Nyereség:
- Képes a 3. hatókör megállapítására a beszállítóknak a ráfordítás és a kockázati szint alapján történő rangsorolásával, valamint a tényleges adatok és a proxy becslések megkülönböztetésével
- Amikor mesterséges intelligenciával megjelöli a beszállítói kockázati jelzéseket, kezelje azokat „megvizsgálandó jelzésként”, nem pedig bizonyítékként
- Képesség súlyos emberi jogi/környezetvédelmi követelések kezelésére helyszíni ellenőrzést és jogi megerősítést igénylő átvilágítási folyamaton keresztül
A legtöbb vállalat fenntarthatósági hatásának legnagyobb része nem a saját gyárában, hanem az ellátási láncában rejlik. Egy ruházati márka szénlábnyomának több mint 80 százaléka származhat a beszállítóitól, a szövetgyártóktól a szállítmányozásig. Hasonlóképpen, a legsúlyosabb társadalmi kockázatok, mint például a gyermekmunka, a kényszermunka és a környezeti jogsértések gyakran az ellátási lánc mélyén jelentkeznek. Ebben a részben megtanulhatja, hogyan használhatja a mesterséges intelligenciát (AI) az ellátási lánc adatainak gyűjtésére és értékelésére, valamint a kockázatok szűrésére.
Tisztázzunk két fogalmat. A 3. hatókör, ahogy az előző egységben láttuk, a közvetett kibocsátások a vállalat értékláncában, és általában a legnagyobb, de legnehezebben mérhető tétel. A kellő gondosság az emberi jogi és környezeti kockázatok azonosításának, megelőzésének és orvoslásának folyamata a vállalat ellátási láncában. Az olyan szabályozások, mint például az EU CSDDD (Corporate Sustainability Due Diligence Direktíva), ezt kötelezővé teszik a nagyvállalatok számára.
Az ellátási lánc adatainak fő kihívása
Mérheti saját létesítményének adatait; De nem lehet közvetlenül mérni több száz beszállító adatait, tőlük kell megkérdezni. Ez három problémát okoz:
- Az adatok nem érkeznek meg, vagy hiányosak. A legtöbb kisebb beszállító nem vezeti a szén-dioxid-kibocsátási adatokat.
- Az adatok megbízhatatlanok. Amikor egy beszállító saját bevallást készít, előfordulhat, hogy túl- vagy alulértékelődik.
- Találgatás (proxy) szükséges. Ha nem állnak rendelkezésre tényleges adatok, akkor iparági átlagot vagy kiadásalapú becslést használnak.
Itt kétféleképpen segít a mesterséges intelligencia: (1) felmérések és nyomon követési levelek gyors megfogalmazása több száz beszállítónak, (2) szétszórt válaszok strukturálása és kockázati jelzések megjelölése. De a szállító által megadott számot nem ellenőrzik, semmilyen kockázati jelzést nem vonnak le emberi felülvizsgálat nélkül.
3. hatókör kategória (példa)
Adatforrás
Tipikus módszer
Vásárolt áruk/szolgáltatások
Szállítói felmérés/költés
Valódi adatok > proxy
Szállítás és forgalmazás
Fuvarozói rekordok
Távolság × terhelés × tényező
üzleti utazás
utazási rendszer
Km/repülés × tényező
Az eladott termék felhasználása
Termék energiaadatok
Használati modell
hulladék
Hulladékszállítási dokumentumok
Mennyiség × tényező
Tipp: A 3. hatókörben a „költésalapú” becslés (ennyi CO₂e minden elköltött 1000 dolláronként) gyors kezdés, de durva. Ha egy szállító valós adatokat szolgáltat, használja azokat; A ráfordításon alapuló becslés csak ideiglenes, ha nincsenek tényleges adatok, és a jelentésben "becslés/proxy"-ként kell megjelölni.
Lépésről lépésre: Az ellátási lánc munkafolyamata mesterséges intelligencia segítségével
1. A beszállítók rangsorolása. Nem lehet mind a száz beszállítót azonos mélységben megvizsgálni. Fókuszáljon azokra, akiknek nagy a költése és a kockázata (szektor, ország). A mesterséges intelligencia ezzel a rangsorolással vázlatos listát tud készíteni.
2. Felmérés és kérés tervezete. Kérjen az AI-tól egy világos, könnyen kitölthető beszállítói adatfelmérés vázlatát.
3. Állítsa be a bejövő adatokat. Tedd egyetlen táblázatba a különböző formátumú válaszokat; Jelölje be a hiányzó részeket.
4. Keressen kockázati jeleket. A mesterséges intelligencia megtalálja a „piros zászlós” jelölteket a nyilvános hírekben, a jogsértési nyilvántartásokban és a felmérések eltéréseiben; De az emberek minden jelet ellenőriznek.
5. Cselekvés és üldözés. Korrekciós intézkedési és nyomon követési tervet hozzon létre a magas kockázatú beszállítók számára; Dokumentálja a folyamatot.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Számítsa ki beszállítóink szénlábnyomát.
Nincs adatforrás, nincs valós/proxy megkülönböztetés és nincs ellenőrzés; Az AI beszállítói számokat alkot.
Erőteljes felszólítás:
Az Ön szerepe: az ellátási lánc fenntarthatósági elemzője. Input: 15 beszállító neve, iparág, éves kiadási összeg és az általuk közölt tényleges kibocsátási adatok (ha vannak). Feladat: 1) Aki valós adatokat közöl, használja azokat az adatokat. 2) Akinek nincs valós adata, az írja be, hogy "költés alapú PROXY szükséges", NEM FEL A szám; adja meg, hogy melyik tényezőt kell hivatalos forrásból beszerezni.3) A magas ráfordítással + magas kockázatú iparággal rendelkező beszállítók rangsorolása.Kimenet: táblázat (Beszállító | Iparág | Költés | Adattípus[tényleges/proxy] |Prioritás | Megjegyzés). A jelentésben a proxyszámok meg lesznek jelölve.
Felszólítás a szállítói kockázati szűrésre
Állítson fel egy kockázat-ellenőrző állványt a beszállítók alábbi listájához. Értékelés minden szállító esetében (csak az általam megadott információk alapján, nyilvános állítás HAMIS):- Lehetséges emberi jogi kockázat ország/ágazat részéről (magas/közepes/alacsony)- Lehetséges környezeti kockázat- Ellentmondás a felmérésre adott válaszokban/piros zászlók Szabály: minden kockázathoz adjon hozzá megjegyzést „ellenőrzés szükséges – nincs forrás”; ne fogalmazzon meg határozott vádakat, csak javasoljon jeleket a kivizsgáláshoz.Lista: [BESZÁLLÍTÓK]
Az alábbi prompt egy adatigénylési felmérést vázol fel, amelyet el kell küldeni a szállítóknak.
Az Ön szerepe: fenntarthatósági beszerzési szakértő. Feladat: készítsen egy ESG adatfelvételt legfeljebb 10 kérdésből, amelyet a kis/közepes beszállítók könnyen kitölthetnek. Tartalmazza: energiafogyasztás, üzemanyag típusa, hulladék, munkavédelmi balesetek száma, kényszer/gyermekmunka iránti elkötelezettség. Hangnem: egyszerű, tiszta, könnyen kiegészíthető; Adjon hozzá egységeket és példákat minden kérdéshez.
Vigyázat: Ne kérjen mesterséges intelligenciát a szállítóval kapcsolatos kockázati jelzések ellenőrzésére (pl. „gyermekmunka”), és soha ne használjon mesterséges intelligencia által generált állítást bizonyítékként. Az ilyen súlyos állításokat csak megbízható forrás, helyszíni szemle és jogi eljárás erősíti meg. Az AI csak „vizsgálandó jelet” ad; nem ítélkezik.
három mini tok
1. eset – A proxy becsületes használata. Egy bútorgyártó 200 beszállítója közül csak 30 szolgáltatott tényleges szén-dioxid-kibocsátási adatokat. A csapat a fennmaradó 170-hez költésalapú proxyt használt, de a jelentés egyértelműen kijelenti: "A 3. hatókör 65%-a költésalapú becslés." A könyvvizsgáló elismerte ezt az őszinteséget; ha eltitkolták volna, a biztosítékot megtagadhatták volna.
2. eset – Prioritás meghatározása. Egy élelmiszeripari vállalatnak 480 beszállítója volt. Az AI kimutatta, hogy a kiadások 80%-a 40 beszállítónál összpontosult. A csapat a mélyrepülést erre a 40-re összpontosította; az erőforrásokat nem pazarolták el, és a legnagyobb hatású beszállítókat valós adatokkal jelentették.
3. eset – Hamis vádak veszélye. Az AI „lehetséges kényszermunka”-ként jelölt meg egy beszállítót; Az ok csak az országos átlag volt. A csapat ezt "megvizsgálandó jelzésnek", nem bizonyítéknak fogadta el, és terepszemlét kért. Az ellenőrzés nem talált problémát; Ha az MI jelét bizonyítéknak tekintenék, tisztességtelen vád és jogi kockázat merülne fel.
Gyakori hibák
- A szállítói adatok ellenőrzése nélküli elfogadása. Az önbejelentő szállítói adatok keresztellenőrzést igényelnek.
- A proxy elrejtése. A költésalapú előrejelzés használata megfelelő; A pontosítás hiánya probléma az auditálás során.
- Minden beszállítót egyformán vizsgálni. A beszerzésnek a magas költségeket és a magas kockázatú beszállítókra kell összpontosítania.
- Az AI-jel összetévesztése bizonyítékként. Az emberi jogok/környezetvédelmi jogsértésekre vonatkozó állításokat a szakterület és a törvény igazolja, nem az MI.
- A 3. hatókör teljes kihagyása. A legnagyobb hatás általában itt van; Nem lehet figyelmen kívül hagyni azon az alapon, hogy „nehezen mérhető”.
Összefoglalva
Az ellátási lánc az, ahol a legtöbb vállalat legnagyobb környezeti és társadalmi hatása rejtőzik; A Scope 3 kibocsátások és a kellő gondosság kockázatai itt összpontosulnak. AI; Hatékony segítség a beszállítói prioritások meghatározásában, a felmérések elkészítésében, a szétszórt válaszok strukturálásában és a kockázatjelzések megjelölésében. A beszállítói adatok azonban nem szerepelnek a jelentésben mindaddig, amíg azokat nem ellenőrizték, a meghatalmazottakat egyértelműen fel nem tüntették, és a súlyos állításokat helyszíni szemle nem erősíti meg. Az AI jeleket generál; Az ember vállalja az ítéletet és a felelősséget.
Pályázati feladat
Készítsen listát 10 fiktív beszállítóról névvel, iparággal és éves ráfordítással; Adjon hozzá néhány tényleges kibocsátási adatot, a legtöbbet hagyja üresen. Kérjen az AI-tól egy táblázatot a prioritásokról és az adattípusokról a fenti hatékony prompt segítségével. Ezután: (1) ellenőrizze, hogy a meghatalmazottat igénylő beszállítók száma nem áll rendelkezésre, (2) válassza ki a 3 legmagasabb prioritású beszállítót indoklással, (3) készítsen egy rövid adatfelvételt, amelyet elküldhet nekik.
ellenőrző lista
- [ ] A beszállítókat a ráfordítás és a kockázati szint alapján rangsoroltam.
- [ ] Valódi adatokat használtam; Akinek nincs meg, annak megjelöltem a proxyt.
- [ ] A szállítói adatokat nem úgy értékeltem, ahogy vannak, hanem keresztellenőrzéssel.
- [ ] A kockázati jelzéseket „megvizsgálandónak” tekintettem, bizonyítékként nem használtam fel.
- [ ] Területi audit/jogi ellenőrzési lépést terveztem komoly követelések esetén.
- [ ] Nem hagytam ki a 3. hatókört; A jelentésben megadtam a terjedelmet és a becslési arányt.
- [ ] A teljes folyamatot átvilágítási dokumentummal rögzítettem.