大模型生成 ESG 分析结论前，企业应设置哪些数据质量门槛

供应商足迹只有估算，系统却生成了非常肯定的结论。若只按年度报表看问题，许多变化要等到损失形成后才被发现。更好的做法是建立持续更新的证据流。ESG 数据问题往往发生在计算之前：组织边界不清、口径不同、凭证缺失或版本被覆盖。模型读懂文件的速度很快，但可信数据仍依赖稳定的责任分工和可追溯的原件。

数据准备决定分析能走多远。先建立指标字典，给出设施、期间、单位、来源、计算方法和审核状态。大模型抽取非结构化材料时，应把结果链接到原文位置；加总、换算和重算交给可验证的规则程序。相关团队可以先设定完整性、时效性、可追溯性和估算比例阈值。如果资料只覆盖表现较好的部门，就要主动增加现场抽样，避免分析结果出现系统性偏差。

分析结果只有进入工作流程才有意义。每次修改都应形成新的版本，并记录理由和批准者。数字进入报告前，数据所有者检查完整性，方法负责人复核口径，披露负责人确认表述，这些角色不能因自动化而混在一起。负责人收到的应是待核事实、可选措施和所需资源，而非一条孤立的模型结论。输出最好写成“发现了什么—还需核查什么—由谁决定—何时复看”，而不是一个无法解释的分数。

质量门槛应按用途设定：内部寻找热点可以使用估算，对外作重大改善声明则需更强证据。选择一处资料相对完整的现场测试，给模型设置明确的权限和停止条件。试点期间保留人工流程，比较两条路径发现问题的时间、处理负担和遗漏情况，不急于扩大部署。实施记录还应保存使用的数据版本、决策人和被否定的备选方案。复盘时比较自动提示与传统流程各自漏掉了什么，避免只展示成功案例。

效果评估不能只靠印象，应检查低质量数据是否被阻止进入正式结论。用抽样复算、缺失率、迟报率和修订量观察系统质量。看板能否快速展示结果固然重要，审计人员能否沿证据链找到原始记录，更能说明体系是否可靠。除了平均值，还要查看最差场景、异常反弹和受影响最严重的群体。

模型应用的约束应写清：达不到门槛时应暂停自动结论而非继续填空。模型不知道的地方要明确标出。没有凭证的数据只能列为待核或估算，敏感原件应按岗位授权访问，外部披露还要说明估算区间和可能改变结论的假设。出现错误时，先控制可能的影响，再更正数据、通知受影响的人，并检查同类任务是否也被错误结论波及。

当企业愿意同时展示成效和限制，模型才可能帮助 ESG 从报告语言走向管理能力。试点结束后应保留一条明确规则：没有现场或原始记录支持的判断，不能被写成完成的成果。