ESG, സുസ്ഥിരത എന്നിവയിൽ AI-യുടെ ആമുഖം: റോളുകൾ, അതിരുകൾ, മൂല്യനിർണ്ണയം, ധാർമ്മികത

നേട്ടങ്ങൾ:

• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ESG വർക്ക്ഫ്ലോയിൽ (ഡാറ്റ, അക്കൗണ്ടുകൾ, മാപ്പിംഗ്, റിപ്പോർട്ടിംഗ്) സമയം ലാഭിക്കുന്നത് എവിടെയാണെന്നും അപകട നിലയെ ആശ്രയിച്ച് ഫാക്ടർ, സ്റ്റാൻഡേർഡ്, ക്ലെയിം തീരുമാനങ്ങൾ എന്നിവ മനുഷ്യർക്ക് വിട്ടുകൊടുക്കുന്നത് എവിടെയാണെന്ന് വേർതിരിച്ചറിയാൻ കഴിയും.
• യൂണിറ്റ്, ഉറവിടം, ഓഡിറ്റ് ട്രയൽ ഘട്ടങ്ങൾ എന്നിവ ഉപയോഗിച്ച് ഓരോ സംഖ്യാപരവും ഗുണപരവുമായ ഔട്ട്‌പുട്ടും ഓഡിറ്റ് ചെയ്യുന്ന ഒരു അച്ചടക്കം പ്രയോഗിക്കാനുള്ള കഴിവ്
• എന്തുകൊണ്ടാണ് വ്യാജ എമിഷൻ ഘടകങ്ങൾ, വ്യാജ സ്റ്റാൻഡേർഡ് റഫറൻസുകൾ, ഗ്രീൻ വാഷിംഗ് ഭാഷ എന്നിവ ഈ തൊഴിലിന് അപകടസാധ്യതകളാണെന്ന് മനസ്സിലാക്കുന്നത് തുടക്കത്തിൽ തന്നെ പരിഗണിക്കേണ്ടതുണ്ട്.

ഒരു കമ്പനിയുടെ സുസ്ഥിരതാ റിപ്പോർട്ട് ഇനി ഒരു ഗുഡ്‌വിൽ ബ്രോഷർ മാത്രമല്ല; ഇത് ഒരു അക്കൌണ്ടിംഗ് ഡോക്യുമെൻ്റ് പോലെ ബൈൻഡിംഗും ഓഡിറ്റ് ചെയ്തതും നിയമപരമായ പ്രത്യാഘാതങ്ങളുള്ളതുമായ ഒരു രേഖയാണ്. യൂറോപ്യൻ യൂണിയൻ്റെ സിഎസ്ആർഡി (കോർപ്പറേറ്റ് സസ്റ്റൈനബിലിറ്റി റിപ്പോർട്ടിംഗ് ഡയറക്റ്റീവ്) നിയന്ത്രണത്തോടെ, ആയിരക്കണക്കിന് കമ്പനികൾ; ഫിനാൻഷ്യൽ സ്റ്റേറ്റ്‌മെൻ്റുകൾ പോലെ നിർബന്ധമായും പരിശോധിക്കാവുന്നതും താരതമ്യപ്പെടുത്താവുന്നതുമായ രീതിയിൽ കാർബൺ ഉദ്‌വമനം, ജീവനക്കാരുടെ ഡാറ്റ, സപ്ലൈ ചെയിൻ ആഘാതങ്ങൾ എന്നിവ വെളിപ്പെടുത്തേണ്ടതുണ്ട്. ഈ യൂണിറ്റിൽ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) ഈ ഭാരമേറിയതും ഡാറ്റാ-ഇൻ്റൻസീവ് ആയതുമായ ടാസ്ക്കിൽ യഥാർത്ഥത്തിൽ സമയം ലാഭിക്കുന്നത് എവിടെയാണെന്നും അത് അപകടകരമാണെന്നും ഓരോ ഔട്ട്പുട്ടും എങ്ങനെ പരിശോധിക്കാമെന്നും നിങ്ങൾ പഠിക്കും.

ആദ്യം, ഒരു വിമർശനാത്മക ആശയം. പരിസ്ഥിതി, സാമൂഹികം, ഭരണം എന്നീ ഇംഗ്ലീഷ് വാക്കുകളുടെ ആദ്യാക്ഷരങ്ങളാണ് ESG; കാർബൺ ബഹിർഗമനം, ജല ഉപയോഗം, ജീവനക്കാരുടെ അവകാശങ്ങൾ, തൊഴിൽ സുരക്ഷ തുടങ്ങിയ സാമൂഹിക ആഘാതങ്ങൾ, ബോർഡ് ഘടന, ധാർമ്മികത തുടങ്ങിയ ഭരണരീതികൾ എന്നിവ പോലെയുള്ള ഒരു കമ്പനിയുടെ പാരിസ്ഥിതിക ആഘാതങ്ങൾ അളക്കുന്ന ചട്ടക്കൂടിൻ്റെ പേരാണിത്. ഈ മൂന്ന് മേഖലകളിലെയും പ്രകടനം സാധാരണ രീതിയിൽ അളക്കുകയും അത് പൊതുജനങ്ങൾക്ക് വെളിപ്പെടുത്തുകയും ചെയ്യുന്നതാണ് സുസ്ഥിരതാ റിപ്പോർട്ടിംഗ്.

രണ്ടാമത്തെ നിർണായക ആശയം: പൂർണ്ണ ആത്മവിശ്വാസത്തോടെ യഥാർത്ഥത്തിൽ സത്യമല്ലാത്ത വിവരങ്ങൾ AI ഉത്പാദിപ്പിക്കുന്നതാണ് ഹാലുസിനേഷൻ. ESG ലോകത്ത് ഇത്; നിങ്ങൾക്ക് ഒരു സാങ്കൽപ്പിക എമിഷൻ ഘടകം, നിലവിലില്ലാത്ത GRI സ്റ്റാൻഡേർഡ് നമ്പർ, തെറ്റായ ഒരു യൂണിറ്റ് അല്ലെങ്കിൽ നിലവിലില്ലാത്ത നിയമനിർമ്മാണ ലേഖനത്തെക്കുറിച്ചുള്ള പരാമർശം എന്നിവ നേരിട്ടേക്കാം. ഒരു വലിയ ഭാഷാ മോഡൽ (LLM) ഒരു കാൽക്കുലേറ്ററോ, ഒരു റെഗുലേറ്ററി ഡാറ്റാബേസോ, ഒരു ഓഡിറ്ററോ അല്ല എന്നതാണ് പ്രധാന കാര്യം. പരിശീലന ഡാറ്റയിൽ കാണുന്ന ടെക്സ്റ്റുകളെ സ്റ്റാറ്റിസ്റ്റിക്കലായി അനുകരിക്കുന്ന ഒരു ടെക്സ്റ്റ് ജനറേറ്ററാണിത്. ഇത് മിക്ക സമയത്തും കൃത്യമായ വിവരങ്ങൾ നൽകുന്നു; എന്നാൽ "മിക്ക സമയത്തും കൃത്യവും" "ഓഡിറ്റ് പാസാകാൻ മതിയായ കൃത്യതയും" തമ്മിലുള്ള വ്യത്യാസം ESG റിപ്പോർട്ടിംഗിലെ എല്ലാമാണ്.

ESG-യിൽ AI എവിടെയാണ് പ്രവർത്തിക്കുന്നത്, എവിടെയാണ് പ്രവർത്തിക്കാത്തത്?

AI-യെ ഒരു ദ്രുത ഡ്രാഫ്റ്റ്, ഡാറ്റ ക്യൂറേഷൻ, വിശകലന പങ്കാളിയായി കരുതുക: മൂല്യവത്തായതും എന്നാൽ മൂല്യനിർണ്ണയത്തിന് അത്യന്താപേക്ഷിതവുമാണ്. ഇനിപ്പറയുന്ന വ്യത്യാസം ഈ മൊഡ്യൂളിൻ്റെ നട്ടെല്ലാണ്.

അന്വേഷണം

AI യുടെ സംഭാവന

വിദഗ്ദ്ധൻ്റെ ഉത്തരവാദിത്തം

വിവരശേഖരണം

വ്യത്യസ്ത ഫോർമാറ്റുകൾ എഡിറ്റുചെയ്യുന്നു, ഇടങ്ങൾ അടയാളപ്പെടുത്തുന്നു

ഉറവിട പ്രമാണം ഉപയോഗിച്ച് നമ്പർ സ്ഥിരീകരിക്കുന്നു

എമിഷൻ അക്കൗണ്ട്

ഫോർമുലയും കണക്കുകൂട്ടൽ ചട്ടക്കൂടും സൃഷ്ടിക്കുന്നു

ഔദ്യോഗിക ഉറവിടത്തിൽ നിന്ന് എമിഷൻ ഘടകം പരിശോധിക്കുന്നു

GRI/CSRD മാപ്പിംഗ്

സാധാരണ ഇനങ്ങളിലേക്ക് ചേരുവകൾ ശുപാർശ ചെയ്യുന്നു

സ്റ്റാൻഡേർഡ് ടെക്സ്റ്റ് ഉപയോഗിച്ച് കൃത്യമായി പരിശോധിക്കുന്നു

മെറ്റീരിയൽ വിശകലനം

ഓഹരി ഉടമകളുടെ അഭിപ്രായങ്ങളെ തീമുകളായി വേർതിരിക്കുന്നു

ഒരു മുൻഗണനാ തീരുമാനം എടുക്കുക

റിപ്പോർട്ട് എഴുത്ത്

ഡ്രാഫ്റ്റ് വാചകവും സംഗ്രഹവും നിർമ്മിക്കുന്നു

എല്ലാ അവകാശവാദങ്ങളെയും തെളിവുകൾ സഹിതം പിന്തുണയ്ക്കുക

ഗ്രീൻവാഷിംഗ് നിയന്ത്രണം

അപകടകരമായ വാക്യങ്ങൾ ഫ്ലാഗ് ചെയ്യുന്നു

അന്തിമ ക്ലെയിം ഉത്തരവാദിത്തം ഏറ്റെടുക്കുക

റൂൾ ഓഫ് തമ്പ്: ഡാറ്റയിൽ തന്നെ AI പ്രയോഗിക്കരുത്; ഡാറ്റ, സ്കാർഫോൾഡ് വിശകലനം, ഡ്രാഫ്റ്റ് ടെക്സ്റ്റ് എന്നിവ സംഘടിപ്പിക്കാൻ ഉപയോഗിക്കുക; പ്രാഥമിക ഉറവിടം (ഇൻവോയ്സ്, മീറ്റർ റെക്കോർഡ്, ഔദ്യോഗിക സ്റ്റാൻഡേർഡ് ടെക്സ്റ്റ്, എമിഷൻ ഫാക്ടർ ഡാറ്റാബേസ്) ഉപയോഗിച്ച് ഓരോ നമ്പറും ഓരോ സ്റ്റാൻഡേർഡ് റഫറൻസും എല്ലായ്പ്പോഴും സ്ഥിരീകരിക്കുക. സുസ്ഥിരതാ റിപ്പോർട്ടിലെ ഓരോ ചിത്രത്തിനും പിന്നിൽ ഒരു ഓഡിറ്റർ ആഗ്രഹിച്ചേക്കാവുന്ന ഒരു ഓഡിറ്റ് ട്രയൽ ഉണ്ടായിരിക്കണം. AI-ക്ക് ഈ തെളിവ് ഹാജരാക്കാൻ കഴിയില്ല; ഇത് ക്രമീകരിക്കാൻ നിങ്ങളെ സഹായിക്കുന്നു.

ESG-യിൽ AI-യുടെ മൂന്ന് മാരകമായ കെണികൾ

1. നിർമ്മിത എമിഷൻ ഘടകങ്ങളും സംഖ്യകളും. AI-ക്ക് അത് ഓർമ്മിക്കാത്ത ഒരു എമിഷൻ ഘടകം (ഇന്ധനത്തിൻ്റെയോ വൈദ്യുതിയുടെയോ യൂണിറ്റിന് കാർബൺ ഉദ്‌വമനത്തിൻ്റെ ഗുണകം) ന്യായമെന്ന് തോന്നുന്ന ഒരു സംഖ്യ ഉപയോഗിച്ച് "പൂരിപ്പിക്കാൻ" കഴിയും. ഈ സംഖ്യ മുഴുവൻ കാർബൺ ഫൂട്ട്പ്രിൻ്റ് കണക്കുകൂട്ടലും അസാധുവാക്കുന്നു.

2. നിലവിലില്ലാത്തതോ കാലഹരണപ്പെട്ടതോ ആയ നിയമനിർമ്മാണം/മാനദണ്ഡങ്ങൾ എന്നിവയെക്കുറിച്ചുള്ള പരാമർശം. "GRI 305-7" പോലെയുള്ള ഉള്ളടക്കം തെറ്റായി പ്രതിനിധീകരിക്കപ്പെട്ടതോ പൂർണ്ണമായും കെട്ടിച്ചമച്ചതോ ആയ യഥാർത്ഥ നമ്പറുകൾ സൃഷ്ടിക്കാൻ AI-ന് കഴിയും. മാനദണ്ഡങ്ങളും പതിവായി അപ്ഡേറ്റ് ചെയ്യുന്നു; മോഡലിന് അറിയാവുന്ന പതിപ്പ് കാലഹരണപ്പെട്ടതായിരിക്കാം.

3. ഗ്രീൻവാഷിംഗ് ഉണ്ടാക്കുന്ന ഭാഷ. "പരിസ്ഥിതി സൗഹാർദ്ദം", "പരിസ്ഥിതി സൗഹൃദം", "കാർബൺ ന്യൂട്രൽ" തുടങ്ങിയ നല്ല ശബ്ദമുള്ളതും എന്നാൽ അടിസ്ഥാനരഹിതവും തെറ്റിദ്ധരിപ്പിക്കുന്നതുമായ പ്രസ്താവനകൾ AI ഉത്സാഹത്തോടെ നിർമ്മിക്കുന്നു. ഈ പ്രസ്താവനകൾ ഇന്ന് നിയമപരമായ അപകടസാധ്യതയുള്ളതാണ്. ഞങ്ങൾ ഇത് യൂണിറ്റ് 10 ൽ ആഴത്തിൽ കവർ ചെയ്യും.

നുറുങ്ങ്: മൂന്ന് ചോദ്യങ്ങളോടെ ഓരോ സംഖ്യാപരമായ ESG ഫലത്തെയും സമീപിക്കുക: (1) അതിൻ്റെ യൂണിറ്റ് എന്താണ് (tCO₂e, kg, MWh)? (2) ഏത് രേഖയാണ് ഉറവിടം? (3) ഈ കണക്ക് ഒരു ഓഡിറ്ററോട് ഞാൻ എങ്ങനെ തെളിയിക്കും? ഈ മൂന്ന് ചോദ്യങ്ങൾ മുകുളത്തിലെ മിക്ക ESG തെറ്റുകളും പിടിക്കുന്നു. ഇവിടെ "tCO₂e" എന്നാൽ "ടൺ കാർബൺ ഡൈ ഓക്സൈഡ് തുല്യമായത്" എന്നാണ് അർത്ഥമാക്കുന്നത്; വ്യത്യസ്ത ഹരിതഗൃഹ വാതകങ്ങളെ ഒരു പൊതു യൂണിറ്റാക്കി മാറ്റുന്ന അളവാണിത്.

ഘട്ടം ഘട്ടമായി: ESG-യിലെ സുരക്ഷിത AI വർക്ക്ഫ്ലോ

1. സ്റ്റാൻഡേർഡിലേക്കും യൂണിറ്റിലേക്കും ടാസ്ക്ക് ലിങ്ക് ചെയ്യുക. "ഞങ്ങളുടെ കാർബൺ എമിഷൻ കണക്കാക്കുക" എന്നതിനുപകരം, "2024, ഇസ്താംബുൾ ഓഫീസ്, പ്രകൃതി വാതക ഉപഭോഗം 12,000 m³ എന്ന് പറയുക; GHG പ്രോട്ടോക്കോൾ സ്കോപ്പ് 1 രീതി ഉപയോഗിച്ച് tCO₂e-ലെ ഉദ്വമനം കണക്കാക്കുക, നിങ്ങൾ ഉപയോഗിക്കുന്ന എമിഷൻ ഘടകവും ഉറവിടവും വ്യക്തമാക്കുക."

2. ഉറവിടവും അനുമാനവും വ്യക്തമായി ചോദിക്കുക. ഏത് എമിഷൻ ഫാക്ടർ, ഏത് സ്റ്റാൻഡേർഡ്, ഏത് അനുമാനമാണ് ഓരോ നമ്പറിനും ഉപയോഗിച്ചതെന്ന് എഴുതാൻ AI-യോട് ആവശ്യപ്പെടുക. ഉറവിടം ഉദ്ധരിക്കാതെ ഒരു സംഖ്യയും സ്വീകരിക്കരുത്.

3. പ്രാഥമിക ഉറവിടം ഉപയോഗിച്ച് പരിശോധിക്കുക. GRI അല്ലെങ്കിൽ EFRAG ഔദ്യോഗിക രേഖയിൽ നിന്നുള്ള സ്റ്റാൻഡേർഡ് ടെക്‌സ്‌റ്റായ ഒരു ഔദ്യോഗിക ഡാറ്റാബേസിൽ നിന്ന് (ഉദാ. ഊർജ്ജത്തിനുള്ള ദേശീയ വകുപ്പ്, UK DEFRA ഡാറ്റാസെറ്റ്, IEA) എമിഷൻ ഘടകം സ്ഥിരീകരിക്കുക. CSRD അടിസ്ഥാനമാക്കിയുള്ള ESRS (യൂറോപ്യൻ സുസ്ഥിരതാ റിപ്പോർട്ടിംഗ് മാനദണ്ഡങ്ങൾ) മാനദണ്ഡങ്ങൾ തയ്യാറാക്കുന്ന യൂറോപ്യൻ സ്ഥാപനമാണ് EFRAG.

4. ഓഡിറ്റ് ട്രയൽ സംരക്ഷിക്കുക. നിങ്ങൾ ഏത് ഡാറ്റയാണ് ഉപയോഗിച്ചത്, ഏത് ഉറവിടത്തിൽ നിന്നാണ്, ഏത് തീയതിയിൽ, ഏത് അനുമാനത്തിന് കീഴിലാണ് ഒരു പട്ടികയിൽ എഴുതുക. അഷ്വറൻസ് ഓഡിറ്റർ (സ്വതന്ത്ര വെരിഫയർ) ഇത് അഭ്യർത്ഥിക്കും.

5. അന്തിമ ക്ലെയിം സ്ഥിരീകരിക്കാൻ ഒരു മനുഷ്യനെ ആവശ്യപ്പെടുക. എല്ലാ പൊതു ESG ക്ലെയിമിന് പിന്നിലും ഉത്തരവാദിത്തമുള്ള ഒരു വ്യക്തി ഉണ്ടായിരിക്കണം.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ഒരേ ജോലി രണ്ട് തരത്തിൽ അഭ്യർത്ഥിക്കുന്നത് ഫലത്തിൻ്റെ വിശ്വാസ്യതയെ സമൂലമായി മാറ്റുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ്:

ഞങ്ങളുടെ കമ്പനിയുടെ കാർബൺ കാൽപ്പാട് കണക്കാക്കി സുസ്ഥിരതാ റിപ്പോർട്ടിനായി ഒരു ഖണ്ഡിക എഴുതുക.

ഈ ക്ലെയിമിൽ യൂണിറ്റ്, സ്കോപ്പ്, വർഷം, ഡാറ്റ, ഉറവിടം എന്നിവ ഉൾപ്പെടുന്നില്ല; AI ശൂന്യമായ ഇടങ്ങൾ ഫാബ്രിക്കേഷൻ ഉപയോഗിച്ച് പൂരിപ്പിക്കുകയും ഗ്രീൻവാഷിംഗ് നിറഞ്ഞ ടെക്സ്റ്റ് നിർമ്മിക്കുകയും ചെയ്യുന്നു.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: ഒരു മുതിർന്ന ESG റിപ്പോർട്ടിംഗ് സ്പെഷ്യലിസ്റ്റ്. ഇൻപുട്ട് ഡാറ്റ (ഇവ മാത്രം ഉപയോഗിക്കുക, നഷ്‌ടപ്പെട്ടാൽ 'ഡാറ്റ വേണ്ട' എന്ന് എഴുതുക):- 2024, പ്രകൃതിവാതകം: 12,000 m³- 2024, ഗ്രിഡ് വൈദ്യുതി: 85,000 kWhTask: CO₂e-ലെ GHG പ്രോട്ടോക്കോളും Scope-2 അടിസ്ഥാനമാക്കിയുള്ള എമിഷൻ കണക്കാക്കുക (Scope-2 അടിസ്ഥാനമാക്കി) method.Rules:- നിങ്ങൾ ഉപയോഗിക്കുന്ന ഓരോ എമിഷനും ഒരു പ്രത്യേക കോളത്തിൽ ഘടകം, യൂണിറ്റ്, ഉറവിടം എന്നിവ വ്യക്തമാക്കുക. - നിങ്ങൾക്ക് ഘടകം അറിയില്ലെങ്കിൽ, അത് ഉണ്ടാക്കരുത്; "ഔദ്യോഗിക ഘടകം ആവശ്യമാണ്" എന്ന് എഴുതുക. - ഫലം ഒരു പട്ടികയിൽ നൽകുക; അവസാനം പരിശോധിച്ചുറപ്പിക്കേണ്ട ഇനങ്ങൾ ലിസ്റ്റ് ചെയ്യുക.

ധാർമ്മികത, സ്വകാര്യത, അതിരുകൾ

ESG ഡാറ്റ പലപ്പോഴും സെൻസിറ്റീവ് ആണ്: ജീവനക്കാരുടെ ലിംഗഭേദവും ശമ്പള ഡാറ്റയും (സാമൂഹിക സൂചകങ്ങൾ), വിതരണക്കാരൻ്റെ കരാർ നിബന്ധനകൾ, സാമ്പത്തിക പ്രത്യാഘാതങ്ങൾ ഇതുവരെ വെളിപ്പെടുത്തിയിട്ടില്ല. ഒരു പൊതു AI ടൂളിലേക്ക് ഈ ഡാറ്റ നൽകുന്നതിന് മുമ്പ് സ്വകാര്യത അതിർത്തി വ്യക്തമാക്കുക. AI-ക്ക് നൽകുന്നതിന് മുമ്പ് വ്യക്തിഗത ഡാറ്റ (പേര്, ഐഡി, കെവികെകെ, ജിഡിപിആർ എന്നിവയുടെ പരിധിയിലുള്ള ശമ്പളം) അജ്ഞാതമാക്കുക അല്ലെങ്കിൽ സമാഹരിക്കുക; അതായത്, വ്യക്തിഗത ആളുകൾക്ക് പകരം, "സ്ത്രീ ജീവനക്കാരുടെ നിരക്ക് 38%" പോലെയുള്ള സംഗ്രഹ സംഖ്യകളാക്കി മാറ്റുക. KVKK എന്നത് തുർക്കിയുടെ വ്യക്തിഗത ഡാറ്റ സംരക്ഷണ നിയമവും GDPR എന്നത് യൂറോപ്പിൻ്റെ വ്യക്തിഗത ഡാറ്റ സംരക്ഷണ നിയമവുമാണ്.

മുന്നറിയിപ്പ്: ഒരു ESG റിപ്പോർട്ടിലെ തെറ്റായതോ അതിശയോക്തിപരമോ ആയ ഒരു ക്ലെയിം ഒരു പ്രശസ്തി അപകടസാധ്യത മാത്രമല്ല; ഇത് CSRD, ദേശീയ ഉപഭോക്തൃ നിയമനിർമ്മാണം എന്നിവയ്ക്ക് കീഴിലുള്ള പിഴകൾക്കും നിയമപരമായ ബാധ്യതയ്ക്കും കാരണമായേക്കാം. AI നിർമ്മിച്ച ക്ലെയിമുകളൊന്നും തെളിവില്ലാതെ പ്രസിദ്ധീകരിക്കരുത്.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - കൃത്രിമ ഘടകം. ഒരു നിർമ്മാണ കമ്പനി AI-ക്ക് ഡീസൽ ഉപഭോഗം നൽകുകയും എമിഷൻ കണക്കാക്കാൻ ആവശ്യപ്പെടുകയും ചെയ്തു. YZ "ഡീസൽ 2.40 kgCO₂e/ലിറ്റർ" എന്ന ഘടകം ഉപയോഗിച്ചു. വിദഗ്ധൻ പരിശോധിച്ചു: ഔദ്യോഗിക ഘടകം ഏകദേശം 2.68 kgCO₂e/ലിറ്റർ ആയിരുന്നു. വ്യത്യാസം 10% ആയിരുന്നു, 40,000 ലിറ്റർ ഉപഭോഗത്തിന് ഏകദേശം 11 ടൺ CO₂e വ്യതിചലനമാണ് അർത്ഥമാക്കുന്നത്. ഔദ്യോഗിക ഉറവിടത്തിൽ നിന്ന് ഘടകം ശരിയാക്കി.

കേസ് 2 - നിലവിലില്ലാത്ത നിലവാരം. റിപ്പോർട്ടിനായി "GRI 305-8 ജല ഉപഭോഗം" എന്ന തലക്കെട്ട് YZ-നോട് ഒരു കൺസൾട്ടൻ്റ് ആവശ്യപ്പെട്ടു. GRI 303 പ്രകാരം വെള്ളം റിപ്പോർട്ട് ചെയ്യപ്പെടുമ്പോൾ; GRI 305 വായു ഉദ്വമനമാണ്. സ്റ്റാൻഡേർഡ് ടെക്സ്റ്റ് ഉപയോഗിച്ച് പരിശോധിച്ചപ്പോൾ, പിശക് പിടിക്കപ്പെടുകയും ഉള്ളടക്കം ശരിയായ ലേഖനത്തിലേക്ക് മാറ്റുകയും ചെയ്തു.

കേസ് 3 - ഗ്രീൻവാഷിംഗ് ഭാഷ. YZ ഒരു റീട്ടെയിൽ ബ്രാൻഡിനായി "ഞങ്ങളുടെ ഉൽപ്പന്നങ്ങൾ പൂർണ്ണമായും പരിസ്ഥിതി സൗഹൃദമാണ്" എന്ന വാചകം നിർദ്ദേശിച്ചു. ESG ടീം ഇത് തെളിയിക്കാനാകാത്തതായി കണ്ടെത്തി, "ഞങ്ങളുടെ പാക്കേജിംഗിൻ്റെ 60% റീസൈക്കിൾ ചെയ്‌തതാണ് (2024, ആന്തരിക അളവെടുപ്പ്)" പോലെയുള്ള കോൺക്രീറ്റ്, തെളിയിക്കാവുന്ന ഒരു പ്രസ്താവന ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിച്ചു.

ഓഡിറ്റ്-റെഡി വർക്കിനായി ആവശ്യപ്പെടുന്നു

താഴെയുള്ള ESG ടെക്‌സ്‌റ്റ് ഒരു ഓഡിറ്റിംഗ് കണ്ണ് ഉപയോഗിച്ച് പരിശോധിക്കുക. ഓരോ സംഖ്യാ ക്ലെയിമിനും: 1) യൂണിറ്റ് വ്യക്തമാണോ? 2) ഉറവിടം വ്യക്തമാക്കിയിട്ടുണ്ടോ? 3) ഇത് പരിശോധിക്കാവുന്നതാണോ അതോ ആത്മനിഷ്ഠമാണോ / അതിശയോക്തിപരമാണോ? "ഇക്കോ ഫ്രണ്ട്ലി, ഗ്രീൻ, നാച്വറൽ" എന്നിങ്ങനെയുള്ള അടിസ്ഥാനരഹിതമായ അല്ലെങ്കിൽ അവ്യക്തമായ പ്രസ്താവനകൾ അടയാളപ്പെടുത്തുകയും ഓരോന്നിനും കൃത്യമായതും അളക്കാവുന്നതുമായ ഒരു ബദൽ നിർദ്ദേശിക്കുകയും ചെയ്യുക. വാചകം: [TEXT]

ഓർഗനൈസേഷനിലെ AI ഉപയോഗത്തിൻ്റെ പരിധി വ്യക്തമാക്കുന്ന ഒരു ഹ്രസ്വ നയ രൂപരേഖ ഇനിപ്പറയുന്ന പ്രോംപ്റ്റ് നിർമ്മിക്കുന്നു.

നിങ്ങളുടെ റോൾ: ഒരു സുസ്ഥിര ടീം ലീഡർ. ടാസ്ക്: ESG വർക്കിൽ AI-യുടെ ടീമിൻ്റെ ഉപയോഗത്തെ നിയന്ത്രിക്കുന്ന 1-പേജ് ആന്തരിക നയ ഡ്രാഫ്റ്റ് എഴുതുക. ഉൾപ്പെടുത്തുക:- AI സ്വതന്ത്രമായി ഉപയോഗിക്കാനാകുന്ന ടാസ്‌ക്കുകൾ (ഔട്ട്‌ലൈൻ, സംഗ്രഹം, ഫോർമാറ്റിംഗ്)- മനുഷ്യ പരിശോധന ആവശ്യമായ ടാസ്‌ക്കുകൾ (നമ്പർ, ഘടകം, സ്റ്റാൻഡേർഡ് ആട്രിബ്യൂഷൻ, ക്ലെയിം)- AI-യിൽ ഒരിക്കലും നൽകാത്ത ഡാറ്റ തരങ്ങൾ (വ്യക്തിഗത ഡാറ്റ, വെളിപ്പെടുത്താത്ത സാമ്പത്തിക ആഘാതം) ടോൺ: വ്യക്തം, ബുള്ളറ്റ് പോയിൻ്റ്, ബാധകം.

ഇനിപ്പറയുന്ന പ്രോംപ്റ്റ് ഒരു ചെറിയ "ഓഡിറ്റ് ട്രയൽ" ടേബിൾ അസ്ഥികൂടം സജ്ജമാക്കുന്നു, അത് ഓരോ ESG ഡെലിവറിയിലും ചേർക്കാം.

ഇനിപ്പറയുന്ന അക്കൗണ്ടിന് അടുത്തായി ഒരു ഓഡിറ്റ് ട്രയൽ ടേബിൾ നിർമ്മിക്കുക. നിരകൾ: ഡാറ്റ ഇനം | മൂല്യം | യൂണിറ്റ് | ഉറവിട പ്രമാണം | തീയതി | അനുമാനം | ഇത് പരിശോധിച്ചിട്ടുണ്ടോ? ഉറവിടം അജ്ഞാതമാണെങ്കിൽ ഓരോ വരിയിലും "ഉറവിടം ആവശ്യമാണ്" എന്ന് എഴുതുക. എൻട്രി: [ACCOUNT]

സാധാരണ തെറ്റുകൾ

• ഉറവിടമില്ലാതെ നമ്പർ സ്വീകരിക്കുന്നു. YZ നൽകുന്ന എല്ലാ എമിഷൻ ഘടകങ്ങളും കണക്കും ഔദ്യോഗിക ഉറവിടം സ്ഥിരീകരിക്കാതെ റിപ്പോർട്ടിൽ ഉൾപ്പെടുത്തിയിട്ടില്ല.
• യൂണിറ്റിനെ അവഗണിക്കുന്നു. കിലോയെ ടൺ, kWh, MWh എന്നിവയുമായി ആശയക്കുഴപ്പത്തിലാക്കിയാൽ, ഫലം 1000 മടങ്ങ് വ്യതിചലിക്കും.
• അവരുടെ സ്റ്റാൻഡേർഡ് തന്ത്രങ്ങളെ അന്ധമായി വിശ്വസിക്കുന്നു. GRI/ESRS പദാർത്ഥങ്ങളുടെ നമ്പറുകൾ ഒരു ഔദ്യോഗിക രേഖയോടൊപ്പം പരിശോധിച്ചുറപ്പിച്ചിരിക്കണം.
• സെൻസിറ്റീവ് ഡാറ്റ അതേപടി നൽകുന്നു. ജീവനക്കാരുടെയും വിതരണക്കാരുടെയും ഡാറ്റ അജ്ഞാതമാക്കാതെ പൊതു ഉപകരണത്തിലേക്ക് നൽകുന്നില്ല.
• ഓഡിറ്ററുടെ സ്ഥാനത്ത് AI ഇടുന്നു. AI-ക്ക് ഒരു ചെക്ക്‌ലിസ്റ്റ് നിർമ്മിക്കാൻ കഴിയും, എന്നാൽ അതിന് സ്വതന്ത്രമായ ഉറപ്പ് നൽകാൻ കഴിയില്ല.

ചുരുക്കത്തിൽ

ESG-യിലെ ശക്തമായ ഡ്രാഫ്റ്റിംഗ്, ഡാറ്റ ക്യൂറേഷൻ, വിശകലന പങ്കാളിയാണ് AI; എന്നാൽ ഇത് ഒരു കാൽക്കുലേറ്ററോ റെഗുലേറ്ററി ഡാറ്റാബേസോ ഓഡിറ്ററോ അല്ല. അതിൻ്റെ മൂല്യം അതിൻ്റെ സ്ഥിരീകരണത്തിലൂടെ വെളിപ്പെടുന്നു. പ്രാഥമിക ഉറവിടത്തിൽ നിന്ന് ഓരോ സംഖ്യയും സ്ഥിരീകരിക്കുക, എല്ലാ സ്റ്റാൻഡേർഡ് റഫറൻസും ഔദ്യോഗിക വാചകവുമായി താരതമ്യം ചെയ്യുക, സെൻസിറ്റീവ് ഡാറ്റയെ അജ്ഞാതമാക്കുക, അന്തിമ ക്ലെയിമിൻ്റെ ഉത്തരവാദിത്തം ഒരു മനുഷ്യനെ ഏൽപ്പിക്കുക എന്നിവയാണ് ഈ മൊഡ്യൂളിൻ്റെ നിരന്തരമായ നട്ടെല്ല്. "പ്രാപ്‌തമായി തോന്നുന്നതും" "ഓഡിറ്റ് പാസാകുന്നതും" തമ്മിലുള്ള വ്യത്യാസം ഒരിക്കലും മറക്കരുത്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ സ്വന്തം സ്ഥാപനത്തിൽ നിന്ന് (അല്ലെങ്കിൽ ഒരു സാങ്കൽപ്പിക കമ്പനി) പാരിസ്ഥിതിക ഡാറ്റയുടെ ഒരൊറ്റ ഇനം തിരഞ്ഞെടുക്കുക: ഉദാഹരണത്തിന്, പ്രതിമാസ വൈദ്യുതി ബിൽ. മുകളിലെ "പവർ പ്രോംപ്റ്റ്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് AI-യിൽ നിന്ന് ഒരു സ്കോപ്പ് 2 എമിഷൻ അക്കൗണ്ടിംഗ് അസ്ഥികൂടം അഭ്യർത്ഥിക്കുക. തുടർന്ന്: (1) അത് ഉപയോഗിക്കുന്ന എമിഷൻ ഘടകം ഒരു ഔദ്യോഗിക സ്രോതസ്സുമായി താരതമ്യം ചെയ്യുക, (2) യൂണിറ്റുകളുടെ സ്ഥിരത പരിശോധിക്കുക, (3) "പരിശോധിച്ചുറപ്പിക്കേണ്ട" ഇനങ്ങൾക്ക് ഒരു ചെറിയ ഓഡിറ്റ് ട്രയൽ പട്ടിക എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• AI നൽകുന്ന എല്ലാ നമ്പറുകളുടെയും യൂണിറ്റും ഉറവിടവും ഞാൻ ചോദ്യം ചെയ്തു.
• [ ] ഞാൻ ഒരു ഔദ്യോഗിക ഡാറ്റാബേസ് ഉപയോഗിച്ച് എമിഷൻ ഘടകങ്ങൾ സ്ഥിരീകരിച്ചു.
• [ ] ഞാൻ സ്റ്റാൻഡേർഡ് (GRI/ESRS) നമ്പറുകൾ ഔദ്യോഗിക വാചകം ഉപയോഗിച്ച് പരിശോധിച്ചു.
• [ ] എനിക്ക് അജ്ഞാതമാക്കുകയോ സംഗ്രഹിക്കുകയോ ചെയ്ത സെൻസിറ്റീവ്/വ്യക്തിഗത ഡാറ്റയുണ്ട്.
• [ ] "ഇക്കോ ഫ്രണ്ട്ലി, ഗ്രീൻ, നാച്വറൽ" എന്നിങ്ങനെയുള്ള തെളിവുകളില്ലാതെ ഞാൻ പ്രസ്താവനകൾ അടയാളപ്പെടുത്തി.
• [ ] ഓരോ തീരുമാനത്തിനും ഞാൻ ഒരു ഓഡിറ്റ് ട്രയൽ (ഉറവിടം, തീയതി, അനുമാനം) സൂക്ഷിച്ചു.
• [ ] അന്തിമ ക്ലെയിം സ്ഥിരീകരിക്കുന്ന ഉത്തരവാദിത്തമുള്ള ഒരു വ്യക്തിയെ ഞാൻ തിരിച്ചറിഞ്ഞു.