Enheter
1. Introduksjon til AI i ESG og bærekraft: Roller, grenser, validering og etikk 2. Vesentlighet og dobbel vesentlighetsanalyse: Emneidentifikasjon, interessentinnspill og prioritering 3. ESG Datainnsamling, Datakvalitet og Audit Trail Management 4. Karbonregnskap: Scope 1-2-3, utslippsfaktorer og GHG-protokoll 5. Rapporteringsrammer: GRI, ESRS/CSRD og ISSB Mapping 6. Supply Chain Sustainability: Scope 3, Leverandørdata og Due Diligence 7. Interessentkommunikasjon og engasjement: undersøkelse, meningsanalyse og transparent rapporteringsspråk 8. Rapportskriving og automatisering: utkast, konsistens og narrativ redigering 9. Standardverifisering og uavhengig forsikring: Beviskjede og revisjonsforberedelse 10. Greenwashing-risiko: kravrevisjon, Greenwashing-typer og lovgivning 11. End-to-end ESG-arbeidsflyt, datastyring, etikk og kvalitetsgateway
Enhet 5 / 11

Rapporteringsrammer: GRI, ESRS/CSRD og ISSB Mapping

Gevinster:

  • Evne til å skille fokusene til GRI, ESRS og ISSB rammeverk (påvirkning, dobbel materialitet, økonomisk) og velge riktig rammeverk i henhold til leseren
  • Evne til å kartlegge materielle emner til standardelementkandidater og verifisere hvert tall med den offisielle standardteksten
  • Evne til å etablere en kryssmatching som kobler enkeltdata til flere rammer og tydelig indikerer datahull uten å skjule dem

Når et selskap samler inn bærekraftsdata, må det avsløre det i henhold til et internasjonalt akseptert rapporteringsrammeverk, ikke på en vilkårlig måte. Rammeverket er det felles språket som bestemmer «hvilket tema som skal rapporteres, hvordan, med hvilke indikatorer»; Takket være den kan rapporter fra to forskjellige selskaper sammenlignes. I denne enheten vil du bli kjent med de tre store rammeverkene (GRI, ESRS/CSRD, ISSB) og lære hvordan du trygt kan bruke kunstig intelligens (AI) i innholdsmatching i henhold til disse rammeverkene.

La oss kort beskrive de tre rammene. GRI (Global Reporting Initiative) er den mest brukte familien av frivillige rapporteringsstandarder for bærekraft i verden; Den ser hovedsakelig på selskapets innvirkning på verden. ESRS (European Sustainability Reporting Standards) er et sett med standarder basert på dobbel vesentlighet, som kreves av EU innenfor rammen av CSRD-direktivet. ISSB (International Sustainability Standards Board) er et internasjonalt styre som publiserer IFRS S1/S2-standarder, med fokus på finansiell vesentlighet med investorfokus.

Tre rammer, tre perspektiver

Ramme

Hvem tok den av?

hovedfokus

Er det obligatorisk?

GRÅ

GRI institusjon

Selskapets innvirkning på verden

Frivillig, veldig vanlig

ESRS/CSRD

EU / EFRAG

Dobbel vesentlighet (påvirkning + finans)

Obligatorisk under EU

ISSB (IFRS S1/S2)

IFRS Foundation

Økonomisk vesentlighet for investoren

Vedtatt etter land

Disse rammene er ikke konkurrenter til hverandre, men komplementære språk som appellerer til ulike lesere. De fleste store selskaper samler inn dataene sine én gang og «kartlegger» dem til flere rammeverk. Det er her den virkelige verdien av AI ligger: den er en rask assistent til å anbefale de samme dataene til varenumre for forskjellige rammer. Men den kan samsvare med varenumre, så hver kamp må verifiseres mot den offisielle standardteksten.

Tips: Du kan sammenligne rammer med spørsmålet "hvilken er bedre?" ikke "Hvem vil lese den?" Velg . Hvis du snakker med investorer, ISSB/finansiell vesentlighet; ESRS er obligatorisk hvis du er underlagt EU-regulering; GRI er kraftig hvis du kommuniserer din innvirkning til et bredt spekter av interessenter. Ofte brukes mer enn én sammen.

Struktur av GRI-standarder

GRI er organisert etter fagbaserte tall. Noen få eksempler (husk å sjekke den offisielle teksten for bekreftelse):

  • GRI 302 — Energi
  • GRI 303 — Vann og avløpsvann
  • GRI 305 — Utslipp (luft)
  • GRI 306 — Avfall
  • GRI 403 — Helse og sikkerhet på arbeidsplassen

Den vanligste AI-feilen er å plassere et emne under feil nummer: for eksempel å vise vann under GRI 305 (utslipp). Vann er GRI 303. Slike feil fanges kun opp av den offisielle standardlisten.

Trinn for trinn: Rammetilpasning med AI

1. Basert på vesentlighet. Når du har bestemt hvilke emner som skal rapporteres (enhet 2), gå videre til kartlegging.

2. Anbefal dataene til standardelementet. Be AI om å kartlegge hvert materielle emne til den relevante GRI/ESRS-stoffkandidaten; men opplys at «dette er et utkast til forslag».

3. Bekreft varenummeret med den offisielle teksten. Bekreft hvert foreslåtte nummer med det offisielle dokumentet til GRI eller EFRAG. Sjekk både nummeret og innholdet.

4. Identifiser hull. List opp dataene du vil ha standard, men ikke har (datagap); Disse er enten samlet eller erklært som "ikke tilgjengelig".

5. Sett opp krysskartlegging. Lag en tabell som kobler de samme dataene til GRI-, ESRS- og ISSB-numre; slik at du rapporterer til flere rammeverk med én data.

Svak forespørsel / Sterk forespørsel

Svak melding:

Nummerer disse emnene i henhold til GRI.

AI kan produsere tall som virker rimelige, men som er falske/fabrikerte; Det er ingen valideringsanrop.

Kraftig ledetekst:

Din rolle: ekspert på rapporteringsrammeverk. Innspill: våre materielle emner (energi, vann, utslipp, arbeidssikkerhet, avfall). Oppgave: foreslå MULIG GRI- og ESRS-stoffkandidater for hvert emne.Regler:- Gi hvert forslag en "MÅ VERIFISERE"-tag; Ikke kreve et eksakt tall. – Ikke lag opp et tall du ikke er sikker på; Skriv "bekreftelse fra den offisielle standardlisten". - Skriv årsaken til diskriminering på temaer som er lett å forvirre som vann og utslipp. Utdata: tabell (Emne | GRI-kandidat | ESRS-kandidat | Verifikasjonsnotat).

Spør om kartleggingstabell med flere rammer

Bygg et multi-frame kartleggingsbord stillas for følgende materielle emner. Kolonner: Emne | Dataelement | GRI art. | ESRS art. | ISSB (S1/S2) | Kildedata | Er det noen hull?Regler:- Merk varenumre som "kandidat/som skal verifiseres".- Skriv "DATA GAP" i celler som ikke har noen data.Emner: [EMNER]

Følgende ledetekst gir en analyse av rapporteringsgapet.

Din rolle: ESG compliance analytiker. Oppgave: Sammenlign dataene vi har med forklaringene som kreves av rammeverket vi har valgt (ESRS) og lag en gap-analyse. Utdata: Nødvendig forklaring | Har vi det? | Hva du skal samle hvis mangler | Ansvarlig.Regel: For hver linje du sier "vi har", skriv kilden; Hvis du ikke er sikker, si "sjekk påkrevd". Minn meg på å bekrefte standardklausulene fra den offisielle teksten. Oppføring: [LISTE OVER TILGJENGELIGE DATA]

OBS: Standarder oppdateres jevnlig; Varenumre, terskler og krav kan endres. AIs treningsdata kan gjenspeile en utdatert versjon. Bekreft alltid kritiske sammenkoblings- og forpliktelsesbeslutninger med den gjeldende offisielle teksten.

tre minisaker

Sak 1 – Feil nummer. Et energiselskap ba AI om GRI-kartlegging. YZ merket sitt vannforbruk som "GRI 305-8". Eksperten sjekket: vann er GRI 303, GRI 305 er luftutslipp, og det er ingen uttalelse 305-8. Nummeret er korrigert med den offisielle listen.

Tilfelle 2 — Mange rapporter med én data. En produsent samlet inn energidata én gang og kartla det til både GRI 302, ESRS E1 (klima) og ISSB S2 krav ved hjelp av AI. Takket være krysstabellen ble data matet fra én enkelt kilde i stedet for å samle inn data på nytt for tre separate rapporter; hvert nummer ble bekreftet av offisiell tekst.

Tilfelle 3 — Skjult hulrom. Ett selskap hadde ikke "Scope 3-utslipp"-avsløringen som kreves av ESRS. AI skrev rapporten flytende "som om den var fullstendig" og gjorde gapet usynlig. Da gapanalysen ble gjort ble mangelen avdekket; I stedet for å fremstille dataene, forklarte rapporten ærlig at "Scope 3-data vil bli samlet inn i 2025."

Vanlige feil

  • Verifiserer ikke varenummeret. GRI/ESRS/ISSB-nummer brukes ikke uten bekreftelse med den offisielle teksten.
  • Blanding rammer. Å anta at GRIs effektfokus og ISSBs økonomiske fokus er det samme vil føre til feilaktige forklaringer.
  • Stoler på den gamle versjonen. Standarder er oppdatert; Den nåværende teksten er viktig.
  • Skjuler datagap. Det er nødvendig å tydelig angi de manglende dataene, ikke å skrive det "som om det var fullstendig".
  • Forvirrende problemer som vann/utslipp. Emner som fremstår like faller inn under ulike varenumre.

Oppsummert

Rapporteringsrammeverk er strukturer som oversetter bærekraftsdata til et felles sammenlignbart språk: GRI ser på innvirkning, ISSB ser på finans, ESRS ser på begge med dobbel vesentlighet. AI er en kraftig assistent for raskt å kartlegge de samme dataene til elementer i forskjellige rammeverk; men kan fudge varenumre og gjenspeile eldre versjoner. Valider hver kartlegging med dens offisielle kanoniske tekst, velg rammer etter leser, ikke skjul datahull. Rapportering til flere rammeverk med én enkelt data er effektivt; men det er trygt bare når hvert nummer er bekreftet.

Søknadsoppgave

Velg fem materielle emner (f.eks. energi, vann, utslipp, avfall, arbeidssikkerhet). Be om en GRI/ESRS/ISSB-kandidattabell fra AI-en via multi-frame-matching-prompten ovenfor. Deretter: (1) verifiser minst tre varenumre med den offisielle teksten, (2) kontroller at vann og utslipp er riktig atskilt, (3) skriv dataene du mangler i en blank liste.

sjekkliste

  • [ ] Jeg kartla hvert materielle emne til den relevante rammeartikkelen.
  • [ ] Jeg bekreftet varenumrene med den offisielle (GRI/EFRAG/ISSB) teksten.
  • [ ] Jeg valgte rammeverket basert på lesertall (investor/interessent/regulator).
  • [ ] Jeg har skilt emner som er lett å forvirre riktig, som vann/utslipp.
  • [ ] Jeg har listet opp datahull tydelig uten å skjule dem.
  • [ ] Jeg har bekreftet at jeg bruker gjeldende versjon av standardene.
  • [ ] Jeg setter opp en krysstabell som kobler enkeltdata til flere rammer.
Tidligere Neste