收益：
- 能够根据支出和风险水平对供应商进行优先级排序并区分实际数据和代理估计来建立范围 3
- 使用人工智能标记供应商风险信号时，将其视为“待检查的信号”而不是证据
- 能够通过需要现场检查和法律确认的尽职调查流程来管理严重的人权/环境索赔
对于大多数公司而言，其可持续发展影响的最大部分不在于自己的工厂，而在于其供应链。服装品牌 80% 以上的碳足迹来自其供应商，从面料制造商到运输。同样，最严重的社会风险，如童工、强迫劳动和环境违法行为，往往发生在供应链深处。在本单元中，您将学习如何使用人工智能 (AI) 收集和评估供应链数据并筛查风险。
让我们澄清两个概念。正如我们在上一单元中看到的，范围 3 是公司价值链中的间接排放，通常是最大但最难衡量的项目。尽职调查是识别、预防和补救公司供应链中的人权和环境风险的过程。欧盟的 CSDDD（企业可持续发展尽职调查指令）等法规对大公司强制要求这样做。
供应链数据的主要挑战
您可以测量自己设施的数据；但你不能直接测量数百家供应商的数据，你必须询问他们。这会产生三个问题：
- 数据未到达或不完整。大多数较小的供应商不保留碳数据。
- 数据不可靠。当供应商自我报告时，可能存在多报或少报的情况。
- 需要猜测（代理）。如果无法获得实际数据，则使用行业平均数或基于支出的估算。
这就是人工智能通过两种方式提供帮助的地方：（1）快速起草调查和后续信件发送给数百家供应商，（2）构建分散的响应并标记风险信号。但供应商给出的数字没有经过验证，未经人工审查也无法得出风险信号。
范围 3 类别（示例）
数据来源
典型方法
购买的商品/服务
供应商调查/支出
真实数据 > 代理
运输和配送
承运人记录
距离×负载×系数
商务旅行
出行系统
公里/航班×系数
所售产品的使用
产品能源数据
使用模型
废物
废物转运文件
数量×系数
提示：在范围 3 中，“基于支出”的估算（每 1,000 美元支出产生的二氧化碳当量）是一个快速开始，但很粗略。当供应商提供真实数据时，使用它；如果没有实际数据，基于支出的估算只是临时的，应在报告中标记为“估算/代理”。
循序渐进：采用人工智能的供应链工作流程
1. 优先选择供应商。您无法以相同的深度检查所有数百家供应商。重点关注支出规模和风险较高的领域（行业、国家）。人工智能可以根据此优先顺序生成一份草案列表。
2.草稿调查和请求。向 AI 索要一份清晰、易于填写的供应商数据调查大纲。
3. 配置传入数据。将不同格式的答案放入一个表格中；标记缺失的部分。
4. 扫描风险信号。让人工智能在公共新闻、违规记录和调查差异中找到“危险信号”候选人；但人类会验证每一个信号。
5、行动与追求。建立高风险供应商的纠正措施和后续计划；记录该过程。
弱提示/强提示
弱提示：
计算我们供应商的碳足迹。
无数据来源，无真实/代理区分，无验证；人工智能组成供应商号码。
强力提示：
您的角色：供应链可持续发展分析师。输入：15家供应商的名称、行业、年度支出金额以及他们提供的实际排放数据（如果有）。任务：1）对于那些提供真实数据的人，使用该数据。 2) 对于没有真实数据的人，请写“需要基于支出的代理”，请勿填写该数字；指定从官方来源获取哪个因素。3) 优先考虑高支出+高风险行业的供应商。输出：表（供应商|行业|支出|数据类型[实际/代理]|优先级|注释）。代理号码将在报告中标记。
提示供应商风险筛查
为以下供应商名单建立风险筛查框架。对每个供应商进行评估（仅根据我提供的信息，公开声明为假）：- 国家/部门可能存在的人权风险（高/中/低）- 可能的环境风险- 调查答复不一致/危险信号规则：为每个风险添加注释“需要验证 - 无来源”；不要做出明确的指控，只是提出调查信号。列表：[供应商]
以下提示起草一份数据请求调查并发送给供应商。
您的角色：可持续发展采购专家。任务：起草一份ESG数据调查，不超过10个问题，中小型供应商可以轻松完成。包括：能源消耗、燃料类型、废物、职业安全事故数量、强迫/童工的承诺。语气：简单、清晰、容易完成；为每个问题添加单元和示例。
注意：不要让人工智能验证有关供应商的风险信号（例如“童工”），也不要使用人工智能生成的索赔作为证据。此类严重指控只有通过可靠消息来源、实地考察和法律程序才能证实。 AI只产生“待检查的信号”；不判断。
三个迷你箱子
案例 1——诚实使用代理。一家家具制造商的 200 家供应商中，只有 30 家提供了实际的碳数据。该团队对剩余 170 个项目使用了基于支出的代理，但报告明确指出，“范围 3 的 65% 是基于支出的估计。”审计员承认了这种诚实；如果它被隐瞒，这一保证可能会被拒绝。
案例 2 — 优先级。一家食品公司有 480 家供应商。 AI 显示 80% 的支出集中在 40 家供应商身上。该团队重点深入研究了这 40 个；资源没有浪费，并且用真实数据报告了影响最大的供应商。
案例 3——诬告风险。 AI 将供应商标记为“可能的强迫劳动”；原因只是全国平均水平。该团队认为这是一个“需要检查的信号”，而不是证据，并要求进行现场检查。检查未发现问题；如果人工智能的信号被作为证据，就会产生不公平的指控和法律风险。
常见错误
- 未经验证就接受供应商数据。自我报告的供应商数据需要交叉检查。
- 隐藏代理。使用基于支出的预测是可以的；不明确是审计中的一个问题。
- 平等地审查所有供应商。采购应重点关注高支出和高风险的供应商。
- 将AI信号误认为证据。侵犯人权/环境的指控是由现场和法律验证的，而不是由人工智能验证。
- 完全跳过范围 3。最大的影响通常就在这里；不能因为它“难以衡量”而忽视它。
综上所述
供应链是大多数公司最大的环境和社会影响所在；范围 3 排放和尽职调查风险集中于此。人工智能;它对于供应商优先级排序、调查起草、构建分散的响应和风险信号标记来说是一个强大的帮助。但供应商数据只有在经过验证、明确说明代理、并通过现场检查确认严重指控后才会纳入报告。 AI产生信号；人类承担判断力和责任。
应用任务
准备 10 个虚构供应商的名单，其中包含名称、行业和年度支出；添加一些实际排放数据，将大部分留空。通过上面强大的提示向AI询问优先级和数据类型的表格。然后：(1) 核实需要代理的供应商数量并非虚构，(2) 有理由选择 3 个优先级最高的供应商，(3) 起草一份简短的数据调查并发送给他们。
清单
- [ ] 我根据支出和风险级别对供应商进行优先级排序。
- [ ] 我使用的是真实数据；对于那些没有它的人，我标记了代理。
- [ ] 我不是按原样评估供应商数据，而是通过交叉检查来评估。
- [ ] 我认为风险信号“有待审查”，并未将其用作证据。
- [ ] 我计划对严重索赔进行现场审核/法律验证步骤。
- [ ] 我没有跳过范围 3；我在报告中说明了范围和估计率。
- [ ] 我用尽职调查文件记录了整个过程。