生成式AI辅助ESG信息披露的效率与可信度研究

生成式AI辅助ESG信息披露的效率与可信度研究

生成式AI可以把不同部门提交的表格整理成统一文字，也能迅速制作报告摘要。这看似解决了ESG披露的效率问题，却同时放大了另一个风险：如果原始数据口径不一致，模型会把不一致写成流畅、甚至令人信服的故事。效率提升必须与证据约束一起评估。

企业可以把AI限定在三个明确任务中：发现缺失字段、根据已批准数据起草段落、检查文字与表格之间的矛盾。每段自动生成的文字都应附上所引用的数据记录和版本。若模型无法找到证据，就应留白并要求人工补充，而不是根据行业惯例猜一个“合理”数字。

研究可以让两组团队处理同一批披露材料，一组使用传统流程，另一组使用带证据链接的生成式AI。比较制作时间、人工修改次数、遗漏事项、数值错误和审阅者定位来源的速度。效率不能只按“初稿生成速度”计算；如果核查和返工时间增加，整体效率可能并未改善。

可信度测试还应加入故意设置的难题：同一指标单位变化、上一年度数据被重述、供应商口径与企业口径不同，以及目标延期。观察模型会不会自动“圆过去”，或能否明确标记冲突。这些边界情形最接近真实的披露工作，也更能说明系统是否可靠。

治理上需要清楚划分责任。数据提供者负责来源与口径，模型负责整理和提示，报告负责人负责最终表述，审验人员负责独立检查。不能因为一段话由AI生成，就让错误的责任消失。提示词、模型版本和关键修改记录也应留存，便于之后追溯。

若企业将AI接入内部知识库，还需控制版本。某部门更新了排放系数，报告草稿却引用旧版数据，模型可能在不同章节生成互相矛盾的结论。每一轮起草最好锁定经过批准的数据快照，后续变动通过变更单处理。这样可以重现报告生成时的依据。

研究还可评估“人工过度信任”。当AI段落写得通顺，审阅者可能减少核对。可在实验中植入少量可发现的错误，比较有无来源链接时的识错率。若链接能促使审阅者查看原始记录，说明系统设计不仅加快写作，也改善了核查习惯。

最终报告可以保留一份机器可读的证据索引，列出每个重要数字的来源表、批准人和更新时间。这样不仅方便审验，也能让下一年度团队快速理解历史口径。AI带来的效率，才会沉淀为组织知识，而不是依赖少数会写提示词的人。

生成式AI最值得期待的用途，不是制造更漂亮的ESG报告，而是让披露过程更少遗漏、更容易查证。只有当每个重要陈述都能回到可靠数据，速度才真正转化为质量。