Mga nadagdag:
- Kakayahang magtatag ng Saklaw 3 sa pamamagitan ng pagbibigay-priyoridad sa mga supplier batay sa antas ng gastos at panganib at pagkilala sa pagitan ng aktwal na data at pagtatantya ng proxy
- Kapag nag-flag ng mga signal ng panganib ng supplier gamit ang artificial intelligence, ituring ang mga ito bilang 'mga senyales na susuriin' sa halip na bilang ebidensya
- Kakayahang pamahalaan ang mga seryosong pag-aangkin sa karapatang pantao/pangkapaligiran sa pamamagitan ng proseso ng angkop na pagsisikap na nangangailangan ng inspeksyon sa larangan at legal na kumpirmasyon
Para sa karamihan ng mga kumpanya, ang pinakamalaking bahagi ng kanilang epekto sa pagpapanatili ay hindi sa kanilang sariling pabrika kundi sa kanilang supply chain. Mahigit sa 80 porsiyento ng carbon footprint ng tatak ng damit ay maaaring magmula sa mga supplier nito, mula sa mga tagagawa ng tela hanggang sa pagpapadala. Gayundin, ang pinakamatinding panganib sa lipunan, tulad ng child labor, sapilitang paggawa at mga paglabag sa kapaligiran, ay kadalasang nangyayari nang malalim sa supply chain. Sa unit na ito, matututunan mo kung paano gumamit ng artificial intelligence (AI) para mangolekta at suriin ang data ng supply chain at i-screen para sa mga panganib.
Linawin natin ang dalawang konsepto. Ang Saklaw 3, tulad ng nakita natin sa nakaraang unit, ay ang mga hindi direktang emisyon sa value chain ng kumpanya at sa pangkalahatan ay ang pinakamalaki ngunit pinakamahirap sukatin ang item. Ang angkop na pagsusumikap ay ang proseso ng pagtukoy, pagpigil at pagsasaayos ng mga karapatang pantao at mga panganib sa kapaligiran sa supply chain ng kumpanya. Ang mga regulasyon tulad ng CSDDD ng EU (Corporate Sustainability Due Diligence Directive) ay ginagawa itong mandatoryo para sa malalaking kumpanya.
Ang pangunahing hamon ng data ng supply chain
Maaari mong sukatin ang data ng iyong sariling pasilidad; Ngunit hindi mo maaaring direktang masukat ang data ng daan-daang mga supplier, kailangan mong tanungin sila. Lumilikha ito ng tatlong problema:
- Hindi dumarating o hindi kumpleto ang data. Karamihan sa mas maliliit na supplier ay hindi nagtatago ng carbon data.
- Ang data ay hindi mapagkakatiwalaan. Kapag ang isang supplier ay nag-uulat sa sarili, maaaring mayroong labis na pahayag o kulang sa pag-uulat.
- Ang isang hula (proxy) ay kinakailangan. Kung hindi available ang aktwal na data, ginagamit ang average ng industriya o pagtatantya na batay sa paggasta.
Dito nakakatulong ang AI sa dalawang paraan: (1) mabilis na pagbalangkas ng mga survey at follow-up na mga sulat na ipapadala sa daan-daang mga supplier, (2) pagbubuo ng mga nakakalat na tugon at pag-flag ng mga signal ng panganib. Ngunit walang numero na ibinigay ng supplier ang na-verify, walang signal ng panganib ang natapos nang walang pagsusuri ng tao.
Saklaw 3 kategorya (halimbawa)
Pinagmulan ng data
Karaniwang pamamaraan
Bumili ng mga kalakal/serbisyo
Survey/paggastos ng supplier
Tunay na data > proxy
Pagpapadala at pamamahagi
Mga tala ng carrier
Distansya × load × factor
paglalakbay sa negosyo
sistema ng paglalakbay
Km/flight × factor
Paggamit ng produktong ibinebenta
Data ng enerhiya ng produkto
Modelo ng paggamit
basura
Mga dokumento sa paglilipat ng basura
Dami × factor
Tip: Sa Saklaw 3, ang pagtatantya na "batay sa paggastos" (ito karaming CO₂e kada $1,000 na ginastos) ay isang mabilis na pagsisimula, ngunit isang mahirap. Kapag ang isang supplier ay nagbibigay ng totoong data, gamitin ito; Ang pagtatantya na batay sa paggastos ay pansamantala lamang kung walang aktwal na data at dapat markahan bilang "pagtantiya/proxy" sa ulat.
Hakbang-hakbang: Daloy ng trabaho sa supply chain kasama ang AI
1. Unahin ang mga supplier. Hindi mo masusuri ang lahat ng daan-daang supplier sa parehong lalim. Tumutok sa mga may mataas na laki ng paggastos at panganib (sektor, bansa). Maaaring gumawa ang AI ng draft na listahan na may ganitong prioritization.
2. Draft survey at kahilingan. Humingi sa AI ng isang malinaw, madaling punan na outline ng survey ng data ng supplier.
3. I-configure ang papasok na data. Ilagay ang mga sagot sa iba't ibang format sa isang talahanayan; Markahan ang mga nawawalang bahagi.
4. Mag-scan para sa mga signal ng panganib. Ipahanap sa AI ang mga kandidatong "pulang bandila" sa mga pampublikong balita, mga rekord ng paglabag, at mga pagkakaiba sa survey; Ngunit pinatunayan ng mga tao ang bawat signal.
5. Pagkilos at pagtugis. Magtatag ng isang corrective action at follow-up na plano para sa mga supplier na may mataas na panganib; Idokumento ang proseso.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Kalkulahin ang carbon footprint ng aming mga supplier.
Walang pinagmumulan ng data, walang tunay/proxy na pagkakaiba, at walang pag-verify; Binubuo ng AI ang mga numero ng supplier.
Napakahusay na prompt:
Ang iyong tungkulin: supply chain sustainability analyst. Input: 15 mga pangalan ng supplier, industriya, taunang halaga ng paggastos, at ang aktwal na data ng emisyon na ibinibigay nila (kung mayroon man). Gawain: 1) Para sa mga nagbibigay ng totoong data, gamitin ang data na iyon. 2) Para sa mga walang tunay na data, isulat ang "spend-based PROXY na kinakailangan", HUWAG KASAMA ang numero; tukuyin kung aling salik ang kukunin mula sa opisyal na pinagmulan.3) Unahin ang mga supplier sa mataas na gastos + mataas na panganib na industriya.Output: talahanayan (Supplier | Industriya | Paggastos | Uri ng data[actual/proxy] |Priyoridad | Tandaan). Ang mga proxy na numero ay mamarkahan sa ulat.
Prompt para sa pagsusuri sa panganib ng supplier
Mag-set up ng risk screening scaffold para sa sumusunod na listahan ng mga supplier. Tayahin para sa bawat supplier (batay lamang sa impormasyong ibinigay ko, pampublikong claim na PEKE):- Posibleng panganib sa karapatang pantao mula sa bansa/sektor (mataas/medium/mababa)- Posibleng panganib sa kapaligiran- Hindi pagkakapare-pareho sa pagtugon sa survey/red flagsPanuntunan: magdagdag ng tala “kinakailangan ang pag-verify — walang pinagmulan” para sa bawat panganib; huwag gumawa ng mga tiyak na akusasyon, magmungkahi lamang ng mga senyales upang mag-imbestiga. Listahan: [Mga SUPPLIER]
Ang sumusunod na prompt ay bumubalangkas ng isang survey sa kahilingan ng data upang ipadala sa mga supplier.
Ang iyong tungkulin: sustainability sourcing specialist. Gawain: Bumuo ng isang survey ng data ng ESG na hindi hihigit sa 10 tanong na madaling makumpleto ng maliliit/katamtamang mga supplier. Isama ang: pagkonsumo ng enerhiya, uri ng gasolina, basura, bilang ng mga aksidente sa kaligtasan sa trabaho, pangako sa sapilitang/child labor. Tono: simple, malinaw, madaling kumpletuhin; Magdagdag ng mga unit at halimbawa sa bawat tanong.
Babala: Huwag magkaroon ng AI na mag-verify ng signal ng panganib tungkol sa supplier (hal. "child labor") at huwag gumamit ng claim na nabuo ng AI bilang ebidensya. Ang ganitong mga seryosong paghahabol ay kinumpirma lamang ng mapagkakatiwalaang source, field inspection at legal na proseso. Ang AI ay gumagawa lamang ng isang "signal na susuriin"; hindi humahatol.
tatlong mini case
Kaso 1 — Matapat na paggamit ng proxy. 30 lamang sa 200 supplier ng isang tagagawa ng muwebles ang nagbigay ng aktwal na data ng carbon. Gumamit ang team ng proxy na batay sa paggastos para sa natitirang 170, ngunit malinaw na isinasaad ng ulat, "65% ng Saklaw 3 ay isang pagtatantya na batay sa paggastos." Kinilala ng auditor ang katapatan na ito; kung ito ay itinago, ang katiyakan ay maaaring tinanggihan.
Kaso 2 — Priyoridad. Ang isang kumpanya ng pagkain ay mayroong 480 supplier. Ipinakita ng AI na 80% ng gastos ay puro sa 40 supplier. Itinuon ng koponan ang malalim na pagsisid sa 40 na ito; ang mga mapagkukunan ay hindi nasayang at ang pinakamataas na epekto ng mga supplier ay iniulat na may totoong data.
Kaso 3 — Panganib ng maling akusasyon. Na-flag ng AI ang isang supplier bilang "posibleng sapilitang paggawa"; National average lang ang dahilan. Tinanggap ito ng team bilang isang "signal na susuriin", hindi ebidensya, at humiling ng field inspection. Walang nakitang problema ang inspeksyon; Kung ang signal ng AI ay kinuha bilang katibayan, isang hindi patas na akusasyon at legal na panganib ang lalabas.
Mga karaniwang pagkakamali
- Pagtanggap ng data ng supplier nang hindi ito bini-verify. Nangangailangan ng cross-checking ang data ng supplier na nag-uulat sa sarili.
- Itinatago ang proxy. Ang paggamit ng pagtataya na nakabatay sa gastos ay mainam; Ang hindi pagtukoy ay isang problema sa pag-audit.
- Pagsusuri sa lahat ng mga supplier nang pantay-pantay. Ang sourcing ay dapat tumuon sa mataas na gastos at mataas na panganib na mga supplier.
- Napagkakamalang ebidensya ang AI signal. Ang mga paghahabol ng mga paglabag sa karapatang pantao/kapaligiran ay napatunayan ng larangan at ng batas, hindi ng AI.
- Nilaktawan ang Saklaw 3 nang buo. Ang pinakamalaking epekto ay karaniwang dito; Hindi ito maaaring balewalain sa kadahilanang ito ay "mahirap sukatin".
Sa buod
Ang supply chain ay kung saan nagtatago ang pinakamalaking epekto sa kapaligiran at panlipunan ng karamihan sa mga kumpanya; Ang saklaw ng 3 emissions at due diligence na mga panganib ay puro dito. AI; Ito ay isang malakas na tulong sa pag-prioritize ng supplier, pagbalangkas ng survey, pagbubuo ng mga nakakalat na tugon at pag-flag ng signal ng panganib. Ngunit ang data ng supplier ay hindi kasama sa ulat hanggang sa ito ay ma-verify, ang mga proxy ay malinaw na nakasaad, at ang mga seryosong paratang ay nakumpirma sa pamamagitan ng field inspection. Ang AI ay bumubuo ng mga signal; Inaako ng tao ang paghatol at pananagutan.
Gawain ng aplikasyon
Maghanda ng listahan ng 10 kathang-isip na mga supplier na may pangalan, industriya, at taunang gastos; Magdagdag ng aktwal na data ng mga emisyon sa iilan, iwanang blangko ang karamihan. Hilingin sa AI ang isang talahanayan ng prioritization at uri ng data sa pamamagitan ng malakas na prompt sa itaas. Pagkatapos: (1) i-verify na ang bilang ng mga supplier na nangangailangan ng isang proxy ay hindi binubuo, (2) piliin ang 3 pinakamataas na priyoridad na mga supplier na may katwiran, (3) draft ng isang maikling survey ng data upang ipadala sa kanila.
checklist
- [ ] Inuna ko ang mga supplier batay sa antas ng gastos at panganib.
- [ ] Gumamit ako ng mga totoong data; Para sa mga wala nito, minarkahan ko ang proxy.
- [ ] Sinuri ko ang data ng supplier hindi tulad ng dati, ngunit sa pamamagitan ng cross-checking.
- [ ] Isinaalang-alang ko ang mga senyales ng panganib na "masusuri" at hindi ko ginamit ang mga ito bilang ebidensya.
- [ ] Nagplano ako ng field audit/legal verification na hakbang para sa mga seryosong claim.
- [ ] Hindi ko nilaktawan ang Saklaw 3; Sinabi ko ang saklaw at rate ng pagtatantya sa ulat.
- [ ] Itinala ko ang buong proseso gamit ang isang dokumento sa nararapat na pagsusumikap.