企业多地经营时，AI 如何统一 ESG 指标口径

各地工厂对用水量和回用水量使用不同定义。这里最容易犯的错误，是把一个相关信号当成已经证实的原因。模型的价值在于缩小核查范围。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。

先整理证据，再谈模型能给出什么建议。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。落地时，第一项动作是对照指标字典、计量边界和法人口径，提出统一映射。缺口要作为一种数据状态显示出来；让模型悄悄补全，会把不确定性伪装成事实。

有了线索，还需明确谁来行动。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。任务卡应附上证据、处理权限、到期时间和升级条件。需要改变生产、采购或人员安排时，应让熟悉现场的人检查模型假设并记录不同意见。

指标字典不只翻译名称，还应解释边界，例如回用水是否包括外购再生水、员工数是否包括派遣人员。可以先回放过去已处理的案例，检验模型能否在当时的数据条件下发现真正有用的线索。随后开展短期现场试点，分别记录正确提醒、误报与漏报，再决定是否接入正式工单。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。

衡量项目时，可先做相同期间和相同单位的横向比较。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。比较前后结果时，应控制产量、边界和统计方法变化；否则改善可能只是记录方式改变。

另一条底线是：历史数据重述需要注明方法变化，不能静默覆盖。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。

项目可以先在一处场景试运行，公开记录误判、漏判和人工修正，再决定是否推广。真正可持续的做法，是让数据、行动和证据每个周期都能重新对上。