Zyski:
- Możliwość ustalenia Zakresu 3 poprzez nadanie priorytetu dostawcom na podstawie wydatków i poziomu ryzyka oraz rozróżnienie pomiędzy rzeczywistymi danymi a przybliżonymi szacunkami
- Oznaczając sygnały ryzyka dostawcy za pomocą sztucznej inteligencji, traktuj je raczej jako „sygnały do sprawdzenia”, a nie jako dowód
- Umiejętność zarządzania poważnymi roszczeniami dotyczącymi praw człowieka/środowiska poprzez proces due diligence wymagający inspekcji w terenie i potwierdzenia prawnego
W przypadku większości firm największy wpływ na zrównoważony rozwój nie leży we własnej fabryce, ale w łańcuchu dostaw. Ponad 80 procent śladu węglowego marki odzieżowej może pochodzić od jej dostawców, począwszy od producentów tkanin po wysyłkę. Podobnie najpoważniejsze zagrożenia społeczne, takie jak praca dzieci, praca przymusowa i naruszenia ochrony środowiska, często występują głęboko w łańcuchu dostaw. W tej części dowiesz się, jak wykorzystywać sztuczną inteligencję (AI) do gromadzenia i oceny danych dotyczących łańcucha dostaw oraz monitorowania zagrożeń.
Wyjaśnijmy dwa pojęcia. Zakres 3, jak widzieliśmy w poprzedniej jednostce, obejmuje emisje pośrednie w łańcuchu wartości przedsiębiorstwa i jest generalnie największą, ale najtrudniejszą do zmierzenia pozycją. Należyta staranność to proces identyfikacji, zapobiegania i eliminowania zagrożeń dla praw człowieka i środowiska w łańcuchu dostaw firmy. Przepisy takie jak unijna dyrektywa CSDDD (dyrektywa dotycząca należytej staranności w zakresie zrównoważonego rozwoju przedsiębiorstw) nakładają na to obowiązek w przypadku dużych firm.
Główne wyzwanie związane z danymi łańcucha dostaw
Możesz zmierzyć dane własnego obiektu; Ale nie można bezpośrednio zmierzyć danych setek dostawców, trzeba ich zapytać. Stwarza to trzy problemy:
- Dane nie docierają lub są niekompletne. Większość mniejszych dostawców nie prowadzi danych dotyczących emisji gazów cieplarnianych.
- Dane są niewiarygodne. Kiedy dostawca dokonuje samodzielnego zgłoszenia, może wystąpić zawyżenie lub zaniżenie raportu.
- Wymagane jest zgadnięcie (proxy). Jeżeli rzeczywiste dane nie są dostępne, stosuje się średnią branżową lub szacunki oparte na wydatkach.
W tym przypadku sztuczna inteligencja pomaga na dwa sposoby: (1) szybko sporządza ankiety i pisma uzupełniające, które należy wysłać do setek dostawców, (2) konstruuje rozproszone odpowiedzi i sygnalizuje sygnały ryzyka. Jednak żaden numer podany przez dostawcę nie jest weryfikowany, żaden sygnał ryzyka nie jest wyciągany bez przeglądu przez człowieka.
Kategoria zakresu 3 (przykład)
Źródło danych
Typowa metoda
Zakupione towary/usługi
Ankieta / wydatki dostawcy
Prawdziwe dane > proxy
Wysyłka i dystrybucja
Zapisy przewoźnika
Odległość × obciążenie × współczynnik
podróże służbowe
systemu podróżniczego
Km/lot × współczynnik
Użycie sprzedanego produktu
Dane energetyczne produktu
Model użytkowania
odpady
Dokumenty przekazania odpadów
Ilość × współczynnik
Wskazówka: w zakresie 3 oszacowanie „oparte na wydatkach” (tyle CO₂ na wydane 1000 dolarów) to szybki początek, ale przybliżony. Jeśli dostawca dostarcza prawdziwe dane, wykorzystaj je; Szacunek oparty na wydatkach jest tymczasowy tylko wtedy, gdy nie ma rzeczywistych danych i powinien być oznaczony w raporcie jako „szacunkowy/zastępczy”.
Krok po kroku: przepływ pracy w łańcuchu dostaw z wykorzystaniem sztucznej inteligencji
1. Nadaj priorytet dostawcom. Nie można dokładnie zbadać wszystkich setek dostawców. Skoncentruj się na tych, którzy mają wysokie wydatki i ryzyko (sektor, kraj). Sztuczna inteligencja może stworzyć roboczą listę z takim ustaleniem priorytetów.
2. Projekt ankiety i wniosek. Poproś AI o jasny i łatwy do wypełnienia zarys ankiety dotyczącej danych dostawców.
3. Skonfiguruj przychodzące dane. Umieść odpowiedzi w różnych formatach w jednej tabeli; Zaznacz brakujące części.
4. Skanuj w poszukiwaniu sygnałów ryzyka. Niech sztuczna inteligencja znajdzie kandydatów „oznaczonych czerwoną flagą” w wiadomościach publicznych, rejestrach naruszeń i rozbieżnościach w ankietach; Ale ludzie weryfikują każdy sygnał.
5. Działanie i pogoń. Ustanów plan działań naprawczych i dalszych działań dla dostawców wysokiego ryzyka; Udokumentuj proces.
Słaba zachęta/silna zachęta
Słaba zachęta:
Oblicz ślad węglowy naszych dostawców.
Brak źródła danych, brak rozróżnienia rzeczywistego/zastępczego i brak weryfikacji; AI tworzy numery dostawców.
Potężny monit:
Twoja rola: analityk zrównoważonego rozwoju łańcucha dostaw. Dane wejściowe: nazwy 15 dostawców, branża, roczna kwota wydatków i podawane przez nich dane dotyczące rzeczywistych emisji (jeśli istnieją). Zadanie: 1) Ci, którzy podają prawdziwe dane, wykorzystają je. 2) Dla tych, którzy nie mają prawdziwych danych, napisz „wymagany PROXY oparty na wydatkach”, NIE PASUJ numeru; określ, który czynnik pobrać z oficjalnego źródła.3) Nadaj priorytet dostawcom z branży o wysokich wydatkach i wysokim ryzyku. Dane wyjściowe: tabela (Dostawca | Branża | Wydatki | Typ danych [rzeczywiste/zastępcze] | Priorytet | Uwaga). Numery zastępcze zostaną zaznaczone w raporcie.
Monituj o kontrolę ryzyka dostawcy
Skonfiguruj platformę kontroli ryzyka dla poniższej listy dostawców. Ocena dla każdego dostawcy (wyłącznie na podstawie dostarczonych przeze mnie informacji, publiczne twierdzenie FAŁSZYWE): – Możliwe ryzyko dla praw człowieka ze strony kraju/sektora (wysokie/średnie/niskie) – Możliwe ryzyko dla środowiska – Niespójność w odpowiedziach na ankietę/sygnały ostrzegawcze Zasada: dodać uwagę „wymagana weryfikacja – brak źródła” dla każdego ryzyka; nie rzucaj ostatecznych oskarżeń, po prostu sugeruj sygnały do zbadania. Lista: [DOSTAWCY]
Poniższy monit zawiera projekt ankiety dotyczącej żądania danych, którą należy wysłać do dostawców.
Twoja rola: specjalista ds. zrównoważonego rozwoju. Zadanie: sporządzić ankietę dotyczącą danych ESG zawierającą nie więcej niż 10 pytań, które mali/średni dostawcy mogą z łatwością odpowiedzieć. Uwzględnij: zużycie energii, rodzaj paliwa, odpady, liczbę wypadków związanych z bezpieczeństwem pracy, zaangażowanie w pracę przymusową/dzieci. Ton: prosty, wyraźny, łatwy do uzupełnienia; Dodaj jednostki i przykłady do każdego pytania.
Przestroga: Nie pozwól, aby sztuczna inteligencja weryfikowała sygnał ryzyka dotyczący dostawcy (np. „praca dzieci”) i nigdy nie używaj twierdzeń wygenerowanych przez sztuczną inteligencję jako dowodu. Takie poważne twierdzenia potwierdza jedynie wiarygodne źródło, inspekcja terenowa i proces prawny. Sztuczna inteligencja generuje jedynie „sygnał do sprawdzenia”; nie osądza.
trzy mini etui
Przypadek 1 – Uczciwe korzystanie z pełnomocnictwa. Tylko 30 z 200 dostawców jednego producenta mebli przedstawiło rzeczywiste dane dotyczące emisji dwutlenku węgla. W przypadku pozostałych 170 zespół zastosował przybliżony wskaźnik oparty na wydatkach, ale w raporcie wyraźnie stwierdzono, że „65% zakresu 3 to szacunki oparte na wydatkach”. Audytor potwierdził tę uczciwość; gdyby było to ukryte, zapewnienie mogłoby zostać odrzucone.
Przypadek 2 – Priorytetyzacja. Firma spożywcza miała 480 dostawców. Sztuczna inteligencja pokazała, że 80% wydatków skoncentrowano u 40 dostawców. Zespół skupił się na dogłębnej analizie tych 40; zasoby nie zostały zmarnowane, a dostawcy o największym wpływie zostali zgłoszeni wraz z rzeczywistymi danymi.
Przypadek 3 – Ryzyko fałszywego oskarżenia. AI oznaczyła dostawcę jako „możliwą pracę przymusową”; Powodem była tylko średnia krajowa. Zespół przyjął to jako „sygnał do zbadania”, a nie dowód, i zażądał inspekcji w terenie. Kontrola nie stwierdziła żadnych problemów; Jeżeli sygnał sztucznej inteligencji zostałby uznany za dowód, powstałoby niesłuszne oskarżenie i ryzyko prawne.
Typowe błędy
- Akceptowanie danych dostawcy bez ich weryfikacji. Dane dostawców zgłaszających się samodzielnie wymagają sprawdzenia krzyżowego.
- Ukrywanie proxy. Korzystanie z prognozowania opartego na wydatkach jest w porządku; Brak określenia jest problemem podczas audytu.
- Równe sprawdzanie wszystkich dostawców. Zaopatrzenie powinno koncentrować się na dostawcach o wysokich wydatkach i wysokim ryzyku.
- Mylenie sygnału AI z dowodem. Roszczenia dotyczące naruszeń praw człowieka/środowiska są weryfikowane przez dziedzinę i prawo, a nie przez sztuczną inteligencję.
- Całkowite pominięcie zakresu 3. Największy wpływ jest zwykle tutaj; Nie można go zignorować ze względu na to, że jest „trudny do zmierzenia”.
Podsumowując
W łańcuchu dostaw kryje się największy wpływ większości firm na środowisko i społeczeństwo; Tutaj skupiają się emisje z zakresu 3 i ryzyko związane z należytą starannością. sztuczna inteligencja; Jest to potężna pomoc w ustalaniu priorytetów dostawców, sporządzaniu ankiet, konstruowaniu rozproszonych odpowiedzi i oznaczaniu sygnałów ryzyka. Jednak dane dostawcy nie są uwzględniane w raporcie, dopóki nie zostaną zweryfikowane, jasno określone pełnomocnictwa i potwierdzenie poważnych zarzutów podczas kontroli w terenie. AI generuje sygnały; Istota ludzka przejmuje osąd i odpowiedzialność.
Zadanie aplikacji
Przygotuj listę 10 fikcyjnych dostawców z podaniem nazwy, branży i rocznych wydatków; Dodaj rzeczywiste dane dotyczące emisji do kilku, większość pozostaw pusta. Poproś sztuczną inteligencję o tabelę priorytetów i typów danych, korzystając z potężnego monitu powyżej. Następnie: (1) sprawdź, czy liczba dostawców wymagających pełnomocnika nie jest zmyślona, (2) wybierz 3 dostawców o najwyższym priorytecie wraz z uzasadnieniem, (3) przygotuj krótką ankietę z danymi, którą chcesz im przesłać.
lista kontrolna
- [ ] Ustaliłem priorytety dostawców na podstawie wydatków i poziomu ryzyka.
- [ ] Użyłem prawdziwych danych; Dla tych, którzy go nie mają, zaznaczyłem proxy.
- [ ] Oceniłem dane dostawcy nie takimi, jakie są, ale poprzez sprawdzenie krzyżowe.
- [ ] Uznałem, że sygnały ryzyka „należą zbadać” i nie wykorzystałem ich jako dowodu.
- [ ] Zaplanowałem etap audytu terenowego/weryfikacji prawnej w przypadku poważnych roszczeń.
- [ ] Nie pominąłem Zakresu 3; W raporcie podałem zakres i stawkę szacunkową.
- [ ] Cały proces zarejestrowałem dokumentem due diligence.