이득:
- 지출 및 위험 수준을 기준으로 공급업체의 우선순위를 지정하고 실제 데이터와 대리 추정치를 구별하여 Scope 3을 설정하는 능력
- 인공지능으로 공급업체 위험 신호 표시할 때 증거가 아닌 '검토해야 할 신호'로 처리
- 현장 조사 및 법적 확인이 필요한 실사 프로세스를 통해 심각한 인권/환경적 주장을 관리할 수 있는 능력
대부분의 기업에서 지속 가능성에 미치는 영향의 가장 큰 부분은 자체 공장이 아니라 공급망에 있습니다. 의류 브랜드의 탄소 배출량 중 80% 이상이 직물 제조업체에서 배송에 이르기까지 공급업체에서 나올 수 있습니다. 마찬가지로, 아동 노동, 강제 노동, 환경 침해 등 가장 심각한 사회적 위험은 종종 공급망 깊숙한 곳에서 발생합니다. 이 단원에서는 인공 지능(AI)을 사용하여 공급망 데이터를 수집 및 평가하고 위험을 선별하는 방법을 배웁니다.
두 가지 개념을 명확히 해보자. 이전 단원에서 살펴본 것처럼 범위 3은 회사 가치 사슬의 간접 배출량이며 일반적으로 가장 크지만 측정하기 가장 어려운 항목입니다. 실사는 회사의 공급망에서 인권 및 환경 위험을 식별, 예방 및 해결하는 프로세스입니다. EU의 CSDDD(Corporate Sustainability Due Diligence Directive)와 같은 규정에서는 대기업에 대해 이를 의무화하고 있습니다.
공급망 데이터의 주요 과제
자신의 시설 데이터를 측정할 수 있습니다. 하지만 수백 개의 공급업체의 데이터를 직접 측정할 수는 없으므로 그들에게 물어봐야 합니다. 이로 인해 세 가지 문제가 발생합니다.
- 데이터가 도착하지 않거나 불완전합니다. 대부분의 소규모 공급업체는 탄소 데이터를 보관하지 않습니다.
- 데이터는 신뢰할 수 없습니다. 공급업체가 자체 보고할 때 과장되거나 과소보고될 수 있습니다.
- 추측(프록시)이 필요합니다. 실제 데이터를 사용할 수 없는 경우 업계 평균 또는 지출 기준 추정치가 사용됩니다.
여기에서 AI는 두 가지 방식으로 도움을 줍니다. (1) 수백 개의 공급업체에 보낼 설문 조사 및 후속 편지 초안을 신속하게 작성하고, (2) 분산된 응답을 구조화하고 위험 신호를 표시합니다. 그러나 공급업체가 제공한 수치는 확인되지 않으며 사람의 검토 없이는 위험 신호가 결론을 내리지 않습니다.
범위 3 카테고리(예)
데이터 소스
일반적인 방법
구매한 상품/서비스
공급업체 설문조사/지출
실제 데이터 > 프록시
배송 및 유통
운송업체 기록
거리 × 하중 × 계수
출장
여행 시스템
Km/비행 × 계수
판매된 제품의 사용
제품 에너지 데이터
사용 모델
낭비
폐기물 이송 서류
수량 × 계수
팁: 범위 3에서 "지출 기반" 추정치(지출 $1,000당 이 정도의 CO2e)는 빠른 시작이지만 대략적인 것입니다. 공급자가 실제 데이터를 제공하는 경우 이를 사용하십시오. 지출 기반 추정치는 실제 데이터가 없는 경우에만 잠정적이며 보고서에 '추정치/대리'로 표시되어야 합니다.
단계별: AI를 사용한 공급망 워크플로우
1. 공급업체의 우선순위를 정하십시오. 수백 개의 공급업체를 모두 동일한 깊이로 조사할 수는 없습니다. 지출 규모와 위험도(부문, 국가)가 높은 기업에 집중하세요. AI는 이러한 우선순위에 따라 초안 목록을 생성할 수 있습니다.
2. 설문조사 초안 및 요청 명확하고 작성하기 쉬운 공급업체 데이터 설문조사 개요를 AI에 요청하세요.
3. 수신 데이터를 구성합니다. 다양한 형식의 답변을 단일 테이블에 넣습니다. 누락된 부분을 표시하십시오.
4. 위험 신호를 검색합니다. AI가 공개 뉴스, 침해 기록, 설문조사 불일치에서 "위험 신호" 후보를 찾도록 하세요. 그러나 인간은 모든 신호를 확인합니다.
5. 행동과 추구. 고위험 공급업체에 대한 시정 조치 및 후속 계획을 수립합니다. 프로세스를 문서화하세요.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
공급업체의 탄소 배출량을 계산합니다.
데이터 소스도 없고, 실제/프록시 구분도 없고, 검증도 없습니다. AI는 공급업체 번호를 구성합니다.
강력한 프롬프트:
귀하의 역할: 공급망 지속 가능성 분석가. 입력: 15개 공급업체 이름, 업종, 연간 지출 금액 및 이들이 제공하는 실제 배출량 데이터(있는 경우). 과제: 1) 실제 데이터를 제공하는 사람은 해당 데이터를 사용하십시오. 2) 실제 데이터가 없는 경우 "지출 기반 프록시 필요"라고 기재하고 숫자를 맞추지 마십시오. 공식 소스에서 가져올 요소를 지정합니다.3) 지출이 많고 위험도가 높은 산업의 공급업체에 우선순위를 지정합니다. 출력: 테이블(공급업체 | 산업 | 지출 | 데이터 유형[실제/프록시] | 우선순위 | 참고). 보고서에는 프록시 번호가 표시됩니다.
공급업체 위험 검사 요청
다음 공급업체 목록에 대한 위험 검사 발판을 설정합니다. 각 공급업체에 대한 평가(내가 제공한 정보만을 기반으로 함, 공개적으로 가짜라고 주장함): - 국가/부문에서 발생할 수 있는 인권 위험(높음/중간/낮음) - 가능한 환경 위험 - 설문 조사 응답 불일치/위험 신호 규칙: 각 위험에 대해 "검증 필요 - 소스 없음"이라는 메모를 추가합니다. 확실한 비난을 하지 말고 조사할 신호를 제안하십시오.목록: [공급업체]
다음 프롬프트는 공급업체에 보낼 데이터 요청 설문조사 초안을 작성합니다.
귀하의 역할: 지속 가능성 소싱 전문가. 과제: 중소 공급업체가 쉽게 완료할 수 있는 10개 이하의 질문으로 구성된 ESG 데이터 설문조사 초안을 작성합니다. 포함 사항: 에너지 소비, 연료 유형, 폐기물, 산업 안전 사고 건수, 강제/아동 노동에 대한 헌신. 톤: 단순하고 명확하며 완성하기 쉽습니다. 각 질문에 단위와 예시를 추가하세요.
주의: AI가 공급자에 대한 위험 신호(예: "아동 노동")를 확인하도록 하지 말고 AI가 생성한 주장을 증거로 사용하지 마십시오. 이러한 중대한 주장은 신뢰할 수 있는 출처, 현장 조사 및 법적 절차를 통해서만 확인됩니다. AI는 "검사할 신호"만 생성합니다. 판단하지 않습니다.
세 개의 미니 케이스
사례 1 - 프록시를 정직하게 사용합니다. 한 가구 제조업체의 200개 공급업체 중 30개만이 실제 탄소 데이터를 제공했습니다. 팀은 나머지 170개에 대해 지출 기반 프록시를 사용했지만 보고서에는 "Scope 3의 65%가 지출 기반 추정치"라고 명시되어 있습니다. 감사인은 이러한 정직성을 인정했습니다. 그것이 숨겨져 있었다면 그 확신은 거부되었을 수도 있습니다.
사례 2 - 우선순위 지정. 한 식품회사에는 480개의 공급업체가 있었습니다. AI는 지출의 80%가 40개 공급업체에 집중된 것으로 나타났습니다. 팀은 이 40가지에 대한 심층 분석에 집중했습니다. 자원이 낭비되지 않았으며 가장 영향력이 큰 공급업체를 실제 데이터로 보고했습니다.
사례 3 — 허위 고발의 위험. AI는 공급업체를 '강제 노동 가능성'으로 표시했습니다. 그 이유는 단지 전국 평균 때문이었습니다. 조사단은 이를 증거가 아닌 '조사해야 할 신호'로 받아들이고 현장 조사를 요청했다. 검사 결과 아무런 문제가 발견되지 않았습니다. AI의 신호가 증거로 채택될 경우 부당한 고발과 법적 위험이 발생할 수 있다.
일반적인 실수
- 공급업체 데이터를 확인하지 않고 수락합니다. 자체 보고 공급업체 데이터에는 교차 확인이 필요합니다.
- 프록시를 숨깁니다. 지출 기반 예측을 사용하는 것은 좋습니다. 지정하지 않는 것은 감사 시 문제가 됩니다.
- 모든 공급업체를 동등하게 검사합니다. 소싱은 지출이 많고 위험도가 높은 공급업체에 초점을 맞춰야 합니다.
- AI 신호를 증거로 착각. 인권/환경 침해 주장은 AI가 아닌 현장과 법률로 검증합니다.
- 범위 3을 완전히 건너뜁니다. 가장 큰 영향은 일반적으로 여기에 있습니다. '측정하기 어렵다'는 이유로 무시할 수는 없다.
요약하면
공급망은 대부분의 기업이 환경적, 사회적으로 가장 큰 영향을 미치는 곳입니다. Scope 3 배출 및 실사 위험이 여기에 집중되어 있습니다. 일체 포함; 이는 공급업체 우선순위 지정, 설문 조사 초안 작성, 분산된 응답 구조화 및 위험 신호 표시에 강력한 도움이 됩니다. 그러나 공급업체 데이터는 검증되고, 프록시가 명확하게 명시되고, 현장 조사를 통해 심각한 주장이 확인될 때까지 보고서에 포함되지 않습니다. AI는 신호를 생성합니다. 인간은 판단과 책임을 진다.
응용과제
이름, 업종, 연간 지출이 포함된 10개의 가상 공급업체 목록을 준비합니다. 일부에는 실제 배출량 데이터를 추가하고 대부분은 공백으로 둡니다. 위의 강력한 프롬프트를 통해 AI에게 우선순위 테이블과 데이터 유형을 요청하세요. 그런 다음 (1) 프록시가 필요한 공급업체 수가 구성되지 않았는지 확인하고, (2) 정당성을 고려하여 우선 순위가 가장 높은 공급업체 3개를 선택하고, (3) 이들에게 보낼 간단한 데이터 설문 조사 초안을 작성합니다.
체크리스트
- [ ] 지출 및 위험 수준을 기준으로 공급업체의 우선순위를 정했습니다.
- [ ] 실제 데이터를 사용했습니다. 없으신 분들을 위해 프록시 표시를 해두었습니다.
- [ ] 공급업체 데이터를 있는 그대로 평가하지 않고 교차 확인을 통해 평가했습니다.
- [ ] 나는 위험 신호를 "검토할 것"이라고 생각했으며 이를 증거로 사용하지 않았습니다.
- [ ] 심각한 청구에 대한 현장 감사/법적 검증 단계를 계획했습니다.
- [ ] 저는 Scope 3을 건너뛰지 않았습니다. 보고서에는 범위와 추정 비율을 명시했습니다.
- [ ] 실사 문서로 전체 과정을 기록했습니다.