लाभ:
- खर्च र जोखिम स्तरमा आधारित आपूर्तिकर्ताहरूलाई प्राथमिकता दिएर र वास्तविक डाटा र प्रोक्सी अनुमानहरू बीचको भिन्नताद्वारा स्कोप 3 स्थापना गर्ने क्षमता
- कृत्रिम बुद्धिमत्ताको साथ आपूर्तिकर्ता जोखिम संकेतहरू फ्ल्याग गर्दा, तिनीहरूलाई प्रमाणको रूपमा सट्टा 'परीक्षण गर्न संकेतहरू' को रूपमा व्यवहार गर्नुहोस्।
- क्षेत्र निरीक्षण र कानुनी पुष्टि आवश्यक पर्ने उचित परिश्रम प्रक्रिया मार्फत गम्भीर मानव अधिकार/वातावरणीय दावीहरू व्यवस्थापन गर्ने क्षमता
धेरै कम्पनीहरूको लागि, तिनीहरूको स्थिरता प्रभावको सबैभन्दा ठूलो भाग तिनीहरूको आफ्नै कारखानामा होइन तर तिनीहरूको आपूर्ति श्रृंखलामा छ। कपडाको ब्रान्डको ८० प्रतिशतभन्दा बढी कार्बन फुटप्रिन्ट यसका आपूर्तिकर्ताहरूबाट आउन सक्छ, कपडा निर्मातादेखि ढुवानीसम्म। त्यसैगरी, सबैभन्दा गम्भीर सामाजिक जोखिमहरू, जस्तै बाल श्रम, जबरजस्ती श्रम र वातावरणीय उल्लङ्घनहरू, प्रायः आपूर्ति श्रृंखलामा गहिरो हुन्छ। यस एकाइमा, तपाईले कसरी कृत्रिम बुद्धिमत्ता (AI) प्रयोग गर्ने र आपूर्ति श्रृंखला डेटा र जोखिमहरूको लागि स्क्रिनको मूल्याङ्कन गर्न सिक्नुहुनेछ।
दुई अवधारणाहरू स्पष्ट गरौं। स्कोप 3, हामीले अघिल्लो एकाइमा देख्यौं, कम्पनीको मूल्य श्रृंखलामा अप्रत्यक्ष उत्सर्जन हो र सामान्यतया सबैभन्दा ठूलो तर वस्तु मापन गर्न सबैभन्दा गाह्रो छ। उचित परिश्रम भनेको कम्पनीको आपूर्ति शृङ्खलामा मानव अधिकार र वातावरणीय जोखिमहरूको पहिचान, रोकथाम र समाधान गर्ने प्रक्रिया हो। EU को CSDDD (कर्पोरेट सस्टेनेबिलिटी ड्यु डिलिजेन्स डाइरेक्टिभ) जस्ता नियमहरूले ठूला कम्पनीहरूको लागि यो अनिवार्य बनाउँछ।
आपूर्ति श्रृंखला डाटा को मुख्य चुनौती
तपाईं आफ्नो सुविधाको डाटा मापन गर्न सक्नुहुन्छ; तर तपाईले सयौं आपूर्तिकर्ताको डाटा सीधा मापन गर्न सक्नुहुन्न, तपाईले तिनीहरूलाई सोध्नु पर्छ। यसले तीन समस्याहरू सिर्जना गर्दछ:
- डाटा आउँदैन वा अपूर्ण छ। धेरै साना आपूर्तिकर्ताहरूले कार्बन डाटा राख्दैनन्।
- डाटा अविश्वसनीय छ। जब एक आपूर्तिकर्ताले स्व-रिपोर्ट गर्छ, त्यहाँ ओभरस्टेटमेन्ट वा कम रिपोर्टिङ हुन सक्छ।
- अनुमान (प्रोक्सी) आवश्यक छ। यदि वास्तविक डाटा उपलब्ध छैन भने, उद्योग औसत वा खर्च आधारित अनुमान प्रयोग गरिन्छ।
AI ले दुई तरिकामा मद्दत गर्छ: (१) सयौं आपूर्तिकर्ताहरूलाई पठाउनको लागि द्रुत रूपमा सर्वेक्षणहरू र फलो-अप पत्रहरू पठाउने, (२) छरिएका प्रतिक्रियाहरूको संरचना र जोखिम सङ्केतहरू फ्ल्याग गर्ने। तर आपूर्तिकर्ता द्वारा दिइएको कुनै पनि नम्बर प्रमाणित गरिएको छैन, मानव समीक्षा बिना कुनै जोखिम संकेत निष्कर्षमा छैन।
स्कोप ३ कोटि (उदाहरण)
डाटा स्रोत
सामान्य विधि
खरिद गरिएका सामान/सेवाहरू
आपूर्तिकर्ता सर्वेक्षण / खर्च
वास्तविक डाटा > प्रोक्सी
ढुवानी र वितरण
वाहक रेकर्ड
दूरी × लोड × कारक
व्यापार यात्रा
यात्रा प्रणाली
किमी/उडान × कारक
बेचेको उत्पादनको प्रयोग
उत्पादन ऊर्जा डेटा
प्रयोग मोडेल
बर्बाद
फोहोर स्थानान्तरण कागजातहरू
मात्रा × कारक
सुझाव: स्कोप 3 मा, "खर्च-आधारित" अनुमान (यति धेरै CO₂e प्रति $1,000 खर्च) द्रुत सुरुवात हो, तर कुनै नराम्रो। जब एक आपूर्तिकर्ताले वास्तविक डेटा प्रदान गर्दछ, यसलाई प्रयोग गर्नुहोस्; यदि कुनै वास्तविक डाटा छैन भने खर्च-आधारित अनुमान मात्र अस्थायी हुन्छ र रिपोर्टमा "अनुमान/प्रोक्सी" को रूपमा चिन्ह लगाइन्छ।
चरणबद्ध रूपमा: AI को साथ आपूर्ति श्रृंखला कार्यप्रवाह
1. आपूर्तिकर्ताहरूलाई प्राथमिकता दिनुहोस्। तपाईंले एउटै गहिराइमा सबै सयौं आपूर्तिकर्ताहरूको जाँच गर्न सक्नुहुन्न। उच्च खर्च आकार र जोखिम (क्षेत्र, देश) भएकाहरूमा फोकस गर्नुहोस्। AI ले यो प्राथमिकताको साथ मस्यौदा सूची उत्पादन गर्न सक्छ।
2. ड्राफ्ट सर्वेक्षण र अनुरोध। AI लाई स्पष्ट, सजिलै भर्न सकिने आपूर्तिकर्ता डेटा सर्वेक्षण रूपरेखाको लागि सोध्नुहोस्।
3. आगमन डाटा कन्फिगर गर्नुहोस्। एकल तालिकामा विभिन्न ढाँचाहरूमा जवाफहरू राख्नुहोस्; हराएको भागहरू चिन्ह लगाउनुहोस्।
4. जोखिम संकेतहरूको लागि स्क्यान गर्नुहोस्। AI लाई सार्वजनिक समाचार, उल्लङ्घन रेकर्ड, र सर्वेक्षण विसंगतिहरूमा "रातो झण्डा" उम्मेद्वारहरू फेला पार्नुहोस्; तर मानिसले हरेक संकेत प्रमाणित गर्दछ।
5. कार्य र खोज। उच्च जोखिम आपूर्तिकर्ताहरूको लागि सुधारात्मक कार्य र फलो-अप योजना स्थापना गर्नुहोस्; प्रक्रिया कागजात गर्नुहोस्।
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
कमजोर प्रम्प्ट:
हाम्रा आपूर्तिकर्ताहरूको कार्बन फुटप्रिन्ट गणना गर्नुहोस्।
कुनै डाटा स्रोत, कुनै वास्तविक/प्रोक्सी भेद, र कुनै प्रमाणीकरण छैन; AI ले आपूर्तिकर्ता नम्बरहरू बनाउँछ।
शक्तिशाली प्रम्प्ट:
तपाईंको भूमिका: आपूर्ति श्रृंखला स्थिरता विश्लेषक। इनपुट: 15 आपूर्तिकर्ताहरूको नाम, उद्योग, वार्षिक खर्च रकम, र तिनीहरूले प्रदान गर्ने वास्तविक उत्सर्जन डेटा (यदि कुनै हो भने)। कार्य: 1) वास्तविक डाटा प्रदान गर्नेहरूका लागि, त्यो डाटा प्रयोग गर्नुहोस्। २) वास्तविक डाटा नभएकाहरूका लागि "खर्च-आधारित प्रोक्सी आवश्यक" लेख्नुहोस्, नम्बर फिट नगर्नुहोस्; आधिकारिक स्रोतबाट कुन कारक प्राप्त गर्ने निर्दिष्ट गर्नुहोस्।3) उच्च खर्च + उच्च जोखिम उद्योगमा आपूर्तिकर्ताहरूलाई प्राथमिकता दिनुहोस्। आउटपुट: तालिका (आपूर्तिकर्ता | उद्योग | खर्च | डेटा प्रकार[वास्तविक/प्रोक्सी] | प्राथमिकता | नोट)। प्रतिवेदनमा प्रोक्सी नम्बरहरू चिन्ह लगाइनेछ।
आपूर्तिकर्ता जोखिम स्क्रीनिंग को लागी प्रोम्प्ट
निम्न आपूर्तिकर्ताहरूको सूचीको लागि जोखिम स्क्रिनिङ मचान सेटअप गर्नुहोस्। प्रत्येक आपूर्तिकर्ताको लागि मूल्याङ्कन गर्नुहोस् (मैले उपलब्ध गराएको जानकारीको आधारमा मात्र, सार्वजनिक दाबी जाली):- देश/क्षेत्रबाट सम्भावित मानव अधिकार जोखिम (उच्च/मध्यम/निम्न) - सम्भावित वातावरणीय जोखिम- सर्वेक्षण प्रतिक्रियामा असंगतता/रातो झण्डा नियम: नोट थप्नुहोस् "प्रमाणीकरण आवश्यक छ - प्रत्येक जोखिमको लागि कुनै स्रोत छैन"; निश्चित आरोपहरू नगर्नुहोस्, केवल अनुसन्धान गर्न संकेतहरू सुझाव दिनुहोस्। सूची: [आपूर्तिकर्ताहरू]
निम्न प्रम्प्टले आपूर्तिकर्ताहरूलाई पठाउनको लागि डेटा अनुरोध सर्वेक्षणको ड्राफ्ट गर्दछ।
तपाईंको भूमिका: स्थिरता स्रोत विशेषज्ञ। कार्य: साना/मध्यम आपूर्तिकर्ताहरूले सजिलै पूरा गर्न सक्ने १० भन्दा बढी प्रश्नहरूको ESG डेटा सर्वेक्षणको मस्यौदा बनाउनुहोस्। समावेश गर्नुहोस्: ऊर्जा खपत, इन्धन प्रकार, फोहोर, व्यावसायिक सुरक्षा दुर्घटनाहरूको संख्या, जबरजस्ती / बाल श्रमको प्रतिबद्धता। टोन: सरल, स्पष्ट, पूरा गर्न सजिलो; प्रत्येक प्रश्नमा एकाइहरू र उदाहरणहरू थप्नुहोस्।
सावधानी: AI ले आपूर्तिकर्ताको बारेमा जोखिम संकेत प्रमाणित नगर्नुहोस् (जस्तै "बाल श्रम") र प्रमाणको रूपमा AI द्वारा उत्पन्न गरिएको दाबी कहिल्यै प्रयोग नगर्नुहोस्। यस्ता गम्भीर दावीहरू भरपर्दो स्रोत, क्षेत्र निरीक्षण र कानुनी प्रक्रियाबाट मात्र पुष्टि हुन्छन्। AI ले "परीक्षण गर्न संकेत" मात्र उत्पादन गर्छ; न्याय गर्दैन।
तीन मिनी केसहरू
केस १ - प्रोक्सीको इमानदार प्रयोग। एउटा फर्निचर निर्माताका २०० आपूर्तिकर्तामध्ये ३० जनाले मात्रै वास्तविक कार्बन डाटा उपलब्ध गराए। टोलीले बाँकी 170 को लागि खर्च-आधारित प्रोक्सी प्रयोग गर्यो, तर रिपोर्टले स्पष्ट रूपमा बताउँछ, "स्कोप 3 को 65% खर्च-आधारित अनुमान हो।" लेखापरीक्षकले यो इमानदारीलाई स्वीकार गरे; लुकाइएको भए, आश्वासन अस्वीकार हुन सक्छ।
केस २ - प्राथमिकता। एक खाद्य कम्पनी 480 आपूर्तिकर्ता थियो। AI ले देखाएको छ कि खर्चको 80% 40 आपूर्तिकर्ताहरूमा केन्द्रित थियो। टोलीले यी ४० मा गहिरो डाइभमा ध्यान केन्द्रित गर्यो; स्रोतहरू खेर गएनन् र उच्चतम प्रभाव आपूर्तिकर्ताहरूलाई वास्तविक डाटाको साथ रिपोर्ट गरिएको थियो।
केस ३ - झूटो आरोपको जोखिम। एआईले एक आपूर्तिकर्तालाई "सम्भावित जबरजस्ती श्रम" को रूपमा झण्डा लगायो; कारण राष्ट्रिय औसत मात्र थियो। टोलीले यसलाई प्रमाण नभई "जाँच गर्नुपर्ने संकेत" को रूपमा स्वीकार गर्यो र क्षेत्र निरीक्षणको अनुरोध गर्यो। निरीक्षणमा कुनै समस्या भेटिएन; यदि एआईको संकेत प्रमाणको रूपमा लिइयो भने, अनुचित आरोप र कानुनी जोखिम उठ्नेछ।
सामान्य गल्तीहरू
- यो प्रमाणित नगरी आपूर्तिकर्ता डाटा स्वीकार गर्दै। स्व-रिपोर्टिङ आपूर्तिकर्ता डेटा क्रस-जाँच आवश्यक छ।
- प्रोक्सी लुकाउँदै। खर्चमा आधारित पूर्वानुमान प्रयोग गर्नु ठीक छ; निर्दिष्ट नगर्दा लेखा परीक्षणमा समस्या छ।
- सबै आपूर्तिकर्ताहरू समान रूपमा जाँच गर्दै। सोर्सिङ उच्च खर्च र उच्च जोखिम आपूर्तिकर्ताहरूमा ध्यान केन्द्रित गर्नुपर्छ।
- प्रमाणको लागि AI संकेत गलत गर्दै। मानव अधिकार/वातावरणीय उल्लङ्घनका दाबीहरू क्षेत्र र कानूनद्वारा प्रमाणित हुन्छन्, AI द्वारा होइन।
- स्किपिङ स्कोप ३ पूरै। सबैभन्दा ठूलो प्रभाव सामान्यतया यहाँ छ; यसलाई "मापन गर्न गाह्रो" भन्ने आधारमा बेवास्ता गर्न सकिँदैन।
संक्षेपमा
आपूर्ति श्रृंखला हो जहाँ अधिकांश कम्पनीहरूको सबैभन्दा ठूलो पर्यावरणीय र सामाजिक प्रभाव लुकेको हुन्छ; स्कोप 3 उत्सर्जन र उचित परिश्रम जोखिमहरू यहाँ केन्द्रित छन्। AI; यो आपूर्तिकर्ता प्राथमिकता, सर्वेक्षण मस्यौदा, संरचना छरिएका प्रतिक्रिया र जोखिम संकेत फ्ल्यागिङ मा एक शक्तिशाली सहायता हो। तर आपूर्तिकर्ता डेटा प्रमाणित नभएसम्म रिपोर्टमा समावेश गरिएको छैन, प्रोक्सीहरू स्पष्ट रूपमा भनिएको छ, र क्षेत्र निरीक्षणद्वारा गम्भीर आरोपहरू पुष्टि हुँदैनन्। AI संकेतहरू उत्पन्न गर्दछ; मानिसले न्याय र जिम्मेवारी लिन्छ।
आवेदन कार्य
नाम, उद्योग, र वार्षिक खर्च सहित 10 काल्पनिक आपूर्तिकर्ताहरूको सूची तयार गर्नुहोस्; केहिमा वास्तविक उत्सर्जन डेटा थप्नुहोस्, धेरै खाली छोड्नुहोस्। माथिको शक्तिशाली प्रम्प्ट मार्फत प्राथमिकता र डेटा प्रकारको तालिकाको लागि AI लाई सोध्नुहोस्। त्यसपछि: (१) प्रमाणित गर्नुहोस् कि एक प्रोक्सी चाहिने आपूर्तिकर्ताहरूको संख्या बनाइएको छैन, (2) औचित्य सहित 3 उच्च प्राथमिकता आपूर्तिकर्ताहरू चयन गर्नुहोस्, (3) तिनीहरूलाई पठाउनको लागि छोटो डेटा सर्वेक्षणको मस्यौदा तयार गर्नुहोस्।
चेकलिस्ट
- [ ] मैले खर्च र जोखिम स्तरको आधारमा आपूर्तिकर्ताहरूलाई प्राथमिकता दिएँ।
- [] मैले वास्तविक डाटा प्रयोग गरें; जोसँग यो छैन, मैले प्रोक्सी चिन्ह लगाइदिएँ।
- [ ] मैले आपूर्तिकर्ता डेटाको मूल्याङ्कन गरे जस्तै होइन, तर क्रस-चेकिङद्वारा।
- [ ] मैले जोखिम संकेतहरूलाई "परीक्षण गर्न" मानेँ र तिनीहरूलाई प्रमाणको रूपमा प्रयोग गरिन।
- [] मैले गम्भीर दावीहरूको लागि फिल्ड अडिट/कानूनी प्रमाणीकरण चरणको योजना बनाएको छु।
- [ ] मैले स्कोप ३ छाडिनँ; मैले प्रतिवेदनमा दायरा र अनुमान दर बताएको छु।
- [ ] मैले सम्पूर्ण प्रक्रियालाई उचित लगनशील कागजातको साथ रेकर्ड गरें।