Keuntungan:
- Keupayaan untuk mewujudkan Skop 3 dengan mengutamakan pembekal berdasarkan tahap perbelanjaan dan risiko serta membezakan antara data sebenar dan anggaran proksi
- Apabila menandakan isyarat risiko pembekal dengan kecerdasan buatan, anggap ia sebagai 'isyarat untuk diperiksa' dan bukannya sebagai bukti
- Keupayaan untuk mengurus tuntutan hak asasi manusia/persekitaran yang serius melalui proses usaha wajar yang memerlukan pemeriksaan lapangan dan pengesahan undang-undang
Bagi kebanyakan syarikat, bahagian terbesar impak kemampanan mereka bukan terletak pada kilang mereka sendiri tetapi pada rantaian bekalan mereka. Lebih daripada 80 peratus jejak karbon jenama pakaian boleh datang daripada pembekalnya, daripada pengeluar fabrik kepada penghantaran. Begitu juga, risiko sosial yang paling teruk, seperti buruh kanak-kanak, buruh paksa dan pelanggaran alam sekitar, sering berlaku jauh dalam rantaian bekalan. Dalam unit ini, anda akan belajar cara menggunakan kecerdasan buatan (AI) untuk mengumpul dan menilai data rantaian bekalan dan menyaring risiko.
Mari kita jelaskan dua konsep. Skop 3, seperti yang kita lihat dalam unit sebelumnya, ialah pelepasan tidak langsung dalam rantaian nilai syarikat dan secara amnya merupakan item terbesar tetapi paling sukar untuk diukur. Usaha wajar ialah proses mengenal pasti, mencegah dan memulihkan hak asasi manusia dan risiko alam sekitar dalam rantaian bekalan syarikat. Peraturan seperti CSDDD (Arahan Ketekunan Wajar Kelestarian Korporat) EU mewajibkan ini untuk syarikat besar.
Cabaran utama data rantaian bekalan
Anda boleh mengukur data kemudahan anda sendiri; Tetapi anda tidak boleh mengukur secara langsung data beratus-ratus pembekal, anda perlu bertanya kepada mereka. Ini mewujudkan tiga masalah:
- Data tidak sampai atau tidak lengkap. Kebanyakan pembekal yang lebih kecil tidak menyimpan data karbon.
- Data tidak boleh dipercayai. Apabila pembekal melaporkan diri, mungkin terdapat lebihan atau kurang laporan.
- Tekaan (proksi) diperlukan. Jika data sebenar tidak tersedia, purata industri atau anggaran berasaskan perbelanjaan digunakan.
Di sinilah AI membantu dalam dua cara: (1) merangka tinjauan dan surat susulan dengan cepat untuk dihantar kepada ratusan pembekal, (2) menstrukturkan respons yang berselerak dan menandakan isyarat risiko. Tetapi tiada nombor yang diberikan oleh pembekal disahkan, tiada isyarat risiko dibuat tanpa semakan manusia.
Skop 3 kategori (contoh)
Sumber data
Kaedah biasa
Barang/perkhidmatan yang dibeli
Tinjauan / perbelanjaan pembekal
Data sebenar > proksi
Penghantaran dan pengedaran
Rekod pembawa
Jarak × beban × faktor
perjalanan perniagaan
sistem perjalanan
Km/penerbangan × faktor
Penggunaan produk yang dijual
Data tenaga produk
Model penggunaan
pembaziran
Dokumen pemindahan sisa
Kuantiti × faktor
Petua: Dalam Skop 3, anggaran "berasaskan perbelanjaan" (CO₂e sebanyak ini bagi setiap $1,000 yang dibelanjakan) adalah permulaan yang cepat, tetapi yang kasar. Apabila pembekal menyediakan data sebenar, gunakannya; Anggaran berasaskan perbelanjaan hanya bersifat sementara jika tiada data sebenar dan harus ditandakan sebagai "anggaran/proksi" dalam laporan.
Langkah demi langkah: Aliran kerja rantaian bekalan dengan AI
1. Utamakan pembekal. Anda tidak boleh memeriksa semua beratus-ratus pembekal dalam kedalaman yang sama. Fokus pada mereka yang mempunyai saiz perbelanjaan dan risiko tinggi (sektor, negara). AI boleh menghasilkan senarai draf dengan keutamaan ini.
2. Draf tinjauan dan permintaan. Minta AI untuk garis tinjauan data pembekal yang jelas dan mudah diisi.
3. Konfigurasikan data masuk. Letakkan jawapan dalam format yang berbeza ke dalam satu jadual; Tandakan bahagian yang hilang.
4. Imbas untuk isyarat risiko. Minta AI mencari calon "bendera merah" dalam berita awam, pelanggaran rekod dan percanggahan tinjauan; Tetapi manusia mengesahkan setiap isyarat.
5. Tindakan dan mengejar. Mewujudkan tindakan pembetulan dan pelan susulan untuk pembekal berisiko tinggi; Dokumentasikan proses tersebut.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Kira jejak karbon pembekal kami.
Tiada sumber data, tiada perbezaan nyata/proksi, dan tiada pengesahan; AI membentuk nombor pembekal.
Gesaan kuat:
Peranan anda: penganalisis kemampanan rantaian bekalan. Input: 15 nama pembekal, industri, jumlah perbelanjaan tahunan dan data pelepasan sebenar yang mereka sediakan (jika ada). Tugasan: 1) Bagi mereka yang memberikan data sebenar, gunakan data tersebut. 2) Bagi mereka yang tidak mempunyai data sebenar, tulis "PROXY berasaskan perbelanjaan diperlukan", JANGAN FIT nombor; nyatakan faktor yang akan diperolehi daripada sumber rasmi.3) Utamakan pembekal dalam industri perbelanjaan tinggi + berisiko tinggi.Output: jadual (Pembekal | Industri | Perbelanjaan | Jenis data[sebenar/proksi] |Keutamaan | Nota). Nombor proksi akan ditanda dalam laporan.
Segera untuk pemeriksaan risiko pembekal
Sediakan perancah pemeriksaan risiko untuk senarai pembekal berikut. Nilai untuk setiap pembekal (hanya berdasarkan maklumat yang saya berikan, tuntutan awam PALSU):- Kemungkinan risiko hak asasi manusia dari negara/sektor (tinggi/sederhana/rendah)- Kemungkinan risiko alam sekitar- Ketidakkonsistenan dalam tindak balas tinjauan/tanda merahPeraturan: tambah nota “pengesahan diperlukan — tiada sumber” untuk setiap risiko; jangan buat tuduhan muktamad, cuma cadangkan isyarat untuk menyiasat.Senarai: [PEMBEKAL]
Gesaan berikut mendraf tinjauan permintaan data untuk dihantar kepada pembekal.
Peranan anda: pakar penyumberan kemampanan. Tugas: draf tinjauan data ESG tidak lebih daripada 10 soalan yang pembekal kecil/sederhana boleh selesaikan dengan mudah. Termasuk: penggunaan tenaga, jenis bahan api, sisa, bilangan kemalangan keselamatan pekerjaan, komitmen terhadap buruh paksa/kanak-kanak. Nada: ringkas, jelas, mudah dilengkapkan; Tambah unit dan contoh pada setiap soalan.
Awas: Jangan ada AI mengesahkan isyarat risiko tentang pembekal (mis. "buruh kanak-kanak") dan jangan sekali-kali menggunakan tuntutan yang dihasilkan oleh AI sebagai bukti. Tuntutan berat tersebut hanya disahkan oleh sumber yang boleh dipercayai, pemeriksaan lapangan dan proses undang-undang. AI hanya menghasilkan "isyarat untuk diperiksa"; tidak menghakimi.
tiga kes mini
Kes 1 — Penggunaan proksi secara jujur. Hanya 30 daripada 200 pembekal pengeluar perabot menyediakan data karbon sebenar. Pasukan itu menggunakan proksi berasaskan perbelanjaan untuk baki 170, tetapi laporan itu dengan jelas menyatakan, "65% daripada Skop 3 ialah anggaran berdasarkan perbelanjaan." Juruaudit mengakui kejujuran ini; jika ia disembunyikan, jaminan itu mungkin telah dinafikan.
Kes 2 — Keutamaan. Sebuah syarikat makanan mempunyai 480 pembekal. AI menunjukkan bahawa 80% daripada perbelanjaan tertumpu kepada 40 pembekal. Pasukan ini menumpukan selam dalam pada 40 ini; sumber tidak dibazirkan dan pembekal impak tertinggi dilaporkan dengan data sebenar.
Kes 3 — Risiko tuduhan palsu. AI menandakan pembekal sebagai "kemungkinan buruh paksa"; Sebabnya hanya purata kebangsaan. Pasukan menerima ini sebagai "isyarat untuk diperiksa", bukan bukti, dan meminta pemeriksaan lapangan. Pemeriksaan mendapati tiada masalah; Jika isyarat AI diambil sebagai bukti, tuduhan tidak adil dan risiko undang-undang akan timbul.
Kesilapan biasa
- Menerima data pembekal tanpa mengesahkannya. Data pembekal pelaporan sendiri memerlukan semakan silang.
- Menyembunyikan proksi. Menggunakan ramalan berasaskan perbelanjaan adalah baik; Tidak menyatakan adalah masalah dalam pengauditan.
- Memeriksa semua pembekal secara sama rata. Penyumberan harus menumpukan pada perbelanjaan tinggi dan pembekal berisiko tinggi.
- Tersilap isyarat AI sebagai bukti. Tuntutan pelanggaran hak asasi manusia/persekitaran disahkan oleh lapangan dan undang-undang, bukan oleh AI.
- Melangkau Skop 3 sepenuhnya. Kesan terbesar biasanya di sini; Ia tidak boleh diabaikan atas alasan ia "sukar untuk diukur".
Secara ringkasnya
Rantaian bekalan adalah tempat kebanyakan syarikat bersembunyi kesan alam sekitar dan sosial; Skop 3 pelepasan dan risiko usaha wajar tertumpu di sini. AI; Ia adalah bantuan yang berkuasa dalam keutamaan pembekal, penggubalan tinjauan, penstrukturan respons yang bertaburan dan penandaan isyarat risiko. Tetapi data pembekal tidak disertakan dalam laporan sehingga ia disahkan, proksi dinyatakan dengan jelas, dan dakwaan serius disahkan melalui pemeriksaan lapangan. AI menjana isyarat; Manusia memikul pertimbangan dan tanggungjawab.
Tugasan permohonan
Sediakan senarai 10 pembekal rekaan dengan nama, industri dan perbelanjaan tahunan; Tambahkan data pelepasan sebenar kepada beberapa, biarkan kebanyakannya kosong. Minta AI untuk jadual keutamaan dan jenis data melalui gesaan berkuasa di atas. Kemudian: (1) sahkan bahawa bilangan pembekal yang memerlukan proksi tidak dibuat, (2) pilih 3 pembekal keutamaan tertinggi dengan justifikasi, (3) draf tinjauan data ringkas untuk dihantar kepada mereka.
senarai semak
- [ ] Saya mengutamakan pembekal berdasarkan perbelanjaan dan tahap risiko.
- [ ] Saya menggunakan data sebenar; Bagi mereka yang tidak memilikinya, saya menandakan proksi.
- [ ] Saya menilai data pembekal bukan seperti sedia ada, tetapi dengan semakan silang.
- [ ] Saya menganggap isyarat risiko "untuk diperiksa" dan tidak menggunakannya sebagai bukti.
- [ ] Saya merancang langkah audit lapangan/pengesahan undang-undang untuk tuntutan serius.
- [ ] Saya tidak melangkau Skop 3; Saya menyatakan skop dan kadar anggaran dalam laporan.
- [ ] Saya merekodkan keseluruhan proses dengan dokumen usaha wajar.