లాభాలు:
- ESG వర్క్ఫ్లో (డేటా, ఖాతాలు, మ్యాపింగ్, రిపోర్టింగ్)లో కృత్రిమ మేధస్సు ఎక్కడ సమయాన్ని ఆదా చేస్తుందో మరియు ప్రమాద స్థాయిని బట్టి మానవులకు కారకం, ప్రమాణం మరియు దావా నిర్ణయాలు ఎక్కడ వదిలివేయబడతాయో గుర్తించగలగడం
- యూనిట్, మూలం మరియు ఆడిట్ ట్రయల్ దశలతో ప్రతి సంఖ్యా మరియు గుణాత్మక అవుట్పుట్ను ఆడిట్ చేసే క్రమశిక్షణను వర్తింపజేయగల సామర్థ్యం
- నకిలీ ఉద్గార కారకాలు, నకిలీ స్టాండర్డ్ రిఫరెన్స్లు మరియు గ్రీన్వాషింగ్ లాంగ్వేజ్ ఈ వృత్తికి ఎందుకు ప్రమాదాలు అని అర్థం చేసుకోవడం మొదటి నుండి పరిగణనలోకి తీసుకోవలసిన అవసరం ఉంది.
కంపెనీ సుస్థిరత నివేదిక ఇకపై కేవలం గుడ్విల్ బ్రోచర్ కాదు; ఇది అకౌంటింగ్ డాక్యుమెంట్ వలె బైండింగ్, ఆడిట్ చేయబడిన మరియు చట్టపరమైన పరిణామాలను కలిగి ఉన్న పత్రం. యూరోపియన్ యూనియన్ యొక్క CSRD (కార్పొరేట్ సస్టైనబిలిటీ రిపోర్టింగ్ డైరెక్టివ్) నియంత్రణతో, వేలకొద్దీ కంపెనీలు; ఇది కర్బన ఉద్గారాలు, ఉద్యోగుల డేటా మరియు సరఫరా గొలుసు ప్రభావాలను ఆర్థిక నివేదికల మాదిరిగానే తప్పనిసరి, ధృవీకరించదగిన మరియు పోల్చదగిన పద్ధతిలో బహిర్గతం చేయాల్సి ఉంటుంది. ఈ యూనిట్లో, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) ఈ భారీ మరియు డేటా-ఇంటెన్సివ్ టాస్క్లో నిజంగా సమయాన్ని ఎక్కడ ఆదా చేస్తుంది, ఎక్కడ ప్రమాదకరం మరియు ప్రతి అవుట్పుట్ను ఎలా ధృవీకరించాలో మీరు నేర్చుకుంటారు.
మొదట, ఒక క్లిష్టమైన భావన. ESG అనేది ఎన్విరాన్మెంటల్, సోషల్ మరియు గవర్నెన్స్ అనే ఆంగ్ల పదాల మొదటి అక్షరాలు; కార్బన్ ఉద్గారాలు మరియు నీటి వినియోగం, ఉద్యోగి హక్కులు మరియు వృత్తిపరమైన భద్రత వంటి సామాజిక ప్రభావాలు మరియు బోర్డు నిర్మాణం మరియు నైతికత వంటి పాలనా విధానాలు వంటి కంపెనీ పర్యావరణ ప్రభావాలను కొలిచే ఫ్రేమ్వర్క్ పేరు ఇది. సస్టైనబిలిటీ రిపోర్టింగ్ అనేది ఈ మూడు రంగాలలో పనితీరును ప్రామాణిక పద్ధతిలో కొలవడం మరియు దానిని ప్రజలకు బహిర్గతం చేయడం.
రెండవ క్లిష్టమైన భావన: AI పూర్తి విశ్వాసంతో వాస్తవంగా లేని సమాచారాన్ని ఉత్పత్తి చేసినప్పుడు భ్రాంతి. ESG ప్రపంచంలో ఇది; మీరు కల్పిత ఉద్గార కారకం, ఉనికిలో లేని GRI ప్రామాణిక సంఖ్య, సరికాని యూనిట్ లేదా ఉనికిలో లేని శాసన కథనానికి సూచనను ఎదుర్కోవచ్చు. క్లిష్టమైన అంశం ఏమిటంటే, పెద్ద భాషా నమూనా (LLM) అనేది కాలిక్యులేటర్, రెగ్యులేటరీ డేటాబేస్ లేదా ఆడిటర్ కాదు. ఇది శిక్షణ డేటాలో చూసే పాఠాలను గణాంకపరంగా అనుకరించే టెక్స్ట్ జనరేటర్. ఇది చాలా సమయం ఖచ్చితమైన సమాచారాన్ని ఉత్పత్తి చేస్తుంది; కానీ ESG రిపోర్టింగ్లో “చాలా సమయం ఖచ్చితమైనది” మరియు “ఆడిట్లో ఉత్తీర్ణత సాధించేంత ఖచ్చితమైనది” మధ్య వ్యత్యాసం ఉంటుంది.
ESGలో AI ఎక్కడ పని చేస్తుంది మరియు ఎక్కడ పని చేయదు?
AIని త్వరిత డ్రాఫ్ట్, డేటా క్యూరేషన్ మరియు విశ్లేషణ భాగస్వామిగా భావించండి: విలువైనది కానీ ధ్రువీకరణకు అవసరం. కింది వ్యత్యాసం ఈ మాడ్యూల్కు వెన్నెముక.
తపన
AI యొక్క సహకారం
నిపుణుడి బాధ్యత
డేటా సేకరణ
విభిన్న ఫార్మాట్లను సవరిస్తుంది, ఖాళీలను గుర్తు చేస్తుంది
మూల పత్రంతో సంఖ్యను నిర్ధారిస్తోంది
ఉద్గార ఖాతా
ఫార్ములా మరియు గణన ఫ్రేమ్వర్క్ను సృష్టిస్తుంది
అధికారిక మూలం నుండి ఉద్గార కారకాన్ని ధృవీకరించడం
GRI/CSRD మ్యాపింగ్
ప్రామాణిక వస్తువులకు పదార్థాలను సిఫార్సు చేస్తుంది
ప్రామాణిక వచనంతో సరిగ్గా తనిఖీ చేస్తోంది
మెటీరియాలిటీ విశ్లేషణ
వాటాదారుల అభిప్రాయాలను థీమ్లుగా వేరు చేస్తుంది
ప్రాధాన్యత నిర్ణయం తీసుకోండి
నివేదిక రాయడం
డ్రాఫ్ట్ టెక్స్ట్ మరియు సారాంశాన్ని ఉత్పత్తి చేస్తుంది
ప్రతి దావాకు ఆధారాలతో మద్దతు ఇవ్వండి
గ్రీన్వాషింగ్ నియంత్రణ
ప్రమాదకర పదబంధాలను ఫ్లాగ్ చేస్తుంది
తుది దావా బాధ్యతను తీసుకోండి
నియమం: AIని డేటాకు మాత్రమే వర్తించదు; డేటా, పరంజా విశ్లేషణ మరియు డ్రాఫ్ట్ టెక్స్ట్ని నిర్వహించడానికి ఉపయోగించండి; ప్రాథమిక మూలం (ఇన్వాయిస్, మీటర్ రికార్డ్, అధికారిక ప్రామాణిక వచనం, ఉద్గార కారకాల డేటాబేస్)తో ప్రతి సంఖ్యను మరియు ప్రతి ప్రామాణిక సూచనను ఎల్లప్పుడూ ధృవీకరించండి. స్థిరత్వ నివేదికలోని ప్రతి బొమ్మ వెనుక ఆడిటర్ కోరుకునే ఆడిట్ ట్రయిల్ ఉండాలి. AI ఈ సాక్ష్యాన్ని అందించలేదు; ఇది మీరు దానిని నిర్వహించడానికి సహాయపడుతుంది.
ESGలో AI యొక్క మూడు ఘోరమైన ఉచ్చులు
1. రూపొందించబడిన ఉద్గార కారకాలు మరియు సంఖ్యలు. AI తనకు గుర్తులేని ఉద్గార కారకాన్ని (ఇంధనం లేదా విద్యుత్ యూనిట్కు కార్బన్ ఉద్గారాల గుణకం) సహేతుకంగా అనిపించే సంఖ్యతో "పూరించగలదు". ఈ సంఖ్య మొత్తం కార్బన్ పాదముద్ర గణనను చెల్లదు.
2. ఉనికిలో లేని లేదా కాలం చెల్లిన చట్టం/ప్రమాణాల సూచన. "GRI 305-7" వంటి కంటెంట్ తప్పుగా సూచించబడిన లేదా పూర్తిగా కల్పించబడిన ప్రామాణిక సంఖ్యలను AI రూపొందించగలదు. ప్రమాణాలు కూడా క్రమం తప్పకుండా నవీకరించబడతాయి; మోడల్కు తెలిసిన వెర్షన్ పాతది కావచ్చు.
3. గ్రీన్వాషింగ్ని ఉత్పత్తి చేసే భాష. AI ఆసక్తిగా "పర్యావరణ అనుకూలమైనది", "పర్యావరణ అనుకూలమైనది", "కార్బన్ న్యూట్రల్" వంటి చక్కని ధ్వనిని కలిగి ఉంటుంది కానీ నిరాధారమైన మరియు తప్పుదారి పట్టించే ప్రకటనలను ఉత్పత్తి చేస్తుంది. ఈ ప్రకటనలు నేడు చట్టపరమైన ప్రమాదాన్ని కలిగి ఉన్నాయి. మేము దీనిని యూనిట్ 10లో లోతుగా కవర్ చేస్తాము.
చిట్కా: మూడు ప్రశ్నలతో ప్రతి సంఖ్యా ESG ఫలితాన్ని చేరుకోండి: (1) దాని యూనిట్ (tCO₂e, kg, MWh) ఏమిటి? (2) ఏ పత్రం మూలం? (3) నేను ఆడిటర్కు ఈ సంఖ్యను ఎలా నిరూపించగలను? ఈ మూడు ప్రశ్నలు మొగ్గలో చాలా ESG తప్పులను క్యాచ్ చేస్తాయి. ఇక్కడ "tCO₂e" అంటే "టన్నుల కార్బన్ డయాక్సైడ్ సమానం"; ఇది వివిధ గ్రీన్హౌస్ వాయువులను ఒక సాధారణ యూనిట్గా మార్చే కొలత.
దశల వారీగా: ESGలో సురక్షితమైన AI వర్క్ఫ్లో
1. టాస్క్ని స్టాండర్డ్ మరియు యూనిట్కి లింక్ చేయండి. "మా కార్బన్ ఉద్గారాన్ని లెక్కించండి"కి బదులుగా, "2024, ఇస్తాంబుల్ కార్యాలయం, సహజ వాయువు వినియోగం 12,000 m³; GHG ప్రోటోకాల్ స్కోప్ 1 పద్ధతితో tCO₂eలో ఉద్గారాలను లెక్కించండి, మీరు ఉపయోగించే ఉద్గార కారకం మరియు మూలాన్ని పేర్కొనండి."
2. మూలం మరియు ఊహ కోసం స్పష్టంగా అడగండి. అతను ప్రతి సంఖ్యకు ఏ ఉద్గార కారకం, ఏ ప్రమాణం మరియు ఏ ఊహను ఉపయోగించాడో వ్రాయమని AIని అడగండి. మూలాన్ని పేర్కొనకుండా ఏ సంఖ్యను అంగీకరించవద్దు.
3. ప్రాథమిక మూలంతో ధృవీకరించండి. అధికారిక డేటాబేస్ నుండి ఉద్గార కారకాన్ని నిర్ధారించండి (ఉదా. శక్తి కోసం జాతీయ విభాగం, UK DEFRA డేటాసెట్, IEA), GRI లేదా EFRAG అధికారిక పత్రం నుండి ప్రామాణిక వచనం. EFRAG అనేది CSRD ఆధారితమైన ESRS (యూరోపియన్ సస్టైనబిలిటీ రిపోర్టింగ్ స్టాండర్డ్స్) ప్రమాణాలను సిద్ధం చేసే యూరోపియన్ సంస్థ.
4. ఆడిట్ ట్రయిల్ను సేవ్ చేయండి. మీరు ఏ డేటాను ఉపయోగించారో, ఏ మూలం నుండి, ఏ తేదీలో మరియు ఏ ఊహ ప్రకారం ఉపయోగించారో పట్టికలో వ్రాయండి. హామీ ఆడిటర్ (స్వతంత్ర వెరిఫైయర్) దీనిని అభ్యర్థిస్తారు.
5. ఆఖరి దావాను ఒక మానవుడు నిర్ధారించేలా చేయండి. ప్రతి పబ్లిక్ ESG దావా వెనుక బాధ్యతాయుతమైన వ్యక్తి ఉండాలి.
బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్
ఒకే ఉద్యోగాన్ని రెండు వేర్వేరు మార్గాల్లో అభ్యర్థించడం ఫలితం యొక్క విశ్వసనీయతను సమూలంగా మారుస్తుంది.
బలహీనమైన ప్రాంప్ట్:
మా కంపెనీ కార్బన్ పాదముద్రను లెక్కించండి మరియు సుస్థిరత నివేదిక కోసం ఒక పేరా రాయండి.
ఈ దావా యూనిట్, పరిధి, సంవత్సరం, డేటా మరియు మూలాన్ని కలిగి ఉండదు; AI ఖాళీలను ఫాబ్రికేషన్తో నింపుతుంది మరియు గ్రీన్వాషింగ్తో నిండిన వచనాన్ని ఉత్పత్తి చేస్తుంది.
శక్తివంతమైన ప్రాంప్ట్:
మీ పాత్ర: సీనియర్ ESG రిపోర్టింగ్ స్పెషలిస్ట్. ఇన్పుట్ డేటా (వీటిని మాత్రమే ఉపయోగించండి, తప్పిపోయినట్లయితే 'డేటా లేదు' అని వ్రాయండి):- 2024, సహజ వాయువు: 12,000 m³- 2024, గ్రిడ్ విద్యుత్: 85,000 kWhTask: CO₂eలో ఉద్గారాలను లెక్కించండి GHG ప్రోటోకాల్ (Scope-1 ఆధారిత Scope21) method.Rules:- మీరు ఉపయోగించే ప్రతి ఉద్గారానికి కారకం, యూనిట్ మరియు మూలాన్ని ప్రత్యేక కాలమ్లో పేర్కొనండి. - మీకు కారకం తెలియకపోతే, దానిని తయారు చేయవద్దు; "అధికారిక అంశం అవసరం" అని వ్రాయండి. - ఫలితాన్ని పట్టికలో ఇవ్వండి; ముగింపులో ధృవీకరించాల్సిన అంశాలను జాబితా చేయండి.
నీతి, గోప్యత మరియు సరిహద్దులు
ESG డేటా తరచుగా సున్నితమైనది: ఉద్యోగి లింగం మరియు జీతం డేటా (సామాజిక సూచికలు), సరఫరాదారు ఒప్పంద నిబంధనలు, ఆర్థిక ప్రభావాలు ఇంకా వెల్లడించబడలేదు. పబ్లిక్ AI సాధనంలో ఈ డేటాను నమోదు చేయడానికి ముందు గోప్యతా సరిహద్దును స్పష్టం చేయండి. AIకి ఇచ్చే ముందు వ్యక్తిగత డేటా (పేరు, ID, KVKK మరియు GDPR పరిధిలోని జీతం) అనామకీకరించండి లేదా సమగ్రపరచండి; అంటే, వ్యక్తిగత వ్యక్తులకు బదులుగా, వాటిని "మహిళా ఉద్యోగి రేటు 38%" వంటి సారాంశ సంఖ్యలుగా మార్చండి. KVKK అనేది Türkiye యొక్క వ్యక్తిగత డేటా రక్షణ చట్టం మరియు GDPR అనేది యూరప్ యొక్క వ్యక్తిగత డేటా రక్షణ చట్టం.
హెచ్చరిక: ESG నివేదికలో తప్పుడు లేదా అతిశయోక్తి దావా అనేది కీర్తికి సంబంధించిన ప్రమాదం మాత్రమే కాదు; ఇది CSRD మరియు జాతీయ వినియోగదారు చట్టం ప్రకారం జరిమానాలు మరియు చట్టపరమైన బాధ్యతలకు దారితీయవచ్చు. రుజువు లేకుండా AI రూపొందించిన ఏ క్లెయిమ్లను ప్రచురించవద్దు.
మూడు చిన్న కేసులు
కేసు 1 - కల్పిత కారకం. ఒక ఉత్పాదక సంస్థ AIకి డీజిల్ వినియోగాన్ని ఇచ్చింది మరియు ఉద్గార గణనను కోరింది. YZ "డీజిల్ కోసం 2.40 kgCO₂e/లీటర్" కారకాన్ని ఉపయోగించింది. నిపుణుడు తనిఖీ చేసారు: అధికారిక కారకం సుమారుగా 2.68 kgCO₂e/లీటర్. వ్యత్యాసం 10% మరియు 40,000 లీటర్ల వినియోగానికి దాదాపు 11 టన్నుల CO₂e యొక్క విచలనం. కారకం అధికారిక మూలం నుండి సరిదిద్దబడింది.
కేసు 2 — ఉనికిలో లేని ప్రమాణం. నివేదిక కోసం ఒక కన్సల్టెంట్ YZని "GRI 305-8 నీటి వినియోగం" కోసం అడిగారు. అయితే GRI 303 కింద నీరు నివేదించబడింది; GRI 305 వాయు ఉద్గారాలు. ప్రామాణిక వచనంతో తనిఖీ చేసినప్పుడు, లోపం గుర్తించబడింది మరియు కంటెంట్ సరైన కథనానికి తరలించబడింది.
కేస్ 3 — గ్రీన్వాషింగ్ లాంగ్వేజ్. YZ రిటైల్ బ్రాండ్ కోసం "మా ఉత్పత్తులు పూర్తిగా పర్యావరణ అనుకూలమైనవి" అనే వాక్యాన్ని సూచించాయి. ESG బృందం దీనిని నిరూపించలేనిదిగా గుర్తించింది మరియు దాని స్థానంలో "మా ప్యాకేజింగ్లో 60% రీసైకిల్ చేయబడింది (2024, అంతర్గత కొలత)" వంటి నిర్దిష్టమైన, నిరూపించదగిన ప్రకటనతో భర్తీ చేసింది.
ఆడిట్-సిద్ధంగా పని కోసం అడుగుతుంది
దిగువ ESG వచనాన్ని ఆడిటింగ్ కన్నుతో పరిశీలించండి. ప్రతి సంఖ్యా దావా కోసం: 1) యూనిట్ స్పష్టంగా ఉందా? 2) మూలం చెప్పబడిందా? 3) ఇది ధృవీకరించదగినదా లేదా ఆత్మాశ్రయమైనదా/అతిశయోక్తిగా ఉందా? "ఎకో-ఫ్రెండ్లీ, గ్రీన్, నేచురల్" వంటి నిరాధారమైన లేదా అస్పష్టమైన ప్రకటనలను గుర్తించండి మరియు ప్రతిదానికి నిర్దిష్టమైన, కొలవగల ప్రత్యామ్నాయాన్ని సూచించండి. వచనం: [TEXT]
కింది ప్రాంప్ట్ సంస్థలో AI వినియోగం యొక్క పరిమితిని స్పష్టం చేసే సంక్షిప్త పాలసీ రూపురేఖలను ఉత్పత్తి చేస్తుంది.
మీ పాత్ర: సస్టైనబిలిటీ టీమ్ లీడర్. టాస్క్: ESG పనిలో బృందం AI వినియోగాన్ని నియంత్రించే 1-పేజీ అంతర్గత పాలసీ డ్రాఫ్ట్ను వ్రాయండి. చేర్చండి:- AIని ఉచితంగా ఉపయోగించగల టాస్క్లు (అవుట్లైన్, సారాంశం, ఫార్మాటింగ్)- మానవ ధృవీకరణ (నంబర్, ఫ్యాక్టర్, స్టాండర్డ్ అట్రిబ్యూషన్, క్లెయిమ్) అవసరమయ్యే టాస్క్లు- AIలో ఎప్పటికీ నమోదు చేయబడని డేటా రకాలు (వ్యక్తిగత డేటా, బహిర్గతం చేయని ఆర్థిక ప్రభావం) టోన్: స్పష్టమైన, బుల్లెట్ పాయింట్, వర్తించేవి.
కింది ప్రాంప్ట్ ప్రతి ESG డెలివరీకి జోడించబడే చిన్న “ఆడిట్ ట్రయిల్” టేబుల్ స్కెలిటన్ను సెటప్ చేస్తుంది.
కింది ఖాతా ప్రక్కన ఒక ఆడిట్ ట్రయల్ టేబుల్ని రూపొందించండి.నిలువు వరుసలు: డేటా అంశం | విలువ | యూనిట్ | మూల పత్రం | తేదీ | ఊహ | ఇది ధృవీకరించబడిందా? మూలం తెలియకపోతే ప్రతి పంక్తిలో "మూలం అవసరం" అని వ్రాయండి. నమోదు: [ACCOUNT]
సాధారణ తప్పులు
- మూలాధారం లేకుండా సంఖ్యను అంగీకరించడం. YZ అందించిన ప్రతి ఉద్గార కారకం మరియు సంఖ్య అధికారిక మూలం ద్వారా ధృవీకరించబడకుండా నివేదికలో చేర్చబడలేదు.
- యూనిట్ను పట్టించుకోవడం లేదు. కిలోను టన్నులతో, kWhని MWhతో గందరగోళం చేస్తే, ఫలితం 1000 రెట్లు భిన్నంగా ఉంటుంది.
- వారి ప్రామాణిక ట్రిక్కులను గుడ్డిగా విశ్వసిస్తున్నారు. GRI/ESRS పదార్థ సంఖ్యలు తప్పనిసరిగా అధికారిక పత్రంతో ధృవీకరించబడాలి.
- సున్నితమైన డేటాను యథాతథంగా నమోదు చేస్తోంది. ఉద్యోగి మరియు సరఫరాదారు డేటా అనామకీకరణ లేకుండా పబ్లిక్ సాధనానికి అందించబడదు.
- ఆడిటర్ స్థానంలో AIని ఉంచడం. AI చెక్లిస్ట్ను రూపొందించగలదు, అయితే ఇది స్వతంత్ర హామీని అందించదు.
సారాంశంలో
AI అనేది ESGలో శక్తివంతమైన డ్రాఫ్టింగ్, డేటా క్యూరేషన్ మరియు విశ్లేషణ భాగస్వామి; కానీ అది కాలిక్యులేటర్, రెగ్యులేటరీ డేటాబేస్ లేదా ఆడిటర్ కాదు. దాని ధృవీకరణ ద్వారా దాని విలువ తెలుస్తుంది. ప్రాథమిక మూలం నుండి ప్రతి సంఖ్యను నిర్ధారించడం, ప్రతి ప్రామాణిక సూచనను అధికారిక వచనంతో పోల్చడం, సున్నితమైన డేటాను అనామకీకరించడం మరియు తుది క్లెయిమ్ బాధ్యతను మానవునికి వదిలివేయడం ఈ మాడ్యూల్ యొక్క స్థిరమైన వెన్నెముక. "నిష్ణాతులుగా కనిపించడం" మరియు "ఆడిట్లో ఉత్తీర్ణత సాధించడం" మధ్య వ్యత్యాసాన్ని ఎప్పటికీ మర్చిపోకండి.
అప్లికేషన్ టాస్క్
మీ స్వంత సంస్థ (లేదా కల్పిత కంపెనీ) నుండి పర్యావరణ డేటా యొక్క ఒక అంశాన్ని ఎంచుకోండి: ఉదాహరణకు, నెలవారీ విద్యుత్ బిల్లు. పైన ఉన్న “పవర్ ప్రాంప్ట్” టెంప్లేట్ని ఉపయోగించి AI నుండి స్కోప్ 2 ఉద్గారాల అకౌంటింగ్ స్కెలిటన్ను అభ్యర్థించండి. తర్వాత: (1) అది ఉపయోగించే ఉద్గార కారకాన్ని అధికారిక మూలాధారంతో సరిపోల్చండి, (2) యూనిట్ల స్థిరత్వాన్ని తనిఖీ చేయండి, (3) “ధృవీకరణ అవసరం” ఏ అంశాలను జాబితా చేస్తూ ఒక చిన్న ఆడిట్ ట్రయల్ టేబుల్ను వ్రాయండి.
చెక్లిస్ట్
- [ ] నేను AI ఇచ్చిన ప్రతి సంఖ్య యొక్క యూనిట్ మరియు మూలాన్ని ప్రశ్నించాను.
- [ ] నేను అధికారిక డేటాబేస్తో ఉద్గార కారకాలను నిర్ధారించాను.
- [ ] నేను అధికారిక వచనంతో ప్రామాణిక (GRI/ESRS) సంఖ్యలను ధృవీకరించాను.
- [ ] నేను అనామక లేదా సమగ్రమైన సున్నితమైన/వ్యక్తిగత డేటాను కలిగి ఉన్నాను.
- [ ] నేను "ఎకో-ఫ్రెండ్లీ, గ్రీన్, నేచురల్" వంటి ఆధారాలు లేకుండా ప్రకటనలను గుర్తించాను.
- [ ] నేను ప్రతి నిర్ణయం కోసం ఆడిట్ ట్రయిల్ (మూలం, తేదీ, ఊహ) ఉంచాను.
- [ ] తుది దావాను నిర్ధారించే బాధ్యత గల వ్యక్తిని నేను గుర్తించాను.