Keuntungan:
- Kemampuan untuk mengenali jenis-jenis greenwashing (pertukaran yang tidak pasti, tidak terbukti, tersembunyi, masa depan yang berlebihan) dan membuat klaim dapat diukur, bersumber, dan tercakup.
- Kemampuan untuk mengklasifikasikan data yang akan diberikan kepada kendaraan dalam hal kerahasiaan dan melindungi rahasia dagang dan data pribadi
- Kemampuan untuk menerapkan gerbang kualitas menyeluruh mulai dari definisi hingga verifikasi dan memikul tanggung jawab utama tanpa bergantung pada pertahanan 'kata AI'
Ada prinsip yang diulangi di setiap unit modul ini: angka harus berdasarkan sumber, klaim harus berdasarkan bukti. Unit terakhir ini mengintegrasikan prinsip tersebut. Risiko terbesar AI dalam lingkungan dan iklim bukanlah kesalahan perhitungan, melainkan menghasilkan cerita yang dapat dipercaya namun tidak berdasar. Dalam unit ini Anda akan mempelajari cara mengenali dan mencegah greenwashing, memastikan keakuratan data, etika dan privasi, serta alur kerja menyeluruh yang menyatukan seluruh modul.
Anatomi pencucian hijau
Greenwashing adalah ketika sebuah organisasi membuat kinerja lingkungannya terlihat lebih baik dari yang sebenarnya. Karena AI sangat pandai menghasilkan teks yang lancar dan persuasif, AI juga sangat rentan menghasilkan greenwashing tanpa disadari. Jenis utama:
Tipe pencucian hijau
Apa maksudmu?
contoh
klaim yang tidak jelas
kata yang tidak terukur dan tidak terdefinisi
"Ramah lingkungan", "alami", "hijau"
klaim tanpa bukti
Nomor/target tanpa data
"Kami netral karbon" (tidak ada dokumentasi)
pertukaran rahasia
Menyoroti yang baik dan menyembunyikan yang buruk
"Kemasan dapat didaur ulang" tetapi produknya sangat mencemari
klaim yang tidak relevan
Menyajikan apa yang sudah perlu/tidak penting sebagai suatu kebajikan
"Tidak mengandung zat terlarang"
label palsu
Tampilan sertifikat palsu/tidak terverifikasi
Logo "hijau" yang diciptakan sendiri
masa depan yang luar biasa
Berlindung pada sasaran yang jauh tanpa bukti
"Kami akan netral pada tahun 2050" (tidak ada rencana sementara)
Tip: Klaim lingkungan hidup yang baik mempunyai tiga karakteristik: terukur (angka), terbukti (bukti), dan jelas cakupannya (jelas apa yang dibandingkan dan kapan). Jika suatu klaim tidak memiliki salah satu dari ketiga hal ini, berhentilah sebelum mempublikasikannya.
Akurasi data: aturan emas modul
Disiplin verifikasi yang kita lihat di setiap unit dapat diringkas dalam satu kalimat: Tidak ada angka atau fakta yang dihasilkan oleh AI yang berubah menjadi keputusan, laporan, atau klaim tanpa dikonfirmasi oleh sumber independen. Faktor emisi dikonfirmasi dari tabel resmi, pasal undang-undang dikonfirmasi dari teks saat ini, pengukuran dikonfirmasi dari perangkat yang dikalibrasi, dan penghitungan dikonfirmasi dari kode yang dijalankan. AI berakselerasi; Dialah orang yang jujur.
Etika dan privasi
Etika: Data lingkungan hidup menyangkut masyarakat dan generasi mendatang; pemilahan data, pelaporan selektif, atau menyembunyikan ketidakpastian merupakan pelanggaran etika. Jangan meminta AI untuk “menampilkan laporan dengan lebih baik”, melainkan “menampilkan laporan dengan lebih akurat dan mudah dipahami”.
Kerahasiaan: Angka produksi di tingkat pabrik, perjanjian pemasok, data emisi yang dirahasiakan mungkin merupakan rahasia dagang; Data perjalanan atau lokasi karyawan mungkin merupakan data pribadi. Periksa kebijakan perusahaan dan aturan perlindungan data (misalnya KVKK/GDPR) sebelum menempelkannya ke alat AI publik; Anonimkan jika memungkinkan atau gunakan alat bukti data perusahaan.
Perhatian: "AI berkata demikian" bukanlah pembelaan. Lembaga dan penandatangan bertanggung jawab atas laporan emisi palsu, iklan yang menyesatkan, atau kebocoran data rahasia. AI adalah sebuah alat; Dia adalah orang yang bertanggung jawab.
Alur kerja ujung ke ujung: merakit modul
Berikut enam langkah untuk membuat klaim atau laporan lingkungan hidup dengan percaya diri dari awal hingga akhir:
1. Definisikan. Apa yang akan dilaporkan/diklaim? Apakah ruang lingkup, satuan, standar, periodenya jelas?
2. Kumpulkan dan konfirmasi data. Apakah setiap terbitan mempunyai sumber yang dapat dilacak? Apakah faktornya resmi?
3. Hitung dan verifikasi. Lakukan aritmatika dalam kode dan berikan hasilnya dengan satuan dan ordo.
4. Sketsa. Bangun kerangka teks dengan AI; Hubungkan setiap kalimat dengan bukti.
5. Lewatkan melalui filter Greenwashing. Hilangkan pernyataan yang tidak jelas, tidak berdasar, dan berlebihan.
6. Verifikasi dan bertanggung jawab. Jaminan independen/kontrol ahli; persetujuan akhir ada pada manusia.
tiga kasus mini
Kasus 1 — Lancar tetapi tidak berdasar. Satu tim meminta AI menulis ringkasan keberlanjutan; Teksnya sangat mengesankan, namun penuh dengan frasa yang tidak dapat diukur seperti “keberlanjutan yang terdepan di industri”, “dampak yang hampir nol”. Menerapkan filter greenwashing (templat 1 di bawah) menandai tujuh klaim yang tidak berdasar; masing-masing diganti dengan nomor terbukti atau dihapus. Laporan ini lebih pendek namun dapat dipertahankan.
Kasus 2 — Data bocor. Seorang analis menempelkan data emisi fasilitas yang belum diungkapkan ke dalam alat AI yang tersedia untuk umum dan meminta analisis. Tim kepatuhan menyadari bahwa ini adalah rahasia dagang dan kemungkinan pelanggaran pengungkapan peraturan; proses dihentikan, data dipindahkan ke alat perusahaan (anti bocor). Pelajaran: tentukan kelas data (rahasia?) sebelum memberikannya ke alat.
Kasus 3 — Rantai validasi. Sebuah organisasi menyimpan tabel "bukti klaim" untuk seluruh laporan tahunannya: di seberang setiap angka dalam setiap kalimat terdapat sumbernya. Ketika auditor tiba, mereka dapat melacak setiap klaim dalam hitungan menit; Proses penjaminan berjalan lancar. Disiplin ini adalah inti dari semua unit modul dan menghemat waktu serta pengakuan di dunia nyata.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Jadikan pesan keberlanjutan kami lebih mengesankan.
Mengapa lemah: Keinginan untuk "mengesankan" mendorong AI menjadi hiperbola dan pujian yang tidak jelas; menghasilkan greenwashing.
Perintah yang kuat:
Peran Anda: editor komunikasi lingkungan dan auditor greenwashing. Jadikan teks di bawah ini lebih BENAR dan mudah dipahami, bukan "mengkilap". Setiap klaim bertanya: apakah klaim tersebut dapat diukur, apakah klaim tersebut bersumber, apakah cakupannya jelas? Tandai pernyataan yang tidak jelas (“ramah lingkungan”), tidak terbukti (“netral”), dan berlebihan serta menyarankan alternatif yang berbasis bukti dan terukur. Hapus klaim yang tidak memiliki bukti. Teks: [di sini]
Empat templat yang dapat disalin
1) Filter kontrol pencucian hijau:
Peran Anda: auditor greenwashing. Tabel masing-masing klaim lingkungan hidup pada teks di bawah ini: (klaim | dapatkah diukur | apakah ada bukti | apakah tidak pasti | putusan). Tandai hal-hal yang tidak jelas/tidak terbukti/berlebihan dan sarankan alternatif yang terukur dan berdasarkan bukti untuk masing-masing hal tersebut. Teks: [di sini]
2) Tabel pencocokan bukti klaim:
Hapus SETIAP klaim numerik dan faktual dari teks laporan di bawah ini. Tinggalkan kolom "sumber" untuk masing-masing. Tandai setiap klaim dengan sumber yang tidak disebutkan sebagai "DIPERLUKAN BUKTI". Ubah teks; check.Teks: [di sini]
3) Pra-pemeriksaan privasi:
Klasifikasikan data berikut sebelum memprosesnya dalam alat AI: apakah data tersebut mengandung rahasia dagang (produksi pabrik, harga pemasok), data pribadi (nama, lokasi) atau informasi keuangan yang dirahasiakan? Tandai area berisiko dan rekomendasikan anonimisasi/penghapusan. Contoh data: [di sini]
4) Gerbang kualitas ujung ke ujung:
Lakukan pemeriksaan terakhir terhadap laporan/klaim lingkungan hidup di bawah ini. Urutannya: (1) apakah standar unit cakupannya jelas, (2) apakah setiap nomor bersumber, (3) apakah aritmatikanya sudah diverifikasi, (4) apakah ada greenwashing, (5) apakah data rahasia/pribadi telah bocor. Berikan lulus/gagal dan justifikasi untuk setiap item. Konten: [di sini]
Kesalahan umum
- Ingin “mengesankan.” Hal ini mendorong AI menjadi hiperbola dan greenwashing; Mintalah yang “akurat dan dapat dimengerti.”
- Tidak memperhatikan klaim yang tidak jelas. Ungkapan seperti “ramah lingkungan” sangat beragam dan berisiko.
- Mengekspor data rahasia ke alat terbuka. Pertama-tama klasifikasikan data dan anonimkan jika perlu.
- Bertahan dengan "AI bilang begitu." Tanggung jawab selalu ada pada orangnya.
- Tidak mempertahankan rantai verifikasi. Sumber setiap klaim harus dapat diaudit.
Singkatnya
Inti dari penggunaan AI secara aman di lingkungan dan iklim adalah sebuah disiplin tunggal: setiap angka yang diperoleh, setiap klaim yang terbukti, setiap data yang dimasukkan ke setiap alat yang diklasifikasikan, setiap keputusan akhir yang dibuat oleh manusia. Greenwashing adalah jebakan bahasa yang berubah-ubah; Cara menghindarinya adalah dengan membuat klaim yang terukur, bersumber dan mempunyai cakupan tertentu. AI; menghitung, memindai, menyusun dan mengatur - tetapi ahli yang kompetenlah yang memverifikasi, memutuskan dan bertanggung jawab. Dalam pekerjaan lingkungan dengan konsekuensi tinggi, keluaran AI bukanlah pengganti verifikasi dan validasi ahli; itu hanya mempercepatnya.
Tugas aplikasi
Pilih satu hasil yang telah Anda hasilkan sepanjang modul ini (ringkasan emisi, analisis air, atau bagian ESG). Audit greenwashing dengan template 1 terlebih dahulu dan perbaiki klaim tidak berdasar yang Anda temukan. Kemudian buatlah tabel bukti klaim dengan template ke-2 dan lengkapi angka-angka sisanya tanpa sumber. Terakhir, terapkan gerbang kualitas end-to-end dengan template ke-4; Perbaiki sampai Anda mendapatkan "lulus" pada kelima item.
daftar periksa
- [ ] Saya membuat setiap klaim dapat diukur, bersumber, dan cakupannya spesifik.
- [ ] Saya membersihkan bahasa yang tidak jelas/berlebihan dengan filter greenwashing.
- [ ] Saya telah memverifikasi secara independen setiap angka yang dihasilkan oleh AI.
- [ ] Saya telah mengklasifikasikan/menganonimkan data yang saya berikan ke alat untuk kerahasiaan.
- [ ] Saya memiliki kode aritmatika dan menyediakannya dengan satuan dan pangkat.
- [ ] Saya mengambil tanggung jawab utama; Saya tidak mengandalkan pertahanan "kata AI".
Ujian Modul
1. Manakah dari berikut ini yang merupakan posisi kecerdasan buatan yang paling akurat dalam lingkungan dan iklim?
- A) Kecerdasan buatan adalah asisten kode, data, dan cetak biru; Tanggung jawab atas faktor, ruang lingkup, bukti dan keputusan etis berada di tangan manusia ✔
- B) Kecerdasan buatan adalah alat pengukur dan nilai emisi yang diberikannya selalu akurat.
- C) Kecerdasan buatan hanya berguna dalam penulisan laporan, tidak ada hubungannya dengan akuntansi dan pemantauan
- D) Karena kecerdasan buatan lebih tidak memihak dibandingkan manusia, semua keputusan lingkungan harus diserahkan kepada kecerdasan buatan.
Deskripsi: Kecerdasan buatan; Ini adalah asisten yang menulis kode, mengatur data, membuat draf dan meringkas. Namun, konfirmasi faktor emisi, ruang lingkup dan keakuratan unit, pembuktian klaim dan tanggung jawab akhir berada pada ahli yang kompeten. Model bahasa besar bukanlah alat pengukur, kalkulator, atau sumber peraturan perundang-undangan; adalah generator teks yang menghasilkan 'kata berikutnya yang paling mungkin' dan keluarannya yang belum diverifikasi dapat menyebabkan laporan atau klaim palsu.
2. Pendekatan manakah yang tepat untuk menghitung 'data aktivitas × faktor emisi' dalam inventarisasi gas rumah kaca?
- A) Menggunakan faktor yang diingat oleh kecerdasan buatan dan melakukan totalnya secara manual
- B) Mengambil faktor dari tabel resmi berdasarkan negara dan tahun dan menjumlahkannya dengan kode yang dapat dieksekusi ✔
- C) Menghitung semua gas sebagai CO₂ dan melewatkan konversi GWP
- D) Menggunakan faktor grid default (misalnya AS) untuk setiap negara
Deskripsi: Faktor emisi berbeda-beda menurut negara, tahun, dan bahan bakar; 'Mengingatkan' AI menimbulkan risiko fabrikasi. Faktor tersebut harus selalu dikonfirmasi dari tabel resmi (IPCC, DEFRA/EPA, inventarisasi nasional); Total multi-baris harus dilakukan dengan kode yang dapat dieksekusi, bukan secara manual. Metana dan N₂O harus diubah menjadi CO₂e dengan set GWP yang benar.
3. Menurut Protokol GRK, apa saja cakupan emisi yang dihasilkan dari produksi listrik yang dibeli?
- A) Ruang Lingkup 1
- B) Ruang Lingkup 3
- C) Ruang Lingkup 2 ✔
- D) Itu tidak termasuk dalam cakupan apa pun dan tidak dilaporkan
Deskripsi: Cakupan 1 adalah emisi langsung dari sumber organisasi sendiri (boiler, kendaraan perusahaan). Cakupan 2 adalah emisi tidak langsung dari produksi energi yang dibeli (listrik, uap, pemanas, pendingin). Cakupan 3 mencakup seluruh emisi tidak langsung lainnya dalam rantai nilai (pasokan, perjalanan, penggunaan produk).
4. Manakah yang benar ketika memprioritaskan langkah-langkah mitigasi berdasarkan MACC (biaya pengurangan marjinal)?
- A) Tindakan yang paling mahal dan berteknologi selalu diambil terlebih dahulu
- B) Pertama, offset dibeli dan disebut 'net zero', pengurangannya dibiarkan nanti.
- C) Urutan tindakan tidak bergantung pada biaya; semua diterapkan pada waktu yang sama
- D) Tindakan biaya negatif (penghematan) diambil terlebih dahulu, eliminasi dibiarkan terakhir ✔
Deskripsi: MACC memberi peringkat tindakan berdasarkan biaya per ton yang dihindari (€/ton). Langkah-langkah biaya negatif (misalnya efisiensi energi) mengurangi emisi dan menghemat uang; Hal-hal ini dikedepankan. Opsi berbiaya tinggi dan penggantian kerugian dibiarkan sampai akhir. Penghapusan bukanlah pengganti mitigasi, melainkan pelengkap dari hal-hal lain yang tidak dapat dihindari.
5. Anda melihat pada citra satelit bahwa NDVI di suatu wilayah tiba-tiba menurun dalam satu bulan. Apa yang harus Anda lakukan pertama kali?
- A) Segera membunyikan alarm 'deforestasi mendadak' dan mengumumkannya kepada publik
- B) Menguji keaslian sinyal dengan menerapkan cloud mask dan membandingkannya dengan tanggal tetangga ✔
- C) Melihat satu gambar dan melaporkan persentase kerugian yang tepat
- D) Data satelit selalu akurat; tidak diperlukan pemeriksaan tambahan
Penjelasan: Sinyal palsu yang paling umum pada data satelit adalah cloud. Penurunan NDVI bisa jadi berarti hilangnya hutan secara nyata, atau bisa juga berupa awan yang menutupi gambar pada hari itu. Pertama-tama, Anda perlu menerapkan cloud mask dan membandingkannya dengan tanggal bebas cloud di sekitarnya; Klaim perubahan harus didasarkan pada tren, bukan berdasarkan tanggal tertentu, dan jika memungkinkan, klaim tersebut harus diverifikasi berdasarkan kebenaran yang ada.
6. Pendekatan mana yang benar ketika membandingkan dampak air dari dua pabrik?
- A) Hanya dengan melihat liter absolut dan menyatakan liter yang paling banyak mengkonsumsi sebagai yang terburuk
- B) Pengaruh air sama di mana-mana; wilayah tidak penting
- C) Membobotkan konsumsi berdasarkan tekanan air regional dan membandingkannya dengan dampak sebenarnya ✔
- D) Menambahkan air hijau, biru dan abu-abu ke dalam satu nomor dan mengabaikan stres
Penjelasan: Air, tidak seperti karbon, bersifat lokal; Jumlah air yang sama berarti dampak lingkungan yang jauh lebih parah di wilayah yang mengalami kekurangan air yang tinggi. Oleh karena itu, dampak air harus dievaluasi tidak hanya dalam liter absolut namun juga diukur berdasarkan kekurangan air regional. Fasilitas di wilayah yang konsumsi airnya sedikit namun sangat kering mungkin lebih penting dibandingkan fasilitas yang konsumsi airnya banyak namun memiliki banyak air.
7. Dalam pengelolaan limbah, kecerdasan buatan mengklasifikasikan limbah kimia ke dalam kode 'tidak berbahaya'. Apa perilaku yang benar?
- A) Menghilangkannya langsung dari kode itu karena kecerdasan buatan mengatakan demikian
- B) Kode limbah tidak penting; semuanya dibuang dengan cara yang sama
- C) Mengabaikan kontaminasi dan kelas bahaya dan melaporkan jumlah yang dikumpulkan
- D) Mengonfirmasi kelas dengan lembar data keselamatan (SDS) dan undang-undang, tidak menerima proposal kecerdasan buatan sebagai final ✔
Deskripsi: Kesalahan klasifikasi dan pembuangan limbah berbahaya yang tidak terdaftar merupakan salah satu kejahatan lingkungan yang paling banyak dikenakan sanksi. Usulan kode limbah AI hanyalah rancangan awal; Kelas bahaya harus selalu dikonfirmasi dengan lembar data keselamatan (SDS) bahan dan peraturan limbah yang berlaku. Keluaran AI tidak pernah digunakan sebagai kode limbah akhir.
8. Sebuah fasilitas mengurangi emisi tumpukannya sebesar 20%. Mengapa salah mengatakan 'udara di lingkungan sekitar telah dibersihkan sebesar 20%'?
- A) Emisi dan konsentrasi berbeda; Perubahan cuaca memerlukan pengukuran dan pemodelan tersendiri ✔
- B) Emisi dan konsentrasi adalah hal yang sama; Penurunan tersebut langsung tercermin di udara
- C) Pengukuran cerobong asap selalu menghasilkan cuaca lingkungan yang akurat
- D) Meteorologi tidak mempengaruhi kualitas udara, sehingga klaim tersebut sah
Penjelasan: Emisi (jumlah yang keluar dari sumbernya) dan konsentrasi (kepadatan yang diukur di udara) adalah dua hal yang berbeda. Angin, suhu dan topografi menyebabkan emisi yang sama sehingga menghasilkan konsentrasi yang sangat berbeda. Sekalipun pengurangan emisi cerobong benar-benar terjadi, klaim konsentrasi di udara hanya dapat dibuktikan melalui pengukuran yang terkalibrasi dan model dispersi yang sesuai; jika tidak maka hal tersebut tidak berdasar dan menyesatkan.
9. Dalam pelaporan ESG, terdapat kalimat 'kami mengurangi konsumsi air sebesar 15%' dalam teks yang dihasilkan oleh kecerdasan buatan. Pengendalian apa yang paling penting?
- A) Melihat betapa mengesankan dan lancarnya kalimat tersebut
- B) Verifikasi bahwa nomor tersebut terkait dengan sumber yang dapat dilacak (faktur, meteran, pengukuran) ✔
- C) Dengan asumsi angka tersebut benar karena kecerdasan buatan menghasilkannya
- D) Membulatkan persentase ke atas agar angkanya tampak lebih tegas
Penjelasan: Nilai dari laporan ESG terletak pada ketertelusuran data terlemahnya, dan auditor penjaminan independen memeriksa rantai bukti di balik angka-angka tersebut. AI mungkin telah menghasilkan angka yang tampak 'masuk akal' dari teks sebelumnya tetapi tidak dapat dilacak. Tidak semua klaim digital harus dimasukkan ke dalam laporan tanpa ditautkan ke sumber yang dapat dilacak berdasarkan faktur/meteran/sertifikat.
10. Mengapa lebih banyak skenario yang digunakan dalam penilaian risiko iklim dibandingkan satu skenario masa depan?
- A) Skenario adalah hiasan; Satu prediksi masa depan yang akurat sudah cukup
- B) Karena kecerdasan buatan dapat memberikan kemungkinan terjadinya banjir di masa depan dengan persentase yang tepat, satu skenario saja sudah cukup
- C) Risiko fisik dan transisi mungkin merugikan tergantung pada skenario; Tujuannya untuk menguji ketahanan ✔
- D) Risiko fisik dan transisi adalah sama, tidak perlu skenario terpisah
Penjelasan: Risiko fisik (dampak iklim seperti banjir, kekeringan) dan risiko transisi (harga karbon, peraturan perundang-undangan, pergeseran teknologi) seringkali bergerak ke arah yang berlawanan: jika dunia melakukan mitigasi secara cepat, risiko transisi meningkat, risiko fisik menurun; Jika dia bertindak lambat, yang terjadi justru sebaliknya. Oleh karena itu, setidaknya satu skenario pemanasan rendah (1,5-2°C) dan satu skenario pemanasan tinggi (3°C+) diuji. Tujuannya bukan untuk meramal masa depan, tapi untuk menguji ketahanan.
11. Anda bertanya kepada AI apakah suatu peraturan (misalnya CBAM) berlaku untuk Anda dan tenggat waktunya. Bagaimana seharusnya Anda bersikap?
- A) Perencanaan langsung sesuai dengan tanggal dan item yang diberikan oleh kecerdasan buatan
- B) Mendasarkan keputusan ruang lingkup pada interpretasi umum AI, bukan melihat daftar kode resmi
- C) Kepatuhan hanya dilakukan satu kali; Begitu Anda bertanya, tidak perlu terus-menerus memantau peraturan perundang-undangan
- D) Anggap keluarannya sebagai draf dan konfirmasikan artikel, tanggal, ambang batas, dan ruang lingkup dari teks resmi saat ini ✔
Deskripsi: Pengetahuan mengenai peraturan menjadi ketinggalan jaman dengan cepat; Artikel berubah, tanggal ditunda, cakupan diperluas. Data pelatihan AI dibekukan pada tanggal tertentu dan mungkin tidak mutakhir; Selain itu, materi dapat mengarang fakta-fakta penting seperti sejarah dan ambang batas. Keputusan ruang lingkup harus dikonfirmasi oleh daftar produk/kode resmi, semua tanggal dan ambang batas oleh teks resmi yang berlaku; Pendapat resmi/ahli harus diperoleh dalam pengambilan keputusan kepatuhan yang penting.
12. Klaim lingkungan manakah berikut yang memiliki risiko greenwashing paling rendah?
- A) 'Kami telah mengurangi emisi produksi sebesar 18% pada tahun 2023 (dengan verifikasi independen)' ✔
- B) 'Produk kami sepenuhnya ramah lingkungan dan alami'
- C) 'Perusahaan kami netral karbon' (tanpa memberikan dokumen atau data apa pun)
- D) 'Kami adalah perusahaan yang paling berkelanjutan dan hampir tidak memberikan dampak apa pun di industri ini'
Penjelasan: Klaim lingkungan yang baik adalah yang terukur (berisi angka), terbukti (berdasarkan bukti), dan spesifik cakupannya (jelas apa yang diperbandingkan dan kapan). 'Kami telah mengurangi emisi produksi sebesar 18% pada tahun 2023 (dengan verifikasi independen)' memiliki tiga ciri berikut. Frasa seperti 'ramah lingkungan', 'alami', 'netral karbon' (tidak bersertifikat) tidak dapat diukur atau tidak berdasar dan membawa risiko greenwashing.
13. Mengapa menempelkan data emisi fasilitas yang dirahasiakan ke dalam alat analisis AI yang tersedia untuk umum berisiko?
- A) Tidak ada risiko; data lingkungan selalu tersedia untuk umum
- B) Rahasia dagang, data yang dirahasiakan, dan data pribadi mungkin bocor; klasifikasi dan anonimisasi diperlukan terlebih dahulu ✔
- C) Risikonya hanya kesalahan perhitungan, tidak ada hubungannya dengan privasi data
- D) Setelah data diberikan ke kendaraan, tanggung jawab berpindah ke penyedia kecerdasan buatan
Pengungkapan: Data produksi dan emisi di tingkat lokasi mungkin merupakan rahasia dagang dan data keuangan/lingkungan yang dirahasiakan mungkin melanggar aturan pengungkapan peraturan; Data lokasi/perjalanan karyawan merupakan data pribadi. Sebelum memberikan jenis data ini ke alat terbuka, perlu dilakukan klasifikasi, anonimkan jika perlu, atau gunakan alat institusional (bebas data). 'AI berkata' bukanlah suatu pembelaan; Tanggung jawabnya terletak pada institusi dan individu.
14. Konsep apa yang digunakan ketika mengubah gas rumah kaca seperti metana (CH₄) menjadi CO₂e dan mengapa hal ini penting?
- A) AQI (indeks kualitas udara); menentukan warna gas di udara
- B) NDVI (indeks vegetasi); mengukur dampak gas terhadap tanah
- C) GWP (potensi pemanasan global); jika dihilangkan, efek metana/N₂O akan terlalu diremehkan ✔
- D) Tidak diperlukan koefisien; metana menghitung 1 banding 1 secara langsung seperti CO₂
Deskripsi: GWP (Potensi Pemanasan Global) adalah koefisien yang mengubah efek pemanasan berbagai gas rumah kaca menjadi satuan umum relatif terhadap CO₂. GWP metana dalam 100 tahun adalah sekitar 28; Jadi 1 ton metana berarti sekitar 28 ton CO₂e. Jika GWP dihilangkan, dampak gas kuat seperti metana dan N₂O akan terlalu diremehkan dan inventarisasinya akan menjadi tidak akurat; Perlu juga disebutkan kumpulan GWP mana (misalnya IPCC AR6, 100 tahun) yang digunakan.