اینڈ ٹو اینڈ ای ایس جی ورک فلو، ڈیٹا گورننس، اخلاقیات اور کوالٹی گیٹ وے

فائدہ:

• 'مصنوعی ذہانت پیدا کرتی ہے → انسانی تصدیق کرتی ہے → گیٹ سے گزرتی ہے' کی تال کے ساتھ مادیت سے اشاعت تک آٹھ قدمی ای ایس جی ورک فلو قائم کرنے کی صلاحیت۔
• ESG ڈیٹا کو مفت/اندرونی/خفیہ کے طور پر درجہ بندی کرکے ذاتی اور غیر ظاہر شدہ مالیاتی ڈیٹا کی حفاظت کرنے کی اہلیت
• 'AI نے کہا' دفاع پر بھروسہ کیے بغیر حتمی ذمہ داری سنبھالنے اور ہر اشاعت کے ساتھ ذمہ دار نام اور منظوری کے ریکارڈ منسلک کرنے کی صلاحیت

پچھلی دس اکائیوں میں ہم نے ESG اور پائیداری کے کاروبار کے ہر حصے کا الگ الگ احاطہ کیا ہے: اندراج اور حدود، مادیت، ڈیٹا اکٹھا کرنا، کاربن اکاؤنٹنگ، رپورٹنگ فریم ورک، سپلائی چین، اسٹیک ہولڈر کمیونیکیشن، رپورٹ لکھنا، یقین دہانی اور گرین واشنگ۔ اس حتمی یونٹ میں، ہم ٹکڑوں کو ایک ساتھ رکھیں گے اور ایک اختتام سے آخر تک ورک فلو قائم کریں گے: پائیداری کے مشن کی تعریف سے لے کر اس کی اشاعت تک ہر قدم پر مصنوعی ذہانت (AI) کو کہاں، کیسے اور کس حفاظتی گیٹ کے ساتھ استعمال کرنا ہے۔ ہم ڈیٹا گورننس، رازداری اور اخلاقی ذمہ داری کو بھی ایک فریم ورک میں لائیں گے۔

آئیے ایک بار پھر ماڈیول کی مستقل ریڑھ کی ہڈی کو دہراتے ہیں: AI؛ یہ ایک معاون ہے جو کوڈ لکھتا ہے، ڈیٹا کو منظم کرتا ہے، مسودے تیار کرتا ہے اور خلاصہ کرتا ہے۔ نمبر کی درستگی، عامل کی تصدیق، معیار کا کنٹرول، دعوے کا ثبوت اور حتمی ذمہ داری ہمیشہ قابل ماہر کے پاس ہوتی ہے۔ یہ یونٹ اس اصول کو روزانہ ورک فلو اور چیک لسٹ میں بدل دیتا ہے۔

اینڈ ٹو اینڈ ای ایس جی ورک فلو

آٹھ مراحل میں پائیداری کی رپورٹنگ سائیکل پر غور کریں:

1. دائرہ کار اور مادیت - کون سے موضوعات مادی ہیں؟ (یونٹ 2)
2. ڈیٹا اکٹھا کرنا — ذرائع، اکائیاں، آڈٹ ٹریل۔ (یونٹ 3)
3. کیلکولیشن - کاربن اور تصدیق شدہ عوامل کے ساتھ دیگر میٹرکس۔ (یونٹ 4)
4. فریم ورک مماثلت — GRI/ESRS/ISSB مادہ، سرکاری متن کے ذریعے تصدیق۔ (یونٹ 5)
5. سپلائی چین - دائرہ کار 3 اور مناسب مستعدی۔ (یونٹ 6)
6. تحریر اور مواصلت - متوازن، ثبوت شدہ رپورٹ اور اسٹیک ہولڈر کا پیغام۔ (یونٹ 7-8)
7. یقین دہانی کی تیاری - ثبوت اور آڈٹ کی تیاری کا سلسلہ۔ (یونٹ 9)
8. کلیم آڈیٹنگ — گرین واشنگ اسکریننگ اور ریلیز کی منظوری۔ (یونٹ 10)

ہر قدم پر، AI ایک ایکسلریٹر ہے۔ لیکن ہر قدم سے باہر نکلنے پر، ایک معیاری گیٹ ہوتا ہے — ایک چوکی جسے اگلے مرحلے پر جانے سے پہلے گزرنا ضروری ہے۔ جو آؤٹ پٹ دروازے سے نہیں گزرتا وہ ترقی نہیں کرتا۔

قدم

AI کیا کرتا ہے؟

کوالٹی گیٹ

مادیت

موضوع امیدوار، تھیم کا تجزیہ

اثر + مالیاتی پہلو انسانی منظوری

ڈیٹا

ترتیب، یونٹ کی تبدیلی

ماخذ اور حجم کی تصدیق

اکاؤنٹ

فارمولہ، کوڈ سہاروں

عامل کی تصدیق سرکاری ذرائع سے ہوئی ہے۔

ملاپ کرنا

مضمون کی تجویز

تصویر کو اس کے معیاری متن کے ساتھ چیک کریں۔

ہجے

مسودہ، خلاصہ

بغیر ثبوت کے دعووں کو چھانٹنا

دعوی

گرین واشنگ اسکین

انسانی مصدقہ اشاعت

ٹپ: ورک فلو کو "AI پیدا کرتا ہے → انسانی تصدیق کرتا ہے → دروازے سے چلتا ہے" کی تال میں ترتیب دیں۔ ہر AI آؤٹ پٹ کو اگلے مرحلے پر منتقل کرنے سے پہلے، پوچھیں: "اس آؤٹ پٹ کا کون سا حصہ توثیق کے بغیر آگے نہیں بڑھ سکتا؟" وہ حصہ اس قدم کا کوالٹی گیٹ ہے۔

ڈیٹا گورننس اور رازداری

ESG ڈیٹا اکثر حساس ہوتا ہے: ملازم کی جنس اور تنخواہ کا ڈیٹا، سپلائر کے معاہدے کی شرائط، مالیاتی اثرات ابھی تک ظاہر نہیں کیے گئے، سہولت کی سطح پر پیداوار کا ڈیٹا۔ عوامی AI ٹول کو دینے سے پہلے ان کی درجہ بندی کرنا ضروری ہے۔ ڈیٹا گورننس یہ ہے کہ "کون ڈیٹا، کیسے اور کس ٹول کے ساتھ استعمال کر سکتا ہے؟" سوال اصول سے جڑا ہوا ہے۔

ایک سادہ درجہ بندی:

• مفت: ڈیٹا پہلے سے ہی عوامی طور پر دستیاب ہے (شائع شدہ رپورٹ)۔ یہ AI کو دیا جا سکتا ہے۔
• اندرونی استعمال: کوئی تجارتی قدر کا اندرونی ڈیٹا۔ کارپوریٹ گاڑی میں احتیاط سے۔
• خفیہ: تجارتی راز، غیر ظاہر شدہ مالیاتی اثر، ذاتی ڈیٹا (KVKK/GDPR)۔ یہ AI کو بغیر گمنامی یا ادارہ جاتی (نان لیکنگ) ذرائع کے نہیں دیا جاتا ہے۔

آپ کا کردار: ڈیٹا گورننس ایڈوائزر۔ ٹاسک: درج ذیل ڈیٹا آئٹمز کو "مفت / داخلی استعمال / خفیہ" کے طور پر درجہ بندی کریں اور ہر خفیہ آئٹم کے لیے تجویز کردہ کارروائی لکھیں (گمنام / مجموعی / انٹرپرائز ٹول / بالکل نہ دیں)۔ اصول: اگر یقین نہ ہو تو زیادہ حفاظتی کلاس میں ڈالیں۔ آئٹمز: [ذاتی اور مالیاتی ڈیٹا آئٹمز]

کمزور فوری / مضبوط اشارہ

جس طرح سے آپ کسی ٹول کو کام سونپتے ہیں وہ رازداری کے خطرے کو یکسر بدل دیتا ہے۔

کمزور اشارہ:

اس ملازم کی تنخواہ اور سہولت کی پیداوار کے جدول کا تجزیہ کریں، ESG کا خلاصہ پیش کریں۔

خام ذاتی اور تجارتی خفیہ ڈیٹا کو براہ راست کھلے ٹول میں برآمد کرتا ہے۔ کوئی درجہ بندی، گمنامی اور تصدیقی مرحلہ نہیں ہے۔

طاقتور اشارہ:

آپ کا کردار: ڈیٹا گورننس کے لیے حساس ESG تجزیہ کار۔ میں نے آپ کو صرف مجموعی، ذاتی/تجارتی سیکرٹ فری ڈیٹا دیا۔ کام: مندرجہ ذیل خلاصہ اشارے کا تجزیہ کریں۔ قواعد: - ڈیٹا میں کوئی انفرادی نام، تنخواہ، ID یا نامعلوم مالی اثر نہیں؛ اگر آپ کو ایسی کوئی فیلڈ نظر آتی ہے تو، "خفیہ ڈیٹا - کارروائی نہ کریں، خبردار کریں" کہیں۔ - نتیجہ میں نیا نمبر شامل نہ کریں۔ میں نے جو خلاصہ دیا ہے اس کے ساتھ جاؤ۔ - آؤٹ پٹ کے آخر میں "انسانی منظوری درکار" نوٹ شامل کریں۔ ڈیٹا (مجموعی): [خلاصہ اشارے]

احتیاط: "AI نے کہا" کوئی دفاع نہیں ہے۔ ESG رپورٹ میں غلط نمبر، غیر مصدقہ دعوے، یا خفیہ ڈیٹا کے لیک ہونے کی ذمہ داری تنظیم اور اس شخص پر عائد ہوتی ہے جس نے اسے منظور کیا۔ جب آپ AI استعمال کرتے ہیں، تو آپ ذمہ داری منتقل نہیں کرتے۔ آپ صرف کام کو تیز کریں گے۔

اینڈ ٹو اینڈ کوالٹی گیٹ پرامپٹ

درج ذیل پرامپٹ شائع کرنے سے پہلے ایک ہی چیک کے ذریعے تمام مراحل چلاتا ہے۔

آپ کا کردار: ESG کوالٹی اشورینس آفیسر۔ ٹاسک: درج ذیل رپورٹ سیکشن کو اینڈ ٹو اینڈ کوالٹی گیٹ سے گزریں۔ ہر آئٹم کے لیے "پاس/فیل" دیں اور ناکام ہونے کی وجہ لکھیں: 1) کیا ہر نمبر کا ماخذ اور اکائی بیان کی گئی ہے؟ 2) کیا اخراج کے عوامل سرکاری ذریعہ سے ہیں؟ 3) کیا معیاری آئٹم نمبرز تصدیق شدہ ہیں؟ 4) کیا پراکسی/ تخمینہ نشان زد ہیں؟ 5) کیا گرین واشنگ پر مشتمل کوئی بیانات ہیں؟ 6) کیا خفیہ/ذاتی ڈیٹا کا کوئی رساو ہے؟ 7) حتمی منظوری کے لیے ذمہ دار نام تفویض کیا گیا؟ سیکشن: [باب]

مندرجہ ذیل پرامپٹ پورے ماڈیول کو انٹرپرائز پالیسی میں بدل دیتا ہے۔

آپ کا کردار: پائیداری ٹیم لیڈر۔ ٹاسک: ESG کے کام میں ٹیم کے AI کے استعمال کو کنٹرول کرنے والی 1 صفحات کی داخلی پالیسی لکھیں۔ شامل کریں:- وہ کام جہاں AI کو آزادانہ طور پر استعمال کیا جا سکتا ہے (ڈرافٹ، خلاصہ، کوڈ، تھیم کا تجزیہ) - ایسے کام جن کے لیے انسانی تصدیق کی ضرورت ہوتی ہے (عنصر، معیاری، دعوی، دائرہ کار) - ڈیٹا کی قسمیں جو AI کو کبھی نہیں دی جائیں گی (ذاتی، غیر ظاہر شدہ مالی) - ہر ریلیز سے پہلے کوالٹی گیٹ کے مراحل سے گزرنا ہے ٹون: واضح، بلٹ پوائنٹ۔

تین چھوٹے مقدمات

کیس 1 - رپورٹ دروازے سے واپس آئی۔ ایک ٹیم نے سوچا کہ وہ تمام مراحل مکمل کر چکے ہیں اور رپورٹ اشاعت کے لیے تیار ہے۔ فائنل کوالٹی گیٹ پرامپٹ نے ایک سیکشن میں ایک غیر منبع "78% ریکوری" کلیم اور "کاربن نیوٹرل" بیان حاصل کیا۔ دونوں میں سے کسی کو درست کرنے سے پہلے اشاعت روک دی گئی۔ دروازے نے بگ کو عام ہونے سے پہلے ہی روک لیا۔

کیس 2 - خفیہ ڈیٹا کے لیکیج کو روکا گیا۔ ایک تجزیہ کار ابھی تک جاری ہونے والے سہ ماہی مالیاتی اثرات کے اعداد و شمار کو تجزیہ کے لیے عوامی طور پر دستیاب ٹول میں چسپاں کرے گا۔ ڈیٹا کی درجہ بندی کے پرامپٹ نے اسے "خفیہ — غیر ظاہر شدہ مالیاتی" کے طور پر جھنڈا دیا۔ ڈیٹا کو پہلے جمع کیا گیا اور پھر انٹرپرائز ٹول میں اس پر کارروائی کی گئی۔ قانون سازی کی ممکنہ خلاف ورزی کو روکا گیا۔

کیس 3 - ذمہ داری لینا۔ ایک رپورٹ شائع ہونے کے بعد، ایک اسٹیک ہولڈر نے ایک نمبر پر سوال کیا۔ ٹیم نے "AI کا حساب لگایا" نہیں کہا؛ آڈٹ ٹریل کو کھولا، ماخذ کا حوالہ دیا، ایک معمولی تصحیح کی، اور شفاف طریقے سے وضاحت کی۔ یہ رویہ، جس نے "AI نے کہا" دفاع پر بھروسہ نہیں کیا، اعتماد کو محفوظ رکھا۔

عام غلطیاں

• معیار کے دروازے کے بغیر آگے بڑھنا۔ اگر ہر قدم کے اخراج پر توثیق نہیں کی جاتی ہے، تو غلطیاں آخر تک جمع ہوتی رہیں گی۔
• گاڑی کو درجہ بندی کیے بغیر ڈیٹا دینا۔ خفیہ اور ذاتی ڈیٹا عوامی AI میں بغیر گمنامی کے داخل نہیں کیا جا سکتا۔
• AI کو ذمہ داری منتقل کرنا۔ "AI نے کہا" قانونی یا پیشہ ورانہ دفاع نہیں ہے۔
• سوچتے قدم الگ تھلگ۔ مواد، ڈیٹا، حساب اور دعوی ایک دوسرے سے منسلک ہیں؛ اگر کسی کو نقصان پہنچا تو سب متاثر ہوتے ہیں۔
• اشاعت کی منظوری کے لیے ذمہ دار فرد کو تفویض نہ کرنا۔ ہر عوامی دعوے کے پیچھے ایک انسان ضرور ہوتا ہے۔

خلاصہ میں

ESG کاروبار آٹھ ایک دوسرے سے جڑے ہوئے مراحل کی ایک زنجیر ہے، اور AI ہر قدم پر ایک ایکسلریٹر ہے۔ لیکن ہر قدم کے نکلنے پر معیار کا ایک دروازہ ہوتا ہے۔ "AI پیدا کرتا ہے → انسان کی تصدیق کرتا ہے → دروازے سے گزرتا ہے" کی تال اس ماڈیول کے تمام اسباق کو ایک مطالعہ کے نظم میں یکجا کرتی ہے۔ ڈیٹا کی درجہ بندی کریں اور رازداری کی حفاظت کریں، آفیشل سورس سے فیکٹر اور سٹینڈرڈ کی تصدیق کریں، دعوے کو ثبوت سے جوڑیں، اشاعت سے پہلے گرین واشنگ کو ختم کریں، اور حتمی ذمہ داری انسان کو دیں۔ AI کام کو تیز کرتا ہے۔ آپ درستگی، ایمانداری اور ذمہ داری قبول کرتے ہیں۔ اس پیشے کا معیار "روانی ظاہر ہونا" نہیں ہے، بلکہ "آڈٹ میں پاس ہونا اور ثابت ہونا" ہے۔

درخواست کا کام

ان ڈیلیوریبلز کو جو آپ نے پچھلی اکائیوں میں تیار کیا تھا (ایک مادیت کی فہرست، ایک کاربن اکاؤنٹ، ایک رپورٹ سیکشن) کو ایک منی رپورٹ میں یکجا کریں۔ اس منی رپورٹ کو 7 آئٹمز میں AI کے اوپر سے آخر تک کوالٹی گیٹ پرامپٹ کے ساتھ دیکھیں۔ پھر: (1) "ریلیز" کے نشان والے ہر آئٹم کو درست کریں، (2) تمام خفیہ/ذاتی ڈیٹا کی درجہ بندی کریں اور اس پر کارروائی کریں، (3) اشاعت کے لیے ایک ذمہ دار نام اور منظوری کا نوٹ شامل کریں۔

چیک لسٹ

• میں نے ورک فلو کو "AI پیدا کرتا ہے → انسانی تصدیق کرتا ہے → دروازے سے گزرتا ہے" کی تال کے ساتھ ترتیب دیا ہے۔
• میں نے ہر قدم کے باہر نکلنے پر ایک کوالٹی گیٹ لاگو کیا۔
• میں نے تمام ڈیٹا کو مفت/اندرونی/خفیہ کے طور پر درجہ بندی کیا اور رازداری کی حفاظت کی۔
• میں نے سرکاری ذرائع سے عوامل اور معیاری اشیاء کی تصدیق کی ہے۔
• میں نے ہر دعوے کی ثبوت کے ساتھ حمایت کی، اشاعت سے پہلے گرین واشنگ کو ختم کیا۔
• میں نے "AI نے کہا" دفاع پر بھروسہ کیے بغیر ذمہ داری لی۔
• میں نے اشاعت کے لیے ایک ذمہ دار نام اور منظوری کا ریکارڈ قائم کیا ہے۔

ماڈیول امتحان

1. مندرجہ ذیل میں سے کون سی ای ایس جی اور پائیداری کے کاروبار میں AI کے لیے بہترین پوزیشننگ ہے؟

• الف) مصنوعی ذہانت کوڈ، ڈیٹا اور بلیو پرنٹس کا معاون ہے۔ عوامل، معیار، ثبوت اور اخلاقی فیصلوں کی ذمہ داری لوگوں پر عائد ہوتی ہے ✔
• ب) مصنوعی ذہانت ایک آڈیٹر ہے اور اس کی فراہم کردہ ESG اقدار آزاد یقین دہانی کا متبادل ہیں۔
• C) مصنوعی ذہانت صرف رپورٹیں لکھنے میں کام کرتی ہے، اس کا ڈیٹا اور حساب سے کوئی تعلق نہیں ہے۔
• D) چونکہ AI انسانوں سے زیادہ غیر جانبدار ہے، اس لیے ESG کے تمام فیصلے اس پر چھوڑ دئیے جائیں۔

تفصیل: مصنوعی ذہانت؛ یہ ایک معاون ہے جو کوڈ لکھتا ہے، ڈیٹا کو منظم کرتا ہے، مسودے تیار کرتا ہے اور خلاصہ کرتا ہے۔ تاہم، اخراج کے عنصر کی تصدیق، معیاری مادہ نمبر کی جانچ، ہر دعوے کو ثابت کرنے کی حتمی ذمہ داری اہل ماہر پر عائد ہوتی ہے۔ بڑی زبان کا ماڈل کیلکولیٹر، ریگولیٹری/معیارات کا ڈیٹا بیس، یا چیکر نہیں ہے۔ ایک ٹیکسٹ جنریٹر ہے جو 'اگلا ممکنہ لفظ' تیار کرتا ہے اور اس کی غیر تصدیق شدہ آؤٹ پٹ غلط رپورٹ یا دعویٰ کا باعث بن سکتی ہے۔

2. دوہرے مادیت کے تجزیہ میں کسی مسئلے کے 'اثر مادیت' کے پہلو کا کیا مطلب ہے؟

• A) کمپنی کے منافع اور شیئر کی قیمت پر ایشو کا اثر
• ب) اس مسئلے کا مالی خطرہ صرف سرمایہ کاروں کے لیے ہے۔
• ج) اسی موضوع پر حریف کمپنیوں کی کارکردگی
• D) ماحولیات اور معاشرے پر کمپنی کی سرگرمیوں کا اثر ✔

تفصیل: دوہری مادیت دو عینکوں سے نظر آتی ہے۔ مالیاتی مادیت کمپنی کے نقد بہاؤ اور قدر ('باہر میں') پر کسی مسئلے کا اثر ہے۔ اثر مادیت ماحول اور معاشرے پر کمپنی کی سرگرمیوں کا اثر ہے ('اندر سے باہر')۔ CSRD/ESRS دونوں پہلوؤں کو نافذ کرتا ہے۔ چونکہ مصنوعی ذہانت اکثر صرف مالی سمت میں بدل جاتی ہے، اس لیے اثر کی سمت کو بھی انسان کے ذریعے کنٹرول کرنا چاہیے۔

3. مختلف سہولیات سے kWh، MWh اور GJ میں انرجی ڈیٹا اکٹھا کرتے وقت درست طریقہ کیا ہے؟

• A) اکائیوں کو نظر انداز کریں اور تمام نمبروں کو براہ راست شامل کریں۔
• ب) اپنے سر میں لمبی فہرست جمع کرنے کے لیے مصنوعی ذہانت پر انحصار کرنا
• C) تمام اقدار کو ایک اکائی میں تبدیل کرنا اور کوڈ/فارمولے کے ساتھ تبادلوں اور جمع کو بنانا ✔
• D) سب سے بڑے یونٹ کا انتخاب کرنا اور دیگر سہولیات کی اطلاع نہ دینا

وضاحت: یونٹ چرن ESG کی سب سے زیادہ بار بار اور خطرناک غلطی ہے۔ چونکہ 1 MWh = 1,000 kWh، اگر یونٹ کو چھوڑ دیا جائے تو نتیجہ 1,000 کے عنصر سے ہٹ سکتا ہے۔ صحیح نقطہ نظر یہ ہے کہ تمام اقدار کو ایک اکائی میں تبدیل کیا جائے اور مصنوعی ذہانت سے یہ تبدیلی کی جائے اور اسے ایک قابل عمل کوڈ/فارمولے کے ساتھ جمع کیا جائے، نہ کہ دستی طور پر؛ اس طرح نتیجہ تعییناتی اور قابل تصدیق ہے۔

4. GHG پروٹوکول کے مطابق خریدی گئی بجلی کی پیداوار کے نتیجے میں اخراج کس دائرہ کار میں شامل ہے؟

• A) دائرہ کار 1
• بی) دائرہ کار 2 ✔
• C) دائرہ کار 3
• D) یہ کسی دائرہ کار میں شامل نہیں ہے اور اس کی اطلاع نہیں ہے۔

تفصیل: دائرہ کار 1 تنظیم کے اپنے ذرائع (بوائلر، کمپنی کی گاڑی، جنریٹر) سے براہ راست اخراج ہے۔ دائرہ 2 خریدی ہوئی توانائی (بجلی، بھاپ، حرارتی، کولنگ) کی پیداوار سے بالواسطہ اخراج ہے۔ دائرہ کار 3 ویلیو چین (سپلائی، سفر، مصنوعات کا استعمال، فضلہ) میں دیگر تمام بالواسطہ اخراج کا احاطہ کرتا ہے۔ کمپنی کی چمنی سے بجلی نہیں نکلتی بلکہ جو پاور پلانٹ اسے بناتا ہے وہ اخراج کرتا ہے؛ تو یہ اسکوپ 2 ہے۔

5. گرین ہاؤس گیس جیسے میتھین (CH₄) کو CO₂e میں تبدیل کرتے وقت کون سا تصور استعمال کیا جاتا ہے اور یہ کیوں ضروری ہے؟

• A) GWP (گلوبل وارمنگ پوٹینشل)؛ اگر چھوڑ دیا جائے تو، میتھین/N₂O اثر کو بہت کم سمجھا جائے گا ✔
• ب) AQI (ایئر کوالٹی انڈیکس)؛ ہوا میں گیس کے رنگ کا تعین کرتا ہے۔
• C) GRI (رپورٹنگ اقدام)؛ اس مادہ کا تعین کرتا ہے جس میں گیس کی اطلاع دی جائے گی۔
• D) کوئی گتانک درکار نہیں؛ میتھین کا شمار 1 سے 1 براہ راست CO₂ کی طرح ہوتا ہے۔

تفصیل: GWP (گلوبل وارمنگ پوٹینشل) وہ گتانک ہے جو مختلف گرین ہاؤس گیسوں کے حرارتی اثر کو CO₂ کے نسبت ایک مشترکہ یونٹ میں تبدیل کرتا ہے۔ میتھین کا 100 سالہ GWP تقریباً 28 ہے۔ لہذا 1 ٹن میتھین کا مطلب ہے تقریباً 28 ٹن CO₂e۔ اگر GWP کو چھوڑ دیا جائے تو، میتھین اور N₂O جیسی مضبوط گیسوں کے اثرات کو بہت کم سمجھا جائے گا اور انوینٹری مکمل طور پر غلط ہو جائے گی۔ یہ بھی بتایا جائے کہ کون سا GWP سیٹ (جیسے IPCC AR6، 100 سال) استعمال ہوتا ہے۔

6. گرین ہاؤس گیس کی انوینٹری میں 'سرگرمی کے اعداد و شمار × اخراج کے عنصر' کا حساب لگانے کے لیے کون سا طریقہ درست ہے؟

• الف) مصنوعی ذہانت کو یاد رکھنے والے عنصر کو استعمال کرنا اور اسے دستی طور پر مکمل کرنا
• ب) تمام گیسوں کو CO₂ کے طور پر شمار کرنا اور عنصر کو چھوڑنا اور GWP کی تبدیلی
• C) ہر ملک، سال اور ایندھن کے لیے بالکل طے شدہ عنصر کا استعمال
• D) ملک اور سال کے حساب سے آفیشل سورس سے فیکٹر کی تصدیق کرنا اور کوڈ کے ساتھ حسابی سہاروں اور کل کو بنانا ✔

تفصیل: اخراج کے عوامل ملک، سال اور ایندھن کے لحاظ سے مختلف ہوتے ہیں۔ AI کو 'یاد دلانا' چیزوں کو بنانے کا خطرہ پیدا کرتا ہے (فریب)۔ فیکٹر کی تصدیق ہمیشہ سرکاری ٹیبل (IPCC، DEFRA/EPA، IEA، قومی انوینٹری) سے ہونی چاہیے۔ مصنوعی ذہانت کے ذریعے صرف دائرہ کار کی علیحدگی، اکاؤنٹنگ اسکافولڈنگ اور کل کوڈ کی جانی چاہیے۔ متعدد قطاروں کے ٹوٹل ایگزیکیوٹیبل کوڈ کے ذریعے کیے جاتے ہیں، دستی طور پر نہیں۔

7. AI کی طرف سے تجویز کردہ GRI/ESRS معیاری مادہ نمبر (جیسے 'پانی کے استعمال کے لیے GRI 305') کے لیے صحیح رویہ کیا ہے؟

• A) نمبر کو براہ راست رپورٹ میں لکھنا کیونکہ مصنوعی ذہانت اسے تجویز کرتی ہے۔
• ب) آئٹم نمبر غیر اہم ہیں؛ کوئی بھی لکھا جا سکتا ہے
• ج) نمبر اور اس کے مواد کی سرکاری معیاری متن کے ساتھ تصدیق کرنا، جعلی/پرانی ہونے کی صورت میں اس کی تصدیق کرنا ✔
• D) چونکہ پانی اور ہوا کے اخراج ایک جیسے ہیں، اسی مضمون میں ان کی اطلاع دینا

تفصیل: مصنوعی ذہانت معیاری اعداد پیدا کر سکتی ہے جو حقیقی معلوم ہوتے ہیں لیکن جن کا مواد غلط یا مکمل طور پر من گھڑت ہے۔ نیز، معیارات کو اپ ڈیٹ کر دیا گیا ہے اور ماڈل کو معلوم ورژن پرانا ہو سکتا ہے۔ مثال کے طور پر، پانی GRI 303 کے تحت رپورٹ کیا جاتا ہے، جبکہ GRI 305 ہوا کا اخراج ہے۔ لہذا، ہر مادہ نمبر اور مواد کو سرکاری معیاری متن (GRI/EFRAG/ISSB) سے تصدیق کیے بغیر استعمال نہیں کیا جا سکتا۔

8. اگر سپلائی چین میں زیادہ تر سپلائرز کے پاس حقیقی کاربن ڈیٹا نہیں ہے، تو دائرہ کار 3 کے لیے صحیح اور دیانتدار طریقہ کیا ہے؟

• A) سپلائرز کے لیے مصنوعی ذہانت سے بنائے گئے نمبروں کو براہ راست استعمال کرنا
• ب) اسکوپ 3 کو مکمل طور پر چھوڑنا کیونکہ اس کی پیمائش کرنا مشکل ہے
• C) حقیقی ڈیٹا والے کو استعمال کرتے ہوئے، واضح طور پر ان لوگوں کے لیے پراکسی نشان زد کرنا جو ✔ کے بغیر ہیں۔
• D) تمام سپلائرز پر پراکسی کا اطلاق کرنا اور اسے رپورٹ میں چھپانا۔

تفصیل: دائرہ کار 3 زیادہ تر کمپنیوں کا سب سے بڑا لیکن شے کی پیمائش کرنا سب سے مشکل ہے۔ اصل ڈیٹا فراہم کرنے والے سپلائرز کے لیے، وہ ڈیٹا استعمال کیا جاتا ہے۔ جو لوگ اسے فراہم نہیں کرتے ہیں، ان کے لیے اخراجات پر مبنی پراکسی (تخمینہ) استعمال کیا جا سکتا ہے۔ اہم چیز پراکسی کو چھپانا نہیں ہے: رپورٹ میں استعمال شدہ تخمینہ کا حصہ اور تناسب واضح طور پر بیان کرنا چاہیے۔ مبہم پراکسی آزاد یقین دہانی سے انکار کا باعث بن سکتی ہے۔ اسکوپ 3 کو مکمل طور پر اس بنیاد پر چھوڑنا بھی غلط ہے کہ اس کی پیمائش کرنا مشکل ہے۔

9. AI نے صرف ملک کی اوسط کی بنیاد پر ایک سپلائر کو 'ممکنہ جبری مشقت' کے طور پر نشان زد کیا۔ صحیح سلوک کیا ہے؟

• A) سگنل کو بطور ثبوت قبول کریں اور فوری طور پر سپلائی کرنے والے سے تعلقات منقطع کر دیں۔
• ب) دعویٰ کو براہ راست رپورٹ میں لکھنا کیونکہ مصنوعی ذہانت نے یہ کہا ہے۔
• ج) رسک سگنلز کو مکمل طور پر نظر انداز کرنا اور ان کا بالکل جائزہ نہ لینا
• D) سگنل کو 'تحقیقات کے لیے وارننگ' کے طور پر سمجھنا اور فیلڈ انسپیکشن اور قابل اعتماد ذریعہ سے اس کی تصدیق کرنا ✔

وضاحت: انسانی حقوق کی خلاف ورزیوں جیسے سنگین الزامات کو مصنوعی ذہانت کے ذریعہ تیار کردہ سگنل سے ثابت نہیں کیا جا سکتا۔ اس طرح کا اشارہ محض 'تحقیق کے لیے انتباہ' ہے۔ اسے ایک حتمی الزام کے طور پر استعمال کرنا غیر منصفانہ اور قانونی طور پر خطرناک ہے۔ ایسے دعووں کی تصدیق صرف ایک قابل اعتماد ذریعہ، فیلڈ انسپیکشن اور قانونی عمل سے ہوتی ہے۔ مصنوعی ذہانت سگنلز پیدا کرتی ہے۔ انسان فیصلہ اور ذمہ داری قبول کرتا ہے۔

10. AI کے ساتھ اسٹیک ہولڈر سروے کے سینکڑوں فری ٹیکسٹ جوابات کا تجزیہ کرتے وقت سب سے اہم احتیاط کیا ہے؟

• A) نایاب لیکن اعلیٰ اہمیت کے (حفاظتی/اخلاقی/ماحولیاتی) سگنلز کی الگ سے ضرورت ہوتی ہے اور ان پر سایہ نہ کرنا ✔
• ب) اقلیتی نظریات کو ختم کرتے ہوئے صرف اعلیٰ ترین فریکوئنسی والے تھیمز کا انتخاب کرنا
• ج) تمام جوابات کو ایک مثبت خلاصہ کے لیے کم کریں اور تفصیلات کو چھوڑ دیں۔
• D) خام جوابات کی بجائے مصنوعی ذہانت کا خلاصہ قبول کرنا

تفصیل: مصنوعی ذہانت اکثریت کی آواز کو بڑھاتی ہے اور موضوعاتی تجزیہ میں اقلیت کی آواز کو دباتی ہے۔ تاہم، پائیداری میں سب سے قیمتی اشارہ بعض اوقات ایک سنگین حفاظتی، اخلاقی یا ماحولیاتی مسئلہ ہوتا ہے جس کی آواز کسی ایک فرد نے دی تھی۔ تو تجزیہ پوچھتا ہے کہ 'اکثر کیا کہا جاتا تھا؟' اس کے ساتھ ختم نہیں ہوتا؛ 'نایاب لیکن اعلیٰ اہمیت' کے اشارے الگ سے مانگے جائیں اور خام جوابات کو خلاصہ کی جگہ کے بجائے استعمال کیا جائے۔

11. مصنوعی ذہانت پر رپورٹ سیکشن لکھتے وقت جعلی نمبرز اور اہداف کو متن میں آنے سے روکنے کا سب سے مؤثر طریقہ کیا ہے؟

• A) 'ایک مناسب متن لکھیں' کہہ کر ایک ساتھ پوری رپورٹ تیار کرنا
• ب) صرف تصدیق شدہ ڈیٹا فراہم کرنا اور واضح طور پر نئے نمبر/دعوے پیدا کرنے سے منع کرنا ✔
• ج) چیک کریں کہ متن کتنا روانی اور متاثر کن ہے اور اسے شائع کریں۔
• D) AI کو مناسب اندازوں کے ساتھ گمشدہ ڈیٹا کو بھرنے کی اجازت دینا

تفصیل: مصنوعی ذہانت ایسے نمبر اور اہداف تیار کرتی ہے جو آپ کے پاس نہیں ہوتے، منطق کا استعمال کرتے ہوئے خالی پرامپٹ میں 'اسی طرح کی رپورٹس نے کہا'۔ سب سے مؤثر احتیاط یہ ہے کہ اسے صرف تصدیق شدہ ڈیٹا دیا جائے اور 'میں نے جو ڈیٹا آپ کو دیا ہے اس کے علاوہ کوئی نمبر، فیصد، تاریخ یا دعوی شامل نہ کریں۔ یہ واضح طور پر 'لاپتہ جگہ میں [ڈیٹا کی ضرورت ہے] لکھنے کے اصول کو بیان کرنا ہے۔ اس کے علاوہ، رپورٹ کو سیکشن کے لحاظ سے سیکشن پرنٹ کیا جانا چاہئے، ڈیٹا کے ساتھ کھلایا جانا چاہئے.

12. پائیداری کی رپورٹ کا جائزہ لیتے وقت ایک خود مختار یقین دہانی کا آڈیٹر سب سے پہلے کیا دیکھتا ہے؟

• A) رپورٹ کتنی روانی اور پیشہ ورانہ انداز میں لکھی گئی ہے۔
• ب) ہر شمارے میں ثبوت کی ایک زنجیر ہوتی ہے جو ماخذ دستاویز کے لیے قابل سراغ ہوتی ہے ✔
• C) مصنوعی ذہانت کا کہنا ہے کہ 'رپورٹ آڈٹ کے لیے تیار ہے'
• D) رپورٹ کو حریفوں کے مقابلے میں زیادہ مضبوط دکھائیں۔

وضاحت: ممتحن متن کی روانی میں دلچسپی نہیں رکھتا، بلکہ ہر دعوے کے پیچھے ثبوت کے سلسلے میں؛ اس کا پہلا سوال ہے 'اس نمبر کو ثابت کرو'۔ اس بات کا جائزہ لیا جاتا ہے کہ نمبر کس ماخذ کی دستاویز سے آتا ہے، کس فارمولے اور عنصر سے یہ رپورٹ میں بدل جاتا ہے، اور کیا اسے آزادانہ طور پر دہرایا جا سکتا ہے۔ لہٰذا، ہر مادی میٹرک کو اس کے ماخذ کے لیے قابل شناخت ہونا چاہیے، عوامل کی تصدیق سرکاری ماخذ سے کی جانی چاہیے، اور پراکسیوں کی وضاحت ہونی چاہیے۔ مصنوعی ذہانت یہ تیاری کرتی ہے، لیکن یقین دہانی نہیں کر سکتی۔

13. مندرجہ ذیل ماحولیاتی دعووں میں سے کون سا گرین واشنگ کا سب سے کم خطرہ ہے؟

• A) 'ہم نے 2023 تک اپنے پیداواری اخراج میں 18 فیصد کمی کی (تیسرے فریق کی تصدیق کے ساتھ)' ✔
• ب) 'ہماری مصنوعات مکمل طور پر ماحول دوست اور قدرتی ہیں'
• C) 'ہماری کمپنی کاربن نیوٹرل ہے' (کوئی دستاویزات یا ڈیٹا فراہم کیے بغیر)
• D) 'ہم صنعت میں سب سے زیادہ پائیدار اور تقریباً صفر اثر رکھنے والی کمپنی ہیں'

وضاحت: ایک اچھا ماحولیاتی دعوی قابل پیمائش ہوتا ہے (ایک عدد پر مشتمل ہوتا ہے)، ثابت ہوتا ہے (ثبوت کی بنیاد پر) اور دائرہ کار میں واضح ہوتا ہے (یہ واضح ہے کہ کس چیز سے اور کب کا موازنہ کیا جا رہا ہے)۔ 'ہم نے 2023 تک پیداوار کے اخراج میں 18 فیصد کمی کی (تیسرے فریق کی تصدیق کے ساتھ)' یہ تین خصوصیات ہیں۔ 'ماحول دوست'، 'قدرتی'، غیر مصدقہ 'کاربن نیوٹرل' جیسے جملے غیر مستند یا غیر مصدقہ ہیں اور گرین واشنگ کا خطرہ رکھتے ہیں۔

14. تجزیہ کے لیے عوامی طور پر دستیاب AI ٹول میں نامعلوم سہولت کی پیداوار اور اخراج کے ڈیٹا کو چسپاں کرنے سے پہلے کیا کرنا چاہیے؟

• A) ڈیٹا کو پیسٹ کرنا جیسا ہے؛ ماحولیاتی ڈیٹا ہمیشہ عوامی طور پر دستیاب ہوتا ہے۔
• ب) احتیاطی تدابیر اختیار کیے بغیر دینا کیونکہ ذمہ داری مصنوعی ذہانت فراہم کرنے والے کے پاس جاتی ہے۔
• ج) خطرہ محض غلط حساب ہے۔ رازداری کی پیمائش غیر ضروری ہے۔
• D) ڈیٹا کو مفت/اندرونی/خفیہ کے طور پر درجہ بندی کرنا اور خفیہ ڈیٹا کو گمنام کرنا یا کارپوریٹ ٹولز کا استعمال کرنا ✔

انکشاف: پلانٹ کی سطح پر پیداوار اور اخراج کا ڈیٹا تجارتی راز ہو سکتا ہے۔ مالیاتی/ماحولیاتی ڈیٹا جو ابھی تک ظاہر نہیں کیا گیا ہے وہ ریگولیٹری افشاء کے قواعد کی خلاف ورزی کر سکتا ہے۔ ملازم کا مقام/تنخواہ کا ڈیٹا KVKK/GDPR کے دائرہ کار میں ذاتی ڈیٹا ہے۔ کسی کھلے ٹول کو اس قسم کا ڈیٹا دینے سے پہلے، اسے مفت/اندرونی/خفیہ کے طور پر درجہ بندی کرنا، اگر ضروری ہو تو اسے گمنام کرنا، یا کارپوریٹ (ڈیٹا فری) ٹول استعمال کرنا ضروری ہے۔ 'AI نے کہا' کوئی دفاع نہیں ہے۔ ذمہ داری ادارے اور اس کی منظوری دینے والے شخص پر عائد ہوتی ہے۔