엔드 투 엔드 ESG 워크플로, 데이터 거버넌스, 윤리 및 품질 게이트웨이

이득:

• '인공지능 생산 → 인간 검증 → 게이트 통과'라는 리듬의 품질 게이트를 통해 중요성에서 출판까지 8단계 ESG 워크플로우를 구축하는 능력
• ESG 데이터를 무료/내부/기밀로 분류하여 개인 및 미공개 재무 데이터를 보호하는 기능
• 'AI가 말했다' 방어에 의존하지 않고 궁극적인 책임을 맡고 각 출판물에 책임 있는 이름과 승인 기록을 첨부하는 능력

이전 10개 단원에서 우리는 진입 및 경계, 중요성, 데이터 수집, 탄소 회계, 보고 프레임워크, 공급망, 이해관계자 커뮤니케이션, 보고서 작성, 보증 및 친환경 세척 등 ESG 및 지속 가능성 비즈니스의 각 부분을 별도로 다루었습니다. 이 마지막 단원에서는 지속 가능성 임무 정의부터 출판까지 모든 단계에서 인공 지능(AI)을 어디서, 어떻게, 어떤 보안 게이트로 사용할 것인지에 대한 모든 부분을 하나로 모아 엔드투엔드 워크플로우를 구축합니다. 또한 데이터 거버넌스, 개인 정보 보호 및 윤리적 책임을 단일 프레임워크로 통합할 것입니다.

모듈의 지속적인 백본인 AI를 다시 한 번 반복해 보겠습니다. 코드를 작성하고, 데이터를 정리하고, 초안을 작성하고 요약하는 보조자입니다. 숫자의 정확성, 요인 확인, 표준 관리, 주장 증명 및 최종 책임은 항상 유능한 전문가에게 있습니다. 이 단원에서는 이 원칙을 일일 작업 흐름 및 체크리스트로 바꿉니다.

엔드투엔드 ESG 워크플로우

8단계로 구성된 지속 가능성 보고 주기를 고려해보세요.

1. 범위와 중요성 — 어떤 주제가 중요한가요? (2단원)
2. 데이터 수집 — 소스, 단위, 감사 추적. (3단원)
3. 계산 — 확인된 요소가 포함된 탄소 및 기타 지표. (4단원)
4. 프레임워크 일치 - GRI/ESRS/ISSB 물질, 공식 텍스트로 확인. (5단원)
5. 공급망 - 범위 3 및 실사. (6단원)
6. 작성 및 의사소통 — 균형 있고 입증된 보고서 및 이해관계자 메시지. (7-8단원)
7. 보증 준비 — 일련의 증거 및 감사 준비. (9단원)
8. 청구 감사 — Greenwashing 심사 및 출시 승인. (10단원)

모든 단계에서 AI는 가속기입니다. 그러나 각 단계의 출구에는 품질 게이트가 있습니다. 즉, 다음 단계로 넘어가기 전에 통과해야 하는 체크포인트입니다. 문을 통과하지 못한 출력은 진행되지 않습니다.

단계

AI는 무엇을 하나요?

품질 게이트

중요성

주제후보, 주제분석

영향+재무 측면 인간 승인

데이터

구성, 단위 변환

소스 및 볼륨 확인

계정

수식, 코드 스캐폴딩

해당 요인은 공식 소스에서 확인되었습니다.

매칭

기사 제안

표준 텍스트로 이미지를 확인하세요.

철자법

초안, 요약

증거 없이 주장 정리하기

주장

그린워싱 스캔

인간공인 출판물

팁: “AI 제작 → 인간 검증 → 문 통과”라는 리듬으로 작업 흐름을 설정하세요. 각 AI 출력을 다음 단계로 이동하기 전에 "이 출력의 어떤 부분이 검증 없이 진행될 수 없습니까?"라고 질문하십시오. 그 부분이 그 단계의 품질 게이트이다.

데이터 거버넌스 및 개인정보 보호

ESG 데이터는 직원 성별 및 급여 데이터, 공급업체 계약 조건, 아직 공개되지 않은 재정적 영향, 시설 수준 생산 데이터 등 민감한 정보인 경우가 많습니다. 이를 공공 AI 도구에 제공하기 전에 분류할 필요가 있습니다. 데이터 거버넌스는 “누가 어떤 데이터를, 어떻게, 어떤 도구로 사용할 수 있는가?”입니다. 질문은 규칙과 관련이 있습니다.

간단한 분류:

• 무료: 데이터가 이미 공개되어 있습니다(발행된 보고서). AI에게 줄 수 있습니다.
• 내부 사용: 상업적 가치가 없는 내부 데이터. 회사 차량에서는 조심하세요.
• 기밀: 영업 비밀, 공개되지 않은 재정적 영향, 개인 데이터(KVKK/GDPR). 익명화나 제도적(비유출) 수단 없이는 AI에 주어지지 않습니다.

귀하의 역할: 데이터 거버넌스 고문. 작업: 다음 데이터 항목을 "무료/내부 사용/기밀"로 분류하고 각 기밀 항목에 대한 권장 조치(익명화/집계/엔터프라이즈 도구/전혀 제공하지 않음)를 작성합니다. 규칙: 확실하지 않은 경우 더 많은 보호 클래스를 추가하세요. 항목: [개인 및 금융 데이터 항목]

약한 프롬프트 / 강한 프롬프트

도구에 작업을 위임하는 방식에 따라 개인 정보 보호 위험이 근본적으로 달라집니다.

약한 프롬프트:

해당 직원 급여 및 시설 생산 테이블을 분석하여 ESG 요약을 작성합니다.

원시 개인 및 영업 비밀 데이터를 개방형 도구로 직접 내보냅니다. 분류, 익명화, 확인 단계가 없습니다.

강력한 프롬프트:

귀하의 역할: 데이터 거버넌스에 민감한 ESG 분석가. 나는 귀하에게 개인정보/영업비밀이 없는 집계된 데이터만을 제공했습니다. 작업: 다음 요약 지표를 분석합니다. 규칙:- 데이터에 개인 이름, 급여, ID 또는 공개되지 않은 재정적 영향이 없습니다. 해당 필드가 표시되면 "기밀 데이터 - 처리하지 않음, 경고"라고 말합니다. - 결과에 새 숫자를 추가하지 마십시오. 내가 준 요약을 따르십시오. - 출력 끝에 "사람 승인 필요" 메모를 추가합니다. 데이터(집계): [요약 지표]

주의: "AI가 말했다"는 방어가 아닙니다. ESG 보고서의 잘못된 수치, 입증되지 않은 주장, 기밀 데이터 유출에 대한 책임은 해당 조직과 이를 승인한 사람에게 있습니다. AI를 사용하면 책임을 이전하지 않습니다. 당신은 작업 속도를 높일 것입니다.

엔드투엔드 품질 게이트 프롬프트

다음 프롬프트는 게시하기 전에 단일 확인을 통해 모든 단계를 실행합니다.

귀하의 역할: ESG 품질 보증 책임자. 작업: 엔드투엔드 품질 게이트를 통해 다음 보고서 섹션을 전달합니다. 각 항목에 "pass / FAIL"을 부여하고, 불합격한 경우 이유를 기재합니다. 1) 각 항목의 출처와 단위가 명시되어 있습니까? 2) 배출계수는 공식 출처에서 나온 것인가요? 3) 표준 품목 번호가 확인됩니까? 4) 대리/견적은 표시되어 있나요? 5) 그린워싱이 포함된 문구가 있나요? 6) 기밀/개인정보 유출은 없나요? 7) 최종 승인 담당자 이름 지정?섹션: [장]

다음 프롬프트는 전체 모듈을 엔터프라이즈 정책으로 변환합니다.

귀하의 역할: 지속 가능성 팀 리더. 작업: ESG 작업에서 팀의 AI 사용을 관리하는 1페이지 분량의 내부 정책을 작성합니다. 포함: - AI를 자유롭게 사용할 수 있는 작업(초안, 요약, 코드, 테마 분석) - 사람의 검증이 필요한 작업(요소, 표준, 주장, 범위) - AI에 절대 제공되지 않는 데이터 유형(개인, 비공개 재무) - 각 릴리스 전에 통과해야 하는 품질 게이트 단계 톤: 명확함, 중요 항목, 적용 가능.

세 개의 미니 케이스

사례 1 — 문에서 보고서가 반환되었습니다. 한 팀은 모든 단계를 완료했으며 보고서를 출판할 준비가 되었다고 생각했습니다. 최종 품질 게이트 프롬프트는 한 섹션에서 출처가 밝혀지지 않은 "78% 회수" 주장과 "탄소 중립" 진술을 포착했습니다. 둘 중 하나가 수정되기 전에 출판이 중단되었습니다. 문은 공개되기 전에 버그를 잡았습니다.

사례 2 - 기밀 데이터 유출이 방지되었습니다. 분석가는 아직 공개되지 않은 분기별 재무 영향 데이터를 공개적으로 사용 가능한 분석 도구에 붙여넣습니다. 데이터 분류 프롬프트에서는 이를 "기밀 - 미공개 금융"으로 표시했습니다. 데이터는 먼저 집계된 후 엔터프라이즈 도구에서 처리되었습니다. 법률 위반 가능성이 방지되었습니다.

사례 3 — 책임을 지는 것. 보고서가 발표된 후 이해관계자가 여러 가지 질문을 했습니다. 팀은 "AI 계산"이라고 말하지 않았습니다. 감사기록을 공개하고, 출처를 인용하고, 약간의 수정을 가하고, 투명하게 설명했습니다. 'AI가 말했다'는 방어에 의지하지 않은 이런 태도는 신뢰를 지켰다.

일반적인 실수

• 품질의 문 없이 앞으로 나아갑니다. 각 단계 종료 시 검증을 수행하지 않으면 끝까지 오류가 누적됩니다.
• 데이터를 분류하지 않고 차량에 제공합니다. 기밀 및 개인 데이터는 익명화 없이 공개 AI에 입력될 수 없습니다.
• AI에게 책임을 전가합니다. “AI가 말했다”는 법적 또는 전문적 변호가 아닙니다.
• 생각 단계가 격리되었습니다. 중요성, 데이터, 계산 및 주장은 서로 연결되어 있습니다. 하나가 손상되면 모두가 영향을 받습니다.
• 출판 승인 책임자를 지정하지 않습니다. 모든 공개적인 주장 뒤에는 인간이 있어야 합니다.

요약하면

ESG 비즈니스는 상호 연결된 8단계의 체인이며, AI는 각 단계의 가속기입니다. 그러나 모든 단계의 출구에는 품질의 문이 있습니다. “AI 생산 → 인간 검증 → 문 통과”라는 리듬은 이 모듈의 모든 교훈을 하나의 학습 분야로 결합합니다. 데이터를 분류하고 기밀을 보호하며, 공식 출처에서 요소와 표준을 확인하고, 주장을 증거와 연결하고, 출판 전에 greenwashing을 제거하고, 최종 책임을 인간에게 부여합니다. AI는 작업 속도를 높입니다. 당신은 정확성, 정직성, 책임감을 갖습니다. 이 직업의 기준은 '유창해 보이는 것'이 아니라 '감사를 통과하고 입증되는 것'입니다.

응용과제

이전 단원(중요도 목록, 탄소 계정, 보고서 섹션)에서 생성한 결과물을 하나의 미니 보고서로 결합합니다. 위의 AI의 엔드투엔드 품질 게이트 프롬프트를 통해 7개 항목으로 구성된 이 미니 보고서를 살펴보세요. 그런 다음 (1) "RELEASE"라고 표시된 각 항목을 수정하고, (2) 모든 기밀/개인 데이터를 분류하고 조치를 취하고, (3) 책임자 이름과 게시 승인 메모를 추가합니다.

체크리스트

• [ ] “AI 제작 → 인간 검증 → 문 통과”라는 리듬으로 워크플로우를 설정했습니다.
• [ ] 각 단계 종료 시 품질 게이트를 구현했습니다.
• [ ] 모든 데이터를 무료/내부/기밀로 분류하여 기밀을 유지했습니다.
• [ ] 공식자료를 통해 요인 및 기준항목을 확인하였습니다.
• [ ] 나는 모든 주장을 증거로 뒷받침하고 출판 전에 greenwashing을 제거했습니다.
• [ ] 'AI가 말했다' 방어에 의지하지 않고 책임을 지었습니다.
• [ ] 나는 게재에 대한 책임 있는 이름과 승인 기록을 설정했습니다.

모듈 시험

1. 다음 중 ESG 및 지속가능성 비즈니스에서 AI를 포지셔닝하는 가장 좋은 방법은 무엇입니까?

• A) 인공 지능은 코드, 데이터 및 청사진의 보조자입니다. 요소, 표준, 증거 및 윤리적 결정에 대한 책임은 사람에게 있습니다 ✔
• B) 인공지능은 감사자이며, 인공지능이 제공하는 ESG 가치는 독립적인 보증을 대체합니다.
• 다) 인공지능은 보고서 작성에만 작동하며, 데이터 및 계산과는 아무런 관련이 없습니다.
• D) AI는 인간보다 더 공정하기 때문에 모든 ESG 결정은 AI에 맡겨야 합니다.

설명: 인공지능; 코드를 작성하고, 데이터를 정리하고, 초안을 작성하고 요약하는 보조자입니다. 그러나 배출계수 확인, 표준물질번호 확인, 각 주장의 입증에 대한 최종 책임은 유능한 전문가에게 있습니다. 빅 언어 모델은 계산기, 규제/표준 데이터베이스 또는 검사기가 아닙니다. '다음으로 가장 가능성이 높은 단어'를 생성하는 텍스트 생성기이며 확인되지 않은 출력은 잘못된 보고나 주장으로 이어질 수 있습니다.

2. 이중 중요성 분석에서 이슈의 '영향 중요성' 측면은 무엇을 의미하나요?

• 가) 해당 이슈가 회사의 이익 및 주가에 미치는 영향
• 나) 투자자에게만 해당되는 종목의 재무위험
• 다) 동일 주제에 대한 경쟁사의 실적
• D) 회사 활동이 환경과 사회에 미치는 영향 ✔

설명: 이중 물질성은 두 개의 렌즈를 통해 보입니다. 재무적 중요성은 특정 이슈가 회사의 현금 흐름과 가치에 미치는 영향('아웃사이드-인')입니다. 임팩트 중요성은 기업의 활동이 환경과 사회에 미치는 영향('인사이드 아웃')을 의미합니다. CSRD/ESRS는 두 가지 측면을 모두 시행합니다. 인공지능은 금융 방향으로만 전환하는 경우가 많기 때문에 영향 방향도 인간이 추가적으로 제어해야 합니다.

3. 다양한 시설에서 kWh, MWh, GJ 단위의 에너지 데이터를 수집할 때 올바른 접근 방식은 무엇입니까?

• A) 단위를 무시하고 모든 숫자를 직접 추가하세요.
• B) 인공 지능에 의존하여 머릿속에 있는 긴 목록을 수집합니다.
• C) 모든 값을 단일 단위로 변환하고 코드/공식으로 변환 및 합산하기 ✔
• 라) 가장 큰 단위를 선정하고 다른 시설은 보고하지 아니함

설명: 단위 이탈은 ESG에서 가장 빈번하고 위험한 실수입니다. 1MWh = 1,000kWh이므로, 단위를 생략하면 결과는 1,000배 차이가 날 수 있습니다. 올바른 접근 방식은 모든 값을 단일 단위로 변환하고 인공 지능이 이 변환을 수행하고 수동이 아닌 실행 가능한 코드/공식으로 합산하도록 하는 것입니다. 따라서 결과는 결정적이고 검증 가능합니다.

4. GHG 프로토콜에 따라 구매한 전기의 생산으로 인한 배출은 어떤 범위에 포함됩니까?

• 가) 범위 1
• 나) 범위 2 ✔
• 다) 범위 3
• 라) 어떠한 범위에도 포함되지 않으며 보고되지 않는다.

설명: 범위 1은 조직 자체 배출원(보일러, 회사 차량, 발전기)에서 직접 배출되는 것입니다. 범위 2는 구매한 에너지(전기, 증기, 난방, 냉각) 생산으로 인한 간접 배출입니다. Scope 3은 가치 사슬(공급, 여행, 제품 사용, 폐기물)의 기타 모든 간접 배출을 다룹니다. 회사의 굴뚝에서는 전기가 나오지 않지만 이를 생산하는 발전소에서는 배출가스를 배출합니다. 그래서 범위 2입니다.

5. 메탄(CH₄) 등 온실가스를 CO2e로 변환할 때 어떤 개념이 사용되며, 왜 중요한가요?

• A) GWP(지구 온난화 지수); 생략하면 메탄/N2O 효과가 크게 과소평가됩니다 ✔
• B) AQI(대기질 지수); 공기 중의 기체의 색을 결정한다
• C) GRI(보고 계획); 가스가 보고될 물질을 결정합니다.
• D) 계수가 필요하지 않습니다. 메탄은 CO2와 마찬가지로 1:1로 계산됩니다.

설명: GWP(지구 온난화 지수)는 다양한 온실 가스의 가열 효과를 CO2에 상대적인 공통 단위로 변환하는 계수입니다. 메탄의 100년 GWP는 대략 28입니다. 따라서 메탄 1톤은 대략 28톤의 CO2e를 의미합니다. GWP가 생략되면 메탄 및 N2O와 같은 강한 가스의 영향이 크게 과소평가되고 목록이 완전히 부정확해집니다. 또한 어떤 GWP 세트(예: IPCC AR6, 100년)가 사용되는지 명시해야 합니다.

6. 온실가스 인벤토리의 '활동 데이터 × 배출계수'를 계산하는 올바른 접근 방식은 무엇입니까?

• 가) 인공지능이 기억하고 있는 요소를 이용하여 수작업으로 합계를 낸다.
• B) 모든 가스를 CO₂로 계산하고 건너뛰는 계수 및 GWP 변환
• 다) 국가별, 연도별, 연료별 기본 계수를 정확하게 사용
• D) 국가별, 연도별 공식 소스에서 요소를 확인하고 계산 발판 및 합계를 코드로 작성 ✔

설명: 배출 계수는 국가, 연도 및 연료에 따라 다릅니다. AI를 '상기시키는' 행위는 꾸며낸 일(환각)의 위험을 낳습니다. 요인은 항상 공식 테이블(IPCC, DEFRA/EPA, IEA, 국가 목록)에서 확인되어야 합니다. 범위 분리, 회계 스캐폴딩, 전체 코드만 인공지능이 해야 한다. 다중 행 합계는 수동이 아닌 실행 가능한 코드로 수행됩니다.

7. AI가 제안한 GRI/ESRS 표준 물질 번호(예: '물 소비에 대한 GRI 305')의 올바른 동작은 무엇입니까?

• 가) 인공지능이 제안해주기 때문에 보고서에 직접 숫자를 적는다.
• B) 품목 번호는 중요하지 않습니다. 무엇이든 쓸 수 있다
• 다) 공식표준문자로 번호 및 내용을 확인하고, 허위/오래된 내용인지 확인 ✔
• 라) 물과 대기 배출은 유사하므로 동일한 기사로 보고한다.

설명: 인공 지능은 실제처럼 보이지만 내용이 허위이거나 완전히 조작된 표준 숫자를 생성할 수 있습니다. 또한 표준이 업데이트되어 모델이 알고 있는 버전이 오래되었을 수 있습니다. 예를 들어, 물은 GRI 303에 보고되는 반면, GRI 305는 대기 배출입니다. 따라서 각 물질번호와 함량은 공식표준문서(GRI/EFRAG/ISSB)의 검증 없이는 사용할 수 없습니다.

8. 공급망에 있는 대부분의 공급업체가 실제 탄소 데이터를 갖고 있지 않은 경우 Scope 3에 대한 올바르고 정직한 접근 방식은 무엇입니까?

• 가) 인공지능이 만들어낸 번호를 공급자에게 직접 활용하는 행위
• B) '측정하기 어렵기 때문에' Scope 3을 완전히 건너뜁니다.
• 다) 실제 데이터가 있는 것을 사용하여, 없는 것에 대해서는 프록시를 명확하게 표시 ✔
• D) 모든 공급업체에 프록시를 적용하고 보고서에서 숨김

설명: 범위 3은 대부분의 회사에서 가장 크지만 측정하기 가장 어려운 항목입니다. 실제 데이터를 제공하는 공급업체의 경우 해당 데이터가 사용됩니다. 이를 제공하지 않는 경우에는 지출 기반 프록시(추정)를 사용할 수 있습니다. 중요한 것은 프록시를 숨기지 않는 것입니다. 보고서에는 사용된 추정치의 일부와 비율이 명확하게 명시되어야 합니다. 난독화된 프록시는 독립적인 보증을 거부할 수 있습니다. '측정하기 어렵다'는 이유로 Scope 3을 완전히 건너뛰는 것도 잘못된 것입니다.

9. AI는 오로지 국가 평균만을 토대로 공급업체를 '강제 노동 가능'으로 표시했습니다. 올바른 행동이란 무엇입니까?

• 가) 해당 신호를 증거로 받아들이고 즉시 공급업체와의 관계를 공개적으로 끊는다.
• 나) 인공지능이 말했기 때문에 주장을 보고서에 직접 적는다
• 다) 위험 신호를 완전히 무시하고 전혀 검토하지 않음
• 라) 신호를 '조사 대상 경고'로 간주하고 현장 조사 및 신뢰할 수 있는 출처를 통해 확인 ✔

설명: 인권침해 등 심각한 주장은 인공지능이 만들어내는 신호로는 입증할 수 없다. 그러한 신호는 단지 '검토하라는 경고'일 뿐입니다. 이를 확정적인 비난으로 사용하는 것은 불공평하고 법적으로 위험합니다. 이러한 주장은 신뢰할 수 있는 출처, 현장 조사 및 법적 절차를 통해서만 확인됩니다. 인공지능은 신호를 생성합니다. 인간은 판단과 책임을 진다.

10. 이해관계자 설문조사에서 수백 건의 자유 텍스트 응답을 AI로 분석할 때 가장 중요한 예방 조치는 무엇입니까?

• A) 드물지만 중요성이 높은(안전/윤리/환경) 신호를 별도로 요구하고 이를 가리지 않음 ✔
• B) 빈도가 가장 높은 주제만 선택하고 소수 견해를 제거합니다.
• C) 모든 답변을 하나의 긍정적인 요약으로 줄이고 세부 사항은 생략합니다.
• 라) 원답이 아닌 인공지능의 요약을 받아들인다.

설명: 인공지능은 주제별 분석에서 다수의 목소리를 증폭시키고 소수의 목소리를 억제합니다. 그러나 지속가능성에서 가장 가치 있는 신호는 때때로 한 개인이 말하는 심각한 안전, 윤리 또는 환경 문제입니다. 그래서 분석에서는 '가장 자주 말한 것이 무엇이었는가?'라고 묻습니다. 그것은 끝나지 않습니다; '희귀하지만 중요성이 높은' 신호는 별도로 요청해야 하며 요약을 대신하기보다는 원시 응답을 추가로 사용해야 합니다.

11. 인공지능에 보고서 항목을 작성할 때 가짜 숫자와 대상이 텍스트로 유출되는 것을 방지하는 가장 효과적인 방법은 무엇입니까?

• A) '적절한 글을 써라'라고 하여 보고서 전체를 한번에 제작
• B) 검증된 데이터만 제공하고 새로운 번호/클레임 생성을 명시적으로 금지함 ✔
• C) 텍스트가 얼마나 유창하고 인상적인지 확인하고 게시하십시오.
• D) AI가 합리적인 추측으로 누락된 데이터를 채울 수 있도록 허용

설명: 인공 지능은 빈 프롬프트에서 '유사한 보고서에서 말한 내용입니다'라는 논리를 사용하여 실제로 가지고 있지 않은 숫자와 목표를 생성합니다. 가장 효과적인 예방 조치는 검증된 데이터만 제공하고 '내가 제공한 데이터 외에 숫자, 백분율, 날짜 또는 주장을 추가하지 마십시오. '빠진 곳에 [데이터 필수]를 기재한다'는 규칙을 명확히 명시한 것이다. 또한, 보고서는 데이터를 포함하여 섹션별로 인쇄되어야 합니다.

12. 독립 검증 감사인이 지속가능성 보고서를 검토할 때 가장 먼저 확인하는 것은 무엇입니까?

• A) 보고서가 얼마나 유창하고 전문적으로 작성되었는지
• B) 각 문제에는 원본 문서까지 추적할 수 있는 일련의 증거가 있습니다. ✔
• 다) 인공지능이 '보고서가 감사 준비가 되었습니다'라고 말합니다.
• D) 보고서가 경쟁사보다 더 확고하게 보이도록 만듭니다.

설명: 심사관은 텍스트의 유창성에 관심이 있는 것이 아니라 각 주장 뒤에 있는 일련의 증거에 관심이 있습니다. 그의 첫 번째 질문은 '이 숫자를 증명하세요'입니다. 숫자가 어떤 소스 문서에서 나오는지, 어떤 공식과 요소가 보고서로 변환되는지, 독립적으로 반복할 수 있는지 여부를 검사합니다. 따라서 각 재료 지표는 해당 소스까지 추적 가능해야 하며 공식 소스에서 요소를 확인해야 하며 프록시를 지정해야 합니다. 인공지능은 이를 준비하지만 보장할 수는 없습니다.

13. 다음 환경 주장 중 Greenwashing 위험이 가장 낮은 것은 무엇입니까?

• A) '2023년까지 생산배출량 18% 감축(제3자 검증)' ✔
• B) '저희 제품은 완전히 환경친화적이고 자연스럽습니다.'
• 다) '저희 회사는 탄소 중립입니다'(문서나 데이터 제공 없이)
• D) '우리는 업계에서 가장 지속 가능하고 영향이 거의 없는 회사입니다.'

설명: 좋은 환경 관련 주장은 측정 가능하고(숫자 포함), 입증되었으며(증거 기반), 범위가 명확합니다(무엇을 무엇과 언제 비교하는지 명확함). '2023년까지 생산배출량 18% 감소(제3자 검증)'는 이 세 가지 특징을 갖고 있다. '친환경', '천연', 인증되지 않은 '탄소 중립'과 같은 문구는 수량화할 수 없거나 입증되지 않았으며 그린워싱의 위험이 있습니다.

14. 미공개 시설 생산 및 배출 데이터를 분석을 위해 공개적으로 사용 가능한 AI 도구에 붙여넣기 전에 무엇을 해야 합니까?

• A) 데이터를 그대로 붙여넣는다. 환경 데이터는 항상 공개적으로 이용 가능합니다.
• 나) 인공지능 제공자에게 책임이 넘어가는 만큼 방심하지 않고 기부하는 행위
• C) 위험은 단순히 계산 착오입니다. 비밀유지 조치는 불필요
• D) 데이터를 무료/내부/기밀로 분류하고 기밀 데이터를 익명화하거나 기업 도구 사용 ✔

공개: 공장 수준의 생산 및 배출 데이터는 영업 비밀일 수 있습니다. 아직 공개되지 않은 금융/환경 데이터는 규제 공개 규칙을 위반할 수 있습니다. 직원 위치/급여 데이터는 KVKK/GDPR 범위 내의 개인 데이터입니다. 이러한 유형의 데이터를 공개 도구에 제공하기 전에 이를 무료/내부/기밀로 분류하고, 필요한 경우 익명화하거나 기업(데이터 없는) 도구를 사용해야 합니다. 'AI가 말했다'는 방어가 아닙니다. 책임은 기관과 이를 승인한 사람에게 있습니다.