Arbejder du med at udarbejde en DMA, så kan AI være et godt hjælpeværktøj, når du lige har et par pointer in mente.
AI i denne artikel har jeg indsnævret til de allesteds nærværende generative AI modeller, som eksempelvis OpenAI’s ChatGPT, Googles Gemini (tidl. Bard), Claude med flere.
Hvis du ikke har prøvet at arbejde med ChatGPT eller lignende endnu, så er det ret simpelt at komme igang. Det er til gengæld en disciplin at få stillet de rigtige spørgsmål, men så længe du er på begynderplan, så bare tænkt på det som en ekspert, som skal have et præcist spørgsmål for at få et præcist svar.
Eksempel: Giv mig en detaljeret trin for trin beskrivelse af, hvordan jeg skal udarbejde en dobbelt væsentlighedsanalyse, som er korrekt ift CSRD.
Du må have stødt på begrebet “prompts”, som er måden at stille spørgsmål til AI-modellen.
Ja, det er en faglig disciplin at stille det relevante spørgsmål, give den relevante kontekst og baggrund, bede om et brugbart perspektiv, bede om kilder og få svaret i et brugbart format.
Avanceret: Giv mig en detaljeret trin for trin beskrivelse af, hvordan jeg skal udarbejde en dobbelt væsentlighedsanalyse, som er korrekt ift CSRD. Din rolle er en analytiker, der skal gennemføre analysen. Svaret skal komme i et format, som kan kopieres ind i excel, og have følgende kolonner: Formål, Beskrivelse, Hvem skal inddrages, Hvor finder jeg mere information om opgaven (links), Hvad er de formelle krav.
Svaret er måske stadig overordnet, men du kan arbejde dig videre ned i materien ved at stille uddybende spørgsmål og bede om forklaringer, der hjælper dig med at forstå området.
Vi har en generel prompt i ESRS UniverseTM, hvor du kan stille åbne spørgsmål, men jeg synes dog værdien for alvor kommer frem, når vi anvender præprogrammerede spørgsmål via programmeringsgrænsefladen til AI-modellen. Her giver vi kontekst, rolle og format, som vi tolker funktionelt, og dermed spare dig tid – uden at gå på kompromis med kontrollen.
AI er nemt tilgængeligt for alle brugere og da vi giver konteksten for hver anvendelse, så alle er godt hjulpet og det øger kvaliteten også af svarerene.
Men min anbefaling vil være at styrke en i forvejen kompetent medarbejder med AI, da vedkommende kan vurdere korrekthed og komplethed af svar, og kan nøjes med at anvende AI, der hvor der er brug for støtte og dermed reducere CO2e forbruget. Samtidig kan vedkommendes dyrebare og begrænsede tid anvendes, der hvor de gør den største forskel.
Hvis du ikke har mulighed for at ansætte en analytiker/konsulent på området, så klæd dig selv på til at få stillet vigtige spørgsmål, som eksempelvis hvad I skal overveje i forhold til løsning af opgaven og bed AI-modellen være kritisk overfor eget svar.
Bæredygtighed er dog et ufattelig bredt område, så anbefalingen vil også være at ansætte en person, som har mange af kompetencerne i forvejen og som kan sikre sig at viden kan leve videre i organisationen og at processen bliver kørt efter nogle sunde principper og i et tempo, der passer til virksomheden.
På et tidspunkt havde jeg en kunde, der anvendte 5 globale logistik selskaber. Jeg skulle undersøge forhold i værdikæden og undersøgte selskabernes tilgang til bæredygtighed og deres rapportering. De første 3 bæredygtighedsrapporter fandt jeg hurtigt via google. De sidste 2 kunne jeg ikke finde. Jeg spurgte ChatGPT som fortalte at det ene af dem havde mål og offentlig tilgængelig bæredygtighedsrapportering, MEN da jeg tjekkede referencen var det for et selskab med et lignende navn, ikke det rigtige!
AI-modellerne bliver løbende trænet, men der kan være nyere information, som der ikke er taget højde for. Så er din situation afhængig af den nyeste tilgængelige information, bør du selv undersøge om der er sket noget vigtigt på området. Hvis du har svært ved at tolke, hvordan du skal bruge de nye resultater, så kan du jo spørge AI-modellen om det også.
Vi supplerer altid vores spørgsmål ved at bede AI-modellen om at dele dens referencer, således at vi kan validere dem og anvende dem, som dokumentation, hvis de er korrekte. Når du skal have revideret din DMA, så er det vigtigt at en revisor kan bedømme grundlaget, så husk at bede om referencer og links, når du anvender prompts til din DMA.
For at give et informeret valg, så oplyser ESRS UniverseTM dig om omkostningen før igangsætning af en AI-funktion. Men du kan jo starte med at overveje nødvendigheden i første omgang.
Vi oplyser antal tokens og CO2e gram (approximeret) for:
CO2e approximeres ved 1 token til ca 0,0000463g CO2e ved at bruge ChatGPT’s 4o, oplyst af ChatGPT selv[1]. Hvis du ønsker at tælle træningsdelen med, som er den dyre i regnestykket, så svarer 1 token til 1g CO2e i brede termer. Så du har begge muligheder.
Jeg brugte funktionen og sammenligner her med en manuel analyse, som jeg lavede i sommers. AI-modellen fandt alle de samme hovedresultater!
|
Interessentanalyse |
CO2eq |
Tid |
Økonomi |
|
AI model (brug) |
0,602 Kg |
5 sek
|
< 1kr |
|
AI model (brug inkl træning) |
13 kg |
||
|
Analytiker |
4,6 kg |
30 timer |
12.000kr |
Under antagelse af at AI-analysen er korrekt, så er svaret ikke entydigt for du skal vælge mellem økonomi og CO2 emissioner (ihvertfald hvis du regner træningen af AI-modellen med). Du bør dog ikke nøjes med en marginalbetragtning, men se det i en helhed.
Her har jeg ikke et direkte sammenligningsgrundlag, men med mindre man har andre i branchen at sammenligne med, så kræver det næsten en komplet DMA at finde de 5 største negative impacts. Jeg har sat indsatsen til 20 timer, hvilket vil være en overdrivelse i det første tilfælde og en komplet underdrivelse i det andet.
|
Interessentanalyse |
CO2eq |
Tid |
Økonomi |
|
AI model |
8,2 g |
2 sek
|
< 1kr |
|
AI model inkl træning |
0,178 kg |
||
|
Analytiker |
3 kg |
3 timer |
1.200kr |
Her er det tydeligt at hvis resultatet er korrekt, så kan det kun betale sig at bruge AI.
Så din overvejelse bør i stedet være om du allerede har informationen tilgængelig, og hvis ikke, så brug AI til at komme hurtigere i mål. Jeg må lige igen henlede opmærksomheden på, at uanset kilder mv, så er det stadig dig som analytiker, der står på mål for korrektheden af DMA'en.
Der er lavet flere studier af, hvor korrekte AI-modellerne er indenfor forskellige områder, og tallene varierer fra ca. 65% til ca. 95%. Det afhænger af så mange forskellige forhold, men du er blot nød til at antage du skal have valideret dine svar … eller leve med risikoen.
I tilfældet med interessentanalysen kunne jeg bekræfte svaret, fordi jeg havde lavet analysen på forkant, men det giver jo ikke mening generelt.
Lad os i stedet se på værdikædeanalysen. Min oplevelse med optegning af værdikæder I ESRS UniverseTM generelt giver et fint og praktisk kommunikerbart resultat. Men jeg overvejer altid følgende 3 forhold:
Konklusionen er at du langt hen ad vejen får et brugbart og korrekt svar, men for komplethedens skyld bør du være skarp på egen indsigt og afgrænsning og deraf også anbefalingen om at anvende en kompetent medarbejder på området.
Vi har integreret AI modellen direkte i vores funktionalitet (udover en generel chat-funktion) på følgende vis:
Har du indsamlet information fra dine interessenter via 1:1 interviews eller et specialudviklet eller et standardiseret spørgeskema, så kan du eksempelvis bede AI analysere svarerne og få analysen i en form, som du kan overføre direkte til eksisterende eller nye IRO’er eller blive en del af din rapport til ledelsen.
Sådan laver du interessentanalyse I ESRS UniverseTM.En virksomhed kan agerer i flere/mange brancher på en gang, så vi har lavet et branche/forretningspraksis værktøj, der består af 2 dele. En hvor vi på forhånd har fundet svarerne for de 141 forskellige kombinationer og en med et dynamisk svar. Disse svar kan du så enten kopiere til dine eksisterende IRO’er eller skabe nogle nye. Samtidig sikrer vi at du altid får dokumentation og referencer for hvert svar, så du kan være i kontrol og have dokumentationen i orden.
Vi stiller også en hhv risici og opportunities-knap tilrådighed, når du står med en konkret impact indenfor et bestemt område.
Sådan finder du og scorer IRO’er I ESRS UniverseTM.
Til hvert data punkt, narrativt eller ej, så kan vi generere tekster, som bliver sat direkte ind til det enkelte datapunkts kommentarfelt, hvis du har brug for hjælp. På den måde er du i kontrol og kan beslutte, hvad du vil bruge og hvad du vil slette.
Sådan arbejder du med CSRD data i ESRS UniverseTM
Skulle jeg have gjort dig nysgerrig på at undersøge ESRS UniverseTM, som en af de løsninger, som du vil kigge på, så får du 3 muligheder her:
Håber ovenstående kan være en hjælp til dine valg og dit arbejde på området.
Mvh Ole Bach Andersen
Følg mig på LinkedIn og bliv inviteret til mit “nyhedsbrev”.
Antagelser for beregning af medarbejders CO2e forbrug:
Beregning for AI model:
I USA, hvor serverne stå, er Carbon intensiteten I gns: 300-500 gCO₂e/kWh, vi antager 500.
Energy pr token er ifølge videnskaben ca. 2.78 x 10⁻⁷ kWh, men model 4o er ca 3 gange mere effektiv
CO₂e per token 0.3333*2.78×10−7kWh×500gCO₂e/kWh = 0.463×10−4gCO₂e