فائدہ:
- خرچ اور خطرے کی سطح کی بنیاد پر سپلائرز کو ترجیح دے کر اور اصل ڈیٹا اور پراکسی تخمینوں کے درمیان فرق کرتے ہوئے دائرہ کار 3 قائم کرنے کی صلاحیت
- مصنوعی ذہانت کے ساتھ سپلائی کرنے والے خطرے کے سگنلز کو جھنڈا لگاتے وقت، انہیں ثبوت کے طور پر بجائے 'تحقیق کے لیے سگنلز' کے طور پر سمجھیں۔
- سنجیدہ انسانی حقوق/ماحولیاتی دعووں کا انتظام کرنے کی قابلیت ایک مناسب مستعدی کے عمل کے ذریعے جس کے لیے فیلڈ انسپیکشن اور قانونی تصدیق کی ضرورت ہوتی ہے۔
زیادہ تر کمپنیوں کے لیے، ان کی پائیداری کے اثرات کا سب سے بڑا حصہ ان کی اپنی فیکٹری میں نہیں بلکہ ان کی سپلائی چین میں ہے۔ کپڑے کے برانڈ کے 80 فیصد سے زیادہ کاربن فوٹ پرنٹ اس کے سپلائرز سے مل سکتے ہیں، جس میں فیبرک مینوفیکچررز سے لے کر شپنگ تک شامل ہیں۔ اسی طرح، انتہائی شدید سماجی خطرات، جیسے چائلڈ لیبر، جبری مشقت اور ماحولیاتی خلاف ورزیاں، اکثر سپلائی چین میں گہرائی میں واقع ہوتی ہیں۔ اس یونٹ میں، آپ یہ سیکھیں گے کہ سپلائی چین ڈیٹا اور خطرات کے لیے اسکرین کو جمع کرنے اور جانچنے کے لیے مصنوعی ذہانت (AI) کا استعمال کیسے کریں۔
آئیے دو تصورات کو واضح کرتے ہیں۔ دائرہ کار 3، جیسا کہ ہم نے پچھلی اکائی میں دیکھا، کمپنی کی ویلیو چین میں بالواسطہ اخراج ہے اور عام طور پر سب سے بڑا لیکن شے کی پیمائش کرنا مشکل ہے۔ ڈیو ڈیلیجینس کمپنی کی سپلائی چین میں انسانی حقوق اور ماحولیاتی خطرات کی شناخت، روک تھام اور تدارک کا عمل ہے۔ EU کے CSDDD (کارپوریٹ سسٹین ایبلٹی ڈیو ڈیلیجنس ڈائریکٹو) جیسے ضوابط بڑی کمپنیوں کے لیے اسے لازمی بناتے ہیں۔
سپلائی چین ڈیٹا کا بنیادی چیلنج
آپ اپنی سہولت کے ڈیٹا کی پیمائش کر سکتے ہیں۔ لیکن آپ سینکڑوں سپلائرز کے ڈیٹا کی براہ راست پیمائش نہیں کر سکتے، آپ کو ان سے پوچھنا ہوگا۔ اس سے تین مسائل پیدا ہوتے ہیں:
- ڈیٹا نہیں پہنچتا یا نامکمل ہے۔ زیادہ تر چھوٹے سپلائرز کاربن ڈیٹا نہیں رکھتے ہیں۔
- ڈیٹا ناقابل اعتبار ہے۔ جب کوئی سپلائر خود رپورٹ کرتا ہے تو اس میں حد سے زیادہ بیان یا کم رپورٹنگ ہو سکتی ہے۔
- ایک اندازہ (پراکسی) درکار ہے۔ اگر اصل ڈیٹا دستیاب نہیں ہے تو، صنعت کی اوسط یا اخراجات پر مبنی تخمینہ استعمال کیا جاتا ہے۔
یہ وہ جگہ ہے جہاں AI دو طریقوں سے مدد کرتا ہے: (1) فوری طور پر سروے کا مسودہ تیار کرنا اور سینکڑوں سپلائرز کو بھیجے جانے والے خطوط، (2) بکھرے ہوئے جوابات کی تشکیل اور خطرے کے اشاروں کو پرچم لگانا۔ لیکن سپلائر کی طرف سے دیے گئے کسی بھی نمبر کی تصدیق نہیں کی جاتی، انسانی جائزے کے بغیر کسی خطرے کا اشارہ نہیں دیا جاتا۔
دائرہ کار 3 زمرہ (مثال)
ڈیٹا سورس
عام طریقہ
خریدا ہوا سامان/خدمات
سپلائر سروے / خرچ
اصلی ڈیٹا > پراکسی
شپنگ اور تقسیم
کیریئر ریکارڈز
فاصلہ × بوجھ × عنصر
کاروباری سفر
سفری نظام
کلومیٹر/فلائٹ × فیکٹر
فروخت شدہ مصنوعات کا استعمال
مصنوعات کی توانائی کا ڈیٹا
استعمال کا ماڈل
فضلہ
فضلہ کی منتقلی کے دستاویزات
مقدار × عنصر
اشارہ: دائرہ کار 3 میں، "خرچ پر مبنی" تخمینہ (یہ زیادہ CO₂e فی $1,000 خرچ) ایک فوری آغاز ہے، لیکن ایک مشکل ہے۔ جب کوئی سپلائر حقیقی ڈیٹا فراہم کرتا ہے، تو اسے استعمال کریں۔ خرچ پر مبنی تخمینہ صرف اس صورت میں عارضی ہے جب کوئی حقیقی ڈیٹا نہ ہو اور اسے رپورٹ میں "تخمینہ/پراکسی" کے بطور نشان زد کیا جائے۔
مرحلہ وار: AI کے ساتھ سپلائی چین ورک فلو
1. سپلائرز کو ترجیح دیں۔ آپ تمام سیکڑوں سپلائرز کو ایک ہی گہرائی میں جانچ نہیں سکتے۔ ان لوگوں پر توجہ مرکوز کریں جو زیادہ خرچ کے سائز اور خطرے والے ہیں (سیکٹر، ملک)۔ AI اس ترجیح کے ساتھ ایک مسودہ فہرست تیار کر سکتا ہے۔
2. سروے اور درخواست کا مسودہ۔ AI سے ایک واضح، آسانی سے بھرنے والے سپلائر ڈیٹا سروے کا خاکہ طلب کریں۔
3. آنے والے ڈیٹا کو ترتیب دیں۔ مختلف فارمیٹس میں جوابات کو ایک ٹیبل میں رکھیں۔ گمشدہ حصوں کو نشان زد کریں۔
4. رسک سگنلز کے لیے اسکین کریں۔ AI کو عوامی خبروں، ریکارڈ کی خلاف ورزی اور سروے میں تضادات میں "سرخ پرچم" امیدواروں کو تلاش کرنے کے لیے کہیں۔ لیکن انسان ہر سگنل کی تصدیق کرتے ہیں۔
5. عمل اور تعاقب۔ اعلی خطرے والے سپلائرز کے لیے ایک اصلاحی کارروائی اور فالو اپ پلان قائم کریں۔ عمل کو دستاویز کریں۔
کمزور فوری / مضبوط اشارہ
کمزور اشارہ:
ہمارے سپلائرز کے کاربن فوٹ پرنٹ کا حساب لگائیں۔
کوئی ڈیٹا ماخذ، کوئی حقیقی/پراکسی امتیاز، اور کوئی تصدیق نہیں؛ AI سپلائر نمبر بناتا ہے۔
طاقتور اشارہ:
آپ کا کردار: سپلائی چین پائیداری تجزیہ کار۔ ان پٹ: 15 سپلائرز کے نام، صنعت، سالانہ خرچ کی رقم، اور ان کے فراہم کردہ اخراج کا اصل ڈیٹا (اگر کوئی ہے)۔ کام: 1) ان لوگوں کے لیے جو حقیقی ڈیٹا فراہم کرتے ہیں، وہ ڈیٹا استعمال کریں۔ 2) ان لوگوں کے لیے جن کے پاس حقیقی ڈیٹا نہیں ہے، لکھیں "خرچ پر مبنی پراکسی درکار ہے"، نمبر کو فٹ نہ کریں؛ واضح کریں کہ کون سا فیکٹر آفیشل سورس سے حاصل کرنا ہے۔3) سپلائی کرنے والوں کو زیادہ خرچ + ہائی رسک انڈسٹری میں ترجیح دیں۔ آؤٹ پٹ: ٹیبل (سپلائر | صنعت | خرچ | ڈیٹا کی قسم[actual/proxy] |ترجیح | نوٹ)۔ رپورٹ میں پراکسی نمبرز کو نشان زد کیا جائے گا۔
سپلائر کے خطرے کی اسکریننگ کے لیے فوری
فراہم کنندگان کی درج ذیل فہرست کے لیے رسک اسکریننگ اسکافولڈ مرتب کریں۔ ہر ایک فراہم کنندہ کے لیے تشخیص کریں (صرف میری فراہم کردہ معلومات کی بنیاد پر، عوامی دعویٰ جعلی):- ملک/سیکٹر سے ممکنہ انسانی حقوق کا خطرہ (اعلی/درمیانی/کم) - ممکنہ ماحولیاتی خطرہ- سروے کے جواب میں عدم مطابقت/ریڈ فلیگز اصول: نوٹ شامل کریں "تصدیق درکار ہے - ہر خطرے کے لیے کوئی ذریعہ نہیں"؛ قطعی الزامات نہ لگائیں، صرف تفتیش کے لیے اشارے تجویز کریں۔ فہرست: [سپلائیرز]
مندرجہ ذیل پرامپٹ فراہم کنندگان کو بھیجنے کے لیے ڈیٹا کی درخواست کے سروے کا مسودہ تیار کرتا ہے۔
آپ کا کردار: پائیداری سورسنگ ماہر۔ کام: 10 سے زیادہ سوالات پر مشتمل ESG ڈیٹا سروے کا مسودہ تیار کریں جنہیں چھوٹے/درمیانے سپلائرز آسانی سے مکمل کر سکتے ہیں۔ شامل کریں: توانائی کی کھپت، ایندھن کی قسم، فضلہ، پیشہ ورانہ حفاظتی حادثات کی تعداد، جبری/چائلڈ لیبر کا عزم۔ ٹون: سادہ، واضح، مکمل کرنے میں آسان؛ ہر سوال میں اکائیاں اور مثالیں شامل کریں۔
احتیاط: AI سے سپلائی کرنے والے کے بارے میں خطرے کے سگنل کی تصدیق نہ کروائیں (جیسے "چائلڈ لیبر") اور کبھی بھی AI کے ذریعہ تیار کردہ دعوے کو بطور ثبوت استعمال نہ کریں۔ اس طرح کے سنگین دعوؤں کی تصدیق صرف قابل اعتماد ذریعہ، فیلڈ انسپیکشن اور قانونی عمل سے ہوتی ہے۔ AI صرف ایک "جائزہ لینے کے لیے سگنل" پیدا کرتا ہے۔ فیصلہ نہیں کرتا.
تین چھوٹے مقدمات
کیس 1 - پراکسی کا ایماندارانہ استعمال۔ ایک فرنیچر بنانے والے کے 200 سپلائرز میں سے صرف 30 نے اصل کاربن ڈیٹا فراہم کیا۔ ٹیم نے بقیہ 170 کے لیے خرچ پر مبنی پراکسی کا استعمال کیا، لیکن رپورٹ میں واضح طور پر کہا گیا ہے، "دائرہ کار 3 کا 65% خرچ پر مبنی تخمینہ ہے۔" آڈیٹر نے اس ایمانداری کا اعتراف کیا۔ اگر اسے چھپایا جاتا تو یقین دہانی سے انکار کر دیا جاتا۔
کیس 2 - ترجیح ایک فوڈ کمپنی کے 480 سپلائر تھے۔ AI نے ظاہر کیا کہ 80% خرچ 40 سپلائرز پر مرکوز تھا۔ ٹیم نے ان 40 پر گہرا غوطہ لگایا۔ وسائل کو ضائع نہیں کیا گیا اور سب سے زیادہ اثر والے سپلائرز کو حقیقی اعداد و شمار کے ساتھ رپورٹ کیا گیا۔
کیس 3 - جھوٹے الزام کا خطرہ۔ AI نے ایک سپلائر کو "ممکنہ جبری مشقت" کے طور پر نشان زد کیا۔ وجہ صرف قومی اوسط تھی۔ ٹیم نے اسے "جائزہ لینے کے سگنل" کے طور پر قبول کیا، ثبوت نہیں، اور فیلڈ انسپیکشن کی درخواست کی۔ معائنہ میں کوئی مسئلہ نہیں ملا۔ اگر AI کے اشارے کو بطور ثبوت لیا گیا تو، ایک غیر منصفانہ الزام اور قانونی خطرہ پیدا ہو گا۔
عام غلطیاں
- سپلائر کے ڈیٹا کی تصدیق کیے بغیر اسے قبول کرنا۔ خود رپورٹنگ فراہم کنندہ کے ڈیٹا کو کراس چیکنگ کی ضرورت ہوتی ہے۔
- پراکسی چھپا رہا ہے۔ خرچ پر مبنی پیشن گوئی کا استعمال ٹھیک ہے؛ وضاحت نہ کرنا آڈیٹنگ میں ایک مسئلہ ہے۔
- تمام سپلائرز کو یکساں طور پر جانچنا۔ سورسنگ کو زیادہ خرچ اور زیادہ رسک فراہم کرنے والوں پر توجہ دینی چاہیے۔
- ثبوت کے لیے AI سگنل کو غلط سمجھنا۔ انسانی حقوق/ماحولیاتی خلاف ورزیوں کے دعووں کی تصدیق فیلڈ اور قانون سے ہوتی ہے، AI سے نہیں۔
- اسکوپ 3 کو مکمل طور پر چھوڑنا۔ سب سے بڑا اثر عام طور پر یہاں ہوتا ہے۔ اسے اس بنیاد پر نظر انداز نہیں کیا جا سکتا کہ اس کی پیمائش کرنا مشکل ہے۔
خلاصہ میں
سپلائی چین وہ جگہ ہے جہاں زیادہ تر کمپنیوں کا سب سے بڑا ماحولیاتی اور سماجی اثر چھپا ہوتا ہے۔ دائرہ کار 3 کے اخراج اور مستعدی کے خطرات یہاں مرکوز ہیں۔ اے آئی یہ سپلائر کی ترجیحات، سروے ڈرافٹنگ، بکھرے ہوئے ردعمل کی ساخت اور رسک سگنل فلیگنگ میں ایک طاقتور امداد ہے۔ لیکن سپلائر کے ڈیٹا کو اس وقت تک رپورٹ میں شامل نہیں کیا جاتا جب تک کہ اس کی تصدیق نہ ہو جائے، پراکسی واضح طور پر بیان نہ کر دی جائیں، اور فیلڈ انسپکشن کے ذریعے سنگین الزامات کی تصدیق نہ ہو جائے۔ AI سگنلز پیدا کرتا ہے۔ انسان فیصلہ اور ذمہ داری قبول کرتا ہے۔
درخواست کا کام
نام، صنعت، اور سالانہ اخراجات کے ساتھ 10 فرضی سپلائرز کی فہرست تیار کریں۔ کچھ میں اصل اخراج کا ڈیٹا شامل کریں، زیادہ تر کو خالی چھوڑ دیں۔ اوپر دیے گئے طاقتور پرامپٹ کے ذریعے AI سے ترجیح اور ڈیٹا کی قسم کے جدول کے لیے پوچھیں۔ پھر: (1) تصدیق کریں کہ پراکسی کی ضرورت والے سپلائرز کی تعداد نہیں بنتی، (2) 3 سب سے زیادہ ترجیحی سپلائرز کو جواز کے ساتھ منتخب کریں، (3) ان کو بھیجنے کے لیے ایک مختصر ڈیٹا سروے کا مسودہ تیار کریں۔
چیک لسٹ
- میں نے خرچ اور خطرے کی سطح کی بنیاد پر سپلائرز کو ترجیح دی۔
- میں نے اصلی ڈیٹا استعمال کیا؛ ان لوگوں کے لیے جن کے پاس یہ نہیں ہے، میں نے پراکسی کو نشان زد کیا۔
- میں نے فراہم کنندہ کے ڈیٹا کی جانچ کی جیسا کہ ہے نہیں، بلکہ کراس چیکنگ کے ذریعے۔
- میں نے خطرے کے اشاروں کو "جائزہ لینے" سمجھا اور انہیں بطور ثبوت استعمال نہیں کیا۔
- میں نے سنجیدہ دعووں کے لیے فیلڈ آڈٹ/قانونی تصدیق کے مرحلے کا منصوبہ بنایا۔
- میں نے اسکوپ 3 کو نہیں چھوڑا؛ میں نے رپورٹ میں دائرہ کار اور تخمینہ کی شرح بیان کی ہے۔
- [ ] میں نے پوری کارروائی کو مستعدی کے دستاویز کے ساتھ ریکارڈ کیا۔