หน่วย
1. ข้อมูลเบื้องต้นเกี่ยวกับ AI ใน ESG และความยั่งยืน: บทบาท ขอบเขต การตรวจสอบความถูกต้อง และจริยธรรม 2. การวิเคราะห์ประเด็นสำคัญและประเด็นสำคัญคู่: การระบุหัวข้อ ข้อมูลของผู้มีส่วนได้ส่วนเสีย และการจัดลำดับความสำคัญ 3. การรวบรวมข้อมูล ESG คุณภาพข้อมูล และการจัดการเส้นทางการตรวจสอบ 4. การบัญชีคาร์บอน: ขอบเขต 1-2-3 ปัจจัยการปล่อยก๊าซเรือนกระจก และพิธีสาร GHG 5. กรอบการรายงาน: การทำแผนที่ GRI, ESRS/CSRD และ ISSB 6. ความยั่งยืนของห่วงโซ่อุปทาน: ขอบเขตที่ 3 ข้อมูลซัพพลายเออร์และการตรวจสอบสถานะ 7. การสื่อสารและการมีส่วนร่วมของผู้มีส่วนได้ส่วนเสีย: แบบสำรวจ การวิเคราะห์ความคิดเห็น และภาษาการรายงานที่โปร่งใส 8. การเขียนรายงานและระบบอัตโนมัติ: การร่าง ความสม่ำเสมอ และการแก้ไขการเล่าเรื่อง 9. การตรวจสอบมาตรฐานและการประกันที่เป็นอิสระ: ห่วงโซ่หลักฐานและการเตรียมการตรวจสอบ 10. ความเสี่ยงในการล้างสีเขียว: การตรวจสอบการเรียกร้อง ประเภทการล้างสีเขียว และกฎหมาย 11. ขั้นตอนการทำงาน ESG แบบครบวงจร การกำกับดูแลข้อมูล จริยธรรม และเกตเวย์คุณภาพ
หน่วย 8 / 11

การเขียนรายงานและระบบอัตโนมัติ: การร่าง ความสม่ำเสมอ และการแก้ไขการเล่าเรื่อง

กำไร:

  • ความสามารถในการพิมพ์ส่วนรายงานทีละส่วนด้วยข้อมูลที่ตรวจสอบแล้วเท่านั้น และห้ามไม่ให้ปัญญาประดิษฐ์สร้างตัวเลข/การอ้างสิทธิ์ใหม่
  • ความสามารถในการสแกนหาความไม่สอดคล้องกันของตัวชี้วัดเดียวกันในส่วนต่างๆ และกำหนดค่าที่ถูกต้องโดยไปที่แหล่งที่มา
  • ความสามารถในการป้องกันไม่ให้ข้อความที่ถูกต้องกลายเป็นการสรุปที่ทำให้เข้าใจผิดโดยการรักษาการจอง 'บางส่วน/โดยประมาณ/ไม่ได้รับการอนุมัติ' ในระหว่างการสรุป

ข้อมูลทั้งหมดถูกรวบรวม คำนวณคาร์บอน แมปกับกรอบการทำงาน ผู้มีส่วนได้ส่วนเสียได้รับการรับฟัง ตอนนี้ทั้งหมดนี้ควรกลายเป็นรายงานความยั่งยืนที่สามารถอ่านได้ รายงาน CSRD ประกอบด้วยหลายร้อยหน้า ตัวชี้วัดหลายสิบส่วน คำบรรยายมากมาย นี่คือจุดที่การมีส่วนร่วมที่ชัดเจนที่สุดของปัญญาประดิษฐ์ (AI) คือ: การสร้างข้อความร่าง ทำให้ส่วนต่างๆ สอดคล้องกัน การสรุปเนื้อหาทางเทคนิคขนาดยาว แต่นี่คือจุดที่ความเสี่ยงที่ใหญ่ที่สุดอยู่: AI เชี่ยวชาญในการผลิตข้อความที่คล่องแคล่ว สวยงาม และปราศจากข้อพิสูจน์ ในหน่วยนี้ คุณจะได้เรียนรู้วิธีการรักษาความถูกต้องแม่นยำและความสามารถในการตรวจสอบในขณะที่พิมพ์รายงานอย่างรวดเร็ว

เรามาวางหลักการพื้นฐานตั้งแต่ต้น: AI เขียนข้อความ มนุษย์เชื่อมโยงมันเข้ากับหลักฐาน การกล่าวอ้างเชิงตัวเลขทุกรายการในรายงานความยั่งยืนควรเป็นไปตามแนวทางการตรวจสอบ และการกล่าวอ้างเชิงคุณภาพทุกรายการควรอิงตามข้อเท็จจริง หน้าที่ของ AI คือการจัดระเบียบ ปรับปรุง และทำให้การแสดงออกสอดคล้องกัน ไม่ให้เกิดความจริงแห่งข้อเรียกร้อง “เขียนได้ดี” และ “ถูกต้องและพิสูจน์ได้” เป็นคุณสมบัติที่เป็นอิสระสองประการ

AI แข็งแกร่งตรงไหน และการเขียนรายงานมีความเสี่ยงตรงไหน?

ภารกิจ

การมีส่วนร่วมของ AI

ความเสี่ยง

การสร้างร่างครั้งแรก

เติมหน้าว่างอย่างรวดเร็ว

สามารถเพิ่มข้อเรียกร้องโดยไม่มีหลักฐานได้

การตรวจสอบความสม่ำเสมอ

จับความขัดแย้งของคำ/หน่วย

สามารถ "แก้ไข" ข้อผิดพลาดได้

การสรุป

ทำให้ส่วนที่ยาวสั้นลง

Can omit critical nuance

การแก้ไขโทนเสียง

ให้ภาษาที่เป็นทางการ/ชัดเจน

อาจเลื่อนไปสู่การพูดเกินจริง

การแปล

สร้างรายงานหลายภาษา

แปลคำศัพท์ทางเทคนิคผิด

กฎสำคัญคือ: เมื่อรายงาน AI ให้เฉพาะอินพุตที่ได้รับการตรวจสอบแล้ว และห้ามมิให้สร้างตัวเลข/การอ้างสิทธิ์ใหม่ มิฉะนั้น AI จะได้ตัวเลขจากประโยคก่อนหน้าที่ “ดูสมเหตุสมผล” แต่ไม่มีแหล่งที่มา

เคล็ดลับ: เมื่อร่างรายงาน ให้กฎนี้แก่ AI เสมอ: "อย่าเพิ่มตัวเลข เปอร์เซ็นต์ วันที่ หรือการอ้างสิทธิ์อื่นใดนอกเหนือจากข้อมูลที่ฉันให้คุณ หากมีบางอย่างขาดหายไป ให้เขียน [DATA REQUIRED] ที่นั่น" ประโยคเดียวนี้ช่วยป้องกันข้อกล่าวหาที่ปลอมแปลงส่วนใหญ่ที่พุ่งเข้ามาในรายงาน

ทีละขั้นตอน: การเขียนรายงานที่ปลอดภัย

1. สร้างโครงกระดูกก่อน วางแผนส่วนหัวของส่วนและข้อมูลที่ได้รับการตรวจสอบแล้วใดบ้างในแต่ละส่วน AI produces good contents/skeleton.

2. ทีละส่วน ป้อนข้อมูลด้วยข้อมูล พิมพ์แต่ละพาร์ติชั่นแยกกัน โดยมีเพียงข้อมูลที่ตรวจสอบแล้วสำหรับพาร์ติชั่นนั้น อย่าพูดว่า "สร้าง" รายงานทั้งหมดพร้อมกัน

3. จับคู่หลักฐานการเคลม-หลักฐาน สังเกตแหล่งที่มาข้างประโยคตัวเลขแต่ละประโยค ประโยคที่ไม่มีแหล่งที่มาจะไม่รวมอยู่ในรายงาน

4. ตรวจสอบความสม่ำเสมอ เป็นข้อผิดพลาดทั่วไปที่เมตริกเดียวกันจะปรากฏพร้อมกับค่าที่แตกต่างกันในส่วนต่างๆ AI สแกนหาสิ่งนี้ได้ดี แต่มนุษย์อนุมัติการแก้ไข

5. สแกนหาโฆษณาเกินจริงและการล้างสีเขียว ในรอบสุดท้าย ให้เคลียร์ข้อความโดยคำนึงถึง "คำแถลงที่ไม่สามารถวัดผลได้/ไม่มีหลักฐาน" (หน่วยถัดไปเจาะลึกเรื่องนี้)

พรอมต์อ่อน / พรอมต์แรง

พรอมต์ที่อ่อนแอ:

เขียนส่วนสภาพภูมิอากาศในรายงานความยั่งยืนของเรา

ไม่มีข้อมูล AI สร้างขึ้นเป็น "ตอนสภาพอากาศทั่วไป" โดยแทรกตัวเลขและเป้าหมายลงในข้อความที่คุณไม่มีจริง

พรอมต์อันทรงพลัง:

บทบาทของคุณ: นักเขียนรายงาน ESG เขียน: ร่างส่วน “สภาพภูมิอากาศ” ของรายงาน ข้อมูลเดียวที่คุณจะใช้ (เลือกไม่ใช้ เพิ่มหมายเลขใหม่):- ขอบเขต 1: 1,240 tCO2e (2024, ตรวจสอบแล้ว)- ขอบเขต 2: 2,100 tCO2e (2024 ตามสถานที่ตั้ง)- ขอบเขต 3: บางส่วน ครอบคลุม 60% (รวมพร็อกซี)- เป้าหมาย: ถึงปี 2030 สูงถึงขอบเขต 42% การลดลง 1+2 (ไม่ได้รับการอนุมัติจาก SBTi และนำไปใช้)กฎ:- ทำ ไม่ใช่ตัวเลข/เปอร์เซ็นต์/วันที่ปลอม นอกเหนือจากข้อมูลที่ฉันให้ หากไม่มี ให้เขียน [DATA REQUIRED]- ทำให้ชัดเจนว่าขอบเขตที่ 3 เป็นเพียงบางส่วนและรวมพร็อกซีด้วย- เขียนโดยสุจริตว่าเป้าหมายยังไม่ได้รับการอนุมัติ ห้ามพูดว่า "อนุมัติ"- น้ำเสียง: ชัดเจน เป็นทางการ พูดน้อย

แจ้งความสม่ำเสมอและการควบคุมคุณภาพ

ดำเนินการตรวจสอบความสอดคล้องในร่างรายงานด้านล่าง ระบุ (ทำเครื่องหมาย ไม่ถูกต้อง):1) สถานการณ์ที่หน่วยเมตริกเดียวกันเกิดขึ้นโดยมีค่าต่างกันในตำแหน่งที่ต่างกัน2) ความไม่สอดคล้องกันของหน่วย (กก./ตัน, kWh/MWh)3) ข้อขัดแย้งของการอ้างสิทธิ์ในส่วนหนึ่งกับอีกส่วนหนึ่ง4) การอ้างสิทธิ์เชิงตัวเลขที่มีแหล่งที่มาที่ไม่ระบุรายชื่อแต่ละรายการที่ค้นพบด้วยการอ้างอิงส่วน/แถว ฉบับร่าง: [ร่าง]

ข้อความต่อไปนี้จะสรุปส่วนทางเทคนิคแบบยาวให้กับผู้จัดการ แต่มันบังคับให้คุณรักษาความแตกต่างเล็กน้อย

บทบาทของคุณ: ผู้แก้ไขรายงาน งาน: ลดส่วนทางเทคนิคด้านล่างเหลือ 150 คำสำหรับบทสรุปผู้บริหาร กฎ:- ห้ามเปลี่ยนแปลงหรือพูดเกินจริงตัวเลขใดๆ ด้วยการปัดเศษ- ข้ามการจอง เช่น "บางส่วน/โดยประมาณ/ไม่ยืนยัน" ให้ย้ายไปที่สรุป- แสดงความไม่แน่นอนเป็น "แน่นอน" ส่วน: [บท]

ข้อควรสนใจ: AI มักจะโยน "การจอง" ออกเมื่อทำการสรุป หากวลีเช่น "ข้อมูลขอบเขต 3 มีบางส่วน" "ยังไม่ยืนยันเป้าหมาย" "ข้อมูลมีการคาดการณ์" ถูกลบออกเพื่อการสรุป ข้อความที่ถูกต้องจะกลายเป็นการสรุปที่ทำให้เข้าใจผิด การคงการจองไว้ในสรุปมีความสำคัญพอๆ กับการรักษาตัวเลข

มินิเคสสามอัน

กรณีที่ 1 — เป้าหมายปลอมรั่วไหล บริษัทแห่งหนึ่งให้ AI เขียนส่วนสภาพอากาศด้วยข้อความแจ้งง่ายๆ YZ added a "2040 net zero" target that was not actually set because "it was mentioned in similar reports." บรรณาธิการจับสิ่งนี้; เป้าหมายไม่ได้ถูกนำไปใช้จริง และคงจะเป็นการบิดเบือนความจริงหากเผยแพร่

กรณีที่ 2 — ตัวชี้วัดไม่สอดคล้องกัน ในส่วนสรุปของรายงาน ปริมาณการใช้น้ำเขียนเป็น "1.2 ล้าน ลบ.ม." และในส่วนรายละเอียดเขียนว่า "1.8 ล้าน ลบ.ม." การสแกนความสอดคล้องของ AI ระบุถึงความขัดแย้ง ลงไปที่แหล่งกำเนิดค่าที่ถูกต้องรวมกันเป็น 1.8 ล้าน ลบ.ม.

กรณีที่ 3 — การจองที่ถูกลบ บทสรุปผู้บริหารเขียนโดย AI โดยละเว้นข้อแม้ที่ว่า “60% ของขอบเขตที่ 3 เป็นเพียงการประมาณการ” และดูเหมือนว่ารายงานจะได้รับการวัดผลอย่างสมบูรณ์ การตรวจสอบก่อนการตรวจสอบเพิ่มกลับการจอง มิฉะนั้นบทสรุปอาจมีความมั่นใจและทำให้เข้าใจผิดมากกว่ารายงาน

ข้อผิดพลาดทั่วไป

  • การพิมพ์รายงานโดยไม่ต้องให้ข้อมูล ข้อความว่างจะขับเคลื่อน AI เพื่อสร้างตัวเลขและเป้าหมาย
  • จัดทำรายงานทั้งหมดพร้อมกัน การเขียนโดยการป้อนข้อมูล ทีละส่วน จะช่วยรักษาการควบคุม
  • การยกเลิกการจองเมื่อสรุป คำว่า "บางส่วน/โดยประมาณ/ไม่ยืนยัน" ควรยังคงอยู่ในบทสรุปด้วย
  • การให้ AI สุ่มสี่สุ่มห้าแก้ไขความไม่สอดคล้องกัน AI ไม่รู้ว่าค่าใดถูกต้อง มนุษย์ลงไปสู่แหล่งกำเนิด
  • เข้าใจผิดว่า "คล่องแคล่ว" เป็น "ถูกต้อง" หากประโยคที่เขียนดีไม่มีหลักฐาน ก็จะไม่รวมอยู่ในรายงาน

โดยสรุป

การเขียนรายงานเป็นส่วนที่มองเห็นได้ชัดเจนที่สุดแต่มีความเสี่ยงมากที่สุดในการมีส่วนร่วมของ AI AI เติมหน้าว่างอย่างรวดเร็ว ทำให้ส่วนต่างๆ สอดคล้องกัน และสรุปเนื้อหาขนาดยาว แต่มีแนวโน้มที่จะเพิ่มการกล่าวอ้างโดยไม่มีหลักฐาน ลบการจอง และก่อให้เกิดการพูดเกินจริง วิธีการที่ปลอดภัย: ป้อนเฉพาะข้อมูลที่ตรวจสอบแล้ว ห้ามไม่ให้สร้างตัวเลขใหม่ พิมพ์ทีละส่วน สแกนหาความสอดคล้อง แต่ปล่อยให้มนุษย์ทำการแก้ไขจนถึงต้นทาง รายงานที่ "เขียนมาอย่างดี" เป็นเพียงรายงานที่ดีเท่านั้น หากการกล่าวอ้างทุกรายการมีพื้นฐานอยู่บนหลักฐาน

งานสมัคร

มีรายการข้อมูลตัวเลข 4-5 รายการที่คุณถือว่าได้รับการยืนยันแล้ว (หนึ่งรายการ "โดยประมาณ" และหนึ่งรายการ "เป้าหมายที่ไม่ยืนยัน") ขอให้ AI ​​จัดทำร่างส่วนรายงานผ่านข้อความแจ้งที่มีประสิทธิภาพด้านบน จากนั้น: (1) ตรวจสอบว่าไม่มีตัวเลขที่คุณไม่ได้ระบุรั่วไหลเข้าไปในข้อความ (2) ตรวจสอบว่าการจอง "โดยประมาณ" และ "ยังไม่ยืนยัน" ยังคงอยู่ (3) ลดข้อความเป็นสรุป 150 คำ และยืนยันว่าการจองยังคงอยู่ในสรุป

รายการตรวจสอบ

  • [ ] ฉันป้อนเฉพาะข้อมูลที่ได้รับการยืนยันแล้วในรายงาน
  • [ ] ฉันให้กฎ "สร้างหมายเลขใหม่/การเคลม" แก่ AI อย่างชัดเจน
  • [ ] ฉันพิมพ์รายงานทีละส่วน โดยป้อนข้อมูล
  • [ ] ฉันเชื่อมโยงการยืนยันเชิงตัวเลขแต่ละรายการกับแหล่งที่มา/เส้นทางการตรวจสอบ
  • [ ] ฉันสแกนหาความไม่สอดคล้องกันและกำหนดค่าที่ถูกต้องโดยกลับไปที่แหล่งที่มา
  • [ ] ฉันเก็บการจอง "บางส่วน/โดยประมาณ/ไม่ยืนยัน" ไว้ในสรุป
  • [ ] ฉันกำจัดการแสดงออกที่เกินจริงและวัดไม่ได้ในรอบที่แล้ว