文／吳文舜
ESG 數據的重要性與日俱增
愈來愈多企業重視 ESG，但是如何證明自己是一個 ESG 企業？企業內與企業外 ESG 數據，都是重要的支撐！Forrester Consulting 進行的一項 ESG 調查中，46% 受訪者表示「數據管理」是組織推動 ESG 成功關鍵因素，也是前五大挑戰；另一方面，有近九成（89%）受訪者表示在投資 ESG 數據分析方案時遭遇困境。顯見 ESG 數據這項資產對企業有多麼重要。
ESG 整合難 呈現更難
Data 是企業數位能源，越來越多異質數據及數據孤島，要進行數據整合是許多企業共同的痛！而 ESG 數據具有多樣性和複雜性，所以在蒐集與分析更是特別地困難。ESG 數據來源包括企業公開資訊、媒體報導、政府公告等多種來源，這些來源的可靠性和準確性存在著不確定性。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球 CIO 同步獲取精華見解 ]
ESG 數據的範圍和深度不斷擴大，數據的蒐集需要耗費大量的資源，而且這些數據多為非結構化數據，整理、整合、分析、呈現的難度也越來越高。
運用 AI 科技 助力 ESG 數據價值
於是我們開始思考，是否可以運用 AI 科技助力 ESG 發展！透過 AI 科技，在數據層、商業邏輯層、展現層三個構面，都可以讓 ESG 工作更輕鬆、更符合台灣市場需求。
首先，在數據層部分，研發如何運用科技力，深入發揮數據價值，發展台灣原生 ESG 數據庫。蒐集的數據包括環境面（Environmental）、社會面（Social）、治理面（Governance）、ESG 評分等數據。蒐集範圍包括：溫室氣體排放、能源管理、水資源管理、廢棄物管理、空氣污染、裁罰金額、裁罰案件、重大職災、職災人數、職災比率、員工薪資、女性主管、董事會、股權分佈、投資人溝通、資訊揭露評鑑等。完成 AI 協助蒐集數據後，生成台灣原生 ESG 數據庫。
[ 推薦閱讀：金融業 CIO 的 ESG 轉型趨勢 ]
其次，在商業邏輯層部分，結合生成式 AI 與人機協作過程，加值 ESG 數據。商業邏輯層需求包括自製 ESG 評等、上下游供應鏈和競爭者廠商相關 ESG 資訊、支援個別公司 ESG 彙總比較。藉由數據蒐集和分析建立一套完整 ESG 指標體系，填補許多國外指標沒有提供的數據缺口，以確保指標的可比性和一致性。採用 AI 運算，保持公正客觀，協助投資人和企業做出更明智和可持續的決策。
導入向量數據庫 讓生成式 AI 如虎添翼
最後在展現層部分，將 ESG 數據與企業 KM 導入向量數據庫，整合生成式 AI 的 LLM 模型，提供 ESG AI 對話服務。台灣原生 ESG 數據庫與生成的對話資料，都有助於每一個企業，無需進行重覆的數據整理工作，而且方便取用，大幅提升台灣企業營運效能！
持續精進 ESG 數據庫 2.0
金管會提醒全體上市櫃公司，2025 年起均應編製永續報告書。經統計已於公開資訊觀測站申報 112 年度永續報告書之上市公司共 724 家，上櫃公司共 348 家，總計 1,072 家。面對碳稅開徵與永續報告書的要求，市場對於 ESG 數據的需求也進入 2.0 的階段。除了數據分析應用，還需要對總體或個體，都要有更完整深入的資訊。
例如在總體方面，提供全市場統計結果，了解各產業碳排放、用水量、產生廢棄物量，有利於以台灣總體角度制定減碳策略；在個體方面，個股 ESG 情報深化揭露個別公司 ESG 基本面資訊，例如：範疇一收錄公司碳排邊界資料，了解公司營運據點範圍；範疇二將排放值換算為用電度數；各項目減量目標與 YoY 變化值。
[ 推薦閱讀：專訪國際環境法專家蘇義淵博士 ]
面臨碳稅開徵，可參考會計金融聯盟（Partnership for Carbon Accounting and Financials，PCAF）計算投資組合溫室氣體排放量的國際標準，發展一套財務碳排放計算機，串接金融機構投資庫存資料及公司碳排數值，乘以財務歸因因子，得出投資組合年財務碳排放量及經濟排放強度。
以人為本 科技行善
當 ESG 遇上 AI，生成台灣原生 ESG 數據庫，不僅是一個工具，更是一個驅動市場變革的生態系。透過高效的數據整合，不僅展現胎彎推動綠色金融的決心，更可以擴大應用到台灣科技產業的供應鏈，協助台灣製造走向國際綠色經濟轉型發展。科技始終來自人性，以人為本，科技行善，始終如一。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
