Ganhos:
- Capacidade de estabelecer o Escopo 3, priorizando fornecedores com base no gasto e no nível de risco e distinguindo entre dados reais e estimativas proxy
- Ao sinalizar sinais de risco de fornecedores com inteligência artificial, trate-os como “sinais a serem examinados” e não como evidências
- Capacidade de gerenciar reivindicações graves de direitos humanos/ambientais por meio de um processo de devida diligência que exige inspeção de campo e confirmação legal
Para a maioria das empresas, a maior parte do seu impacto na sustentabilidade não reside na sua própria fábrica, mas na sua cadeia de abastecimento. Mais de 80% da pegada de carbono de uma marca de roupas pode vir de seus fornecedores, desde fabricantes de tecidos até remessas. Da mesma forma, os riscos sociais mais graves, como o trabalho infantil, o trabalho forçado e as violações ambientais, ocorrem frequentemente nas profundezas da cadeia de abastecimento. Nesta unidade, você aprenderá como usar a inteligência artificial (IA) para coletar e avaliar dados da cadeia de suprimentos e rastrear riscos.
Vamos esclarecer dois conceitos. O escopo 3, como vimos na unidade anterior, são as emissões indiretas na cadeia de valor da empresa e geralmente é o item maior, porém mais difícil de mensurar. A devida diligência é o processo de identificar, prevenir e remediar riscos aos direitos humanos e ambientais na cadeia de fornecimento de uma empresa. Regulamentações como a CSDDD (Diretiva de Devida Diligência de Sustentabilidade Corporativa) da UE tornam isso obrigatório para grandes empresas.
O principal desafio dos dados da cadeia de abastecimento
Você pode medir os dados de suas próprias instalações; Mas você não pode medir diretamente os dados de centenas de fornecedores, é preciso perguntar a eles. Isso cria três problemas:
- Os dados não chegam ou estão incompletos. A maioria dos fornecedores menores não mantém dados sobre carbono.
- Os dados não são confiáveis. Quando um fornecedor auto-relata, pode haver exagero ou subnotificação.
- É necessário um palpite (proxy). Se os dados reais não estiverem disponíveis, utiliza-se a média da indústria ou uma estimativa baseada nas despesas.
É aqui que a IA ajuda de duas maneiras: (1) elaborando rapidamente pesquisas e cartas de acompanhamento a serem enviadas a centenas de fornecedores, (2) estruturando respostas dispersas e sinalizando sinais de risco. Mas nenhum número fornecido pelo fornecedor é verificado, nenhum sinal de risco é concluído sem análise humana.
Categoria de escopo 3 (exemplo)
Fonte de dados
Método típico
Bens/serviços adquiridos
Pesquisa / gastos com fornecedores
Dados reais > proxy
Envio e distribuição
Registros de operadora
Distância × carga × fator
viagens de negócios
sistema de viagens
Km/voo × fator
Utilização do produto vendido
Dados de energia do produto
Modelo de uso
desperdício
Documentos de transferência de resíduos
Quantidade × fator
Dica: No Escopo 3, a estimativa “baseada em gastos” (esta quantidade de CO₂e por US$ 1.000 gastos) é um começo rápido, mas difícil. Quando um fornecedor fornece dados reais, use-os; A estimativa baseada em gastos só é provisória se não houver dados reais e deve ser marcada como “estimativa/proxy” no relatório.
Passo a passo: Fluxo de trabalho da cadeia de suprimentos com IA
1. Priorize fornecedores. Você não pode examinar todas as centenas de fornecedores com a mesma profundidade. Concentre-se naqueles com alto volume de gastos e risco (setor, país). A IA pode produzir um rascunho de lista com essa priorização.
2. Rascunho da pesquisa e solicitação. Peça à IA um esboço de pesquisa de dados de fornecedores claro e fácil de preencher.
3. Configure os dados recebidos. Coloque as respostas em diferentes formatos em uma única tabela; Marque as peças que faltam.
4. Procure sinais de risco. Faça com que a IA encontre candidatos com “bandeira vermelha” em notícias públicas, violações de registros e discrepâncias em pesquisas; Mas os humanos verificam todos os sinais.
5. Ação e busca. Estabelecer um plano de ações corretivas e de acompanhamento para fornecedores de alto risco; Documente o processo.
Alerta fraco / Alerta forte
Alerta fraco:
Calcular a pegada de carbono dos nossos fornecedores.
Nenhuma fonte de dados, nenhuma distinção real/proxy e nenhuma verificação; AI compõe números de fornecedores.
Alerta poderoso:
Sua função: analista de sustentabilidade da cadeia de suprimentos. Dados de entrada: nomes de 15 fornecedores, setor, valor gasto anual e dados reais de emissões que eles fornecem (se houver). Tarefa: 1) Para quem fornece dados reais, use esses dados. 2) Para quem não possui dados reais, escreva “PROXY baseado em gastos necessário”, NÃO COLOQUE o número; especifique qual fator obter da fonte oficial.3) Priorize fornecedores em setores de alto gasto + alto risco. Saída: tabela (Fornecedor | Indústria | Gasto | Tipo de dados [real/proxy] | Prioridade | Nota). Os números proxy serão marcados no relatório.
Solicitar triagem de risco do fornecedor
Configure uma estrutura de triagem de risco para a lista de fornecedores a seguir. Avalie para cada fornecedor (apenas com base nas informações que forneci, afirmação pública FALSA): - Possível risco para os direitos humanos do país/setor (alto/médio/baixo) - Possível risco ambiental - Inconsistência na resposta da pesquisa/sinais de alertaRegra: adicionar nota “verificação necessária - sem fonte” para cada risco; não faça acusações definitivas, apenas sugira sinais para investigar.Lista: [FORNECEDORES]
O prompt a seguir elabora uma pesquisa de solicitação de dados para enviar aos fornecedores.
Sua função: especialista em fornecimento de sustentabilidade. Tarefa: elaborar uma pesquisa de dados ESG com no máximo 10 perguntas que os pequenos/médios fornecedores possam responder facilmente. Inclui: consumo de energia, tipo de combustível, resíduos, número de acidentes de segurança do trabalho, comprometimento com trabalho forçado/infantil. Tom: simples, claro, fácil de preencher; Adicione unidades e exemplos a cada pergunta.
Cuidado: Não faça com que a IA verifique um sinal de risco sobre o fornecedor (por exemplo, “trabalho infantil”) e nunca use uma reclamação gerada pela IA como prova. Tais alegações graves só são confirmadas por fonte confiável, inspeção de campo e processo legal. A IA produz apenas um “sinal a ser examinado”; não julga.
três mini cases
Caso 1 — Uso honesto de proxy. Apenas 30 dos 200 fornecedores de um fabricante de móveis forneceram dados reais sobre carbono. A equipe usou um proxy baseado em gastos para os 170 restantes, mas o relatório afirma claramente: “65% do Escopo 3 é uma estimativa baseada em gastos”. O auditor reconheceu esta honestidade; se tivesse sido ocultado, a garantia poderia ter sido negada.
Caso 2 — Priorização. Uma empresa de alimentos tinha 480 fornecedores. A IA mostrou que 80% dos gastos estavam concentrados em 40 fornecedores. A equipe concentrou o mergulho profundo nesses 40; os recursos não foram desperdiçados e os fornecedores de maior impacto foram reportados com dados reais.
Caso 3 — Risco de falsa acusação. A AI sinalizou um fornecedor como “possível trabalho forçado”; O motivo foi apenas a média nacional. A equipe aceitou isso como um “sinal a ser examinado”, e não como evidência, e solicitou uma inspeção de campo. A inspeção não encontrou problemas; Se o sinal da IA fosse tomado como prova, surgiria uma acusação injusta e um risco legal.
Erros comuns
- Aceitar dados de fornecedores sem verificá-los. Os dados do fornecedor auto-relatados requerem verificação cruzada.
- Escondendo o proxy. Usar previsões baseadas em gastos é bom; Não especificar é um problema de auditoria.
- Examinar todos os fornecedores igualmente. O fornecimento deve se concentrar em fornecedores com altos gastos e alto risco.
- Confundindo o sinal de IA com evidência. As alegações de violações de direitos humanos/ambientais são verificadas pelo campo e pela lei, não pela IA.
- Ignorando totalmente o escopo 3. O maior impacto geralmente está aqui; Não pode ser ignorado com o argumento de que é “difícil de medir”.
Em resumo
A cadeia de abastecimento é onde se esconde o maior impacto ambiental e social da maioria das empresas; As emissões de escopo 3 e os riscos de due diligence estão concentrados aqui. IA; É uma ajuda poderosa na priorização de fornecedores, na elaboração de pesquisas, na estruturação de respostas dispersas e na sinalização de sinais de risco. Mas os dados do fornecedor não são incluídos no relatório até que sejam verificados, as proxies sejam claramente indicadas e as alegações graves sejam confirmadas pela inspeção de campo. IA gera sinais; O ser humano assume o julgamento e a responsabilidade.
Tarefa de aplicativo
Prepare uma lista de 10 fornecedores fictícios com nome, setor e gasto anual; Adicione dados reais de emissões a alguns, deixando a maioria em branco. Peça à IA uma tabela de priorização e tipo de dados por meio do poderoso prompt acima. Em seguida: (1) verifique se o número de fornecedores que necessitam de uma procuração não é total, (2) selecione os 3 fornecedores de maior prioridade com justificativa, (3) elabore uma breve pesquisa de dados para enviar a eles.
lista de verificação
- [ ] Priorizei fornecedores com base em gastos e nível de risco.
- [ ] Usei dados reais; Para quem não tem, marquei o proxy.
- [ ] Avaliei os dados do fornecedor não como estão, mas por meio de cruzamento.
- [ ] Considerei os sinais de risco “a serem examinados” e não os utilizei como evidência.
- [ ] Planejei uma etapa de auditoria de campo/verificação legal para reivindicações graves.
- [ ] Não pulei o Escopo 3; Afirmei o escopo e a taxa de estimativa no relatório.
- [ ] Gravei todo o processo com um documento de due diligence.