नफा:
- खर्च आणि जोखीम स्तरावर आधारित पुरवठादारांना प्राधान्य देऊन आणि वास्तविक डेटा आणि प्रॉक्सी अंदाज यांच्यात फरक करून स्कोप 3 स्थापित करण्याची क्षमता
- पुरवठादार जोखीम सिग्नल कृत्रिम बुद्धिमत्तेसह ध्वजांकित करताना, त्यांना पुरावा म्हणून न मानता 'तपासणीसाठी सिग्नल' म्हणून हाताळा.
- क्षेत्र तपासणी आणि कायदेशीर पुष्टी आवश्यक असलेल्या योग्य परिश्रम प्रक्रियेद्वारे गंभीर मानवी हक्क/पर्यावरण दावे व्यवस्थापित करण्याची क्षमता
बऱ्याच कंपन्यांसाठी, त्यांच्या टिकाऊपणाच्या प्रभावाचा सर्वात मोठा भाग त्यांच्या स्वतःच्या कारखान्यात नसून त्यांच्या पुरवठा साखळीत आहे. कपड्यांच्या ब्रँडच्या 80 टक्क्यांहून अधिक कार्बन फूटप्रिंट त्याच्या पुरवठादारांकडून येऊ शकतात, फॅब्रिक उत्पादकांपासून ते शिपिंगपर्यंत. त्याचप्रमाणे, सर्वात गंभीर सामाजिक जोखीम, जसे की बालमजुरी, सक्तीचे श्रम आणि पर्यावरणाचे उल्लंघन, अनेकदा पुरवठा साखळीत खोलवर आढळतात. या युनिटमध्ये, तुम्ही पुरवठा शृंखला डेटा आणि जोखमीसाठी स्क्रीन गोळा करण्यासाठी आणि मूल्यांकन करण्यासाठी कृत्रिम बुद्धिमत्ता (AI) कसे वापरावे ते शिकाल.
चला दोन संकल्पना स्पष्ट करू. स्कोप 3, जसे आपण मागील युनिटमध्ये पाहिले, कंपनीच्या मूल्य शृंखलेतील अप्रत्यक्ष उत्सर्जन आहे आणि सामान्यत: सर्वात मोठे परंतु मोजण्यासाठी सर्वात कठीण आहे. योग्य परिश्रम ही कंपनीच्या पुरवठा साखळीतील मानवी हक्क आणि पर्यावरणीय धोके ओळखणे, प्रतिबंध करणे आणि त्यावर उपाय करणे ही प्रक्रिया आहे. EU चे CSDDD (कॉर्पोरेट सस्टेनेबिलिटी ड्यू डिलिजेन्स डायरेक्टिव्ह) सारखे नियम मोठ्या कंपन्यांसाठी हे अनिवार्य करतात.
पुरवठा साखळी डेटाचे मुख्य आव्हान
तुम्ही तुमच्या स्वतःच्या सुविधेचा डेटा मोजू शकता; परंतु आपण शेकडो पुरवठादारांचा डेटा थेट मोजू शकत नाही, आपल्याला त्यांना विचारावे लागेल. हे तीन समस्या निर्माण करते:
- डेटा येत नाही किंवा अपूर्ण आहे. बहुतेक लहान पुरवठादार कार्बन डेटा ठेवत नाहीत.
- डेटा अविश्वसनीय आहे. जेव्हा एखादा पुरवठादार स्व-अहवाल देतो, तेव्हा ओव्हरस्टेटमेंट किंवा अंडररिपोर्टिंग असू शकते.
- अंदाज (प्रॉक्सी) आवश्यक आहे. वास्तविक डेटा उपलब्ध नसल्यास, उद्योग सरासरी किंवा खर्च-आधारित अंदाज वापरला जातो.
येथे AI दोन प्रकारे मदत करते: (1) शेकडो पुरवठादारांना पाठवण्यासाठी सर्वेक्षण आणि फॉलो-अप पत्रे त्वरीत तयार करणे, (2) विखुरलेल्या प्रतिसादांची रचना करणे आणि जोखीम सिग्नल ध्वजांकित करणे. परंतु पुरवठादाराने दिलेल्या कोणत्याही क्रमांकाची पडताळणी केली जात नाही, मानवी पुनरावलोकनाशिवाय कोणताही धोका संकेत मिळत नाही.
स्कोप 3 श्रेणी (उदाहरण)
डेटा स्रोत
ठराविक पद्धत
खरेदी केलेल्या वस्तू/सेवा
पुरवठादार सर्वेक्षण / खर्च
वास्तविक डेटा > प्रॉक्सी
शिपिंग आणि वितरण
वाहक रेकॉर्ड
अंतर × भार × घटक
व्यवसाय प्रवास
प्रवास प्रणाली
किमी/फ्लाइट × घटक
विक्री केलेल्या उत्पादनाचा वापर
उत्पादन ऊर्जा डेटा
वापर मॉडेल
कचरा
कचरा हस्तांतरण दस्तऐवज
परिमाण × घटक
टीप: स्कोप 3 मध्ये, "खर्च-आधारित" अंदाज (एवढा CO₂e प्रति $1,000 खर्च) ही एक झटपट सुरुवात आहे, परंतु एक ढोबळ आहे. जेव्हा एखादा पुरवठादार वास्तविक डेटा प्रदान करतो, तेव्हा त्याचा वापर करा; वास्तविक डेटा नसल्यास खर्च-आधारित अंदाज केवळ तात्पुरता असतो आणि अहवालात "अंदाज/प्रॉक्सी" म्हणून चिन्हांकित केले जावे.
स्टेप बाय स्टेप: AI सह पुरवठा साखळी वर्कफ्लो
1. पुरवठादारांना प्राधान्य द्या. आपण सर्व शेकडो पुरवठादारांचे समान खोलीत परीक्षण करू शकत नाही. जास्त खर्चाचा आकार आणि जोखीम असलेल्यांवर लक्ष केंद्रित करा (क्षेत्र, देश). AI या प्राधान्यक्रमाने मसुदा यादी तयार करू शकते.
2. मसुदा सर्वेक्षण आणि विनंती. एआय ला स्पष्ट, सहज भरता येण्याजोगे पुरवठादार डेटा सर्वेक्षण बाह्यरेखा विचारा.
3. येणारा डेटा कॉन्फिगर करा. वेगवेगळ्या स्वरूपातील उत्तरे एका टेबलमध्ये ठेवा; गहाळ भाग चिन्हांकित करा.
4. जोखीम संकेतांसाठी स्कॅन करा. AI ला सार्वजनिक बातम्या, उल्लंघन रेकॉर्ड आणि सर्वेक्षणातील विसंगतींमध्ये "लाल ध्वज" उमेदवार शोधू द्या; पण मानव प्रत्येक सिग्नल पडताळतो.
5. कृती आणि पाठपुरावा. उच्च-जोखीम पुरवठादारांसाठी सुधारात्मक कृती आणि पाठपुरावा योजना स्थापित करा; प्रक्रियेचे दस्तऐवजीकरण करा.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
आमच्या पुरवठादारांच्या कार्बन फूटप्रिंटची गणना करा.
कोणताही डेटा स्रोत नाही, वास्तविक/प्रॉक्सी भेद नाही आणि कोणतेही सत्यापन नाही; AI पुरवठादार क्रमांक बनवते.
शक्तिशाली सूचना:
तुमची भूमिका: पुरवठा साखळी स्थिरता विश्लेषक. इनपुट: 15 पुरवठादारांची नावे, उद्योग, वार्षिक खर्चाची रक्कम आणि त्यांनी प्रदान केलेला वास्तविक उत्सर्जन डेटा (असल्यास). कार्य: 1) जे वास्तविक डेटा प्रदान करतात त्यांच्यासाठी तो डेटा वापरा. 2) ज्यांच्याकडे खरा डेटा नाही त्यांच्यासाठी "खर्च-आधारित प्रॉक्सी आवश्यक आहे" असे लिहा, नंबर फिट करू नका; अधिकृत स्त्रोताकडून कोणता घटक मिळवायचा ते निर्दिष्ट करा.3) उच्च खर्च + उच्च जोखीम उद्योगात पुरवठादारांना प्राधान्य द्या. आउटपुट: टेबल (पुरवठादार | उद्योग | खर्च | डेटा प्रकार[वास्तविक/प्रॉक्सी] |प्राधान्य | टीप). अहवालात प्रॉक्सी क्रमांक चिन्हांकित केले जातील.
पुरवठादार जोखीम तपासणीसाठी सूचना
खालील पुरवठादारांच्या यादीसाठी जोखीम तपासणी स्कॅफोल्ड सेट करा. प्रत्येक पुरवठादाराचे मूल्यांकन करा (केवळ मी दिलेल्या माहितीवर आधारित, सार्वजनिक दावा खोटा):- देश/क्षेत्राकडून संभाव्य मानवी हक्क धोका (उच्च/मध्यम/निम्न) - संभाव्य पर्यावरणीय जोखीम- सर्वेक्षणाच्या प्रतिसादात विसंगती/रेड फ्लॅग्स नियम: प्रत्येक जोखमीसाठी “सत्यापन आवश्यक आहे — स्रोत नाही” अशी नोंद जोडा; निश्चित आरोप करू नका, फक्त तपासासाठी सिग्नल सुचवा. सूची: [पुरवठादार]
खालील प्रॉम्प्ट पुरवठादारांना पाठवण्यासाठी डेटा विनंती सर्वेक्षणाचा मसुदा तयार करतो.
तुमची भूमिका: टिकाऊपणा सोर्सिंग विशेषज्ञ. कार्य: लहान/मध्यम पुरवठादार सहजपणे पूर्ण करू शकतील अशा 10 प्रश्नांपेक्षा जास्त नसलेल्या ESG डेटा सर्वेक्षणाचा मसुदा तयार करा. समाविष्ट करा: ऊर्जेचा वापर, इंधनाचा प्रकार, कचरा, व्यावसायिक सुरक्षा अपघातांची संख्या, सक्ती/बालमजुरीची वचनबद्धता. टोन: साधे, स्पष्ट, पूर्ण करणे सोपे; प्रत्येक प्रश्नासाठी एकके आणि उदाहरणे जोडा.
सावधगिरी: पुरवठादाराविषयी (उदा. "बालमजुरी") AI ची पडताळणी करू नका आणि पुरावा म्हणून AI द्वारे व्युत्पन्न केलेला दावा कधीही वापरू नका. अशा गंभीर दाव्यांची खात्री केवळ विश्वसनीय स्त्रोत, क्षेत्र तपासणी आणि कायदेशीर प्रक्रियेद्वारे केली जाते. एआय फक्त "तपासणीसाठी सिग्नल" तयार करते; न्याय करत नाही.
तीन लहान प्रकरणे
केस 1 - प्रॉक्सीचा प्रामाणिक वापर. एका फर्निचर उत्पादकाच्या 200 पुरवठादारांपैकी केवळ 30 पुरवठादारांनी वास्तविक कार्बन डेटा प्रदान केला. संघाने उर्वरित 170 साठी खर्च-आधारित प्रॉक्सी वापरली, परंतु अहवाल स्पष्टपणे सांगतो, "स्कोप 3 मधील 65% खर्च-आधारित अंदाज आहे." हा प्रामाणिकपणा ऑडिटरने मान्य केला; ते लपवून ठेवले असते तर आश्वासन नाकारले असते.
केस 2 - प्राधान्यक्रम. एका फूड कंपनीचे ४८० पुरवठादार होते. AI ने दाखवले की 80% खर्च 40 पुरवठादारांवर केंद्रित आहे. संघाने या 40 वर खोल गोतावळ्यावर लक्ष केंद्रित केले; संसाधने वाया गेली नाहीत आणि वास्तविक डेटासह सर्वाधिक प्रभाव पुरवठादार नोंदवले गेले.
केस 3 - खोट्या आरोपाचा धोका. AI ने पुरवठादाराला "संभाव्य सक्तीचे श्रम" म्हणून ध्वजांकित केले; कारण फक्त राष्ट्रीय सरासरी होती. टीमने हे "तपासणी करण्याचे संकेत" म्हणून स्वीकारले, पुरावे नव्हे, आणि फील्ड तपासणीची विनंती केली. तपासणीत कोणतीही समस्या आढळली नाही; जर AI चे संकेत पुरावा म्हणून घेतले गेले तर, एक अयोग्य आरोप आणि कायदेशीर धोका निर्माण होईल.
सामान्य चुका
- पुरवठादार डेटा सत्यापित न करता स्वीकारणे. सेल्फ-रिपोर्टिंग पुरवठादार डेटासाठी क्रॉस-चेकिंग आवश्यक आहे.
- प्रॉक्सी लपवत आहे. खर्च-आधारित अंदाज वापरणे चांगले आहे; निर्दिष्ट न करणे ऑडिटिंगमध्ये एक समस्या आहे.
- सर्व पुरवठादारांची समान तपासणी करणे. सोर्सिंगने उच्च खर्च आणि उच्च जोखीम पुरवठादारांवर लक्ष केंद्रित केले पाहिजे.
- पुराव्यासाठी AI सिग्नल चुकणे. मानवी हक्क/पर्यावरण उल्लंघनाचे दावे फील्ड आणि कायद्याद्वारे सत्यापित केले जातात, AI द्वारे नाही.
- स्किप स्किप 3 पूर्णपणे. सर्वात मोठा प्रभाव सहसा येथे असतो; ते "मापन करणे कठीण" आहे या कारणास्तव त्याकडे दुर्लक्ष केले जाऊ शकत नाही.
सारांशात
पुरवठा साखळी ही अशी आहे जिथे बहुतेक कंपन्यांचा सर्वात मोठा पर्यावरणीय आणि सामाजिक प्रभाव लपविला जातो; स्कोप 3 उत्सर्जन आणि योग्य परिश्रम जोखीम येथे केंद्रित आहेत. AI; पुरवठादार प्राधान्यक्रम, सर्वेक्षणाचा मसुदा तयार करणे, विखुरलेल्या प्रतिसादांची रचना करणे आणि जोखीम सिग्नल ध्वजांकित करणे यासाठी ही एक शक्तिशाली मदत आहे. परंतु पुरवठादाराच्या डेटाची पडताळणी होईपर्यंत, प्रॉक्सी स्पष्टपणे नमूद केल्या जात नाहीत आणि गंभीर आरोपांची फील्ड तपासणीद्वारे पुष्टी होईपर्यंत अहवालात समाविष्ट केला जात नाही. एआय सिग्नल व्युत्पन्न करते; माणूस निर्णय आणि जबाबदारी स्वीकारतो.
अर्ज कार्य
नाव, उद्योग आणि वार्षिक खर्चासह 10 काल्पनिक पुरवठादारांची यादी तयार करा; काहींमध्ये वास्तविक उत्सर्जन डेटा जोडा, बहुतेक रिक्त सोडा. वरील शक्तिशाली प्रॉम्प्टद्वारे AI ला प्राधान्यक्रम आणि डेटा प्रकाराच्या सारणीसाठी विचारा. नंतर: (1) प्रॉक्सी आवश्यक असलेल्या पुरवठादारांची संख्या बनलेली नाही याची पडताळणी करा, (2) औचित्यसह 3 सर्वोच्च प्राधान्य पुरवठादार निवडा, (3) त्यांना पाठवण्यासाठी एक लहान डेटा सर्वेक्षणाचा मसुदा तयार करा.
चेकलिस्ट
- खर्च आणि जोखीम स्तरावर आधारित मी पुरवठादारांना प्राधान्य दिले.
- मी वास्तविक डेटा वापरला; ज्यांच्याकडे ते नाही त्यांच्यासाठी मी प्रॉक्सी चिन्हांकित केली आहे.
- [ ] मी पुरवठादार डेटाचे मूल्यमापन जसे आहे तसे नाही, परंतु क्रॉस-चेकिंगद्वारे केले.
- [ ] मी जोखीम संकेतांना "तपासले जावे" असे मानले आणि त्यांचा पुरावा म्हणून वापर केला नाही.
- गंभीर दाव्यांसाठी मी फील्ड ऑडिट/कायदेशीर पडताळणी पायरीची योजना आखली आहे.
- [ ] मी स्कोप 3 वगळले नाही; मी अहवालात व्याप्ती आणि अंदाज दर सांगितले.
- [ ] मी संपूर्ण प्रक्रिया योग्य परिश्रमपूर्वक दस्तऐवजासह रेकॉर्ड केली.