mesterséges intelligencia a tematikus elemzés során felerősíti a többség hangját, és elnyomja a kisebbség hangját. A fenntarthatóság legértékesebb jelzése azonban néha egy-egy komoly biztonsági, etikai vagy környezetvédelmi probléma, amelyet egyetlen személy hangoztat. Tehát az elemzés azt kérdezi, „mi hangzott el leggyakrabban?” Nem ér véget; A „ritka, de nagy jelentőségű” jelzéseket külön kell kérni, és nyers válaszokat kell használni az összefoglaló kiegészítéseként, nem pedig helyette.

11. Mi a leghatékonyabb módja annak, hogy megakadályozzuk, hogy hamis számok és célpontok szivárogjanak be a szövegbe, amikor jelentést írunk a mesterséges intelligenciának?

• A) A teljes jelentés elkészítése egyszerre, „írj megfelelő szöveget”
• B) Csak ellenőrzött adatok megadása és új számok/követelések generálásának kifejezett tiltása ✔
• C) Ellenőrizze, mennyire gördülékeny és lenyűgöző a szöveg, és tegye közzé
• D) Lehetővé teszi, hogy az AI ésszerű találgatásokkal pótolja a hiányzó adatokat

Leírás: A mesterséges intelligencia olyan számokat és célpontokat generál, amelyekkel valójában nem rendelkezel, a „ezt mondják a hasonló jelentések” logikával egy üres promptban. A leghatékonyabb óvintézkedés az, ha csak ellenőrzött adatokat ad meg, és „nem ad hozzá számokat, százalékokat, dátumokat vagy egyéb állításokat az általam megadott adatokon kívül; Világosan meg kell fogalmazni a szabályt: „Írja a [ADATOK SZÜKSÉGES] a hiányzó helyre”. Ezenkívül a jelentést szakaszonként kell kinyomtatni, adatokkal ellátva.

12. Mire figyeljen először a független bizonyosságot nyújtó könyvvizsgáló a fenntarthatósági jelentés áttekintése során?

• A) Milyen gördülékenyen és szakszerűen van megírva a jelentés
• B) Minden kiadásnak van egy bizonyítéklánca, amely a forrásdokumentumig vezethető vissza ✔
• C) A mesterséges intelligencia azt mondja, hogy „a jelentés készen áll az ellenőrzésre”
• D) Tegye a jelentést határozottabbnak, mint a versenytársak

Magyarázat: A vizsgálót nem a szöveg gördülékenysége érdekli, hanem az egyes állítások mögött meghúzódó bizonyítékok láncolata; Első kérdése: „bizonyítsd be ezt a számot”. Megvizsgálják, hogy egy szám melyik forrásdokumentumból származik, melyik képletből és tényezőből alakul jelentés, illetve megismételhető-e önállóan. Ezért minden anyagmutatónak nyomon követhetőnek kell lennie a forrásig, a tényezőket a hivatalos forrásból kell ellenőrizni, és meg kell adni a proxykokat; A mesterséges intelligencia előkészíti ezt, de nem tud biztosítékot adni.

13. Az alábbi környezetvédelmi állítások közül melyikben a legkisebb a zöldmosás kockázata?

• A) „2023-ra 18%-kal csökkentettük gyártási kibocsátásunkat (harmadik fél általi ellenőrzéssel)” ✔
• B) „Termékeink teljesen környezetbarátak és természetesek”
• C) „Cégünk szén-dioxid-semleges” (dokumentumok vagy adatok megadása nélkül)
• D) „Mi vagyunk a leginkább fenntartható és közel nulla hatású vállalat az iparágban”

Magyarázat: A jó környezeti állítás mérhető (számot tartalmaz), bizonyított (bizonyítékokon alapul), és egyértelmű a hatálya (egyértelmű, hogy mit és mikor hasonlítanak össze). „2023-ra 18%-kal csökkentettük a gyártási kibocsátást (harmadik fél általi ellenőrzéssel)” ez a három jellemző. Az olyan kifejezések, mint a „környezetbarát”, „természetes”, nem tanúsított „szén-semleges”, nem számszerűsíthetők vagy megalapozatlanok, és a zöldmosás kockázatával járnak.

14. Mit kell tenni, mielőtt nyilvánosan elérhető mesterségesintelligencia-eszközbe illesztené a nem nyilvános létesítmények termelési és kibocsátási adatait elemzés céljából?

• A) Az adatok beillesztése úgy, ahogy vannak; a környezeti adatok mindig nyilvánosak
• B) Adakozás óvintézkedések megtétele nélkül, mivel a felelősség átszáll a mesterséges intelligencia-szolgáltatóra
• C) A kockázat egyszerűen téves számítás; A titoktartási intézkedés szükségtelen
• D) Az adatok ingyenes/belső/bizalmas besorolása és a bizalmas adatok anonimizálása vagy vállalati eszközök használata ✔

Közzététel: Az üzemi szintű termelési és kibocsátási adatok üzleti titkok lehetnek; a még nyilvánosságra nem hozott pénzügyi/környezetvédelmi adatok sérthetik a jogszabályi közzétételi szabályokat; A munkavállaló tartózkodási helyére/bérére vonatkozó adatok a KVKK/GDPR hatálya alá tartozó személyes adatok. Mielőtt az ilyen típusú adatokat nyílt eszközbe adná, szükséges ingyenes/belső/bizalmas kategóriába sorolni, szükség esetén anonimizálni, vagy vállalati (adatmentes) eszközt használni. Az 'AI azt mondta' nem védekezés; A felelősség az intézményt és az azt jóváhagyó személyt terheli.