ईएसजी आणि टिकाऊपणामध्ये एआयचा परिचय: भूमिका, सीमा, प्रमाणीकरण आणि नैतिकता

नफा:

• कृत्रिम बुद्धिमत्ता ईएसजी वर्कफ्लोमध्ये कुठे वेळ वाचवते (डेटा, खाती, मॅपिंग, रिपोर्टिंग) आणि जिथे घटक, मानक आणि दाव्याचे निर्णय जोखमीच्या पातळीनुसार मानवांवर सोडले जातात हे वेगळे करण्यात सक्षम असणे
• प्रत्येक संख्यात्मक आणि गुणात्मक आउटपुटचे युनिट, स्त्रोत आणि ऑडिट ट्रेल पायऱ्यांसह ऑडिट करणारी शिस्त लागू करण्याची क्षमता
• बनावट उत्सर्जन घटक, बनावट मानक संदर्भ आणि ग्रीनवॉशिंग भाषा या व्यवसायासाठी जोखीम का आहेत हे समजून घेणे अगदी सुरुवातीपासूनच विचारात घेणे आवश्यक आहे.

कंपनीचा टिकाव अहवाल यापुढे केवळ एक सदिच्छा पुस्तिका नाही; हे एक दस्तऐवज आहे जे लेखा दस्तऐवज म्हणून बंधनकारक, ऑडिट केलेले आणि कायदेशीर परिणाम आहेत. युरोपियन युनियनच्या CSRD (कॉर्पोरेट सस्टेनेबिलिटी रिपोर्टिंग डायरेक्टिव्ह) नियमनासह, हजारो कंपन्या; त्यात कार्बन उत्सर्जन, कर्मचारी डेटा आणि पुरवठा शृंखलेवरील परिणाम अनिवार्य, पडताळणीयोग्य आणि तुलनात्मक पद्धतीने, आर्थिक स्टेटमेंट्सप्रमाणेच उघड करायचे होते. या युनिटमध्ये, तुम्ही आर्टिफिशियल इंटेलिजन्स (AI) या जड आणि डेटा-केंद्रित कार्यात खरोखर वेळ कुठे वाचवतो, ते कुठे धोकादायक आहे आणि प्रत्येक आउटपुटची पडताळणी कशी करावी हे शिकाल.

प्रथम, एक गंभीर संकल्पना. ESG हे इंग्रजी शब्द Environmental, Social and Governance चे आद्याक्षर आहे; हे फ्रेमवर्कचे नाव आहे जे कंपनीचे पर्यावरणीय प्रभाव जसे की कार्बन उत्सर्जन आणि पाण्याचा वापर, सामाजिक प्रभाव जसे की कर्मचारी हक्क आणि व्यावसायिक सुरक्षितता आणि प्रशासकीय पद्धती जसे की बोर्ड संरचना आणि नैतिकता मोजते. शाश्वतता अहवाल हे या तिन्ही क्षेत्रातील कामगिरीचे मानक पद्धतीने मोजमाप करत आहे आणि ते लोकांसमोर उघड करत आहे.

दुसरी गंभीर संकल्पना: भ्रम म्हणजे जेव्हा AI पूर्ण आत्मविश्वासाने सत्य नसलेली माहिती तयार करते. ईएसजी जगात हे; तुम्हाला एक काल्पनिक उत्सर्जन घटक, अस्तित्वात नसलेला GRI मानक क्रमांक, चुकीचे एकक किंवा अस्तित्वात नसलेल्या कायद्याच्या लेखाचा संदर्भ येऊ शकतो. महत्त्वाचा मुद्दा असा आहे की मोठे भाषा मॉडेल (LLM) हे कॅल्क्युलेटर, नियामक डेटाबेस किंवा ऑडिटर नसते. हा एक मजकूर जनरेटर आहे जो प्रशिक्षण डेटामध्ये पाहत असलेल्या मजकूरांचे सांख्यिकीय अनुकरण करतो. हे बहुतेक वेळा अचूक माहिती तयार करते; परंतु "बहुतेक वेळा अचूक" आणि "ऑडिट पास करण्यासाठी पुरेसे अचूक" मधील फरक ESG रिपोर्टिंगमध्ये आहे.

ESG मध्ये AI कुठे काम करते आणि कुठे नाही?

द्रुत मसुदा, डेटा क्युरेशन आणि विश्लेषण भागीदार म्हणून AI चा विचार करा: मूल्यवान परंतु प्रमाणीकरणासाठी आवश्यक. खालील फरक हा या मॉड्यूलचा कणा आहे.

शोध

AI चे योगदान

तज्ञाची जबाबदारी

डेटा संकलन

वेगवेगळे फॉरमॅट संपादित करते, स्पेस चिन्हांकित करते

स्त्रोत दस्तऐवजासह नंबरची पुष्टी करत आहे

उत्सर्जन खाते

सूत्र आणि गणना फ्रेमवर्क तयार करते

अधिकृत स्त्रोताकडून उत्सर्जन घटक सत्यापित करणे

GRI/CSRD मॅपिंग

मानक आयटमसाठी घटकांची शिफारस करते

प्रमाणित मजकूरासह अचूक तपासत आहे

भौतिकतेचे विश्लेषण

भागधारकांची मते थीममध्ये विभक्त करते

प्राधान्यक्रमाने निर्णय घ्या

अहवाल लेखन

मसुदा मजकूर आणि सारांश तयार करते

पुराव्यासह प्रत्येक दाव्याचे समर्थन करा

ग्रीनवॉशिंग नियंत्रण

ध्वज धोकादायक वाक्ये

अंतिम हक्काची जबाबदारी घ्या

अंगठ्याचा नियम: डेटावरच AI लागू करू नका; डेटा, स्कॅफोल्ड विश्लेषण आणि मसुदा मजकूर व्यवस्थापित करण्यासाठी वापरा; नेहमी प्राथमिक स्त्रोतासह प्रत्येक क्रमांक आणि प्रत्येक मानक संदर्भ सत्यापित करा (चालन, मीटर रेकॉर्ड, अधिकृत मानक मजकूर, उत्सर्जन घटक डेटाबेस). शाश्वतता अहवालातील प्रत्येक आकृतीच्या मागे एक ऑडिट ट्रेल असावा जो ऑडिटरला हवा असेल. AI हा पुरावा देऊ शकत नाही; ते फक्त तुम्हाला ते आयोजित करण्यात मदत करते.

ESG मध्ये AI चे तीन प्राणघातक सापळे

1. तयार केलेले उत्सर्जन घटक आणि संख्या. एआय वाजवी वाटणाऱ्या संख्येसह उत्सर्जन घटक (इंधन किंवा विजेच्या प्रति युनिट कार्बन उत्सर्जनाचा गुणांक) "भरू" शकतो. ही संख्या संपूर्ण कार्बन फूटप्रिंट गणना अवैध करते.

2. अस्तित्वात नसलेले किंवा कालबाह्य कायदे/मानकांचा संदर्भ. AI मानक क्रमांक तयार करू शकते जे वास्तविक दिसतात परंतु ज्यांची सामग्री चुकीची किंवा पूर्णपणे बनावट आहे, जसे की "GRI 305-7". मानके देखील नियमितपणे अद्यतनित केली जातात; मॉडेलला ज्ञात असलेली आवृत्ती जुनी असू शकते.

3. भाषा जी ग्रीनवॉशिंग तयार करते. AI उत्सुकतेने "पर्यावरणपूरक", "पर्यावरणपूरक", "कार्बन न्यूट्रल" यासारखी छान-आवाज देणारी पण अप्रमाणित आणि दिशाभूल करणारी विधाने तयार करते. या विधानांमध्ये आज कायदेशीर धोका आहे. आम्ही युनिट 10 मध्ये हे सखोलपणे कव्हर करू.

टीप: तीन प्रश्नांसह प्रत्येक संख्यात्मक ESG निकालाकडे जा: (1) त्याचे एकक काय आहे (tCO₂e, kg, MWh)? (2) कोणते दस्तऐवज स्त्रोत आहे? (३) ही आकडेवारी ऑडिटरला कशी सिद्ध करावी? हे तीन प्रश्न अंकुरातील बहुतेक ESG चुका पकडतात. येथे "tCO₂e" चा अर्थ "टन कार्बन डायऑक्साइड समतुल्य"; विविध हरितगृह वायूंचे एका सामान्य युनिटमध्ये रूपांतर करणारे हे माप आहे.

स्टेप बाय स्टेप: ESG मध्ये सुरक्षित AI वर्कफ्लो

1. कार्य मानक आणि युनिटशी लिंक करा. "आमच्या कार्बन उत्सर्जनाची गणना करा" ऐवजी, "2024, इस्तंबूल कार्यालय, नैसर्गिक वायूचा वापर 12,000 m³; GHG प्रोटोकॉल स्कोप 1 पद्धतीसह tCO₂e मध्ये उत्सर्जनाची गणना करा, तुम्ही वापरत असलेले उत्सर्जन घटक आणि स्रोत निर्दिष्ट करा."

2. स्त्रोत आणि गृहीतकासाठी स्पष्टपणे विचारा. एआयला प्रत्येक संख्येसाठी कोणते उत्सर्जन घटक, कोणते मानक आणि कोणते गृहितक वापरले ते लिहायला सांगा. स्त्रोत उद्धृत केल्याशिवाय कोणतीही संख्या स्वीकारू नका.

3. प्राथमिक स्त्रोतासह सत्यापित करा. अधिकृत डेटाबेसमधून उत्सर्जन घटकाची पुष्टी करा (उदा. राष्ट्रीय ऊर्जा विभाग, यूके DEFRA डेटासेट, IEA), GRI किंवा EFRAG अधिकृत दस्तऐवजातील मानक मजकूर. EFRAG ही युरोपियन संस्था आहे जी ESRS (युरोपियन सस्टेनेबिलिटी रिपोर्टिंग स्टँडर्ड्स) मानके तयार करते ज्यावर CSRD आधारित आहे.

4. ऑडिट ट्रेल जतन करा. तुम्ही कोणता डेटा वापरला, कोणत्या स्रोतावरून, कोणत्या तारखेला आणि कोणत्या गृहीतकानुसार वापरला हे टेबलमध्ये लिहा. ॲश्युरन्स ऑडिटर (स्वतंत्र सत्यापनकर्ता) याची विनंती करेल.

5. मानवाकडून अंतिम दाव्याची पुष्टी करा. प्रत्येक सार्वजनिक ESG दाव्यामागे एक जबाबदार व्यक्ती असणे आवश्यक आहे.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

एकाच कामाची दोन वेगवेगळ्या प्रकारे विनंती केल्याने निकालाची विश्वासार्हता आमूलाग्र बदलते.

कमकुवत प्रॉम्प्ट:

आमच्या कंपनीच्या कार्बन फूटप्रिंटची गणना करा आणि टिकाव अहवालासाठी परिच्छेद लिहा.

या दाव्यामध्ये युनिट, व्याप्ती, वर्ष, डेटा आणि स्रोत समाविष्ट नाही; AI रिकाम्या जागा फॅब्रिकेशनने भरते आणि ग्रीनवॉशिंगने परिपूर्ण मजकूर तयार करते.

शक्तिशाली सूचना:

तुमची भूमिका: वरिष्ठ ESG रिपोर्टिंग तज्ञ. इनपुट डेटा (केवळ हा वापरा, गहाळ असल्यास 'कोणताही डेटा नाही' लिहा):- 2024, नैसर्गिक वायू: 12,000 m³- 2024, ग्रिड वीज: 85,000 kWh कार्य: GHG प्रोटोकॉल आणि Scobased1 (Scobased) वापरून CO₂ मध्ये उत्सर्जनाची गणना करा. पद्धत.नियम:- तुम्ही वापरत असलेले प्रत्येक उत्सर्जन घटक, एकक आणि स्त्रोत वेगळ्या स्तंभात निर्दिष्ट करा. - जर तुम्हाला घटक माहित नसेल तर ते बनवू नका; "अधिकृत घटक आवश्यक" लिहा. - परिणाम टेबलमध्ये द्या; शेवटी सत्यापित करणे आवश्यक असलेल्या आयटमची यादी करा.

नैतिकता, गोपनीयता आणि सीमा

ESG डेटा सहसा संवेदनशील असतो: कर्मचारी लिंग आणि पगार डेटा (सामाजिक निर्देशक), पुरवठादार कराराच्या अटी, आर्थिक प्रभाव अद्याप उघड केलेले नाहीत. सार्वजनिक एआय टूलमध्ये हा डेटा प्रविष्ट करण्यापूर्वी गोपनीयता सीमा स्पष्ट करा. AI ला देण्यापूर्वी वैयक्तिक डेटा (नाव, आयडी, KVKK आणि GDPR च्या कार्यक्षेत्रातील पगार) अनामित करा किंवा एकत्रित करा; म्हणजेच, वैयक्तिक लोकांऐवजी, त्यांना "महिला कर्मचारी दर 38%" सारख्या सारांश क्रमांकांमध्ये बदला. KVKK हा Türkiye चा वैयक्तिक डेटा संरक्षण कायदा आहे आणि GDPR हा युरोपचा वैयक्तिक डेटा संरक्षण कायदा आहे.

खबरदारी: ESG अहवालातील खोटा किंवा अतिशयोक्तीचा दावा हा केवळ प्रतिष्ठेचा धोका नाही; याचा परिणाम CSRD आणि राष्ट्रीय ग्राहक कायद्यांतर्गत दंड आणि कायदेशीर दायित्व होऊ शकतो. AI ने तयार केलेले कोणतेही दावे पुराव्याशिवाय प्रकाशित करू नका.

तीन लहान प्रकरणे

केस 1 - विवादित घटक. एका उत्पादक कंपनीने AI ला डिझेलचा वापर दिला आणि उत्सर्जनाची गणना करण्यास सांगितले. YZ ने "डिझेलसाठी 2.40 kgCO₂e/लिटर" हा घटक वापरला. तज्ञाने तपासले: अधिकृत घटक अंदाजे 2.68 kgCO₂e/लिटर होता. हा फरक 10% होता आणि याचा अर्थ प्रति 40,000 लिटर वापरामध्ये अंदाजे 11 टन CO₂e चे विचलन होते. अधिकृत स्त्रोताकडून घटक दुरुस्त केला गेला आहे.

केस 2 - अस्तित्वात नसलेले मानक. एका सल्लागाराने YZ ला अहवालासाठी "GRI 305-8 पाण्याचा वापर" शीर्षक विचारले. तर पाणी GRI 303 अंतर्गत नोंदवले जाते; GRI 305 हे हवेचे उत्सर्जन आहे. मानक मजकूर तपासल्यावर, त्रुटी पकडली गेली आणि सामग्री योग्य लेखात हलवली गेली.

केस 3 - ग्रीनवॉशिंग भाषा. YZ ने रिटेल ब्रँडसाठी "आमची उत्पादने पूर्णपणे पर्यावरणास अनुकूल आहेत" हे वाक्य सुचवले. ईएसजी टीमला हे अप्रमाणित वाटले आणि ते "आमच्या पॅकेजिंगचा ६०% पुनर्नवीनीकरण (२०२४, अंतर्गत मापन)" सारख्या ठोस, सिद्ध करता येण्याजोग्या विधानाने बदलले.

ऑडिट-तयार कामासाठी सूचना

खालील ESG मजकूर ऑडिटिंग डोळ्याने तपासा. प्रत्येक संख्यात्मक दाव्यासाठी: 1) एकक स्पष्ट आहे का? २) स्रोत सांगितलेला आहे का? 3) ते सत्यापित करण्यायोग्य आहे की व्यक्तिपरक/ अतिशयोक्तीपूर्ण? अप्रमाणित किंवा अस्पष्ट विधाने जसे की "पर्यावरण-अनुकूल, हिरवे, नैसर्गिक" चिन्हांकित करा आणि प्रत्येकासाठी ठोस, मोजता येणारा पर्याय सुचवा. मजकूर: [TEXT]

खालील प्रॉम्प्ट एक संक्षिप्त धोरण बाह्यरेखा तयार करते जी संस्थेमध्ये AI वापरण्याची मर्यादा स्पष्ट करते.

तुमची भूमिका: एक शाश्वतता संघ नेता. कार्य: ESG कामात टीमच्या AI चा वापर नियंत्रित करणारा 1-पानांचा अंतर्गत धोरण मसुदा लिहा. समाविष्ट करा:- ज्या कार्यांमध्ये AI मुक्तपणे वापरले जाऊ शकते (रूपरेषा, सारांश, स्वरूपन)- मानवी पडताळणीची आवश्यकता असलेली कार्ये (संख्या, घटक, मानक विशेषता, दावा)- AI मध्ये कधीही प्रविष्ट होणार नाहीत असे डेटा प्रकार (वैयक्तिक डेटा, अघोषित आर्थिक प्रभाव) टोन: स्पष्ट, बुलेट-पॉइंट, लागू.

खालील प्रॉम्प्ट एक लहान "ऑडिट ट्रेल" टेबल स्केलेटन सेट करते जे प्रत्येक ESG डिलिव्हर करण्यायोग्य मध्ये जोडले जाऊ शकते.

खालील खात्याच्या पुढे ऑडिट ट्रेल टेबल तयार करा. स्तंभ: डेटा आयटम | मूल्य | युनिट | स्त्रोत दस्तऐवज | तारीख | गृहीतक | त्याची पडताळणी झाली आहे का? स्त्रोत अज्ञात असल्यास प्रत्येक ओळीवर "स्रोत आवश्यक" लिहा. प्रवेश: [खाते]

सामान्य चुका

• स्त्रोताशिवाय क्रमांक स्वीकारणे. YZ द्वारे दिलेला प्रत्येक उत्सर्जन घटक आणि आकृती अधिकृत स्त्रोताद्वारे पुष्टी केल्याशिवाय अहवालात समाविष्ट केलेली नाही.
• युनिटकडे दुर्लक्ष करणे. किलोचा टन, kWh आणि MWh मध्ये गोंधळ असल्यास, परिणाम 1000 पटीने विचलित होऊ शकतो.
• त्यांच्या प्रमाणित युक्त्यांवर आंधळेपणाने विश्वास ठेवणे. GRI/ESRS पदार्थ क्रमांक अधिकृत दस्तऐवजासह सत्यापित करणे आवश्यक आहे.
• आहे तसा संवेदनशील डेटा प्रविष्ट करत आहे. कर्मचारी आणि पुरवठादार डेटा सार्वजनिक साधनाला निनावीपणाशिवाय प्रदान केला जात नाही.
• ऑडिटरच्या जागी AI टाकणे. AI चेकलिस्ट तयार करू शकते, परंतु ते स्वतंत्र आश्वासन देऊ शकत नाही.

सारांशात

AI हे ESG मधील शक्तिशाली मसुदा, डेटा क्युरेशन आणि विश्लेषण भागीदार आहे; पण तो कॅल्क्युलेटर, नियामक डेटाबेस किंवा ऑडिटर नाही. त्याचे मूल्य त्याच्या पडताळणीतून दिसून येते. प्राथमिक स्त्रोताकडून प्रत्येक संख्येची पुष्टी करणे, अधिकृत मजकुराशी प्रत्येक मानक संदर्भाची तुलना करणे, संवेदनशील डेटा निनावी करणे आणि अंतिम हक्काची जबाबदारी मानवावर सोडणे हा या मॉड्यूलचा सतत आधार आहे. "अस्खलित दिसणे" आणि "ऑडिट पास होणे" यातील फरक कधीही विसरू नका.

अर्ज कार्य

तुमच्या स्वतःच्या संस्थेकडून (किंवा काल्पनिक कंपनी) पर्यावरण डेटाची एकच आयटम निवडा: उदाहरणार्थ, मासिक वीज बिल. वरील “पॉवर प्रॉम्प्ट” टेम्प्लेट वापरून AI कडून स्कोप 2 उत्सर्जन अकाउंटिंग स्केलेटनची विनंती करा. नंतर: (१) अधिकृत स्त्रोताशी ते वापरत असलेल्या उत्सर्जन घटकाची तुलना करा, (२) युनिट्सची सुसंगतता तपासा, (३) कोणत्या वस्तूंना “पडताळणी आवश्यक आहे” या यादीत एक लहान ऑडिट ट्रेल टेबल लिहा.

चेकलिस्ट

• [ ] मी AI ने दिलेल्या प्रत्येक संख्येचे एकक आणि स्त्रोत याबद्दल प्रश्न केला.
• [ ] मी अधिकृत डेटाबेससह उत्सर्जन घटकांची पुष्टी केली.
• मी अधिकृत मजकूरासह मानक (GRI/ESRS) क्रमांक सत्यापित केले आहेत.
• [ ] माझ्याकडे निनावी किंवा एकत्रित संवेदनशील/वैयक्तिक डेटा आहे.
• [ ] मी "इको-फ्रेंडली, हिरवे, नैसर्गिक" सारख्या पुराव्याशिवाय विधाने चिन्हांकित केली.
• प्रत्येक निर्णयासाठी मी ऑडिट ट्रेल (स्रोत, तारीख, गृहितक) ठेवले.
• [ ] मी एक जबाबदार व्यक्ती ओळखली आहे जी अंतिम दाव्याची पुष्टी करते.