Wprowadzenie do sztucznej inteligencji w ESG i zrównoważonym rozwoju: role, granice, walidacja i etyka — Sztuczna inteligencja w zarządzaniu zrównoważonym rozwojem i ESG

Zyski:

Możliwość rozróżnienia, gdzie sztuczna inteligencja oszczędza czas w przepływie pracy ESG (dane, konta, mapowanie, raportowanie), a gdzie decyzje dotyczące czynników, standardów i roszczeń pozostawia się ludziom, w zależności od poziomu ryzyka
Umiejętność zastosowania dyscypliny, która kontroluje każdy wynik liczbowy i jakościowy z uwzględnieniem kroków jednostkowych, źródłowych i ścieżki audytu
Zrozumienie, dlaczego fałszywe współczynniki emisji, fałszywe odniesienia do norm i język „greenwashingu” stanowią ryzyko dla tego zawodu, które należy wziąć pod uwagę od samego początku.

Raport zrównoważonego rozwoju firmy nie jest już tylko broszurą przedstawiającą wartość firmy; Jest to dokument tak samo wiążący, kontrolowany i wywołujący skutki prawne jak dokument księgowy. Dzięki unijnym przepisom CSRD (dyrektywa w sprawie raportowania zrównoważonego rozwoju przedsiębiorstw) tysiące firm; Musiała ujawniać emisję dwutlenku węgla, dane pracowników i wpływ na łańcuch dostaw w sposób obowiązkowy, weryfikowalny i porównywalny, podobnie jak sprawozdania finansowe. W tym module dowiesz się, gdzie sztuczna inteligencja (AI) naprawdę oszczędza czas w tym ciężkim i wymagającym dużej ilości danych zadaniu, gdzie jest to niebezpieczne, a także jak weryfikować każdy wynik.

Po pierwsze, koncepcja krytyczna. ESG to skrót od angielskich słów Environmental, Social i Governance; Jest to nazwa modelu ramowego, który mierzy wpływ firmy na środowisko, taki jak emisje dwutlenku węgla i zużycie wody, wpływ społeczny, taki jak prawa pracowników i bezpieczeństwo pracy, oraz praktyki zarządzania, takie jak struktura zarządu i etyka. Raportowanie dotyczące zrównoważonego rozwoju polega na mierzeniu wyników w tych trzech obszarach w standardowy sposób i ujawnianiu ich opinii publicznej.

Druga kluczowa koncepcja: halucynacje mają miejsce, gdy sztuczna inteligencja z całkowitą pewnością wytwarza informacje, które w rzeczywistości nie są prawdziwe. W świecie ESG to; Możesz napotkać fikcyjny współczynnik emisji, nieistniejący numer standardu GRI, nieprawidłową jednostkę lub odniesienie do nieistniejącego artykułu prawnego. Kluczowym punktem jest to, że model dużego języka (LLM) nie jest kalkulatorem, regulacyjną bazą danych ani audytorem. Jest to generator tekstu, który statystycznie imituje teksty, które widzi w danych treningowych. W większości przypadków dostarcza dokładnych informacji; ale różnica między „dokładnymi przez większość czasu” a „wystarczająco dokładnymi, aby przejść audyt” jest najważniejsza w raportowaniu ESG.

Gdzie AI sprawdza się w ESG, a gdzie nie?

Pomyśl o sztucznej inteligencji jako o partnerze, który może szybko przygotować wersję roboczą, przeglądać i analizować dane: jest cenny, ale niezbędny do walidacji. Podstawą tego modułu jest poniższe rozróżnienie.

Zadanie

Wkład sztucznej inteligencji

Odpowiedzialność eksperta

zbieranie danych

Edytuje różne formaty, zaznacza spacje

Potwierdzenie numeru z dokumentem źródłowym

Rachunek emisji

Tworzy formuły i ramy obliczeniowe

Weryfikacja współczynnika emisji z oficjalnego źródła

Mapowanie GRI/CSRD

Poleca składniki do standardowych produktów

Sprawdzanie dokładnie z tekstem standardowym

Analiza istotności

Dzieli opinie interesariuszy na tematy

Podejmij decyzję dotyczącą priorytetów

Pisanie raportu

Tworzy wersję roboczą tekstu i streszczenie

Każdą tezę poprzej dowodami

Kontrola greenwashingu

Zaznacza ryzykowne frazy

przyjąć ostateczną odpowiedzialność za roszczenia

Ogólna zasada: stosuj sztuczną inteligencję nie do samych danych; używać do organizowania danych, analizy szkieletu i szkicu tekstu; Zawsze sprawdzaj każdy numer i każde odniesienie do normy z pierwotnym źródłem (faktura, zapis licznika, oficjalny tekst normy, baza danych współczynników emisji). Za każdą liczbą w raporcie zrównoważonego rozwoju powinna znajdować się ścieżka audytu, której audytor może chcieć. Sztuczna inteligencja nie może przedstawić takich dowodów; po prostu pomaga to zorganizować.

Trzy śmiercionośne pułapki AI w ESG

1. Zmyślone współczynniki i liczby emisji. Sztuczna inteligencja może „wpisać” współczynnik emisji, którego nie pamięta (współczynnik emisji dwutlenku węgla na jednostkę paliwa lub energii elektrycznej) liczbą, która wydaje się rozsądna. Liczba ta unieważnia całe obliczenie śladu węglowego.

2. Odniesienie do nieistniejącego lub nieaktualnego ustawodawstwa/norm. Sztuczna inteligencja może generować standardowe liczby, które wydają się prawdziwe, ale których treść jest błędnie przedstawiana lub całkowicie sfabrykowana, np. „GRI 305-7”. Standardy są również regularnie aktualizowane; Wersja znana modelowi może być nieaktualna.

3. Język wywołujący greenwashing. Sztuczna inteligencja chętnie tworzy ładnie brzmiące, ale bezpodstawne i wprowadzające w błąd stwierdzenia, takie jak „przyjazne dla środowiska”, „przyjazne dla środowiska”, „neutralne pod względem emisji dwutlenku węgla”. Stwierdzenia te niosą dziś ryzyko prawne. Omówimy to szczegółowo w części 10.

Wskazówka: do każdego liczbowego wyniku ESG należy podejść z trzema pytaniami: (1) Jaka jest jego jednostka (tCO₂e, kg, MWh)? (2) Który dokument jest źródłem? (3) Jak udowodnić tę liczbę audytorowi? Te trzy pytania pozwalają wykryć większość błędów ESG już w zarodku. „tCO₂e” oznacza tutaj „tony ekwiwalentu dwutlenku węgla”; Jest to miara, która przekształca różne gazy cieplarniane w jedną wspólną jednostkę.

Krok po kroku: Bezpieczny przepływ pracy AI w ESG

1. Połącz zadanie ze standardem i jednostką. Zamiast „Oblicz naszą emisję dwutlenku węgla” powiedz „2024, biuro w Stambule, zużycie gazu ziemnego 12 000 m³; oblicz emisję w tCO₂e za pomocą metody GHG Protocol Scope 1, określ współczynnik emisji i wykorzystywane źródło”.

2. Zapytaj wyraźnie o źródło i założenie. Poproś AI, aby zapisał, jaki współczynnik emisji, jaką normę i jakie założenia przyjął dla każdej liczby. Nie przyjmuj żadnych liczb bez podania źródła.

3. Sprawdź w głównym źródle. Potwierdź współczynnik emisji z oficjalnej bazy danych (np. krajowego departamentu ds. energii, zbioru danych UK DEFRA, IEA), standardowego tekstu z oficjalnego dokumentu GRI lub EFRAG. EFRAG jest europejską instytucją opracowującą standardy ESRS (European Sustainability Reporting Standards), na których opiera się CSRD.

4. Zapisz ścieżkę audytu. Zapisz w tabeli, z jakich danych korzystałeś, z jakiego źródła, w jakim dniu i przy jakim założeniu. Audytor atestacyjny (niezależny weryfikator) poprosi o to.

5. Poproś człowieka o potwierdzenie ostatecznego twierdzenia. Za każdym publicznym roszczeniem z zakresu ESG musi stać odpowiedzialna osoba.

Słaba zachęta/silna zachęta

Prośba o tę samą pracę na dwa różne sposoby radykalnie zmienia wiarygodność wyniku.

Słaba zachęta:

Oblicz ślad węglowy naszej firmy i napisz akapit do raportu zrównoważonego rozwoju.

Twierdzenie to nie obejmuje jednostki, zakresu, roku, danych i źródła; Sztuczna inteligencja wypełnia puste miejsca fabrykacją i tworzy tekst pełen greenwashingu.

Potężny monit:

Twoja rola: starszy specjalista ds. raportowania ESG. Dane wejściowe (używaj tylko tych, w razie braków wpisz „żadnych danych”): - 2024, gaz ziemny: 12 000 m³ - 2024, energia elektryczna: 85 000 kWh Zadanie: Oblicz emisję w CO₂e przy użyciu metody GHG Protocol Scope 1 i Scope 2 (opartej na lokalizacji). Zasady: - Każda wykorzystywana emisja Określ współczynnik, jednostkę i źródło w osobnej kolumnie. - Jeśli nie znasz czynnika, nie wymyślaj go; Wpisz „wymagany współczynnik oficjalny”. - Podaj wynik w tabeli; Na koniec wypisz elementy, które wymagają weryfikacji.

Etyka, prywatność i granice

Dane ESG są często wrażliwe: dane dotyczące płci i wynagrodzeń pracowników (wskaźniki społeczne), warunki umów z dostawcami, skutki finansowe nie zostały jeszcze ujawnione. Wyjaśnij granicę prywatności przed wprowadzeniem tych danych do publicznego narzędzia AI. Anonimizować lub agregować dane osobowe (imię i nazwisko, dowód osobisty, wynagrodzenie w zakresie KVKK i RODO) przed przekazaniem ich AI; Oznacza to, że zamiast pojedynczych osób zamień je w liczby podsumowujące, takie jak „wskaźnik kobiet wynosi 38%”. KVKK to tureckie prawo o ochronie danych osobowych, a RODO to europejskie prawo o ochronie danych osobowych.

Uwaga: Fałszywe lub przesadzone stwierdzenie w raporcie ESG stanowi nie tylko ryzyko dla reputacji; Może to skutkować karami finansowymi i odpowiedzialnością prawną zgodnie z CSRD i krajowymi przepisami konsumenckimi. Nie publikuj żadnych twierdzeń sztucznej inteligencji bez dowodu.

trzy mini etui

Przypadek 1 — Czynnik wymyślony. Firma produkcyjna podała AI zużycie oleju napędowego i poprosiła o obliczenie emisji. Firma YZ zastosowała współczynnik „2,40 kgCO₂e/litr w przypadku oleju napędowego”. Ekspert sprawdził: oficjalny współczynnik wynosił około 2,68 kgCO₂e/litr. Różnica wyniosła 10% i oznaczała odchylenie około 11 ton CO₂e na 40 000 litrów zużycia. Współczynnik został poprawiony na podstawie oficjalnego źródła.

Przypadek 2 — Nieistniejący standard. Konsultant poprosił YZ o zatytułowanie raportu „Zużycie wody GRI 305-8”. mając na uwadze, że woda jest wykazywana w ramach GRI 303; GRI 305 to emisja do powietrza. Po sprawdzeniu ze standardowym tekstem wykryto błąd i treść została przeniesiona do odpowiedniego artykułu.

Przypadek 3 — Język greenwashingu. YZ zaproponowało zdanie „nasze produkty są całkowicie przyjazne dla środowiska” dla marki detalicznej. Zespół ESG uznał, że nie da się tego udowodnić i zastąpił je konkretnym, możliwym do udowodnienia stwierdzeniem, takim jak „60% naszych opakowań pochodzi z recyklingu (2024 r., pomiar wewnętrzny)”.

Monity o prace gotowe do audytu

Przyjrzyj się poniższemu tekstowi ESG okiem audytora. Dla każdego zastrzeżenia liczbowego: 1) Czy jednostka jest jasna? 2) Czy podano źródło? 3) Czy jest to weryfikowalne, czy subiektywne/przesadzone? Zaznacz niepotwierdzone lub niejasne stwierdzenia, takie jak „ekologiczny, ekologiczny, naturalny” i zaproponuj konkretną, wymierną alternatywę dla każdego z nich. Tekst: [TEKST]

Poniższy monit przedstawia krótki zarys zasad wyjaśniający limit wykorzystania sztucznej inteligencji w organizacji.

Twoja rola: lider zespołu ds. zrównoważonego rozwoju. Zadanie: napisać 1-stronicowy projekt polityki wewnętrznej regulującej wykorzystanie sztucznej inteligencji przez zespół w pracy ESG. Obejmują: – Zadania, w których sztuczną inteligencję można swobodnie wykorzystywać (konspekt, podsumowanie, formatowanie) – Zadania wymagające weryfikacji przez człowieka (liczba, współczynnik, standardowe przypisanie, twierdzenie) – Rodzaje danych, które nigdy nie zostaną wprowadzone do sztucznej inteligencji (dane osobowe, nieujawniony wpływ finansowy) Ton: jasny, wypunktowany, mający zastosowanie.

Poniższy monit konfiguruje mały szkielet tabeli „ścieżki audytu”, który można dodać do każdego produktu ESG.

Typowe błędy

Akceptacja numeru bez źródła. Każdy współczynnik i liczba emisji podana przez YZ nie jest uwzględniona w raporcie bez potwierdzenia przez oficjalne źródło.
Ignorowanie jednostki. Jeśli kg pomylimy z tonami, kWh z MWh, wynik może różnić się 1000 razy.
Ślepo ufając ich standardowym sztuczkom. Numery substancji GRI/ESRS należy zweryfikować za pomocą oficjalnego dokumentu.
Wprowadzanie wrażliwych danych w niezmienionej postaci. Dane pracowników i dostawców nie są przekazywane do narzędzia publicznego bez anonimizacji.
Umieszczenie AI w miejscu audytora. Sztuczna inteligencja może stworzyć listę kontrolną, ale nie może zapewnić niezależnej pewności.

Podsumowując

AI to potężny partner w opracowywaniu, przechowywaniu i analizie danych w obszarze ESG; ale nie jest to kalkulator, regulacyjna baza danych ani audytor. Jego wartość ujawnia się poprzez jego weryfikację. Potwierdzenie każdej liczby z pierwotnego źródła, porównanie każdego standardowego odniesienia z oficjalnym tekstem, anonimizacja wrażliwych danych i pozostawienie odpowiedzialności za ostateczne roszczenie człowiekowi to stały szkielet tego modułu. Nigdy nie zapominaj o różnicy między „pozorem biegłym” a „przejściem audytu”.

Zadanie aplikacji

Wybierz pojedynczy element danych środowiskowych pochodzących z Twojej organizacji (lub fikcyjnej firmy): na przykład miesięczny rachunek za energię elektryczną. Poproś sztuczną inteligencję o szkielet rozliczania emisji w zakresie 2, korzystając z powyższego szablonu „monitu o zasilanie”. Następnie: (1) porównaj stosowany współczynnik emisji z oficjalnym źródłem, (2) sprawdź spójność jednostek, (3) napisz małą tabelę ścieżki audytu zawierającą listę elementów, które „wymagają weryfikacji”.

lista kontrolna

[ ] Kwestionowałem jednostkę i źródło każdej liczby podanej przez sztuczną inteligencję.
[ ] Potwierdziłem współczynniki emisji w oficjalnej bazie danych.
[ ] Sprawdziłem standardowe numery (GRI/ESRS) z oficjalnym tekstem.
[ ] Mam zanonimizowane lub zagregowane dane wrażliwe/osobiste.
[ ] Zaznaczyłem stwierdzenia bez dowodów typu „ekologiczne, zielone, naturalne”.
[ ] Prowadziłem ścieżkę audytu (źródło, data, założenia) dla każdej decyzji.
[ ] Wyznaczyłem osobę odpowiedzialną, która potwierdza ostateczne roszczenie.