Giới thiệu về AI trong ESG và Tính bền vững: Vai trò, Ranh giới, Xác thực và Đạo đức — Trí tuệ nhân tạo trong quản lý bền vững và ESG

Lợi nhuận:

Có thể phân biệt nơi nào trí tuệ nhân tạo tiết kiệm thời gian trong quy trình làm việc ESG (dữ liệu, tài khoản, ánh xạ, báo cáo) và nơi nào các quyết định về yếu tố, tiêu chuẩn và yêu cầu được giao cho con người, tùy thuộc vào mức độ rủi ro
Khả năng áp dụng kỷ luật kiểm tra từng đầu ra bằng số và chất lượng với các bước theo dõi đơn vị, nguồn và kiểm tra
Hiểu được tại sao các yếu tố phát thải giả, tài liệu tham khảo tiêu chuẩn giả và ngôn ngữ tẩy rửa xanh là những rủi ro đối với nghề này cần được xem xét ngay từ đầu.

Báo cáo phát triển bền vững của công ty không còn chỉ là một tờ rơi quảng cáo thiện chí; Đó là một tài liệu có tính ràng buộc, được kiểm toán và có hậu quả pháp lý như một tài liệu kế toán. Với quy định CSRD (Chỉ thị Báo cáo Phát triển Bền vững Doanh nghiệp) của Liên minh Châu Âu, hàng nghìn công ty; Nó phải tiết lộ lượng khí thải carbon, dữ liệu nhân viên và tác động của chuỗi cung ứng một cách bắt buộc, có thể kiểm chứng và so sánh, giống như báo cáo tài chính. Trong phần này, bạn sẽ tìm hiểu ở đâu trí tuệ nhân tạo (AI) thực sự tiết kiệm thời gian trong nhiệm vụ nặng nhọc và sử dụng nhiều dữ liệu này, ở đâu nguy hiểm và cách xác minh từng đầu ra.

Đầu tiên, một khái niệm quan trọng. ESG là tên viết tắt của từ tiếng Anh Environmental, Social and Governance; Đó là tên của khung đo lường các tác động môi trường của công ty như lượng khí thải carbon và sử dụng nước, các tác động xã hội như quyền của nhân viên và an toàn lao động cũng như các thông lệ quản trị như cơ cấu hội đồng quản trị và đạo đức. Báo cáo phát triển bền vững là đo lường hiệu quả hoạt động trong ba lĩnh vực này theo cách tiêu chuẩn và công bố thông tin đó cho công chúng.

Khái niệm quan trọng thứ hai: ảo giác là khi AI tạo ra thông tin hoàn toàn không đúng sự thật. Trong thế giới ESG điều này; Bạn có thể gặp phải hệ số phát thải hư cấu, số tiêu chuẩn GRI không tồn tại, đơn vị không chính xác hoặc tham chiếu đến một điều luật không tồn tại. Điểm quan trọng là mô hình ngôn ngữ lớn (LLM) không phải là máy tính, cơ sở dữ liệu quy định hoặc công cụ kiểm tra. Nó là một trình tạo văn bản bắt chước một cách thống kê các văn bản mà nó nhìn thấy trong dữ liệu huấn luyện. Nó luôn tạo ra thông tin chính xác; nhưng sự khác biệt giữa “chính xác hầu hết thời gian” và “đủ chính xác để vượt qua cuộc kiểm tra” là tất cả mọi thứ trong báo cáo ESG.

AI hoạt động ở đâu trong ESG và ở đâu không?

Hãy coi AI như một đối tác soạn thảo, quản lý và phân tích dữ liệu nhanh chóng: có giá trị nhưng cần thiết để xác thực. Sự khác biệt sau đây là xương sống của mô-đun này.

Nhiệm vụ

Đóng góp của AI

Trách nhiệm của chuyên gia

thu thập dữ liệu

Chỉnh sửa các định dạng khác nhau, đánh dấu khoảng trắng

Xác nhận số với tài liệu nguồn

Tài khoản phát thải

Tạo công thức và khung tính toán

Xác minh hệ số phát thải từ nguồn chính thức

Ánh xạ GRI/CSRD

Đề xuất thành phần cho các món tiêu chuẩn

Kiểm tra chính xác với văn bản chuẩn

Phân tích trọng yếu

Tách ý kiến của các bên liên quan thành các chủ đề

Đưa ra quyết định ưu tiên

Viết báo cáo

Tạo văn bản dự thảo và tóm tắt

Hỗ trợ mọi yêu cầu bồi thường bằng bằng chứng

Kiểm soát rửa xanh

Gắn cờ các cụm từ nguy hiểm

chịu trách nhiệm yêu cầu cuối cùng

Nguyên tắc nhỏ: không áp dụng AI cho chính dữ liệu; sử dụng để sắp xếp dữ liệu, phân tích giàn giáo và văn bản nháp; Luôn xác minh từng số và từng tham chiếu tiêu chuẩn bằng nguồn chính (hóa đơn, hồ sơ đồng hồ, văn bản tiêu chuẩn chính thức, cơ sở dữ liệu hệ số phát thải). Đằng sau mỗi con số trong báo cáo phát triển bền vững cần có một lộ trình kiểm toán mà kiểm toán viên có thể mong muốn. AI không thể tạo ra bằng chứng này; nó chỉ giúp bạn sắp xếp nó.

Ba cái bẫy chết người của AI trong ESG

1. Hệ số và con số phát thải dự kiến. AI có thể "điền" một hệ số phát thải mà nó không nhớ (hệ số phát thải carbon trên một đơn vị nhiên liệu hoặc điện) bằng một con số có vẻ hợp lý. Con số này vô hiệu hóa toàn bộ tính toán lượng khí thải carbon.

2. Tham khảo các quy định/tiêu chuẩn không tồn tại hoặc lỗi thời. AI có thể tạo ra các số tiêu chuẩn có vẻ như thật nhưng nội dung của chúng bị xuyên tạc hoặc bịa đặt hoàn toàn, chẳng hạn như "GRI 305-7". Các tiêu chuẩn cũng được cập nhật thường xuyên; Phiên bản được biết đến của mô hình có thể đã lỗi thời.

3. Ngôn ngữ tạo ra sự tẩy rửa xanh. AI háo hức đưa ra những tuyên bố nghe có vẻ hay nhưng không có căn cứ và gây hiểu lầm như “thân thiện với môi trường”, “thân thiện với môi trường”, “trung tính carbon”. Những tuyên bố này mang rủi ro pháp lý ngày nay. Chúng tôi sẽ đề cập sâu hơn về vấn đề này trong bài 10.

Mẹo: Tiếp cận mọi kết quả ESG bằng số bằng ba câu hỏi: (1) Đơn vị của nó (tCO₂e, kg, MWh) là gì? (2) Nguồn tài liệu nào? (3) Làm cách nào để chứng minh con số này với kiểm toán viên? Ba câu hỏi này phát hiện hầu hết các lỗi ESG ngay từ đầu. "tCO₂e" ở đây có nghĩa là "tấn carbon dioxide tương đương"; Đó là biện pháp chuyển đổi các loại khí nhà kính khác nhau thành một đơn vị chung.

Từng bước: Quy trình làm việc AI an toàn trong ESG

1. Liên kết nhiệm vụ với tiêu chuẩn và đơn vị. Thay vì "Tính toán lượng khí thải carbon của chúng tôi", hãy nói "2024, văn phòng Istanbul, mức tiêu thụ khí đốt tự nhiên 12.000 m³; Tính lượng khí thải tính bằng tCO₂e bằng phương pháp Giao thức GHG Phạm vi 1, chỉ định hệ số phát thải và nguồn bạn sử dụng."

2. Hỏi rõ nguồn và giả định. Yêu cầu AI viết ra hệ số phát thải nào, tiêu chuẩn nào và giả định nào mà anh ta sử dụng cho mỗi con số. Không chấp nhận bất kỳ số nào mà không trích dẫn nguồn.

3. Xác minh bằng nguồn chính. Xác nhận hệ số phát thải từ cơ sở dữ liệu chính thức (ví dụ: bộ năng lượng quốc gia, bộ dữ liệu DEFRA của Vương quốc Anh, IEA), văn bản tiêu chuẩn từ tài liệu chính thức của GRI hoặc EFRAG. EFRAG là tổ chức Châu Âu chuẩn bị các tiêu chuẩn ESRS (Tiêu chuẩn Báo cáo Phát triển Bền vững Châu Âu) làm cơ sở cho CSRD.

4. Lưu dấu vết kiểm tra. Viết vào bảng dữ liệu bạn đã sử dụng, từ nguồn nào, vào ngày nào và theo giả định nào. Kiểm toán viên đảm bảo (người xác minh độc lập) sẽ yêu cầu điều này.

5. Nhờ con người xác nhận yêu cầu cuối cùng. Phải có người chịu trách nhiệm đằng sau mọi khiếu nại ESG công khai.

Dấu nhắc yếu / Dấu nhắc mạnh

Yêu cầu cùng một công việc theo hai cách khác nhau sẽ làm thay đổi hoàn toàn độ tin cậy của kết quả.

Dấu nhắc yếu:

Hãy tính toán lượng khí thải carbon của công ty chúng tôi và viết một đoạn văn cho báo cáo phát triển bền vững.

Tuyên bố này không bao gồm đơn vị, phạm vi, năm, dữ liệu và nguồn; AI lấp đầy các khoảng trống bằng sự chế tạo và tạo ra văn bản đầy màu xanh lá cây.

Lời nhắc mạnh mẽ:

Vai trò của bạn: chuyên gia báo cáo ESG cấp cao. Dữ liệu đầu vào (chỉ sử dụng những dữ liệu này, ghi 'không có dữ liệu' nếu thiếu):- 2024, khí đốt tự nhiên: 12.000 m³- 2024, điện lưới: 85.000 kWh Nhiệm vụ: Tính toán lượng phát thải CO₂e bằng phương pháp Giao thức GHG Phạm vi 1 và Phạm vi 2 (dựa trên vị trí). Quy tắc:- Mỗi lượng khí thải bạn sử dụng Chỉ định hệ số, đơn vị và nguồn riêng biệt cột. - Không biết nhân tố thì đừng bịa đặt; Viết "yếu tố chính thức cần thiết". - Đưa ra kết quả dưới dạng bảng; Liệt kê các mục cần được xác minh ở cuối.

Đạo đức, quyền riêng tư và ranh giới

Dữ liệu ESG thường nhạy cảm: dữ liệu về giới tính và tiền lương của nhân viên (chỉ số xã hội), điều khoản hợp đồng nhà cung cấp, tác động tài chính chưa được tiết lộ. Làm rõ ranh giới quyền riêng tư trước khi nhập dữ liệu này vào công cụ AI công khai. Ẩn danh hoặc tổng hợp dữ liệu cá nhân (tên, ID, mức lương trong phạm vi KVKK và GDPR) trước khi cung cấp cho AI; Nghĩa là, thay vì từng người một, hãy biến chúng thành những con số tổng hợp như “tỷ lệ nhân viên nữ là 38%”. KVKK là luật bảo vệ dữ liệu cá nhân của Türkiye và GDPR là luật bảo vệ dữ liệu cá nhân của Châu Âu.

Thận trọng: Tuyên bố sai hoặc phóng đại trong báo cáo ESG không chỉ là rủi ro về danh tiếng; Nó có thể dẫn đến bị phạt tiền và chịu trách nhiệm pháp lý theo CSRD và luật tiêu dùng quốc gia. Không công bố bất kỳ tuyên bố nào do AI đưa ra mà không có bằng chứng.

ba trường hợp nhỏ

Trường hợp 1 - Yếu tố giả tạo. Một công ty sản xuất đã đưa ra mức tiêu thụ dầu diesel cho AI và yêu cầu tính toán lượng khí thải. YZ đã sử dụng hệ số "2,40 kgCO₂e/lít đối với động cơ diesel". Chuyên gia kiểm tra: hệ số chính thức xấp xỉ 2,68 kgCO₂e/lít. Sự khác biệt là 10% và có nghĩa là độ lệch khoảng 11 tấn CO₂e trên 40.000 lít tiêu thụ. Yếu tố đã được sửa chữa từ nguồn chính thức.

Trường hợp 2 - Tiêu chuẩn không tồn tại. Một nhà tư vấn đã yêu cầu YZ đặt tiêu đề "Tiêu thụ nước GRI 305-8" cho báo cáo. Trong khi nước được báo cáo theo GRI 303; GRI 305 là lượng khí thải. Khi kiểm tra với văn bản chuẩn thì phát hiện lỗi và nội dung được chuyển về đúng bài viết.

Trường hợp 3 - Ngôn ngữ tẩy xanh. YZ gợi ý câu “sản phẩm của chúng tôi hoàn toàn thân thiện với môi trường” cho một thương hiệu bán lẻ. Nhóm ESG nhận thấy điều này là không thể chứng minh được và thay thế nó bằng một tuyên bố cụ thể, có thể chứng minh được như “60% bao bì của chúng tôi được tái chế (2024, đo lường nội bộ)”.

Lời nhắc cho công việc sẵn sàng kiểm tra

Kiểm tra văn bản ESG bên dưới bằng con mắt kiểm tra. Đối với mỗi khẳng định bằng số: 1) Đơn vị có rõ ràng không? 2) Nguồn có được nêu rõ không? 3) Nó có thể kiểm chứng được hay chủ quan/phóng đại? Đánh dấu các tuyên bố không có căn cứ hoặc mơ hồ như "thân thiện với môi trường, xanh, tự nhiên" và đề xuất giải pháp thay thế cụ thể, có thể đo lường được cho từng tuyên bố. Văn bản: [TEXT]

Lời nhắc sau đây đưa ra một bản phác thảo chính sách ngắn gọn nhằm làm rõ giới hạn sử dụng AI trong tổ chức.

Vai trò của bạn: trưởng nhóm phát triển bền vững. Nhiệm vụ: viết bản dự thảo chính sách nội bộ dài 1 trang quản lý việc sử dụng AI của nhóm trong công việc ESG. Bao gồm: - Các nhiệm vụ mà AI có thể được sử dụng tự do (phác thảo, tóm tắt, định dạng) - Các nhiệm vụ yêu cầu xác minh của con người (số lượng, yếu tố, ghi nhận tiêu chuẩn, xác nhận quyền sở hữu) - Các loại dữ liệu sẽ không bao giờ được nhập vào AI (dữ liệu cá nhân, tác động tài chính không được tiết lộ) Giọng điệu: rõ ràng, có dấu đầu dòng, có thể áp dụng.

Lời nhắc sau đây sẽ thiết lập một khung bảng “dấu vết kiểm tra” nhỏ có thể được thêm vào mỗi sản phẩm ESG.

Những lỗi thường gặp

Chấp số không ghi nguồn. Mọi hệ số và số liệu phát thải do YZ đưa ra đều không được đưa vào báo cáo nếu không được nguồn chính thức xác nhận.
Bỏ qua đơn vị. Nếu nhầm kg với tấn, kWh với MWh thì kết quả có thể sai lệch 1000 lần.
Tin tưởng một cách mù quáng vào những mánh khóe tiêu chuẩn của họ. Số chất GRI/ESRS phải được xác minh bằng tài liệu chính thức.
Nhập dữ liệu nhạy cảm như cũ. Dữ liệu về nhân viên và nhà cung cấp không được cung cấp cho công cụ công cộng mà không được ẩn danh.
Đưa AI vào vị trí kiểm toán viên AI có thể tạo ra một danh sách kiểm tra, nhưng nó không thể cung cấp sự đảm bảo độc lập.

Tóm lại

AI là đối tác soạn thảo, quản lý và phân tích dữ liệu mạnh mẽ trong ESG; nhưng nó không phải là máy tính, cơ sở dữ liệu quản lý hoặc công cụ kiểm tra. Giá trị của nó được tiết lộ bằng sự xác minh của nó. Xác nhận mọi số từ nguồn chính, so sánh mọi tham chiếu tiêu chuẩn với văn bản chính thức, ẩn danh dữ liệu nhạy cảm và giao trách nhiệm xác nhận quyền sở hữu cuối cùng cho con người là xương sống thường xuyên của mô-đun này. Đừng bao giờ quên sự khác biệt giữa "có vẻ thông thạo" và "vượt qua bài kiểm tra".

Nhiệm vụ ứng dụng

Chọn một mục dữ liệu môi trường từ tổ chức của bạn (hoặc một công ty hư cấu): ví dụ: hóa đơn tiền điện hàng tháng. Yêu cầu khung kế toán lượng khí thải Phạm vi 2 từ AI bằng cách sử dụng mẫu “lời nhắc về nguồn điện” ở trên. Sau đó: (1) so sánh hệ số phát thải mà nó sử dụng với nguồn chính thức, (2) kiểm tra tính nhất quán của các đơn vị, (3) viết một bảng theo dõi kiểm tra nhỏ liệt kê những mục “cần xác minh”.

danh sách kiểm tra

[ ] Tôi đã hỏi đơn vị và nguồn gốc của mọi con số do AI đưa ra.
[ ] Tôi đã xác nhận hệ số phát thải bằng cơ sở dữ liệu chính thức.
[ ] Tôi đã xác minh số tiêu chuẩn (GRI/ESRS) bằng văn bản chính thức.
[ ] Tôi có dữ liệu cá nhân/nhạy cảm được ẩn danh hoặc tổng hợp.
[ ] Tôi đã đánh dấu những tuyên bố không có bằng chứng như "thân thiện với môi trường, xanh, tự nhiên".
[ ] Tôi đã lưu giữ dấu vết kiểm tra (nguồn, ngày tháng, giả định) cho mỗi quyết định.
[ ] Tôi đã xác định được người chịu trách nhiệm xác nhận khiếu nại cuối cùng.