Guadagni:
- Capacità di riconoscere i tipi di greenwashing (scambio incerto, non dimostrato, nascosto, futuro esagerato) e di rendere un'affermazione misurabile, documentata e mirata.
- Capacità di classificare i dati da fornire al veicolo in termini di riservatezza e proteggere segreti commerciali e dati personali
- Capacità di implementare un controllo di qualità end-to-end dalla definizione alla verifica e di assumersi la responsabilità ultima senza fare affidamento sulla difesa del "detto AI"
C'era un principio ripetuto in ogni unità di questo modulo: il numero dovrebbe essere basato su una fonte, l'affermazione dovrebbe essere basata su prove. Questa unità finale integra questo principio. Il rischio più grande dell’intelligenza artificiale nell’ambiente e nel clima non è un errore di calcolo, ma piuttosto che produca una storia credibile ma infondata. In questa unità imparerai come riconoscere e prevenire il greenwashing, garantire l'accuratezza dei dati, l'etica e la privacy e un flusso di lavoro end-to-end che unifica l'intero modulo.
Anatomia del greenwashing
Il greenwashing avviene quando un’organizzazione fa sembrare le proprie prestazioni ambientali migliori di quanto non siano in realtà. Poiché l’intelligenza artificiale è così efficace nel produrre testi fluidi e persuasivi, è anche molto incline a produrre inconsapevolmente greenwashing. Tipi principali:
Tipologia greenwashing
Cosa intendi?
esempio
pretesa vaga
parola incommensurabile e indefinibile
"Ecologico", "naturale", "verde"
reclamo senza prove
Numero/bersaglio senza dati
"Siamo carbon neutral" (nessuna documentazione)
scambio segreto
Evidenziare il bene e nascondere il grande male
"L'imballaggio è riciclabile" ma il prodotto è molto inquinante
pretesa irrilevante
Presentare ciò che è già necessario/non importante come una virtù
"Non contiene sostanze vietate"
etichetta falsa
Aspetto del certificato fabbricato/non verificato
Logo "verde" autoinventato
futuro stravagante
Rifugiarsi in un bersaglio lontano senza prove
"Saremo neutrali nel 2050" (nessun piano provvisorio)
Suggerimento: una buona affermazione ambientale ha tre caratteristiche: misurabile (un numero), comprovata (una prova) e chiara nella portata (chiaro cosa viene confrontato con quando). Se in un reclamo manca uno di questi tre, fermati prima di pubblicarlo.
Precisione dei dati: la regola d'oro del modulo
La disciplina di verifica che vediamo in ciascuna unità può essere riassunta in un'unica frase: nessun numero o fatto prodotto dall'intelligenza artificiale si trasforma in una decisione, un rapporto o un'affermazione senza essere confermato da una fonte indipendente. Il fattore di emissione è confermato dalla tabella ufficiale, l'articolo normativo è confermato dal testo vigente, la misura è confermata dal dispositivo calibrato, il calcolo è confermato dal codice eseguito. L'intelligenza artificiale accelera; È l'uomo sincero.
Etica e privacy
Etica: i dati ambientali riguardano il pubblico e le generazioni future; la manipolazione dei dati, il reporting selettivo o il nascondere l’incertezza costituiscono una violazione etica. Non chiedere all’IA di “mostrare meglio il report”, ma piuttosto “mostrare il report in modo più accurato e comprensibile”.
Riservatezza: i dati sulla produzione a livello di stabilimento, gli accordi con i fornitori, i dati sulle emissioni non divulgati possono essere segreti commerciali; I dati relativi ai viaggi o all'ubicazione dei dipendenti possono essere dati personali. Controllare la politica aziendale e le norme sulla protezione dei dati (ad esempio KVKK/GDPR) prima di incollarle negli strumenti pubblici di intelligenza artificiale; Anonimizza se possibile o utilizza uno strumento aziendale a prova di dati.
Attenzione: "L'ha detto l'IA" non è una difesa. L'istituzione e il firmatario sono responsabili di una falsa comunicazione sulle emissioni, di pubblicità ingannevole o di divulgazione di dati riservati. L'intelligenza artificiale è uno strumento; È una persona responsabile.
Flusso di lavoro end-to-end: assemblare il modulo
Ecco sei passaggi per produrre un'asserzione o un rapporto ambientale con sicurezza dall'inizio alla fine:
1. Definire. Cosa verrà segnalato/reclamato? L’ambito, l’unità, lo standard, il periodo sono chiari?
2. Raccogliere e confermare i dati. Ogni problema ha una fonte tracciabile? I fattori sono ufficiali?
3. Calcola e verifica. Esegui i calcoli nel codice e fornisci il risultato con unità e ordini.
4. Schizzo. Costruisci scheletro di testo con l'intelligenza artificiale; Collega ogni frase alle prove.
5. Passalo attraverso il filtro Greenwashing. Eliminare affermazioni vaghe, infondate ed esagerate.
6. Verificare e assumersi la responsabilità. Assicurazione indipendente/controllo di esperti; l'approvazione finale spetta all'uomo.
tre mini custodie
Caso 1 – Fluente ma infondato. Un team ha chiesto all’intelligenza artificiale di scrivere un brief sulla sostenibilità; Il testo era impressionante, ma pieno di frasi non quantificabili come “sostenibilità leader del settore”, “impatto vicino allo zero”. L'applicazione del filtro greenwashing (modello 1 di seguito) ha segnalato sette affermazioni infondate; ciascuno è stato sostituito da un numero provato o rimosso. Il rapporto era più breve ma difendibile.
Caso 2: dati trapelati. Un analista ha incollato i dati sulle emissioni degli impianti ancora da divulgare in uno strumento di intelligenza artificiale disponibile al pubblico e ha richiesto l’analisi. Il team di conformità si è reso conto che si trattava di un segreto commerciale e di una possibile violazione della divulgazione normativa; il processo è stato interrotto, i dati sono stati spostati in uno strumento aziendale (a prova di perdite). Lezione: determinare la classe (confidenziale?) dei dati prima di fornirli allo strumento.
Caso 3 — Catena di validazione. Un'organizzazione ha mantenuto una tabella delle "prove delle affermazioni" per l'intero rapporto annuale: di fronte a ogni numero in ogni frase c'è la sua fonte. Quando è arrivato il revisore, sono stati in grado di monitorare ogni richiesta in pochi minuti; Il processo di garanzia si è svolto senza intoppi. Questa disciplina è stata il fulcro di tutte le unità del modulo e ha consentito di risparmiare tempo e riconoscimento nel mondo reale.
Prompt debole / Prompt forte
Suggerimento debole:
Rendi il nostro messaggio di sostenibilità più incisivo.
Perché è debole: il desiderio di "impressionante" spinge l'IA all'iperbole e al vago elogio; produce greenwashing.
Suggerimento potente:
Il tuo ruolo: redattore di comunicazioni ambientali e revisore dei conti del greenwashing. Rendi il testo sottostante più CORRETTO e comprensibile, non "brillante". Ogni affermazione chiede: è misurabile, ha una fonte, è chiara la sua portata? Segnalare affermazioni vaghe (“eco-friendly”), non dimostrate (“neutre”) ed esagerate e suggerire alternative misurate e basate sull’evidenza. Rimuovere l'affermazione priva di prove.Testo: [qui]
Quattro modelli copiabili
1) Filtro di controllo greenwashing:
Il tuo ruolo: revisore dei conti greenwashing. Riporta ciascuna affermazione ambientale nel testo seguente: (affermazione | può essere misurata | ci sono prove | è incerto | verdetto). Contrassegna quelli che non sono chiari/non provati/esagerati e suggerisci un'alternativa misurata e basata sull'evidenza per ciascuno. Testo: [qui]
2) Tabella di abbinamento reclamo-prove:
Elimina OGNI affermazione numerica e fattuale dal testo del rapporto riportato di seguito. Lascia una colonna "fonte" per ciascuno. Contrassegna qualsiasi affermazione con una fonte non specificata come "PROVA RICHIESTA". Cambia testo; controlla.Testo: [qui]
3) Pre-controllo della privacy:
Classificare i seguenti dati prima di elaborarli in uno strumento di intelligenza artificiale: contengono segreti commerciali (produzione di impianti, prezzo del fornitore), dati personali (nome, ubicazione) o informazioni finanziarie non divulgate? Segnala le aree a rischio e consiglia l'anonimizzazione/rimozione. Esempio di dati: [qui]
4) Portale di qualità end-to-end:
Effettuare un controllo finale per il rapporto/dichiarazione ambientale riportato di seguito. In ordine: (1) lo standard dell'unità di portata è chiaro, (2) la fonte di ciascun numero, (3) l'aritmetica è stata verificata, (4) c'è greenwashing, (5) sono trapelati dati riservati/personali. Fornire superato/fallito e la giustificazione per ciascun elemento. Contenuto: [qui]
Errori comuni
- Volendo "impressionante". Ciò spinge l’intelligenza artificiale verso l’iperbole e il greenwashing; Chiedi "accurato e comprensibile".
- Non notare la vaga affermazione. Frasi come “ecologico” sono incommensurabili e rischiose.
- Esportazione di dati riservati in uno strumento aperto. Innanzitutto classifica i dati e rendili anonimi se necessario.
- Difendere con "L'ha detto l'IA". La responsabilità è sempre della persona.
- Non mantenere la catena di verifica. La fonte di ogni reclamo deve essere verificabile.
In sintesi
L’essenza dell’utilizzo sicuro dell’intelligenza artificiale nell’ambiente e nel clima è un’unica disciplina: ogni numero ricavato, ogni affermazione provata, ogni dato fornito a ogni strumento classificato, ogni decisione finale umana. Il greenwashing è la trappola del linguaggio fluido; Il modo per evitarlo è fare affermazioni che siano misurabili, documentate e abbiano una certa portata. IA; calcola, scansiona, abbozza e organizza, ma è l'esperto competente che verifica, decide e risponde. Nel lavoro ambientale ad alte conseguenze, i risultati dell’intelligenza artificiale non sostituiscono la verifica e la convalida da parte di esperti; lo accelera solo.
Compito dell'applicazione
Scegli uno dei risultati che hai prodotto durante il modulo (un riepilogo delle emissioni, un'analisi dell'acqua o una sezione ESG). Effettua prima un audit di greenwashing con il modello 1 e correggi eventuali affermazioni non comprovate che trovi. Quindi crea una tabella delle prove delle rivendicazioni con il 2° modello e completa i numeri rimanenti senza fonti. Infine, applica il controllo di qualità end-to-end con il 4° modello; Correggi finché non ottieni un "promosso" su tutti e cinque gli elementi.
lista di controllo
- [ ] Ho reso ogni affermazione misurabile, con fonte e ambito specifico.
- [ ] Ho ripulito il linguaggio vago/esagerato con un filtro di greenwashing.
- [] Ho verificato in modo indipendente ogni numero prodotto dall'intelligenza artificiale.
- [ ] Ho classificato/anonimizzato i dati che ho fornito allo strumento per motivi di riservatezza.
- [ ] Ho codificato l'aritmetica e l'ho fornita con unità e gradi.
- [] Mi sono assunto la responsabilità ultima; Non ho fatto affidamento sulla difesa "ha detto l'AI".
Esame del modulo
1. Quale dei seguenti è il posizionamento più accurato per l'intelligenza artificiale in termini di ambiente e clima?
- A) L'intelligenza artificiale è un assistente di codice, dati e progetti; La responsabilità dei fattori, della portata, delle prove e delle decisioni etiche spetta agli esseri umani ✔
- B) L'intelligenza artificiale è uno strumento di misurazione e i valori di emissione che fornisce sono sempre accurati.
- C) L’intelligenza artificiale è utile solo per scrivere report, non ha nulla a che fare con la contabilità e il monitoraggio
- D) Poiché l’intelligenza artificiale è più imparziale di quella umana, tutte le decisioni ambientali dovrebbero essere lasciate ad essa.
Descrizione: Intelligenza artificiale; È un assistente che scrive codice, organizza dati, produce bozze e riassume. Tuttavia, la conferma del fattore di emissione, della portata e dell'accuratezza dell'unità, la fondatezza delle affermazioni e la responsabilità finale spettano all'esperto competente. Il grande modello linguistico non è uno strumento di misurazione, un calcolatore o una fonte legislativa; è un generatore di testo che produce la "prossima parola più probabile" e il suo output non verificato può portare a una falsa segnalazione o reclamo.
2. Quale approccio è corretto per calcolare i "dati di attività x fattore di emissione" in un inventario dei gas serra?
- A) Utilizzando il fattore che l'intelligenza artificiale ricorda e facendole eseguire il totale manualmente
- B) Prelevare il fattore dalla tabella ufficiale per paese e anno ed effettuare la somma con codice eseguibile ✔
- C) Contare tutti i gas come CO₂ e saltare la conversione del GWP
- D) Utilizzo del fattore di rete predefinito (ad esempio USA) per ciascun Paese
Descrizione: I fattori di emissione variano in base al Paese, all'anno e al carburante; L'intelligenza artificiale "ricordante" introduce il rischio di fabbricazione. Il fattore dovrebbe sempre essere confermato da una tabella ufficiale (IPCC, DEFRA/EPA, inventario nazionale); I totali su più righe devono essere eseguiti con codice eseguibile, non manualmente. Metano e N₂O vengono necessariamente convertiti in CO₂e con il corretto GWP impostato.
3. Secondo il GHG Protocol, quale ambito include le emissioni derivanti dalla produzione di energia elettrica acquistata?
- A) Ambito 1
- B) Ambito 3
- C) Ambito 2 ✔
- D) Non rientra in alcun ambito e non viene rendicontato
Descrizione: Lo scopo 1 riguarda le emissioni dirette provenienti dalle fonti proprie dell'organizzazione (caldaia, veicolo aziendale). Lo Scope 2 riguarda le emissioni indirette derivanti dalla produzione di energia acquistata (elettricità, vapore, riscaldamento, raffreddamento). Lo scope 3 copre tutte le altre emissioni indirette nella catena del valore (fornitura, viaggi, utilizzo dei prodotti).
4. Cosa è corretto quando si dà priorità alle misure di mitigazione tramite MACC (costo marginale di abbattimento)?
- R) Le misure più costose e tecnologiche vengono sempre prese per prime
- B) Innanzitutto, la compensazione viene acquistata e chiamata "zero netto", la riduzione viene lasciata per dopo.
- C) L'ordine di intervento è indipendente dal costo; applicati tutti contemporaneamente
- D) Le misure di costo negativo (risparmio) vengono prese per prime, l'eliminazione viene lasciata per ultima ✔
Descrizione: MACC classifica le misure in base al costo per tonnellata evitata (€/tonnellata). Le misure relative ai costi negativi (ad esempio l’efficienza energetica) riducono le emissioni e fanno risparmiare denaro; Questi vengono portati in primo piano. Le opzioni ad alto costo e la compensazione vengono lasciate per ultime. La rimozione non è un sostituto della mitigazione, ma un complemento dell’inevitabile resto.
5. Hai visto sull'immagine satellitare che l'NDVI in una regione è improvvisamente diminuito in un mese. Cosa dovresti fare prima?
- A) Lanciare immediatamente l'allarme di “deforestazione improvvisa” e annunciarlo al pubblico
- B) Testare l'autenticità del segnale applicando una maschera di nuvole e confrontandola con date vicine ✔
- C) Osservando una singola immagine e riportando una percentuale esatta di perdita
- D) I dati satellitari sono sempre accurati; non sono necessari ulteriori controlli
Spiegazione: il segnale spurio più comune dei dati satellitari è il cloud. Un calo dell'NDVI potrebbe indicare un'effettiva perdita di foresta oppure una nuvola sull'immagine quel giorno. È necessario prima applicare una maschera nuvolosa e confrontarla con le date vicine prive di nuvole; La richiesta di modifica dovrebbe basarsi sulla tendenza, non su una singola data e, se possibile, dovrebbe essere verificata con dati fondati.
6. Quale approccio è corretto quando si confronta l'impatto idrico di due stabilimenti?
- R) Basta guardare i litri assoluti e dichiarare quello che consuma di più come il peggiore
- B) L'effetto dell'acqua è lo stesso ovunque; la regione non è importante
- C) Ponderazione dei consumi in base allo stress idrico regionale e confronto con l'impatto effettivo ✔
- D) Sommare l'acqua verde, blu e grigia in un unico numero e ignorare lo stress
Spiegazione: l'acqua, a differenza del carbonio, è locale; La stessa quantità di acqua significa un impatto ambientale molto più grave in una regione con elevato stress idrico. Pertanto, l’impatto idrico dovrebbe essere valutato non solo in litri assoluti, ma ponderato in base allo stress idrico regionale. Una struttura in una regione che consuma poco ma è molto secca può essere più critica di una struttura che consuma molto ma ha molta acqua.
7. Nella gestione dei rifiuti, l'intelligenza artificiale ha classificato un rifiuto chimico in un codice "non pericoloso". Qual è il comportamento corretto?
- R) Eliminandolo direttamente da quel codice perché lo dice l'intelligenza artificiale
- B) I codici dei rifiuti non sono importanti; vengono smaltiti tutti allo stesso modo
- C) Ignorare la contaminazione e la classe di pericolo e riportare la quantità raccolta
- D) Confermare la classe con la scheda dati di sicurezza (SDS) e la normativa, non accettare come definitiva la proposta di intelligenza artificiale ✔
Descrizione: L'errata classificazione e lo smaltimento non registrato di rifiuti pericolosi sono tra i reati ambientali più pesantemente sanzionati. La proposta di codice rifiuti AI è solo una bozza iniziale; La classe di pericolo deve essere sempre confermata dalla scheda dati di sicurezza (SDS) della sostanza e dalle normative sui rifiuti applicabili. L'output dell'AI non viene mai utilizzato come codice rifiuto finale.
8. Uno stabilimento ha ridotto le emissioni dei camini del 20%. Perché è sbagliato dire che "l'aria del quartiere è stata pulita del 20%"?
- A) Emissione e concentrazione sono diverse; I cambiamenti meteorologici richiedono misurazioni e modellizzazione separati ✔
- B) Emissione e concentrazione sono la stessa cosa; La diminuzione si riflette direttamente nell'aria
- C) La misurazione del camino fornisce sempre un meteo accurato per il vicinato
- D) La meteorologia non influisce sulla qualità dell'aria, quindi l'affermazione è valida
Spiegazione: l'emissione (quantità che esce dalla sorgente) e la concentrazione (densità misurata nell'aria) sono cose diverse. Il vento, la temperatura e la topografia fanno sì che la stessa emissione risulti in concentrazioni molto diverse. Anche se la riduzione delle emissioni al camino è reale, l’affermazione della concentrazione nell’aria può essere dimostrata solo mediante misurazioni calibrate e un modello di dispersione appropriato; altrimenti è infondato e fuorviante.
9. Nel reporting ESG, in un testo prodotto dall'intelligenza artificiale, c'è una frase "abbiamo ridotto il consumo di acqua del 15%". Qual è il controllo più importante?
- A) Guardando quanto è impressionante e fluente la frase
- B) Verificare che il numero sia legato ad una fonte tracciabile (fattura, contatore, misura) ✔
- C) Supponiamo che il numero sia corretto perché l'intelligenza artificiale lo produce
- D) Arrotondare la percentuale per eccesso per far sembrare il numero più assertivo
Spiegazione: il valore di un report ESG è la tracciabilità dei suoi dati più deboli e i revisori dei conti indipendenti esaminano la catena di prove dietro questo numero. L'intelligenza artificiale potrebbe aver prodotto un numero che sembrava "ragionevole" rispetto ai testi precedenti ma non era rintracciabile. Non tutti i sinistri digitali dovrebbero entrare nel report senza essere collegati a una fonte tracciabile basata sulla fattura/contatore/certificato.
10. Perché nella valutazione del rischio climatico vengono utilizzati più scenari anziché un unico futuro?
- A) Gli scenari sono decorazioni; È sufficiente una previsione futura accurata
- B) Poiché l’intelligenza artificiale può fornire la probabilità di future inondazioni con una percentuale esatta, è sufficiente uno scenario
- C) Il rischio fisico e di transizione può essere avverso a seconda degli scenari; L'obiettivo è testare la resistenza ✔
- D) Il rischio fisico e quello di transizione sono la stessa cosa, non sono necessari scenari separati
Spiegazione: il rischio fisico (impatti climatici come inondazioni, siccità) e il rischio di transizione (prezzo del carbonio, legislazione, cambiamento tecnologico) spesso si muovono in direzioni opposte: se il mondo attua una mitigazione rapida, il rischio di transizione aumenta, il rischio fisico diminuisce; Se agisce lentamente, accade il contrario. Pertanto, vengono testati almeno uno scenario di riscaldamento basso (1,5-2°C) e uno alto (3°C+). Lo scopo non è predire il futuro, ma mettere alla prova la resistenza.
11. Hai chiesto all'AI se un regolamento (es. CBAM) si applica a te e le sue scadenze. Come dovresti comportarti?
- A) Pianificazione diretta in base alle date e agli elementi forniti dall'intelligenza artificiale
- B) Basare la decisione sull'ambito sull'interpretazione generale dell'IA, senza guardare all'elenco dei codici ufficiali
- C) La conformità è una tantum; Una volta chiesto, non è necessario monitorare costantemente la legislazione
- D) Considerare l'output come una bozza e confermare l'articolo, la data, la soglia e la portata dell'attuale testo ufficiale ✔
Descrizione: le conoscenze normative diventano rapidamente obsolete; Cambiano gli articoli, le date vengono posticipate, gli ambiti si ampliano. I dati di addestramento dell'IA vengono congelati a una determinata data e potrebbero non essere aggiornati; Inoltre, la materia può fabbricare fatti critici come la storia e la soglia. La decisione sull'ambito dovrebbe essere confermata dall'elenco ufficiale di prodotti/codici, tutte le date e le soglie dal testo ufficiale in vigore; Nelle decisioni critiche relative alla conformità è necessario ottenere il parere autorizzato/di esperti.
12. Quale delle seguenti affermazioni ambientali presenta il minor rischio di greenwashing?
- A) 'Abbiamo ridotto le emissioni della nostra produzione del 18% entro il 2023 (con verifica indipendente)' ✔
- B) "I nostri prodotti sono completamente ecologici e naturali"
- C) "La nostra azienda è carbon neutral" (senza fornire documenti o dati)
- D) 'Siamo l'azienda più sostenibile e ad impatto quasi zero del settore'
Spiegazione: una buona affermazione ambientale è misurabile (contiene un numero), comprovata (basata su prove) e di portata specifica (è chiaro cosa viene confrontato e quando). "Abbiamo ridotto le emissioni di produzione del 18% entro il 2023 (con verifica indipendente)" ha queste tre caratteristiche. Espressioni come "ecologico", "naturale", "carbon neutral" (non certificato) non sono quantificabili o non comprovate e comportano il rischio di greenwashing.
13. Perché è rischioso incollare dati non divulgati sulle emissioni degli impianti in uno strumento di intelligenza artificiale disponibile al pubblico per l’analisi?
- A) Non c'è alcun rischio; i dati ambientali sono sempre disponibili al pubblico
- B) Segreti commerciali, dati non divulgati e dati personali potrebbero essere divulgati; classificazione e anonimizzazione richieste prima ✔
- C) Il rischio è solo un errore di calcolo, non ha nulla a che vedere con la riservatezza dei dati
- D) Una volta forniti i dati al veicolo, la responsabilità passa al fornitore di intelligenza artificiale
Divulgazione: i dati sulla produzione e sulle emissioni a livello di sito potrebbero essere segreti commerciali e i dati finanziari/ambientali non divulgati potrebbero violare le norme normative sulla divulgazione; I dati relativi alla posizione/viaggio dei dipendenti sono dati personali. Prima di conferire questo tipo di dati a uno strumento aperto è necessario classificarli, anonimizzarli se necessario o utilizzare uno strumento istituzionale (senza dati). "L'AI ha detto" non è una difesa; La responsabilità è dell’istituzione e del singolo.
14. Quale concetto viene utilizzato quando si converte un gas serra come il metano (CH₄) in CO₂e e perché è importante?
- A) AQI (indice di qualità dell'aria); determina il colore del gas nell'aria
- B) NDVI (indice di vegetazione); misura l’impatto del gas sul suolo
- C) GWP (potenziale di riscaldamento globale); se omesso, l'effetto metano/N₂O sarà fortemente sottostimato ✔
- D) Nessun coefficiente richiesto; il metano conta 1 a 1 direttamente come la CO₂
Descrizione: GWP (Global Warming Potential) è il coefficiente che converte l'effetto di riscaldamento di diversi gas serra in un'unità comune relativa alla CO₂. Il GWP del metano su 100 anni è di circa 28; Quindi 1 tonnellata di metano significa circa 28 tonnellate di CO₂e. Se si omette il GWP, l’impatto di gas forti come metano e N₂O sarà fortemente sottostimato e l’inventario sarà completamente impreciso; Dovrebbe essere inoltre indicato quale set GWP viene utilizzato (ad esempio IPCC AR6, 100 anni).