Kompleksowy przepływ pracy w zakresie ESG, zarządzanie danymi, etyka i bramka jakości

Zyski:

• Możliwość ustalenia ośmioetapowego przepływu pracy ESG od materialności do publikacji z bramkami jakości w rytmie „sztuczna inteligencja produkuje → człowiek weryfikuje → przechodzi przez bramkę”
• Możliwość ochrony osobistych i nieujawnionych danych finansowych poprzez klasyfikację danych ESG jako bezpłatne/wewnętrzne/poufne
• Możliwość wzięcia na siebie ostatecznej odpowiedzialności i dołączenia odpowiedzialnych nazw i zapisów zatwierdzeń do każdej publikacji bez polegania na obronie „AI powiedziała”.

W poprzednich dziesięciu rozdziałach omówiliśmy oddzielnie każdą część działalności związanej z ESG i zrównoważonym rozwojem: wejście i granice, istotność, gromadzenie danych, księgowanie emisji dwutlenku węgla, ramy raportowania, łańcuch dostaw, komunikacja z interesariuszami, pisanie raportów, zapewnianie i ekologiczność. W tej ostatniej części złożymy elementy w całość i ustalimy kompleksowy przepływ pracy: gdzie, w jaki sposób i za pomocą jakiej bramki bezpieczeństwa zastosować sztuczną inteligencję (AI) na każdym etapie, od zdefiniowania misji w zakresie zrównoważonego rozwoju po jej publikację. W jednym ramach połączymy także zarządzanie danymi, prywatność i odpowiedzialność etyczną.

Powtórzmy jeszcze raz stały szkielet modułu: AI; To asystent, który pisze kod, porządkuje dane, tworzy wersje robocze i podsumowuje. Dokładność liczby, potwierdzenie czynnika, kontrola normy, dowód roszczenia i ostateczna odpowiedzialność zawsze spoczywają na kompetentnym ekspertze. To urządzenie zamienia tę zasadę w codzienny przepływ pracy i listę kontrolną.

Kompleksowy przepływ pracy w zakresie ESG

Rozważmy cykl raportowania zrównoważonego rozwoju składający się z ośmiu etapów:

1. Zakres i istotność – Które tematy są istotne? (Część 2)
2. Zbieranie danych — źródła, jednostki, ścieżka audytu. (Część 3)
3. Obliczenia — wskaźniki emisji dwutlenku węgla i inne wskaźniki ze zweryfikowanymi współczynnikami. (Część 4)
4. Dopasowanie ramowe – substancje GRI/ESRS/ISSB, potwierdzenie w tekście urzędowym. (Część 5)
5. Łańcuch dostaw – Zakres 3 i należyta staranność. (Jednostka 6)
6. Pisanie i komunikacja — wyważony, udokumentowany raport i przekaz dla interesariuszy. (Jednostka 7-8)
7. Przygotowanie zapewnienia – przygotowanie łańcucha dowodowego i audytu. (Część 9)
8. Audyt roszczeń — weryfikacja Greenwashing i zatwierdzenie wydania. (Część 10)

Na każdym kroku sztuczna inteligencja jest akceleratorem; Jednak na końcu każdego etapu znajduje się bramka jakości — punkt kontrolny, który należy przejść przed przejściem do następnego kroku. Wyjście, które nie przechodzi przez drzwi, nie postępuje.

krok

Co robi sztuczna inteligencja?

Brama jakości

materialność

Kandydat na temat, analiza tematu

Wpływ + aspekt finansowy, akceptacja człowieka

Dane

Konfiguracja, konwersja jednostek

Weryfikacja źródła i objętości

konto

Formuła, rusztowanie kodu

Czynnik jest potwierdzony z oficjalnego źródła

Dopasowanie

Sugestia artykułu

Sprawdź obraz ze standardowym tekstem

ortografia

projekt, podsumowanie

Rozstrzyganie roszczeń bez dowodów

twierdzić

Skanowanie Greenwashingu

Publikacja certyfikowana przez człowieka

Wskazówka: Ustaw przepływ pracy w rytmie „AI produkuje → człowiek weryfikuje → przechodzi przez drzwi”. Przed przeniesieniem każdego wyniku AI do następnego kroku zadaj pytanie: „Jaka część tego wyniku nie może przejść bez sprawdzenia?” Ta część jest bramą jakości tego kroku.

Zarządzanie danymi i prywatność

Dane ESG są często wrażliwe: dane dotyczące płci i wynagrodzeń pracowników, warunki umów z dostawcami, skutki finansowe jeszcze nieujawnione, dane produkcyjne na poziomie zakładu. Należy je sklasyfikować przed udostępnieniem publicznego narzędzia sztucznej inteligencji. Zarządzanie danymi to „kto może wykorzystywać jakie dane, w jaki sposób i za pomocą jakiego narzędzia?” Pytanie jest powiązane z regułą.

Prosta klasyfikacja:

• Bezpłatnie: Dane już publicznie dostępne (opublikowany raport). Można go przekazać AI.
• Do użytku wewnętrznego: Dane wewnętrzne nie mające wartości handlowej. Ostrożnie w pojeździe służbowym.
• Poufne: tajemnica handlowa, nieujawniony wpływ finansowy, dane osobowe (KVKK/RODO). Nie jest on przekazywany sztucznej inteligencji bez anonimizacji lub środków instytucjonalnych (nieprzeciekających).

Twoja rola: doradca ds. zarządzania danymi. Zadanie: zaklasyfikuj następujące elementy danych jako „bezpłatne / do użytku wewnętrznego / poufne” i zapisz zalecane działanie dla każdego poufnego elementu (anonimizuj / agreguj / narzędzie dla przedsiębiorstw / w ogóle nie podawaj). Zasada: jeśli nie jesteś pewien, dodaj wyższą klasę ochronną. Pozycje: [POZYCJE DANYCH OSOBOWYCH I FINANSOWYCH]

Słaba zachęta/silna zachęta

Sposób, w jaki delegujesz zadanie do narzędzia, radykalnie zmienia ryzyko prywatności.

Słaba zachęta:

Przeanalizuj tabelę wynagrodzeń pracowników i produkcji obiektu, przygotuj podsumowanie ESG.

Eksportuje surowe dane osobowe i tajemnice handlowe bezpośrednio do otwartego narzędzia; Nie ma etapu klasyfikacji, anonimizacji i potwierdzenia.

Potężny monit:

Twoja rola: Analityk ESG wrażliwy na zarządzanie danymi. Podałem Ci WYŁĄCZNIE dane zagregowane, wolne od tajemnic handlowych. Zadanie: przeanalizuj następujące wskaźniki podsumowujące. Zasady: - ŻADNYCH nazwisk, wynagrodzeń, dokumentów tożsamości ani nieujawnionego wpływu finansowego w danych; Jeżeli widzisz takie pole powiedz „DANE POUFNE – nie przetwarzaj, ostrzegaj”. - Nie dodawaj nowej liczby do wyniku; po prostu postępuj zgodnie z podsumowaniem, które podałem. - Dodaj notatkę „wymagana zgoda człowieka” na końcu wyniku. Dane (zagregowane): [WSKAŹNIKI PODSUMOWUJĄCE]

Uwaga: „AI powiedziała” nie jest obroną. Odpowiedzialność za błędny numer, bezpodstawne roszczenie lub wyciek poufnych danych w raporcie ESG ponosi organizacja i osoba, która go zatwierdziła. Korzystając ze sztucznej inteligencji, nie przenosisz odpowiedzialności; Tylko przyspieszysz pracę.

Monit o kompleksową bramkę jakości

Poniższy monit przeprowadza wszystkie kroki przez jedno sprawdzenie przed opublikowaniem.

Twoja rola: Specjalista ds. zapewnienia jakości ESG. Zadanie: przepuść następującą sekcję raportu przez kompleksową bramkę jakości. Podaj „zaliczony/nieudany” dla każdego elementu i wpisz powód niepowodzenia: 1) Czy podano źródło i jednostkę każdej liczby? 2) Czy współczynniki emisji pochodzą z oficjalnego źródła? 3) Czy zweryfikowano standardowe numery pozycji? 4) Czy zaznaczono przybliżenia/szacunki? 5) Czy są stwierdzenia zawierające greenwashing? 6) Czy doszło do wycieku danych poufnych/osobowych? 7) Przypisano nazwę osoby odpowiedzialnej za ostateczne zatwierdzenie? Sekcja: [ROZDZIAŁ]

Poniższy monit konwertuje cały moduł na politykę przedsiębiorstwa.

Twoja rola: lider zespołu ds. zrównoważonego rozwoju. Zadanie: napisać 1-stronicową politykę wewnętrzną regulującą wykorzystanie AI przez zespół w pracy ESG. Obejmują: – Zadania, w których sztuczną inteligencję można swobodnie wykorzystywać (wersja robocza, podsumowanie, kod, analiza tematu) – Zadania wymagające weryfikacji przez człowieka (czynnik, standard, roszczenie, zakres) – Typy danych, które nigdy nie zostaną przekazane sztucznej inteligencji (osobiste, nieujawnione dane finansowe) – Etapy bramki jakości, które należy przejść przed każdym wydaniem Ton: jasny, wypunktowany, ma zastosowanie.

trzy mini etui

Przypadek 1 — Raport wrócił od drzwi. Jeden zespół myślał, że wykonał wszystkie kroki i raport jest gotowy do publikacji. Ostateczne monit dotyczący bramki jakości zawierał w jednej sekcji niepotwierdzone oświadczenie o „odzyskiwaniu na poziomie 78%” oraz stwierdzenie „neutralności pod względem emisji dwutlenku węgla”. Publikacja została zatrzymana, zanim którykolwiek z nich został poprawiony; W drzwiach znajdował się robak, zanim stał się publiczny.

Przypadek 2 – Zapobiegnięto wyciekowi poufnych danych. Analityk wkleiłby jeszcze nieopublikowane kwartalne dane dotyczące wpływu finansowego do publicznie dostępnego narzędzia do analizy. Monit o klasyfikację danych oznaczył je jako „poufne – nieujawnione dane finansowe”. Dane zostały najpierw zagregowane, a następnie przetworzone w narzędziu korporacyjnym; Zapobiegnięto ewentualnemu naruszeniu prawa.

Przypadek 3 — Branie odpowiedzialności. Po opublikowaniu raportu jedna z zainteresowanych stron zakwestionowała szereg z nich. Zespół nie powiedział „obliczona sztuczna inteligencja”; otworzył ścieżkę audytu, podał źródło, wprowadził drobną korektę i wyjaśnił w sposób przejrzysty. Taka postawa, która nie opierała się na obronie „AI powiedziała”, zachowała zaufanie.

Typowe błędy

• Idąc do przodu bez drzwi jakości. Jeśli na wyjściu z każdego kroku nie zostanie przeprowadzona weryfikacja, błędy będą kumulować się aż do końca.
• Podanie danych pojazdu bez ich klasyfikacji. Dane poufne i osobowe nie mogą być wprowadzane do publicznej sztucznej inteligencji bez anonimizacji.
• Przeniesienie odpowiedzialności na sztuczną inteligencję. „AI powiedziała” nie jest obroną prawną ani zawodową.
• Odizolowane kroki myślenia. Istotność, dane, obliczenia i roszczenia są ze sobą powiązane; Jeżeli jeden ulegnie uszkodzeniu, dotyczy to wszystkich.
• Nieprzypisanie osoby odpowiedzialnej za zatwierdzenie publikacji. Za każdym publicznym żądaniem musi stać człowiek.

Podsumowując

Biznes ESG to łańcuch ośmiu połączonych ze sobą kroków, a AI jest akceleratorem na każdym kroku; Ale na wyjściu z każdego kroku znajdują się drzwi jakości. Rytm „AI produkuje → człowiek weryfikuje → przechodzi przez drzwi” łączy wszystkie lekcje tego modułu w jedną dyscyplinę nauki. Klasyfikuj dane i chroń poufność, potwierdź czynnik i standard na podstawie oficjalnego źródła, powiąż twierdzenie z dowodami, wyeliminuj „greenwashing” przed publikacją i przekaż ostateczną odpowiedzialność człowiekowi. AI przyspiesza pracę; Przyjmujesz dokładność, uczciwość i odpowiedzialność. Kryterium tego zawodu nie jest „wyglądać biegle”, ale „przejść audyt i zostać sprawdzonym”.

Zadanie aplikacji

Połącz produkty, które wygenerowałeś w poprzednich jednostkach (lista istotności, rachunek emisji dwutlenku węgla, sekcja raportu) w jeden mini-raport. Przejrzyj ten mini raport składający się z 7 elementów, korzystając z powyższego kompleksowego monitu o bramkę jakości od AI. Następnie: (1) popraw każdy element oznaczony jako „UWOLNIJ”, (2) zaklasyfikuj i podejmij działania w odniesieniu do wszystkich danych poufnych/osobowych, (3) dodaj imię i nazwisko osoby odpowiedzialnej oraz informację o zgodzie na publikację.

lista kontrolna

• [ ] Ustawiłem przepływ pracy w rytmie „AI produkuje → człowiek weryfikuje → przechodzi przez drzwi”.
• [ ] Zaimplementowałem bramkę jakości na wyjściu z każdego kroku.
• [ ] Sklasyfikowałem wszystkie dane jako bezpłatne/wewnętrzne/poufne i zabezpieczyłem poufność.
• [ ] Potwierdziłem czynniki i standardowe elementy z oficjalnego źródła.
• [ ] Każde twierdzenie poparłem dowodami, eliminując greenwashing przed publikacją.
• [ ] Wziąłem na siebie odpowiedzialność, nie polegając na obronie „AI powiedziała”.
• [ ] Ustanowiłem odpowiedzialną nazwę i rekord zatwierdzenia publikacji.

Egzamin modułowy

1. Które z poniższych jest najlepszą pozycją dla sztucznej inteligencji w biznesie ESG i zrównoważonego rozwoju?

• A) Sztuczna inteligencja jest asystentem kodu, danych i planów; Odpowiedzialność za czynniki, standardy, dowody i decyzje etyczne spoczywa na ludziach ✔
• B) Sztuczna inteligencja jest audytorem i dostarczane przez nią wartości ESG zastępują niezależną pewność
• C) Sztuczna inteligencja zajmuje się jedynie pisaniem raportów, nie ma ona nic wspólnego z danymi i obliczeniami
• D) Ponieważ sztuczna inteligencja jest bardziej bezstronna niż ludzie, wszelkie decyzje dotyczące ESG należy jej pozostawić

Opis: Sztuczna inteligencja; To asystent, który pisze kod, porządkuje dane, tworzy wersje robocze i podsumowuje. Jednakże ostateczna odpowiedzialność za potwierdzenie współczynnika emisji, sprawdzenie numeru substancji standardowej i udowodnienie każdego twierdzenia leży po stronie kompetentnego eksperta. Model dużego języka nie jest kalkulatorem, bazą danych regulacyjnych/standardów ani narzędziem sprawdzającym; to generator tekstu, który generuje „następne najbardziej prawdopodobne słowo”, a jego niezweryfikowane wyniki mogą prowadzić do fałszywego zgłoszenia lub roszczenia.

2. Co oznacza aspekt „istotności wpływu” problemu w analizie podwójnej istotności?

• A) Wpływ emisji na zysk spółki i wartość akcji
• B) Ryzyko finansowe emisji wyłącznie dla inwestorów
• C) Wyniki konkurencyjnych firm w tym samym temacie
• D) Wpływ działalności firmy na środowisko i społeczeństwo ✔

Opis: Podwójna materialność patrzy przez dwie soczewki. Istotność finansowa to wpływ emisji na przepływy pieniężne i wartość przedsiębiorstwa („od zewnątrz do wewnątrz”). Istotność wpływu to wpływ działalności firmy na środowisko i społeczeństwo („odwrócone na lewą stronę”). CSRD/ESRS egzekwuje oba aspekty; Ponieważ sztuczna inteligencja często przesuwa się jedynie w kierunku finansowym, kierunek oddziaływania musi być dodatkowo kontrolowany przez człowieka.

3. Jakie jest właściwe podejście przy gromadzeniu danych dotyczących energii w kWh, MWh i GJ z różnych obiektów?

• A) Zignoruj jednostki i dodaj bezpośrednio wszystkie liczby
• B) Poleganie na sztucznej inteligencji w celu zebrania długiej listy w Twojej głowie
• C) Konwersja wszystkich wartości na jedną jednostkę i dokonanie konwersji oraz sumy za pomocą kodu/formuły ✔
• D) Wybór największej jednostki i nie zgłaszanie pozostałych obiektów

Wyjaśnienie: Odpływ jednostek jest najczęstszym i najniebezpieczniejszym błędem ESG; Ponieważ 1 MWh = 1000 kWh, jeśli jednostka zostanie pominięta, wynik może różnić się 1000-krotnie. Prawidłowe podejście polega na przekształceniu wszystkich wartości w jedną jednostkę i zleceniu sztucznej inteligencji wykonania tej konwersji i zsumowania za pomocą wykonywalnego kodu/formuły, a nie ręcznie; zatem wynik jest deterministyczny i weryfikowalny.

4. Jaki zakres obejmuje emisję wynikającą z produkcji zakupionej energii elektrycznej zgodnie z Protokołem GHG?

• A) Zakres 1
• B) Zakres 2 ✔
• C) Zakres 3
• D) Nie jest objęte żadnym zakresem i nie jest raportowane

Opis: Zakres 1 to emisja bezpośrednia z własnych źródeł organizacji (kocioł, pojazd służbowy, generator). Zakres 2 to emisje pośrednie powstałe w wyniku produkcji zakupionej energii (elektrycznej, pary, ogrzewania, chłodzenia). Zakres 3 obejmuje wszystkie pozostałe emisje pośrednie w łańcuchu wartości (dostawy, podróże, wykorzystanie produktów, odpady). Energia elektryczna nie wypływa z komina firmy, ale elektrownia, która ją produkuje, emituje emisje; więc jest to Zakres 2.

5. Jaką koncepcję stosuje się przy konwersji gazu cieplarnianego, takiego jak metan (CH₄) na CO₂e i dlaczego jest to ważne?

• A) GWP (potencjał globalnego ocieplenia); jeśli zostanie pominięty, wpływ metanu/N₂O będzie znacznie niedoszacowany ✔
• B) AQI (wskaźnik jakości powietrza); określa kolor gazu w powietrzu
• C) GRI (inicjatywa raportowania); określa substancję, w której będzie wykazywany gaz
• D) Nie są wymagane żadne współczynniki; metan liczy się 1 do 1 bezpośrednio jak CO₂

Opis: GWP (potencjał globalnego ocieplenia) to współczynnik przeliczający efekt grzewczy różnych gazów cieplarnianych na wspólną jednostkę w stosunku do CO₂. 100-letni współczynnik GWP metanu wynosi około 28; Zatem 1 tona metanu oznacza około 28 ton CO₂e. Jeżeli GWP zostanie pominięty, wpływ silnych gazów, takich jak metan i N₂O, będzie znacznie niedoszacowany, a inwentaryzacja będzie całkowicie niedokładna; Należy również określić, który zestaw GWP (np. IPCC AR6, 100 lat) jest stosowany.

6. Które podejście jest prawidłowe przy obliczaniu „danych dotyczących działalności × współczynnika emisji” w inwentaryzacji gazów cieplarnianych?

• A) Korzystanie ze współczynnika zapamiętywanego przez sztuczną inteligencję i zlecanie jej ręcznego obliczania sumy
• B) Zliczanie wszystkich gazów jako CO₂ i współczynnik pomijania oraz konwersja GWP
• C) Użycie domyślnego współczynnika dokładnie dla każdego kraju, roku i paliwa
• D) Potwierdzenie współczynnika z oficjalnego źródła według kraju i roku oraz dokonanie obliczeń rusztowania i sumy za pomocą kodu ✔

Opis: Współczynniki emisji różnią się w zależności od kraju, roku i paliwa; „Przypominanie” sztucznej inteligencji stwarza ryzyko zmyślenia rzeczy (halucynacji). Czynnik należy zawsze potwierdzić na podstawie oficjalnej tabeli (IPCC, DEFRA/EPA, IEA, wykaz krajowy); Sztuczna inteligencja powinna wykonywać jedynie separację zakresu, rusztowanie księgowe i cały kod. Sumy wielowierszowe są wykonywane za pomocą kodu wykonywalnego, a nie ręcznie.

7. Jakie jest prawidłowe zachowanie w przypadku standardowego numeru substancji GRI/ESRS (np. „GRI 305 dotyczącego zużycia wody”) sugerowanego przez sztuczną inteligencję?

• A) Wpisz liczbę bezpośrednio do raportu, ponieważ sugeruje to sztuczna inteligencja
• B) Numery pozycji są nieistotne; można napisać dowolne
• C) Weryfikacja numeru i jego treści z oficjalnym tekstem standardowym, potwierdzenie w przypadku, gdy jest fałszywy/nieaktualny ✔
• D) Ponieważ emisje do wody i powietrza są podobne, opisanie ich w tym samym artykule

Opis: sztuczna inteligencja może generować standardowe liczby, które wydają się prawdziwe, ale których treść jest fałszywa lub całkowicie sfabrykowana; Ponadto standardy są aktualizowane, a wersja, którą zna model, może być nieaktualna. Na przykład woda jest wykazywana w ramach GRI 303, podczas gdy GRI 305 to emisje do powietrza. Dlatego też nie można zastosować żadnego numeru i zawartości substancji bez weryfikacji z oficjalnym tekstem standardu (GRI/EFRAG/ISSB).

8. Jeżeli większość dostawców w łańcuchu dostaw nie dysponuje rzeczywistymi danymi dotyczącymi emisji dwutlenku węgla, jakie jest właściwe i uczciwe podejście w przypadku Zakresu 3?

• A) Bezpośrednie wykorzystanie liczb stworzonych przez sztuczną inteligencję dla dostawców
• B) Całkowite pominięcie zakresu 3, ponieważ jest „trudny do zmierzenia”
• C) Używanie tych z prawdziwymi danymi, wyraźnie zaznaczając proxy dla tych bez ✔
• D) Zastosowanie proxy do wszystkich dostawców i ukrycie go w raporcie

Opis: Zakres 3 to największa, ale najtrudniejsza do zmierzenia pozycja większości firm. W przypadku dostawców dostarczających rzeczywiste dane, dane te są wykorzystywane; W przypadku tych, którzy go nie podają, można zastosować wskaźnik zastępczy (szacunkowy) oparty na wydatkach. Najważniejsze jest, aby nie ukrywać zastępstwa: w raporcie należy wyraźnie określić część i proporcje zastosowanego oszacowania. Zaciemnione pełnomocnictwo może prowadzić do odmowy niezależnego zapewnienia; Błędem jest także całkowite pominięcie zakresu 3 ze względu na to, że jest on „trudny do zmierzenia”.

9. AI oznaczyła dostawcę jako „możliwą pracę przymusową” wyłącznie na podstawie średniej krajowej. Jakie jest prawidłowe zachowanie?

• A) Przyjmij sygnał jako dowód i natychmiast publicznie zerwij współpracę z dostawcą
• B) Wpisanie roszczenia bezpośrednio do raportu, ponieważ sztuczna inteligencja tak powiedziała
• C) Całkowite ignorowanie sygnałów ryzyka i w ogóle ich nie analizowanie
• D) Uznanie sygnału za „ostrzeżenie wymagające zbadania” i potwierdzenie go oględzinami terenowymi oraz wiarygodnym źródłem ✔

Wyjaśnienie: Poważnych zarzutów, takich jak naruszenia praw człowieka, nie można udowodnić sygnałem wytwarzanym przez sztuczną inteligencję. Taki sygnał jest jedynie „ostrzeżeniem, które należy zbadać”; Używanie go jako ostatecznego oskarżenia jest zarówno nieuczciwe, jak i ryzykowne prawnie. Twierdzenia takie potwierdza jedynie wiarygodne źródło, inspekcja terenowa i proces prawny. Sztuczna inteligencja generuje sygnały; Istota ludzka przejmuje osąd i odpowiedzialność.

10. Jaki jest najważniejszy środek ostrożności podczas analizowania setek odpowiedzi tekstowych z ankiety z udziałem zainteresowanych stron za pomocą sztucznej inteligencji?

• A) Wymaganie oddzielnych, rzadkich, ale ważnych sygnałów (bezpieczeństwa/etycznych/środowiska) sygnałów i nie przyćmiewania ich ✔
• B) Wybieranie wyłącznie tematów o największej częstotliwości, eliminując poglądy mniejszości
• C) Sprowadź wszystkie odpowiedzi do jednego pozytywnego podsumowania i pomiń szczegóły
• D) Zaakceptowanie podsumowania sztucznej inteligencji zamiast surowych odpowiedzi

Opis: Sztuczna inteligencja wzmacnia głos większości i tłumi głos mniejszości w analizie tematycznej. Jednak najcenniejszym sygnałem dotyczącym zrównoważonego rozwoju jest czasami poważny problem dotyczący bezpieczeństwa, etyki lub środowiska zgłaszany przez jedną osobę. Zatem w analizie zadano pytanie: „Co mówiono najczęściej?” To nie kończy się na; O sygnały „rzadkie, ale o dużym znaczeniu” należy prosić osobno, a surowe odpowiedzi należy stosować raczej jako dodatek do podsumowania, a nie zamiast niego.

11. Jaki jest najskuteczniejszy sposób zapobiegania przedostawaniu się fałszywych liczb i celów do tekstu podczas pisania sekcji raportu dla sztucznej inteligencji?

• A) Sporządzenie całego raportu od razu poprzez powiedzenie „napisz odpowiedni tekst”
• B) Podawanie wyłącznie zweryfikowanych danych i wyraźny zakaz generowania nowych numerów/roszczeń ✔
• C) Sprawdź, jak płynny i efektowny jest tekst, i opublikuj go
• D) Umożliwienie sztucznej inteligencji uzupełnienia brakujących danych na podstawie rozsądnych domysłów

Opis: Sztuczna inteligencja generuje liczby i cele, których w rzeczywistości nie masz, korzystając z logiki „tak wynika z podobnych raportów” w pustym wierszu. Najskuteczniejszym środkiem ostrożności jest podawanie wyłącznie zweryfikowanych danych i „nie dodawanie żadnych liczb, wartości procentowych, dat ani twierdzeń innych niż te, które ci podałem; Chodzi o jasne określenie zasady „wpisz [WYMAGANE DANE] w brakującym miejscu”. Dodatkowo raport powinien być wydrukowany sekcja po sekcji, zasilony danymi.

12. Na co niezależny audytor w pierwszej kolejności zwraca uwagę podczas przeglądania raportu zrównoważonego rozwoju?

• A) Jak płynnie i profesjonalnie napisano raport
• B) Każde wydanie ma łańcuch dowodowy powiązany z dokumentem źródłowym ✔
• C) Sztuczna inteligencja mówi, że „raport jest gotowy do audytu”
• D) Spraw, aby raport wydawał się bardziej asertywny niż konkurencja

Wyjaśnienie: Egzaminatora nie interesuje płynność tekstu, ale łańcuch dowodowy stojący za każdym twierdzeniem; Jego pierwsze pytanie brzmi: „Udowodnij tę liczbę”. Sprawdza się, z jakiego dokumentu źródłowego pochodzi dana liczba, z jakiej formuły i współczynnika wynika, że ​​staje się ona raportem oraz czy można ją samodzielnie powtórzyć. Dlatego też każdy istotny wskaźnik musi umożliwiać prześledzenie źródła, czynniki muszą zostać zweryfikowane na podstawie oficjalnego źródła i należy określić wskaźniki zastępcze; Sztuczna inteligencja dokonuje tego przygotowania, ale nie może zapewnić pewności.

13. Które z poniższych twierdzeń dotyczących ochrony środowiska wiąże się z najniższym ryzykiem „greenwashingu”?

• A) „Do 2023 r. zmniejszyliśmy emisję z naszej produkcji o 18% (przy weryfikacji przez stronę trzecią)” ✔
• B) „Nasze produkty są całkowicie przyjazne dla środowiska i naturalne”
• C) „Nasza firma jest neutralna pod względem emisji dwutlenku węgla” (bez podawania jakichkolwiek dokumentów i danych)
• D) „Jesteśmy najbardziej zrównoważoną firmą w branży o niemal zerowym wpływie na środowisko”

Wyjaśnienie: Dobre twierdzenie dotyczące ekologiczności jest mierzalne (zawiera liczbę), udowodnione (w oparciu o dowody) i jasne pod względem zakresu (jasne jest, co jest porównywane z czym i kiedy). „Zredukowaliśmy emisję z produkcji o 18% do 2023 r. (przy weryfikacji przez stronę trzecią)” ma te trzy cechy. Wyrażenia takie jak „przyjazny dla środowiska”, „naturalny”, niecertyfikowany „neutralny pod względem emisji dwutlenku węgla” są niewymierne lub niepotwierdzone i niosą ze sobą ryzyko „greenwashingu”.

14. Co należy zrobić przed wklejeniem nieujawnionych danych dotyczących produkcji i emisji z obiektu do publicznie dostępnego narzędzia AI w celu analizy?

• A) Wklejanie danych w niezmienionej postaci; dane dotyczące środowiska są zawsze publicznie dostępne
• B) Dawanie bez podjęcia środków ostrożności, gdy odpowiedzialność przechodzi na dostawcę sztucznej inteligencji
• C) Ryzyko jest po prostu błędną kalkulacją; Środek zapewniający poufność jest niepotrzebny
• D) Klasyfikowanie danych jako bezpłatne/wewnętrzne/poufne i anonimizacja danych poufnych lub przy użyciu narzędzi korporacyjnych ✔

Ujawnianie danych: dane dotyczące produkcji i emisji na poziomie zakładu mogą stanowić tajemnicę handlową; dane finansowe/środowiskowe, które nie zostały jeszcze ujawnione, mogą naruszać regulacyjne zasady ujawniania informacji; Dane dotyczące lokalizacji/wynagrodzenia pracownika są danymi osobowymi w zakresie KVKK/RODO. Przed przekazaniem tego typu danych otwartemu narzędziu należy je zakwalifikować jako bezpłatne/wewnętrzne/poufne, w razie potrzeby zanonimizować lub skorzystać z narzędzia korporacyjnego (wolnego od danych). „AI powiedziała” nie jest obroną; Odpowiedzialność spoczywa na instytucji i osobie, która ją zatwierdza.