Gevinster:
- Evne til å etablere Scope 3 ved å prioritere leverandører basert på forbruk og risikonivå og skille mellom faktiske data og proxy estimater
- Når du flagger leverandørrisikosignaler med kunstig intelligens, behandle dem som "signaler som skal undersøkes" i stedet for som bevis
- Evne til å håndtere alvorlige menneskerettighets-/miljøkrav gjennom en due diligence-prosess som krever feltinspeksjon og juridisk bekreftelse
For de fleste bedrifter ligger den største delen av deres bærekraftpåvirkning ikke i deres egen fabrikk, men i deres forsyningskjede. Mer enn 80 prosent av et klesmerkes karbonavtrykk kan komme fra leverandørene, alt fra stoffprodusenter til frakt. På samme måte forekommer de mest alvorlige sosiale risikoene, som barnearbeid, tvangsarbeid og miljøbrudd, ofte dypt i forsyningskjeden. I denne enheten lærer du hvordan du bruker kunstig intelligens (AI) for å samle inn og evaluere forsyningskjededata og screene for risikoer.
La oss avklare to begreper. Scope 3, som vi så i forrige enhet, er de indirekte utslippene i bedriftens verdikjede og er generelt den største, men vanskeligste å måle varen. Due diligence er prosessen med å identifisere, forhindre og utbedre menneskerettigheter og miljørisikoer i en bedrifts forsyningskjede. Forskrifter som EUs CSDDD (Corporate Sustainability Due Diligence-direktivet) gjør dette obligatorisk for store selskaper.
Hovedutfordringen med forsyningskjededata
Du kan måle ditt eget anleggs data; Men du kan ikke direkte måle dataene til hundrevis av leverandører, du må spørre dem. Dette skaper tre problemer:
- Data kommer ikke frem eller er ufullstendige. De fleste mindre leverandører beholder ikke karbondata.
- Dataene er upålitelige. Når en leverandør selvrapporterer, kan det være over- eller underrapportering.
- En gjetning (fullmakt) kreves. Hvis faktiske data ikke er tilgjengelige, brukes bransjegjennomsnitt eller utgiftsbasert estimat.
Det er her AI hjelper på to måter: (1) raskt utarbeide undersøkelser og oppfølgingsbrev som skal sendes til hundrevis av leverandører, (2) strukturere spredte svar og flagge risikosignaler. Men ingen tall gitt av leverandøren er verifisert, ingen risikosignaler konkluderes uten menneskelig vurdering.
Omfang 3 kategori (eksempel)
Datakilde
Typisk metode
Kjøpte varer/tjenester
Leverandørundersøkelse / forbruk
Ekte data > proxy
Frakt og distribusjon
Transportør poster
Avstand × belastning × faktor
forretningsreiser
reisesystem
Km/fly × faktor
Bruk av det solgte produktet
Produktets energidata
Bruksmodell
avfall
Avfallsoverføringsdokumenter
Antall × faktor
Tips: I Scope 3 er det "forbruksbaserte" anslaget (så mye CO₂e per brukt $1000) en rask start, men en grov en. Når en leverandør gir ekte data, bruk dem; Det forbruksbaserte anslaget er bare foreløpig hvis det ikke finnes faktiske data og bør merkes som "estimat/fullmektig" i rapporten.
Trinn for trinn: Supply chain workflow med AI
1. Prioriter leverandører. Du kan ikke undersøke alle hundrevis av leverandører i samme dybde. Fokuser på de med høy forbruksstørrelse og risiko (sektor, land). AI kan lage en utkastliste med denne prioriteringen.
2. Utkast til undersøkelse og forespørsel. Be AI om en oversiktlig oversikt over leverandørdataundersøkelsen som er enkel å fylle ut.
3. Konfigurer innkommende data. Sett svarene i forskjellige formater i en enkelt tabell; Merk de manglende delene.
4. Skann etter risikosignaler. Få AI til å finne "rødt flagg"-kandidater i offentlige nyheter, bryte poster og undersøkelsesavvik; Men mennesker bekrefter hvert signal.
5. Handling og forfølgelse. Etablere en korrigerende handling og oppfølgingsplan for høyrisikoleverandører; Dokumenter prosessen.
Svak forespørsel / Sterk forespørsel
Svak melding:
Beregn karbonfotavtrykket til våre leverandører.
Ingen datakilde, ingen reell/proxy-forskjell og ingen verifisering; AI utgjør leverandørnummer.
Kraftig ledetekst:
Din rolle: Bærekraftsanalytiker i forsyningskjeden. Inndata: 15 leverandørers navn, bransje, årlig forbruksbeløp og faktiske utslippsdata de gir (hvis noen). Oppgave: 1) For de som gir ekte data, bruk disse dataene. 2) For de som ikke har reelle data, skriv "spend-based PROXY required", IKKE PASS tallet; spesifiser hvilken faktor som skal hentes fra offisiell kilde.3) Prioriter leverandører i bransje med høy forbruk + høyrisiko. Utgang: tabell (Leverandør | Bransje | Spend | Datatype[faktisk/proxy] |Prioritet | Merknad). Fullmaktsnummer vil merkes i rapporten.
Be om leverandørrisikoscreening
Sett opp et risikoscreeningsstillas for følgende liste over leverandører. Vurder for hver leverandør (kun basert på informasjon jeg har gitt, offentlig påstand FAKE):- Mulig menneskerettighetsrisiko fra land/sektor (høy/middels/lav)- Mulig miljørisiko- Inkonsekvens i undersøkelsessvar/røde flaggRegel: legg til merknad «verifisering kreves — ingen kilde» for hver risiko; ikke kom med definitive anklager, bare foreslå signaler for å undersøke. Liste: [LEVERANDØRER]
Følgende forespørsel utarbeider en dataforespørselsundersøkelse som skal sendes til leverandører.
Din rolle: spesialist på bærekraftsinnkjøp. Oppgave: Lag en ESG-dataundersøkelse med ikke mer enn 10 spørsmål som små/mellomstore leverandører enkelt kan fylle ut. Inkluder: energiforbruk, drivstofftype, avfall, antall arbeidsulykker, engasjement for tvangsarbeid/barnearbeid. Tone: enkel, klar, lett å fullføre; Legg til enheter og eksempler til hvert spørsmål.
Forsiktig: Ikke la AI bekrefte et risikosignal om leverandøren (f.eks. "barnearbeid") og bruk aldri en påstand generert av AI som bevis. Slike alvorlige påstander bekreftes kun av pålitelig kilde, feltinspeksjon og juridisk prosess. AI produserer bare et "signal som skal undersøkes"; dømmer ikke.
tre minisaker
Tilfelle 1 – Ærlig bruk av proxy. Bare 30 av en møbelprodusents 200 leverandører ga faktiske karbondata. Teamet brukte en forbruksbasert proxy for de resterende 170, men rapporten sier tydelig: "65 % av Scope 3 er et forbruksbasert estimat." Revisor erkjente denne ærligheten; hadde den vært skjult, kunne forsikringen blitt nektet.
Sak 2 — Prioritering. En matvarebedrift hadde 480 leverandører. AI viste at 80 % av kostnadene var konsentrert til 40 leverandører. Teamet fokuserte dypdykket på disse 40; ressurser ble ikke bortkastet, og leverandørene med størst effekt ble rapportert med reelle data.
Sak 3 - Risiko for falsk anklage. AI flagget en leverandør som "mulig tvangsarbeid"; Årsaken var kun landsgjennomsnittet. Teamet godtok dette som et "signal om å bli undersøkt", ikke bevis, og ba om en feltinspeksjon. Inspeksjonen fant ingen problemer; Hvis AI-signalet ble tatt som bevis, ville det oppstå en urettferdig anklage og juridisk risiko.
Vanlige feil
- Godta leverandørdata uten å verifisere det. Selvrapporterende leverandørdata krever krysssjekking.
- Skjuler proxyen. Å bruke kostnadsbasert prognose er greit; Å ikke spesifisere er et problem ved revisjon.
- Undersøker alle leverandører likt. Sourcing bør fokusere på høyt forbruk og høyrisikoleverandører.
- Tar feil av AI-signalet for bevis. Påstander om menneskerettighets-/miljøbrudd bekreftes av feltet og loven, ikke av AI.
- Hopp over Scope 3 helt. Den største innvirkningen er vanligvis her; Det kan ikke ignoreres med den begrunnelse at det er "vanskelig å måle".
Oppsummert
Forsyningskjeden er der de fleste bedrifters største miljømessige og sosiale påvirkning skjuler seg; Scope 3-utslipp og due diligence-risikoer er konsentrert her. AI; Det er et kraftig hjelpemiddel i leverandørprioritering, utforming av undersøkelser, strukturering av spredte svar og risikosignalflagging. Men leverandørdata er ikke inkludert i rapporten før den er verifisert, fullmakter er tydelig oppgitt, og alvorlige påstander bekreftes ved feltkontroll. AI genererer signaler; Mennesket påtar seg dømmekraften og ansvaret.
Søknadsoppgave
Lag en liste over 10 fiktive leverandører med navn, bransje og årlig forbruk; Legg til faktiske utslippsdata til noen få, la de fleste stå tomme. Spør AI om en tabell over prioritering og datatype via den kraftige ledeteksten ovenfor. Deretter: (1) verifiser at antallet leverandører som krever fullmakt ikke består, (2) velg de 3 høyest prioriterte leverandørene med begrunnelse, (3) utarbeider en kort dataundersøkelse som skal sendes til dem.
sjekkliste
- [ ] Jeg prioriterte leverandører basert på forbruk og risikonivå.
- [ ] Jeg brukte ekte data; For de som ikke har det, merket jeg proxyen.
- [ ] Jeg evaluerte leverandørdataene ikke som de er, men ved å krysssjekke.
- [ ] Jeg vurderte risikosignalene som «å undersøkes» og brukte dem ikke som bevis.
- [ ] Jeg planla et feltrevisjon/juridisk verifiseringstrinn for alvorlige krav.
- [ ] Jeg hoppet ikke over Scope 3; Jeg oppga omfang og estimeringsgrad i rapporten.
- [ ] Jeg registrerte hele prosessen med et due diligence-dokument.