Alur Kerja ESG, Tata Kelola Data, Etika, dan Gerbang Kualitas yang menyeluruh — Kecerdasan Buatan dalam Keberlanjutan dan Manajemen ESG

Keuntungan:

Kemampuan untuk membangun delapan langkah alur kerja ESG mulai dari materialitas hingga publikasi dengan gerbang kualitas dengan ritme 'kecerdasan buatan menghasilkan → verifikasi manusia → melewati gerbang'
Kemampuan untuk melindungi data keuangan pribadi dan yang dirahasiakan dengan mengklasifikasikan data LST sebagai data bebas/internal/rahasia
Kemampuan untuk memikul tanggung jawab utama dan melampirkan nama yang bertanggung jawab serta catatan persetujuan pada setiap publikasi tanpa bergantung pada pembelaan 'kata AI'

Dalam sepuluh unit sebelumnya, kami telah membahas masing-masing bagian bisnis ESG dan keberlanjutan secara terpisah: entri dan batasan, materialitas, pengumpulan data, penghitungan karbon, kerangka pelaporan, rantai pasokan, komunikasi pemangku kepentingan, penulisan laporan, jaminan, dan greenwashing. Dalam unit terakhir ini, kami akan menggabungkan bagian-bagian tersebut dan menetapkan alur kerja yang menyeluruh: di mana, bagaimana, dan dengan gerbang keamanan apa untuk menggunakan kecerdasan buatan (AI) di setiap langkah, mulai dari definisi misi keberlanjutan hingga publikasinya. Kami juga akan menggabungkan tata kelola data, privasi, dan tanggung jawab etis ke dalam satu kerangka kerja.

Mari kita ulangi sekali lagi tulang punggung modul yang konstan: AI; Ini adalah asisten yang menulis kode, mengatur data, membuat draf dan meringkas. Keakuratan angka, konfirmasi faktor, penguasaan standar, bukti klaim dan tanggung jawab akhir selalu berada pada ahli yang kompeten. Unit ini mengubah prinsip ini menjadi alur kerja dan daftar periksa sehari-hari.

Alur kerja ESG menyeluruh

Pertimbangkan siklus pelaporan keberlanjutan dalam delapan langkah:

Cakupan dan materialitas — Topik manakah yang material? (Satuan 2)
Pengumpulan data — Sumber, unit, jejak audit. (Satuan 3)
Perhitungan — Karbon dan metrik lainnya dengan faktor terverifikasi. (Satuan 4)
Pencocokan kerangka kerja — substansi GRI/ESRS/ISSB, dikonfirmasi melalui teks resmi. (Satuan 5)
Rantai pasokan — Cakupan 3 dan uji tuntas. (Satuan 6)
Penulisan dan komunikasi — Laporan dan pesan pemangku kepentingan yang seimbang dan terbukti. (Satuan 7-8)
Persiapan jaminan — Rantai bukti dan persiapan audit. (Satuan 9)
Audit klaim — Penyaringan greenwashing dan persetujuan pelepasan. (Satuan 10)

Di setiap langkah, AI adalah akselerator; Namun di pintu keluar setiap langkah, terdapat gerbang kualitas — sebuah pos pemeriksaan yang harus dilewati sebelum melanjutkan ke langkah berikutnya. Keluaran yang tidak melewati pintu tidak maju.

langkah

Apa yang dilakukan AI?

Gerbang berkualitas

materialitas

Kandidat topik, analisis tema

Dampak+aspek keuangan persetujuan manusia

Data

Konfigurasi, konversi satuan

Verifikasi sumber dan volume

akun

Rumus, perancah kode

Faktor tersebut dikonfirmasi dari sumber resmi

Cocok

Saran artikel

Periksa gambar dengan teks standarnya

ejaan

draf, ringkasan

Memilah klaim tanpa bukti

klaim

Pemindaian pencucian hijau

Publikasi bersertifikat manusia

Tip: Atur alur kerja dengan ritme “produksi AI → verifikasi manusia → berjalan melewati pintu.” Sebelum memindahkan setiap keluaran AI ke langkah berikutnya, tanyakan: “Bagian manakah dari keluaran ini yang tidak dapat dilanjutkan tanpa validasi?” Bagian itu adalah gerbang kualitas dari langkah itu.

Tata kelola data dan privasi

Data ESG seringkali bersifat sensitif: data gender dan gaji karyawan, persyaratan kontrak pemasok, dampak keuangan yang belum diungkapkan, data produksi di tingkat fasilitas. Penting untuk mengklasifikasikannya sebelum memberikannya ke alat AI publik. Tata kelola data adalah “siapa yang dapat menggunakan data apa, bagaimana, dan dengan alat apa?” Pertanyaannya terikat pada aturan.

Klasifikasi sederhana:

Gratis: Data sudah tersedia untuk umum (laporan dipublikasikan). Itu bisa diberikan kepada AI.
Penggunaan internal: Data internal yang tidak memiliki nilai komersial. Hati-hati di kendaraan perusahaan.
Rahasia: Rahasia dagang, dampak finansial yang dirahasiakan, data pribadi (KVKK/GDPR). Itu tidak diberikan kepada AI tanpa anonimisasi atau sarana institusional (tidak bocor).

Peran Anda: penasihat tata kelola data. Tugas: mengklasifikasikan item data berikut sebagai "gratis/penggunaan internal/rahasia" dan menulis tindakan yang disarankan untuk setiap item rahasia (anonimkan/agregat/alat perusahaan/jangan berikan sama sekali). Aturan: jika tidak yakin, masukkan ke kelas yang lebih protektif. Item: [ITEM DATA PRIBADI DAN KEUANGAN]

Perintah lemah / Perintah kuat

Cara Anda mendelegasikan tugas ke suatu alat secara radikal mengubah risiko privasi.

Perintah yang lemah:

Analisis tabel gaji karyawan dan produksi fasilitas, buatlah ringkasan ESG.

Mengekspor data mentah pribadi dan rahasia dagang langsung ke alat terbuka; Tidak ada langkah klasifikasi, anonimisasi dan konfirmasi.

Perintah yang kuat:

Peran Anda: Analis ESG yang peka terhadap tata kelola data. Saya HANYA memberi Anda data agregat, data pribadi/bebas rahasia dagang. Tugas: menganalisis ringkasan indikator berikut. Aturan: - TIDAK ADA nama individu, gaji, ID, atau dampak finansial yang dirahasiakan dalam data; Jika Anda melihat kolom seperti itu, ucapkan "DATA RAHASIA - jangan proses, peringatkan". - Jangan menambahkan nomor baru ke hasilnya; ikuti saja ringkasan yang saya berikan. - Tambahkan catatan "perlu persetujuan manusia" di akhir keluaran. Data (agregat): [RINGKASAN INDIKATOR]

Perhatian: "kata AI" bukanlah pembelaan. Tanggung jawab atas nomor yang salah, klaim yang tidak berdasar, atau bocornya data rahasia dalam laporan ESG terletak pada organisasi dan orang yang menyetujuinya. Saat Anda menggunakan AI, Anda tidak mengalihkan tanggung jawab; Anda hanya akan mempercepat pekerjaan.

Perintah gerbang kualitas ujung ke ujung

Prompt berikut menjalankan semua langkah melalui satu pemeriksaan sebelum dipublikasikan.

Peran Anda: petugas penjaminan mutu ESG. Tugas: meneruskan bagian laporan berikut melalui gerbang kualitas ujung ke ujung. Beri tanda “lulus/GAGAL” pada setiap soal dan tuliskan alasannya bila gagal: 1) Apakah sumber dan satuan tiap bilangan disebutkan? 2) Apakah faktor emisi berasal dari sumber resmi? 3) Apakah nomor item standar diverifikasi? 4) Apakah proksi/perkiraan ditandai? 5) Apakah ada pernyataan yang mengandung greenwashing? 6) Apakah ada kebocoran data rahasia/pribadi? 7) Nama yang bertanggung jawab atas persetujuan akhir yang diberikan?Bagian: [BAB]

Prompt berikut mengubah seluruh modul menjadi kebijakan perusahaan.

Peran Anda: pemimpin tim keberlanjutan. Tugas: menulis kebijakan internal sepanjang 1 halaman yang mengatur penggunaan AI dalam pekerjaan LST. Meliputi:- Tugas di mana AI dapat digunakan secara bebas (draf, ringkasan, kode, analisis tema)- Tugas yang memerlukan verifikasi manusia (faktor, standar, klaim, cakupan)- Tipe data yang tidak akan pernah diberikan kepada AI (pribadi, keuangan dirahasiakan)- Langkah-langkah gerbang kualitas yang harus dilewati sebelum setiap rilis Nada: jelas, poin-poin, dapat diterapkan.

tiga kasus mini

Kasus 1 — Laporan dikembalikan dari pintu. Satu tim mengira mereka telah menyelesaikan semua langkah dan laporan siap dipublikasikan. Perintah gerbang kualitas akhir mencakup klaim “pemulihan 78%” tanpa sumber daya dan pernyataan “netral karbon” di satu bagian. Publikasi dihentikan sebelum salah satu dikoreksi; Pintu itu menahan serangga itu sebelum diketahui publik.

Kasus 2 — Kebocoran data rahasia dapat dicegah. Seorang analis akan menempelkan data dampak keuangan triwulanan yang belum dirilis ke dalam alat analisis yang tersedia untuk umum. Permintaan klasifikasi data menandainya sebagai “rahasia—keuangan yang tidak diungkapkan.” Data pertama-tama dikumpulkan dan kemudian diproses di alat perusahaan; Kemungkinan pelanggaran undang-undang dapat dicegah.

Kasus 3 — Mengambil tanggung jawab. Setelah laporan diterbitkan, seorang pemangku kepentingan mempertanyakan sejumlah hal. Tim tidak mengatakan "AI telah menghitung"; membuka jejak audit, mengutip sumbernya, melakukan sedikit koreksi, dan menjelaskan secara transparan. Sikap ini, yang tidak bergantung pada pembelaan "kata AI", menjaga kepercayaan.

Kesalahan umum

Bergerak maju tanpa pintu kualitas. Jika verifikasi tidak dilakukan pada akhir setiap langkah, kesalahan akan terakumulasi hingga akhir.
Memberikan data pada kendaraan tanpa mengklasifikasikannya. Data rahasia dan pribadi tidak dapat dimasukkan ke dalam AI publik tanpa anonimisasi.
Mengalihkan tanggung jawab ke AI. “Kata AI” bukanlah pembelaan hukum atau profesional.
Langkah berpikir terisolasi. Materialitas, data, perhitungan dan klaim saling berhubungan; Jika salah satu rusak maka semua akan terkena dampaknya.
Tidak menugaskan orang yang bertanggung jawab atas persetujuan publikasi. Di balik setiap klaim publik pasti ada manusianya.

Singkatnya

Bisnis ESG merupakan rangkaian delapan langkah yang saling berhubungan, dan AI merupakan akselerator pada setiap langkah; Namun ada pintu kualitas di pintu keluar setiap langkah. Irama “AI menghasilkan → verifikasi manusia → melewati pintu” menggabungkan semua pelajaran modul ini ke dalam satu disiplin ilmu. Mengklasifikasikan data dan melindungi kerahasiaan, mengkonfirmasi faktor dan standar dari sumber resmi, menghubungkan klaim dengan bukti, menyingkirkan greenwashing sebelum dipublikasikan, dan memberikan tanggung jawab akhir kepada manusia. AI mempercepat pekerjaan; Anda mengasumsikan keakuratan, kejujuran, dan tanggung jawab. Kriteria profesi ini bukan “tampil lancar”, melainkan “lulus audit dan terbukti”.

Tugas aplikasi

Gabungkan hasil yang Anda hasilkan di unit sebelumnya (daftar materialitas, penghitungan karbon, bagian laporan) ke dalam satu laporan kecil. Telusuri laporan mini ini dalam 7 item dengan perintah gerbang kualitas ujung ke ujung di atas dari AI. Kemudian: (1) memperbaiki setiap item yang bertanda "RELEASE", (2) mengklasifikasikan dan mengambil tindakan terhadap semua data rahasia/pribadi, (3) menambahkan nama yang bertanggung jawab dan catatan persetujuan untuk publikasi.

daftar periksa

[ ] Saya mengatur alur kerja dengan ritme “AI memproduksi → manusia memverifikasi → melewati pintu.”
[ ] Saya menerapkan gerbang kualitas di pintu keluar setiap langkah.
[ ] Saya mengklasifikasikan semua data sebagai gratis/internal/rahasia dan melindungi kerahasiaannya.
[ ] Saya telah mengkonfirmasi faktor dan item standar dari sumber resmi.
[ ] Saya mendukung setiap klaim dengan bukti, menghilangkan greenwashing sebelum dipublikasikan.
[ ] Saya mengambil tanggung jawab tanpa mengandalkan pembelaan "kata AI".
[ ] Saya telah menetapkan nama yang bertanggung jawab dan catatan persetujuan untuk publikasi tersebut.

Ujian Modul

1. Manakah dari berikut ini yang merupakan posisi terbaik bagi AI dalam bisnis ESG dan keberlanjutan?

A) Kecerdasan buatan adalah asisten kode, data, dan cetak biru; Tanggung jawab atas faktor, standar, bukti, dan keputusan etis terletak pada manusia ✔
B) Kecerdasan buatan adalah auditor dan nilai-nilai ESG yang diberikannya merupakan pengganti jaminan independen
C) Kecerdasan buatan hanya berfungsi dalam menulis laporan, tidak ada hubungannya dengan data dan perhitungan
D) Karena AI lebih tidak memihak dibandingkan manusia, semua keputusan LST harus diserahkan kepada AI

Deskripsi: Kecerdasan buatan; Ini adalah asisten yang menulis kode, mengatur data, membuat draf dan meringkas. Namun tanggung jawab akhir untuk memastikan faktor emisi, memeriksa nomor standar bahan, membuktikan setiap klaim berada pada ahli yang kompeten. Model bahasa besar bukanlah kalkulator, database peraturan/standar, atau pemeriksa; adalah generator teks yang menghasilkan 'kata berikutnya yang paling mungkin' dan keluarannya yang belum diverifikasi dapat menyebabkan laporan atau klaim palsu.

2. Apa yang dimaksud dengan aspek 'materialitas dampak' suatu permasalahan dalam analisis materialitas ganda?

A) Dampak masalah tersebut terhadap keuntungan dan nilai saham perusahaan
B) Risiko keuangan dari masalah ini hanya untuk investor
C) Kinerja perusahaan pesaing dalam bidang yang sama
D) Dampak kegiatan perusahaan terhadap lingkungan dan masyarakat ✔

Deskripsi: Materialitas ganda terlihat melalui dua lensa. Materialitas keuangan merupakan dampak suatu permasalahan terhadap arus kas dan nilai perusahaan ('outside-in'). Materialitas dampak adalah dampak kegiatan perusahaan terhadap lingkungan dan masyarakat ('inside out'). CSRD/ESRS menerapkan kedua aspek tersebut; Karena kecerdasan buatan seringkali hanya bergeser ke arah finansial, arah dampaknya juga harus dikendalikan oleh manusia.

3. Pendekatan apa yang tepat ketika mengumpulkan data energi dalam satuan kWh, MWh dan GJ dari berbagai fasilitas?

A) Abaikan satuan dan jumlahkan semua angka secara langsung
B) Mengandalkan kecerdasan buatan untuk mengumpulkan daftar panjang di kepala Anda
C) Mengubah semua nilai menjadi satu kesatuan dan melakukan konversi dan penjumlahan dengan kode/rumus ✔
D) Memilih unit terbesar dan tidak melaporkan fasilitas lainnya

Penjelasan: Unit churn adalah kesalahan ESG yang paling sering terjadi dan berbahaya; Karena 1 MWh = 1.000 kWh, jika satuannya dihilangkan, hasilnya bisa menyimpang 1.000 kali lipat. Pendekatan yang benar adalah dengan mengubah semua nilai menjadi satu unit dan meminta kecerdasan buatan melakukan konversi dan penjumlahan ini dengan kode/rumus yang dapat dieksekusi, bukan secara manual; sehingga hasilnya bersifat deterministik dan dapat diverifikasi.

4. Cakupan apa yang mencakup emisi yang dihasilkan dari produksi listrik yang dibeli berdasarkan Protokol GRK?

A) Ruang Lingkup 1
B) Lingkup 2 ✔
C) Ruang Lingkup 3
D) Itu tidak termasuk dalam cakupan apa pun dan tidak dilaporkan

Deskripsi: Cakupan 1 adalah emisi langsung dari sumber organisasi (boiler, kendaraan perusahaan, generator). 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, limbah). Listrik tidak keluar dari cerobong asap perusahaan, namun pembangkit listrik yang memproduksinya mengeluarkan emisi; jadi itu adalah Lingkup 2.

5. Konsep apa yang digunakan ketika mengubah gas rumah kaca seperti metana (CH₄) menjadi CO₂e dan mengapa hal ini penting?

A) GWP (potensi pemanasan global); jika dihilangkan, efek metana/N₂O akan terlalu diremehkan ✔
B) AQI (indeks kualitas udara); menentukan warna gas di udara
C) GRI (inisiatif pelaporan); menentukan zat di mana gas akan dilaporkan
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.

6. 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) Menghitung semua gas sebagai CO₂ dan faktor skipping serta konversi GWP
C) Menggunakan faktor default yang tepat untuk setiap negara, tahun, dan bahan bakar
D) Mengkonfirmasi faktor dari sumber resmi menurut negara dan tahun dan membuat perhitungan scaffolding dan total dengan kode ✔

Deskripsi: Faktor emisi berbeda-beda menurut negara, tahun, dan bahan bakar; 'Mengingatkan' AI menimbulkan risiko mengada-ada (halusinasi). Faktor tersebut harus selalu dikonfirmasi dari tabel resmi (IPCC, DEFRA/EPA, IEA, inventarisasi nasional); Hanya pemisahan ruang lingkup, perancah akuntansi, dan kode total yang harus dilakukan oleh kecerdasan buatan. Total multi-baris dilakukan dengan kode yang dapat dieksekusi, bukan secara manual.

7. Perilaku apa yang benar untuk nomor bahan standar GRI/ESRS (misalnya 'GRI 305 untuk konsumsi air') yang disarankan oleh AI?

A) Menulis nomor tersebut langsung ke dalam laporan karena kecerdasan buatan menyarankannya
B) Nomor item tidak penting; apapun bisa ditulis
C) Memverifikasi nomor dan isinya dengan teks standar resmi, memastikannya jika palsu/kedaluwarsa ✔
D) Karena emisi air dan udara serupa, laporkan dalam artikel yang sama

Deskripsi: Kecerdasan buatan dapat menghasilkan angka standar yang tampak nyata tetapi isinya salah atau sepenuhnya dibuat-buat; Selain itu, standar diperbarui dan versi yang diketahui model mungkin sudah ketinggalan zaman. Misalnya, air dilaporkan berdasarkan GRI 303, sedangkan GRI 305 adalah emisi udara. Oleh karena itu, setiap nomor dan kandungan zat tidak dapat digunakan tanpa diverifikasi dengan teks standar resmi (GRI/EFRAG/ISSB).

8. Jika sebagian besar pemasok dalam rantai pasokan tidak memiliki data karbon yang sebenarnya, pendekatan apa yang tepat dan jujur untuk Cakupan 3?

A) Langsung menggunakan angka-angka yang dibuat oleh kecerdasan buatan untuk pemasok
B) Melewatkan Cakupan 3 sepenuhnya karena 'sulit diukur'
C) Menggunakan yang memiliki data nyata, menandai dengan jelas proxy untuk yang tidak memiliki data ✔
D) Menerapkan proxy ke semua pemasok dan menyembunyikannya dalam laporan

Deskripsi: Cakupan 3 adalah item terbesar namun paling sulit diukur di sebagian besar perusahaan. Bagi pemasok yang memberikan data aktual, data tersebut digunakan; Bagi yang tidak menyediakannya, dapat digunakan proksi (perkiraan) berbasis pengeluaran. Hal yang penting adalah jangan menyembunyikan proksi: laporan harus dengan jelas menyatakan porsi dan proporsi estimasi yang digunakan. Proksi yang dikaburkan dapat menyebabkan penolakan terhadap jaminan independen; Melewatkan Cakupan 3 sepenuhnya juga merupakan tindakan yang salah karena 'sulit diukur'.

9. AI menandai pemasok sebagai 'kemungkinan kerja paksa' hanya berdasarkan rata-rata negara. Apa perilaku yang benar?

A) Terima sinyal tersebut sebagai bukti dan segera putuskan hubungan dengan pemasok di depan umum
B) Menulis klaim langsung ke dalam laporan karena kecerdasan buatan yang mengatakannya
C) Benar-benar mengabaikan sinyal risiko dan tidak memeriksanya sama sekali
D) Mempertimbangkan sinyal sebagai 'peringatan untuk diselidiki' dan memastikannya dengan inspeksi lapangan dan sumber yang dapat dipercaya ✔

Penjelasan: Tuduhan serius seperti pelanggaran hak asasi manusia tidak dapat dibuktikan dengan sinyal yang dihasilkan oleh kecerdasan buatan. Sinyal seperti itu hanyalah sebuah 'peringatan untuk diperiksa'; Menggunakannya sebagai tuduhan yang pasti adalah tindakan yang tidak adil dan berisiko secara hukum. Klaim tersebut hanya dikonfirmasi oleh sumber yang dapat dipercaya, pemeriksaan lapangan dan proses hukum. Kecerdasan buatan menghasilkan sinyal; Manusia memikul penilaian dan tanggung jawab.

10. Tindakan pencegahan apa yang paling penting ketika menganalisis ratusan tanggapan teks bebas dari survei pemangku kepentingan dengan AI?

A) Memerlukan sinyal-sinyal yang jarang namun sangat penting (keselamatan/etika/lingkungan) secara terpisah dan tidak menutupinya ✔
B) Hanya memilih tema yang frekuensinya paling tinggi, menghilangkan pandangan minoritas
C) Kurangi semua jawaban menjadi satu ringkasan positif dan tinggalkan rinciannya
D) Menerima ringkasan kecerdasan buatan alih-alih jawaban mentah

Deskripsi: Kecerdasan buatan memperkuat suara mayoritas dan menekan suara minoritas dalam analisis tematik. Namun, sinyal yang paling berharga dalam keberlanjutan terkadang adalah masalah keselamatan, etika, atau lingkungan yang serius yang disuarakan oleh satu orang saja. Jadi analisisnya menanyakan 'apa yang paling sering diucapkan?' Hal ini tidak berakhir dengan; Sinyal 'jarang namun sangat penting' harus diminta secara terpisah dan tanggapan mentah harus digunakan sebagai tambahan, bukan sebagai pengganti, ringkasan.

11. Apa cara paling efektif untuk mencegah bocornya angka dan target palsu ke dalam teks saat menulis bagian laporan ke kecerdasan buatan?

A) Membuat seluruh laporan sekaligus dengan mengatakan 'tulis teks yang sesuai'
B) Hanya menyediakan data terverifikasi dan secara tegas melarang pembuatan nomor/klaim baru ✔
C) Periksa seberapa lancar dan mengesankan teks tersebut dan publikasikan
D) Mengizinkan AI mengisi data yang hilang dengan tebakan yang masuk akal

Deskripsi: Kecerdasan buatan menghasilkan angka dan target yang sebenarnya tidak Anda miliki, menggunakan logika 'inilah yang dikatakan dalam laporan serupa' dalam prompt kosong. Tindakan pencegahan yang paling efektif adalah dengan hanya memberikan data terverifikasi dan 'tidak menambahkan angka, persentase, tanggal, atau klaim selain data yang telah saya berikan kepada Anda; Ini dengan jelas menyatakan aturan 'tulis [DATA DIPERLUKAN] di tempat yang hilang'. Selain itu, laporan harus dicetak bagian demi bagian, diisi dengan data.

12. Apa yang pertama kali dicari oleh auditor penjaminan independen ketika meninjau laporan keberlanjutan?

A) Seberapa lancar dan profesional laporan tersebut ditulis
B) Setiap terbitan memiliki rantai bukti yang dapat ditelusuri ke dokumen sumber ✔
C) Kecerdasan buatan mengatakan 'laporan siap untuk diaudit'
D) Membuat laporan tampak lebih asertif dibandingkan pesaing

Penjelasan: Pemeriksa tidak tertarik pada kelancaran teks, namun pada rantai bukti di balik setiap klaim; Pertanyaan pertamanya adalah 'buktikan angka ini'. Diperiksa dari dokumen sumber mana suatu angka berasal, rumus dan faktor mana yang dijadikan laporan, dan apakah dapat diulang secara mandiri. Oleh karena itu, setiap metrik material harus dapat ditelusuri ke sumbernya, faktor-faktor harus diverifikasi dari sumber resmi, dan proksi harus ditentukan; Kecerdasan buatan membuat persiapan ini, namun tidak dapat memberikan jaminan.

13. Manakah dari klaim lingkungan berikut yang memiliki risiko greenwashing paling rendah?

A) 'Kami mengurangi emisi produksi sebesar 18% pada tahun 2023 (dengan verifikasi pihak ketiga)' ✔
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 jelas cakupannya (jelas apa yang diperbandingkan, apa dan kapan). 'Kami mengurangi emisi produksi sebesar 18% pada tahun 2023 (dengan verifikasi pihak ketiga)' memiliki tiga fitur berikut. Frasa seperti 'ramah lingkungan', 'alami', 'netral karbon' yang tidak bersertifikat tidak dapat diukur atau tidak berdasar dan mengandung risiko greenwashing.

14. Apa yang harus dilakukan sebelum menempelkan data produksi dan emisi fasilitas yang dirahasiakan ke dalam alat analisis AI yang tersedia untuk umum?

A) Menempelkan data apa adanya; data lingkungan selalu tersedia untuk umum
B) Memberi tanpa mengambil tindakan pencegahan karena tanggung jawab diserahkan kepada penyedia kecerdasan buatan
C) Risikonya hanyalah salah perhitungan; Tindakan kerahasiaan tidak diperlukan
D) Mengklasifikasikan data sebagai gratis/internal/rahasia dan menganonimkan data rahasia atau menggunakan alat perusahaan ✔

Pengungkapan: Data produksi dan emisi di tingkat pabrik mungkin merupakan rahasia dagang; data keuangan/lingkungan yang belum diungkapkan mungkin melanggar aturan pengungkapan peraturan; Data lokasi/gaji karyawan merupakan data pribadi dalam lingkup KVKK/GDPR. Sebelum memberikan jenis data ini ke alat terbuka, perlu untuk mengklasifikasikannya sebagai gratis/internal/rahasia, menganonimkannya jika perlu, atau menggunakan alat perusahaan (bebas data). 'AI berkata' bukanlah suatu pembelaan; Tanggung jawab ada pada lembaga dan orang yang menyetujuinya.