試算表與網上平台的比較
每家公司首次處理 ESG 數據時都會使用試算表，而大部分軟件供應商都會說這就是問題所在。至少在第一年，通常並不是。
| Excel 及共用檔案 | 網上數據平台 | |
|---|---|---|
| 開始成本 | 接近零 | 牌照費、設定費及培訓費 |
| 首次取得數據所需時間 | 數日 | 數星期至數月 |
| 靈活性 | 完全靈活——這亦正是風險 | 受已設定的功能限制 |
| 驗證 | 人手處理，除非有人另行建立規則 | 內置範圍、單位及必填欄位等控制 |
| 審計軌跡 | 較弱；除非刻意進行版本管理，修改通常不可見 | 較強；可記錄由誰、何時輸入甚麼，以及附上哪些佐證 |
| 多地點收集 | 地點超過約五個後便相當繁複 | 這正是平台開始發揮價值之處 |
| 佐證儲存 | 檔案分散於不同磁碟及電郵 | 直接附於相關數據點 |
| 排放因子更新 | 人手處理，容易出現不一致應用 | 集中維護並一致套用 |
| 鑒證體驗 | 抽樣緩慢而且費用較高 | 可顯著降低鑒證成本 |
| 員工流失風險 | 高——檔案往往只有一人理解 | 低——流程已嵌入制度 |
| 供應商鎖定 | 沒有 | 確實存在；購買前應檢查匯出功能 |
哪一種較好
抽象而言，兩者都不是必然較好。實際答案取決於三件事：有多少數據收集點、是否會接受鑒證，以及建立試算表的人三年後是否仍在任。
- 一至兩個香港地點、毋須鑒證、首個周期。 使用設計良好的試算表。平台節省的成本不足以抵銷費用，亦會拖慢第一年工作。
- 五個或以上地點、數個國家，或每年接受鑒證。 平台會很快開始回本，主要來自較低鑒證成本及較少追收電郵。
- 上市公司、須符合大型股規定，或即將處理範圍三。 應計劃建立制度。數據點數量令純人手收集成為真正的控制弱點。
- 負責團隊員工流失率高。 不論規模均應較傾向使用制度。存在試算表內的機構記憶會隨人員離開而消失。
合理的先後次序
第一年先以有紀律的試算表運作，並按制度方式設計——固定結構、具名負責人、鎖定計算工作表、佐證參考及變更紀錄。這會讓你了解實際數據情況。第二年才購買平台，並按所學內容設定，而不是照搬供應商預設。先買制度的公司通常會設定錯誤，之後還要付費重做。
無論採用哪種工具都必須具備甚麼
- 每個數據點只指定一名具名負責人，而不是只指定部門。
- 每個數字均可追溯至需要時可提供的來源文件。
- 單位有明確定義並受控制。單位錯誤是最常見的重大錯誤。
- 排放因子須記錄來源及年份，並一致應用。
- 估算須標明為估算，並記錄所用方法。
- 變更須有紀錄；重列亦須有明確政策。
- 數據在使用前須由獨立於編製人的人員審閱。
人工智能真正擅長甚麼
如謹慎使用，人工智能可大幅減少重複而沉悶的工作。它表現良好的任務有共同特點：來源資料已存在，而且輸出可被核對。
- 從文件擷取數字。 公用事業帳單、燃料發票、廢物單據及差旅紀錄。它閱讀速度較快，即使到了第二百張發票也不會疲倦。
- 整理混亂輸入。 統一地點名稱、換算單位，以及協調不同附屬公司的不一致分類。
- 異常偵測。 標示某數字是上月十倍、遺漏月份，或數列中途改變單位。
- 框架之間的對照。 先行建立《ESG 匯報守則》、HKFRS S1／S2、GRI 及 CDP 的交叉參照，再由人員核對。
- 摘要質化資料。 把訪談筆記、問卷開放式回應及投訴紀錄分組為主題，再由人員對照來源驗證。
- 研究支援。 整理行業背景、同業做法及監管發展，但均須以原始資料來源核實。
- 撰稿支援。 把已協定的大綱及經核實數字轉為初稿，再由專業人士重寫。
- 翻譯支援。 可作雙語匯報的初步翻譯，但技術術語仍須由專業人士審閱。
在顧問工作中負責任地使用人工智能
香港目前尚未有正式統一準則，但認真處理此議題的公司已逐漸形成一套合理做法。
- 告知客戶。 說明項目中在哪裡使用人工智能及用途。客戶一般可接受用於擷取及撰稿支援，但較難接受事後才發現。
- 任何資料輸入模型前，先確認保密安排。 客戶數據、員工資料及商業敏感資訊，須預先協定可使用哪些工具、輸入會否被保留，以及會否用於訓練。
- 絕不要讓人工智能成為數字來源。 數字必須來自文件。人工智能可以閱讀文件，但不能提供沒有任何文件支持的數值。
- 把每個擷取數字與來源核對，至少按有記錄的抽樣基礎進行，並保留抽樣比例。
- 專業判斷須由具名人士作出。 邊界、重要性、排放因子選擇、情景假設及目標設計均屬專業判斷，必須由人員簽署負責。
- 所有監管陳述在核對前均視為未驗證 ，並須對照原始資料來源。生效日期及分階段安排正是模型最容易出現細微錯誤的細節。
- 保留紀錄。 使用哪項工具、處理哪項工作、由誰審閱。鑒證服務提供者可能合理地提出查詢，而且愈來愈常這樣做。
- 不要讓工具決定工作範圍。 即使模型能妥善處理十個類別中的七個，也不是只匯報七個類別的理由。
發布由人工智能撰寫報告的問題
現在完全可以在一個下午內，根據簡短簡介產生一份看似可信、結構完整及編排正確的可持續發展報告，而且文字十分流暢。這正是危險所在。
常見問題
- 沒有來源卻語氣肯定的數字。 模型會以看似合理的內容填補缺口。在披露文件中，這構成錯誤陳述；周圍流暢的文字反而令問題更難被發現。
- 通用重要議題。 採用行業平均議題而不是公司本身的議題，令報告描述一家不存在的公司，亦遺漏真正重要的事項。
- 幾乎正確的監管細節。 生效日期、分階段安排或適用基礎出錯。在合規文件中，「幾乎正確」仍然是錯誤。
- 無法提供佐證的聲稱。 文字暗示機構具有實際不存在的政策、制度或計劃。這正是漂綠風險所在，而「原意如此」並不是抗辯理由。
- 報告背後沒有任何基礎。 沒有計算檔案、佐證索引或方法說明。首次鑒證要求便會立即揭露問題。
- 內部不一致。 敘述中的數字與數據表不符，或列為重要的議題卻沒有相應指標。
- 內容與所有人一樣。 分析員、採購團隊及評級機構愈來愈容易辨認，並會削弱真實部分的公信力。
- 責任不會轉移。 最終由董事會簽署。「工具寫的」並不是任何人可以採取的立場。
較有用的定位，是把人工智能視為能力強的助手，而不是正式紀錄的作者。應利用它壓縮機械式工作，把節省的時間用於判斷、參與及驗證——報告真正價值本來就來自這些部分。
下一步
鑒證與核證 ——會計師事務所、HKAS 認可核證機構，以及如何選擇。