Vinster:
- Förmåga att etablera Scope 3 genom att prioritera leverantörer baserat på utgifter och risknivå och skilja mellan faktiska data och proxyskattningar
- När du flaggar leverantörsrisksignaler med artificiell intelligens, behandla dem som "signaler som ska undersökas" snarare än som bevis
- Förmåga att hantera allvarliga anspråk på mänskliga rättigheter/miljön genom en due diligence-process som kräver fältinspektion och juridisk bekräftelse
För de flesta företag ligger den största delen av deras hållbarhetspåverkan inte i den egna fabriken utan i deras leverantörskedja. Mer än 80 procent av ett klädmärkes koldioxidavtryck kan komma från dess leverantörer, allt från tygtillverkare till frakt. Likaså förekommer de allvarligaste sociala riskerna, såsom barnarbete, tvångsarbete och miljökränkningar, ofta djupt i leverantörskedjan. I den här enheten kommer du att lära dig hur du använder artificiell intelligens (AI) för att samla in och utvärdera data från leveranskedjan och screena för risker.
Låt oss klargöra två begrepp. Scope 3, som vi såg i föregående enhet, är de indirekta utsläppen i företagets värdekedja och är generellt den största men svårast mätbara posten. Due diligence är processen att identifiera, förebygga och åtgärda mänskliga rättigheter och miljörisker i ett företags leverantörskedja. Förordningar som EU:s CSDDD (Corporate Sustainability Due Diligence Directive) gör detta obligatoriskt för stora företag.
Den största utmaningen med data i försörjningskedjan
Du kan mäta din egen anläggnings data; Men du kan inte direkt mäta data från hundratals leverantörer, du måste fråga dem. Detta skapar tre problem:
- Data kommer inte fram eller är ofullständiga. De flesta mindre leverantörer sparar inte koldioxiddata.
- Uppgifterna är opålitliga. När en leverantör självrapporterar kan det förekomma över- eller underrapportering.
- En gissning (proxy) krävs. Om faktiska data inte är tillgängliga används branschgenomsnitt eller utgiftsbaserad uppskattning.
Det är här AI hjälper på två sätt: (1) att snabbt utarbeta undersökningar och uppföljningsbrev som ska skickas till hundratals leverantörer, (2) strukturera spridda svar och flagga risksignaler. Men inget nummer som ges av leverantören är verifierat, ingen risksignal avslutas utan mänsklig granskning.
Omfattning 3 kategori (exempel)
Datakälla
Typisk metod
Köpta varor/tjänster
Leverantörsundersökning / spendera
Verkliga data > proxy
Frakt och distribution
Transportörens register
Avstånd × belastning × faktor
affärsresor
resesystem
Km/flyg × faktor
Användning av den sålda produkten
Produktens energidata
Användningsmodell
avfall
Avfallsöverföringsdokument
Kvantitet × faktor
Tips: I Scope 3 är den "utgiftsbaserade" uppskattningen (så här mycket CO₂e per spenderad $1 000) en snabbstart, men en grov sådan. När en leverantör tillhandahåller riktig data, använd den; Den utgiftsbaserade uppskattningen är endast preliminär om det inte finns några faktiska uppgifter och bör markeras som "uppskattning/proxy" i rapporten.
Steg för steg: Försörjningskedjans arbetsflöde med AI
1. Prioritera leverantörer. Du kan inte granska alla hundratals leverantörer på samma djup. Fokusera på dem med hög utgiftsstorlek och risk (sektor, land). AI kan skapa en utkastlista med denna prioritering.
2. Utkast till enkät och begäran. Be AI om en tydlig, enkel att fylla i leverantörsdataundersökningsöversikt.
3. Konfigurera inkommande data. Lägg svaren i olika format i en enda tabell; Markera de saknade delarna.
4. Sök efter risksignaler. Låt AI hitta "röd flagga"-kandidater i offentliga nyheter, bryter mot rekord och undersökningsavvikelser; Men människor verifierar varje signal.
5. Handling och jakt. Upprätta en korrigerande åtgärd och uppföljningsplan för högriskleverantörer; Dokumentera processen.
Svag prompt / Stark prompt
Svag uppmaning:
Beräkna våra leverantörers koldioxidavtryck.
Ingen datakälla, ingen real/proxy-skillnad och ingen verifiering; AI utgör leverantörsnummer.
Kraftfull uppmaning:
Din roll: hållbarhetsanalytiker i supply chain. Indata: 15 leverantörers namn, bransch, årlig utgiftsbelopp och de faktiska utsläppsdata de tillhandahåller (om några). Uppgift: 1) För dem som tillhandahåller riktiga data, använd dessa uppgifter. 2) För de som inte har riktiga data, skriv "spend-based PROXY required", PASSA INTE numret; specificera vilken faktor som ska hämtas från officiell källa.3) Prioritera leverantörer i bransch med hög utgifter + hög risk. Utdata: tabell (Leverantör | Bransch | Spendera | Datatyp[faktisk/proxy] |Prioritet | Notera). Fullmaktsnummer kommer att markeras i rapporten.
Fråga efter leverantörsriskscreening
Sätt upp en riskscreeningsställning för följande lista över leverantörer. Bedöm för varje leverantör (endast baserat på information jag har tillhandahållit, offentligt påstående FAKE):- Möjlig risk för mänskliga rättigheter från land/sektor (hög/medel/låg)- Möjlig miljörisk- Inkonsekvens i enkätsvar/röda flaggorRegel: lägg till notering "verifiering krävs — ingen källa" för varje risk; kom inte med definitiva anklagelser, utan föreslå bara signaler att undersöka. Lista: [LEVERANTÖRER]
Följande uppmaning utarbetar en dataförfrågningsundersökning att skicka till leverantörer.
Din roll: specialist på hållbarhetsinköp. Uppgift: utarbeta en ESG-dataundersökning med högst 10 frågor som små/medelstora leverantörer enkelt kan fylla i. Inkludera: energiförbrukning, bränsletyp, avfall, antal arbetarskyddsolyckor, engagemang för tvångs-/barnarbete. Ton: enkel, tydlig, lätt att slutföra; Lägg till enheter och exempel till varje fråga.
Varning: Låt inte AI verifiera en risksignal om leverantören (t.ex. "barnarbete") och använd aldrig ett påstående som genererats av AI som bevis. Sådana allvarliga påståenden bekräftas endast av tillförlitlig källa, fältinspektion och juridisk process. AI producerar bara en "signal som ska undersökas"; dömer inte.
tre minifodral
Fall 1 — Ärlig användning av proxy. Endast 30 av en möbeltillverkares 200 leverantörer lämnade faktiska koldata. Teamet använde en utgiftsbaserad proxy för de återstående 170, men rapporten säger tydligt, "65 % av Scope 3 är en utgiftsbaserad uppskattning." Revisorn erkände denna ärlighet; hade den dolts, skulle försäkran ha kunnat förnekas.
Fall 2 — Prioritering. Ett livsmedelsföretag hade 480 leverantörer. AI visade att 80 % av utgifterna var koncentrerade till 40 leverantörer. Teamet fokuserade djupdykningen på dessa 40; resurser slösades inte bort och leverantörerna med störst effekt rapporterades med verkliga data.
Fall 3 – Risk för falsk anklagelse. AI flaggade en leverantör som "möjligt tvångsarbete"; Anledningen var endast riksgenomsnittet. Teamet accepterade detta som en "signal att undersökas", inte bevis, och begärde en fältinspektion. Inspektionen fann inga problem; Om AI:s signal togs som bevis skulle en orättvis anklagelse och juridisk risk uppstå.
Vanliga misstag
- Acceptera leverantörsdata utan att verifiera det. Självrapporterande leverantörsdata kräver korskontroll.
- Döljer proxyn. Att använda utgiftsbaserade prognoser är bra; Att inte specificera är ett problem vid revision.
- Undersöker alla leverantörer lika. Sourcing bör fokusera på höga utgifter och högriskleverantörer.
- Misstag AI-signalen som bevis. Påståenden om mänskliga rättigheter/miljökränkningar verifieras av fältet och lagen, inte av AI.
- Hoppa över Scope 3 helt. Den största påverkan är oftast här; Det går inte att ignorera med motiveringen att det är "svårt att mäta".
Sammanfattningsvis
Försörjningskedjan är där de flesta företags största miljömässiga och sociala påverkan döljer sig; Här är scope 3-utsläpp och due diligence-risker koncentrerade. AI; Det är ett kraftfullt hjälpmedel vid prioritering av leverantörer, utformning av enkäter, strukturering av spridda svar och flaggning av risksignaler. Men leverantörsdata ingår inte i rapporten förrän den är verifierad, fullmakter är tydligt angivna och allvarliga anklagelser bekräftas av fältinspektion. AI genererar signaler; Människan tar på sig omdömet och ansvaret.
Applikationsuppgift
Förbered en lista med 10 fiktiva leverantörer med namn, bransch och årliga utgifter; Lägg till faktiska utsläppsdata till ett fåtal, lämna de flesta tomma. Fråga AI om en tabell över prioritering och datatyp via den kraftfulla prompten ovan. Sedan: (1) verifiera att antalet leverantörer som kräver en fullmakt inte består, (2) välj de 3 högst prioriterade leverantörerna med motivering, (3) utarbeta en kort dataundersökning att skicka till dem.
checklista
- [ ] Jag prioriterade leverantörer utifrån utgifter och risknivå.
- [ ] Jag använde riktiga data; För de som inte har det har jag markerat proxyn.
- [ ] Jag utvärderade leverantörsdata inte som de är, utan genom att korskontrollera.
- [ ] Jag ansåg att risksignalerna skulle "undersökas" och använde dem inte som bevis.
- [ ] Jag planerade en fältrevision/rättslig verifieringssteg för allvarliga anspråk.
- [ ] Jag hoppade inte över Scope 3; Jag angav omfattningen och uppskattningsgraden i rapporten.
- [ ] Jag spelade in hela processen med ett due diligence-dokument.