收益：
- 能够建立从实质性到发布的八步ESG工作流程，设有质量关卡，以“人工智能生产→人工验证→过关”的节奏
- 通过将 ESG 数据分类为免费/内部/机密来保护个人和未公开的财务数据
- 能够承担最终责任，并在每份出版物上附上负责人的姓名和批准记录，而无需依赖“人工智能说”的辩护
在之前的十个单元中，我们分别介绍了 ESG 和可持续发展业务的各个部分：入口和边界、重要性、数据收集、碳核算、报告框架、供应链、利益相关者沟通、报告撰写、保证和绿色清洗。在最后一个单元中，我们将把各个部分整合在一起，建立一个端到端的工作流程：从可持续发展使命的定义到发布的每一步，在哪里、如何以及使用什么安全门使用人工智能 (AI)。我们还将把数据治理、隐私和道德责任纳入一个单一框架。
让我们再次重复一下该模块不变的主干：AI；它是写代码、整理数据、打草稿、总结的助手。数字的准确性、因素的确认、标准的控制、索赔的证明和最终责任始终由有能力的专家承担。本单元将这一原则转化为日常工作流程和清单。
端到端 ESG 工作流程
考虑一个可持续发展报告周期的八个步骤：
- 范围和重要性——哪些主题是实质性的？ （第二单元）
- 数据收集——来源、单位、审计追踪。 （第三单元）
- 计算——碳和其他经过验证因素的指标。 （第四单元）
- 框架匹配 — GRI/ESRS/ISSB 物质，通过官方文本确认。 （第五单元）
- 供应链——范围 3 和尽职调查。 （第六单元）
- 写作和沟通——平衡、有证据的报告和利益相关者的信息。 （7-8单元）
- 保证准备——证据链和审计准备。 （第9单元）
- 索赔审核——洗绿筛选和发布批准。 （第10单元）
每一步，人工智能都是加速器；但在每个步骤的出口处，都有一个质量门——一个在进入下一步之前必须通过的检查点。不通过门的输出不会进行。
步骤
人工智能是做什么的？
质量门
物质性
选题、主题分析
影响+财务方面人类认可
数据
配置、单位换算
来源和数量验证
帐户
公式、代码脚手架
该因素已从官方渠道得到证实
配套
文章建议
检查图像及其标准文本
拼写
草稿、摘要
整理没有证据的主张
索赔
洗绿扫描
人类认证的出版物
提示：按照“人工智能生产→人工验证→进门”的节奏设置工作流程。在将每个人工智能输出移至下一步之前，询问：“如果没有验证，该输出的哪一部分无法继续？”该部分是该步骤的质量门。
数据治理和隐私
ESG 数据通常很敏感：员工性别和薪资数据、供应商合同条款、尚未披露的财务影响、设施级生产数据。在将它们提供给公共人工智能工具之前，有必要对其进行分类。数据治理是“谁可以使用哪些数据、如何使用以及使用什么工具？”这个问题与规则有关。
简单分类：
- 免费：数据已公开（已发布的报告）。它可以交给AI。
- 内部使用：无商业价值的内部数据。小心乘坐公司车辆。
- 机密：商业秘密、未公开的财务影响、个人数据 (KVKK/GDPR)。没有匿名化或者制度化（不泄密）手段，是不会给予AI的。
您的角色：数据治理顾问。任务：将以下数据项分类为“免费/内部使用/机密”，并为每个机密项编写建议的操作（匿名/聚合/企业工具/根本不给出）。规则：如果不确定，请加入更多的保护级别。项目：[个人和财务数据项目]
弱提示/强提示
将任务委托给工具的方式从根本上改变了隐私风险。
弱提示：
分析员工工资和设施生产表，得出 ESG 摘要。
将原始个人和商业秘密数据直接导出到开放工具；没有分类、匿名和确认步骤。
强力提示：
您的角色：对数据治理敏感的 ESG 分析师。我只向您提供了汇总的、无个人/商业秘密的数据。任务：分析以下汇总指标。规则：- 数据中没有个人姓名、工资、ID 或未公开的财务影响； 如果您看到这样的字段，请说“机密数据 - 请勿处理，警告”。 - 不要在结果中添加新数字；只需按照我给出的摘要进行即可。 - 在输出末尾添加“需要人工批准”注释。数据（汇总）：[摘要指标]
注意：“人工智能说”不是辩护。 ESG 报告中的错误数字、未经证实的声明或泄露的机密数据的责任由组织和批准该报告的人员承担。当您使用人工智能时，您并不转移责任；你只会加快工作速度。
端到端质量门提示
以下提示在发布前通过一次检查运行所有步骤。
您的角色：ESG 质量保证官。任务：将以下报告部分通过端到端质量门。对每一项给出“通过/失败”，如果失败请写出原因： 1) 是否说明了每个数字的来源和单位？ 2) 排放因子是否来自官方来源？ 3) 标准货号是否经过验证？ 4) 是否标记了代理值/估计值？ 5）是否存在洗绿言论？ 6) 是否存在机密/个人资料泄露？ 7) 最终批准分配的负责人姓名？部分：[章节]
以下提示将整个模块转换为企业策略。
您的角色：可持续发展团队领导者。任务：编写一份 1 页的内部政策，管理团队在 ESG 工作中使用人工智能。包括：- 可以自由使用人工智能的任务（草稿、摘要、代码、主题分析）- 需要人工验证的任务（因素、标准、声明、范围）- 永远不会交给人工智能的数据类型（个人、未公开的财务）- 每次发布之前要通过的质量门步骤 语气：清晰、要点、适用。
三个迷你箱子
案例1——报告从门口返回。一个团队认为他们已经完成了所有步骤，报告已准备好发布。最终的质量门提示在一个部分中包含了无来源的“回收率 78%”声明和“碳中和”声明。在其中任何一项得到纠正之前，出版已停止；在臭虫被公开之前，门就将其挡住了。
案例 2 — 防止机密数据泄露。分析师会将尚未发布的季度财务影响数据粘贴到公开可用的分析工具中。数据分类提示将其标记为“机密——未披露的财务信息”。数据首先被聚合，然后在企业工具中进行处理；避免了可能的违反立法的情况。
案例 3——承担责任。报告发布后，一位利益相关者提出了一些质疑。团队并没有说“AI 计算”；而是说“AI 计算”。打开审计线索，引用来源，进行较小的更正，并进行透明的解释。这种不依赖“AI说”辩护的态度保留了信任。
常见错误
- 前进无质量之门。如果在每一步的出口处都没有进行验证，错误就会一直累积到最后。
- 向车辆提供数据而不对其进行分类。未经匿名处理，机密数据和个人数据无法输入公共人工智能。
- 将责任转移给人工智能。 “人工智能说”不是法律或专业的辩护。
- 孤立的思维步骤。重要性、数据、计算和索赔是相互关联的；如果其中一处受损，则全部都会受到影响。
- 未指定专人负责出版审批。每一个公开主张的背后都必须有一个人。
总之
ESG业务是一个相互关联的八个步骤的链条，人工智能是每个步骤的加速器；但每一步的出口都有一道质量之门。 “人工智能生产→人类验证→过门”的节奏将该模块的所有课程整合到一个单一的学习学科中。对数据进行分类并保护机密性，确认来自官方来源的因素和标准，将主张与证据联系起来，在发布前剔除“漂绿”行为，并将最终责任交给人。人工智能加快工作速度；您承担准确性、诚实性和责任感。这个职业的标准不是“表现得流利”，而是“通过审核并得到证明”。
应用任务
将您在之前单元中生成的可交付成果（重要性列表、碳账户、报告部分）合并到一个小型报告中。使用 AI 提供的上述端到端质量门提示，浏览这份包含 7 个项目的小型报告。然后：(1) 更正标记为“发布”的每个项目，(2) 对所有机密/个人数据进行分类并采取行动，(3) 添加负责人姓名和发布批准说明。
清单
- [ ] 我按照“人工智能生产→人工验证→进门”的节奏设置了工作流程。
- [ ] 我在每个步骤的出口处实施了质量门。
- [ ] 我将所有数据分类为免费/内部/机密并保护机密。
- [ ] 我已经从官方渠道确认了因素和标准项。
- [ ] 我用证据支持每一个主张，在发表之前消除了洗绿行为。
- [ ] 我承担了责任，不依赖“AI说”辩护。
- [ ] 我已为该出版物设置负责人姓名和审批记录。
模块考试
1. 以下哪项是人工智能在 ESG 和可持续发展业务中的最佳定位？
- A) 人工智能是代码、数据、蓝图的助手；因素、标准、证据和道德决策的责任在于人 ✔
- B) 人工智能是审计员，其提供的 ESG 价值观可以替代独立鉴证
- C) 人工智能只起写报告的作用，与数据和计算无关
- D) 由于人工智能比人类更加公正，所有 ESG 决策都应由它来决定
描述：人工智能；它是写代码、整理数据、打草稿、总结的助手。然而，确认排放因子、检查标准物质编号、证明每项声明的最终责任由主管专家承担。大语言模型不是计算器、法规/标准数据库或检查器；而是一个计算器。是一个文本生成器，可生成“下一个最可能的单词”，其未经验证的输出可能会导致虚假报告或声明。
2. 在双重重要性分析中，问题的“影响重要性”方面意味着什么？
- 一）本次发行对公司利润及股票价值的影响
- B) 本次发行的财务风险仅针对投资者
- C) 竞争对手公司在同一主题上的表现
- D) 公司活动对环境和社会的影响✔
描述：通过两个镜头观察双重物质性。财务重要性是指某个问题对公司现金流和价值（“由外而内”）的影响。影响重要性是指公司活动对环境和社会的影响（“由内而外”）。 CSRD/ESRS 强制执行这两个方面；由于人工智能往往只转向金融方向，因此影响方向必须额外由人类控制。
3. 从不同设施收集 kWh、MWh 和 GJ 能源数据时，正确的方法是什么？
- A) 忽略单位，直接将所有数字相加
- B）依靠人工智能收集你头脑中的长长的清单
- C) 将所有值转换为单一单位，并使用代码/公式进行转换和求和 ✔
- D) 选择最大的单位并且不报告其他设施
说明：单位流失是 ESG 最常见、最危险的错误；由于 1 MWh = 1,000 kWh，如果省略该单位，结果可能会偏差 1,000 倍。正确的方法是将所有值转换为单个单位，并让人工智能使用可执行代码/公式进行此转换和求和，而不是手动进行；因此，结果是确定性的且可验证的。
4. 根据《温室气体议定书》，外购电力生产所产生的排放范围包括哪些？
- A) 范围 1
- B) 范围 2 ✔
- C) 范围 3
- D) 不纳入任何范围，不报告
描述：范围 1 是来自组织自身来源（锅炉、公司车辆、发电机）的直接排放。范围 2 是购买能源（电力、蒸汽、供暖、制冷）生产过程中产生的间接排放。范围 3 涵盖价值链中的所有其他间接排放（供应、旅行、产品使用、废物）。电力不是从公司的烟囱里出来的，而是生产电力的发电厂会排放排放物；所以它是范围 2。
5. 将甲烷 (CH₄) 等温室气体转化为 CO2e 时使用什么概念？为什么它很重要？
- A) GWP（全球变暖潜能值）；如果省略，甲烷/N2O 的影响将被大大低估 ✔
- B) AQI（空气质量指数）；决定空气中气体的颜色
- C) GRI（报告倡议）；确定将报告气体的物质
- D) 不需要系数；甲烷像二氧化碳一样直接计数为 1 比 1
说明：GWP（全球变暖潜能值）是将不同温室气体的加热效应转换成相对于二氧化碳的通用单位的系数。甲烷的 100 年 GWP 约为 28；因此，1 吨甲烷意味着大约 28 吨二氧化碳当量。如果忽略GWP，甲烷、N2O等强气体的影响将被大大低估，清单将完全不准确；还应说明使用的是哪个 GWP 集（例如 IPCC AR6，100 年）。
6. 计算温室气体清单中的“活动数据×排放因子”时，哪种方法是正确的？
- A）利用人工智能记忆的因素并让它手动进行总计
- B) 将所有气体计为 CO2、跳跃因子和 GWP 换算
- C) 准确地为每个国家、年份和燃料使用默认系数
- D) 根据国家和年份从官方来源确认系数，并用代码制作计算脚手架和总计 ✔
描述：排放因子因国家、年份和燃料而异； “提醒”人工智能会产生编造事实（幻觉）的风险。该因素应始终从官方表格（IPCC、DEFRA/EPA、IEA、国家清单）中确认；只有范围分离、会计脚手架和总代码应该由人工智能来完成。多行总计是通过可执行代码完成的，而不是手动完成。
7. AI 建议的 GRI/ESRS 标准物质编号（例如“用于水消耗的 GRI 305”）的正确行为是什么？
- A) 将数字直接写入报告中，因为人工智能建议这样做
- B) 商品编号并不重要；任何都可以写
- C) 用官方标准文本验证号码及其内容，确认是否是假的/过时的✔
- D) 由于水和空气排放相似，因此在同一篇文章中报告
描述：人工智能可以生成看似真实但内容虚假或完全捏造的标准数字；此外，标准会更新，模型知道的版本可能会过时。例如，GRI 303 报告的是水，而 GRI 305 报告的是空气排放。因此，每种物质编号和含量必须经过官方标准文本（GRI/EFRAG/ISSB）验证才能使用。
8. 如果供应链中的大多数供应商没有真实的碳数据，那么范围 3 的正确且诚实的方法是什么？
- A) 直接使用人工智能为供应商拼出的数字
- B) 完全跳过范围 3，因为它“难以衡量”
- C) 使用有真实数据的，明确标记没有真实数据的代理✔
- D) 对所有供应商申请代理并隐藏在报告中
描述：范围 3 是大多数公司最大但最难衡量的项目。对于提供实际数据的供应商，将使用该数据；对于那些不提供的人，可以使用基于支出的代理（估计）。关键是不要隐藏代理：报告应明确说明所使用的估计的部分和比例。模糊的代理可能导致独立保证被拒绝；以“难以衡量”为由而完全跳过范围 3 也是错误的。
9. AI 仅根据国家平均水平将供应商标记为“可能的强迫劳动”。什么是正确的行为？
- A) 接受信号为证据，立即公开切断与供应商的关系
- B) 将声明直接写入报告中，因为人工智能已经说过了
- C) 完全忽视风险信号并且根本不对其进行检查
- D) 将信号视为“需要调查的警告”，并通过现场检查和可靠来源进行确认✔
说明：诸如侵犯人权之类的严重指控无法用人工智能产生的信号来证明。这样的信号仅仅是“需要检查的警告”；将其用作明确的指控既不公平，又存在法律风险。此类说法只有通过可靠来源、现场检查和法律程序才能得到证实。人工智能产生信号；人类承担判断力和责任。
10. 使用人工智能分析利益相关者调查的数百个自由文本回复时，最关键的预防措施是什么？
- A) 单独要求罕见但高度重要（安全/道德/环境）信号，并且不要掩盖它们 ✔
- B）仅选择频率最高的主题，消除少数观点
- C）将所有答案简化为一个积极的总结并省略细节
- D）接受人工智能的总结而不是原始答案
描述：人工智能在专题分析中放大多数人的声音，压制少数人的声音。然而，可持续发展中最有价值的信号有时是一个人提出的严重安全、道德或环境问题。因此，分析会问“最常说的是什么？”它并没有结束于；应单独请求“罕见但具有重要意义”的信号，并且除了摘要之外还应使用原始响应，而不是代替摘要。
11. 在向人工智能编写报告部分时，防止虚假数字和目标泄漏到文本中的最有效方法是什么？
- A) 通过说“写一个合适的文本”立即生成整个报告
- B) 仅提供经过验证的数据并明确禁止生成新的数字/声明 ✔
- C) 检查文本的流畅性和令人印象深刻的程度并发布
- D）允许人工智能通过合理的猜测来填补缺失的数据
描述：人工智能在空提示中使用“这就是类似报告所说的”逻辑，生成您实际上没有的数字和目标。最有效的预防措施是只提供经过验证的数据，并且“除了我给你的数据之外，不要添加任何数字、百分比、日期或声明；”就是明确规定“在缺失的地方写入[DATA REQUIRED]”的规则。此外，报告应逐节打印，并提供数据。
12. 独立鉴证审计师在审查可持续发展报告时首先关注什么？
- A) 报告的写作是否流畅和专业
- B) 每个问题都有可追溯到源文档的证据链 ✔
- C) 人工智能表示“报告已准备好接受审计”
- D）使报告显得比竞争对手更自信
解释：审查员对文本的流畅性不感兴趣，而是对每个主张背后的证据链感兴趣；他的第一个问题是“证明这个数字”。检查一个数字来自哪个源文件，它变成哪个公式和因素生成报告，以及是否可以独立重复。因此，每个物质指标必须可追溯，因素必须从官方来源进行验证，并且必须指定代理；人工智能做了这种准备，但不能提供保证。
13. 以下哪项环保主张的洗绿风险最低？
- A) “到 2023 年，我们的生产排放量减少了 18%（经过第三方验证）”✔
- B) “我们的产品完全环保、天然”
- C) “我们公司是碳中和的”（无需提供任何文件或数据）
- D) “我们是业内最具可持续性且几乎为零影响的公司”
说明：良好的环境声明是可衡量的（包含数字）、经过验证的（基于证据）、范围明确（清楚比较什么、何时比较什么）。 “到2023年我们将生产排放量减少18%（经过第三方验证）”具有这三个特点。 “环保”、“天然”、未经认证的“碳中和”等短语是无法量化或未经证实的，并且存在洗绿的风险。
14. 在将未公开的设施生产和排放数据粘贴到公开可用的人工智能工具进行分析之前应该做什么？
- A) 按原样粘贴数据；环境数据始终公开
- B）在不采取预防措施的情况下给予，因为责任转移到了人工智能提供者身上
- C) 风险只是误判；没有必要采取保密措施
- D) 将数据分类为免费/内部/机密并对机密数据进行匿名化或使用公司工具 ✔
披露：工厂级生产和排放数据可能属于商业秘密；尚未披露的财务/环境数据可能违反监管披露规则；员工位置/工资数据是 KVKK/GDPR 范围内的个人数据。在将此类数据提供给开放工具之前，有必要将其分类为免费/内部/机密，必要时将其匿名，或使用企业（无数据）工具。 “人工智能说”不是辩护；责任在于批准机构和批准人。