AI模型能否识别企业ESG报告中的漂绿表述
AI模型能否识别企业ESG报告中的漂绿表述
一份ESG报告可以写满“致力于可持续未来”，却几乎不说明排放量、测量范围或完成期限。这样的文本并非每一句都是谎言，但它可能让读者形成超出证据支持的印象。AI识别漂绿的关键不在于寻找几个敏感词，而在于检验环境主张与可核验事实之间的距离。
可以把一句环境表述拆为五个要素：行动主体、对象、指标、时间和依据。“持续推动绿色转型”只有态度，缺少其余要素；“某工厂在某年度减少特定废弃物”则具有可检查的边界。大语言模型适合提取这五个要素，再将其与企业报告表格、历史披露和公开记录进行交叉核对。模型的输出应是疑点和证据链，而非未经审查的“漂绿企业”标签。
研究数据集不能只收集明显夸大的句子，也要包含真实但表述简短、数据充分但口径改变、目标合理但进度不佳等难例。标注者可以分别判断“是否有证据”“证据是否匹配”“措辞是否越界”，避免把所有问题塞入一个二分类结果。多个标注者意见不一致时，争议本身就值得保留。
真正困难的是跨文档验证。企业可能在本年度强调降低废弃物强度，却在另一处披露总废弃物增长；两者可以同时成立，也可能造成误导。模型需要识别分母变化、业务扩张和收购带来的口径差异。若只抓到“增长”就判定漂绿，会伤害严肃披露；若只读到“强度下降”又会漏掉整体影响。
实际部署时，可建立三级流程：模型筛出高风险表述，研究员检查原始数据，企业获得解释和补充证据的机会。公开结果应描述具体主张与证据缺口，而非制造无法申诉的黑箱评分。系统还应记录模型版本，因为语言模型对相同语句的判断可能随提示词和版本变化。
模型还可以专门检查“缺失的比较对象”。例如广告说某包装“更环保”，却不说明与什么相比；报告说能耗“显著下降”，却没有基准年。系统不需要先证明说法虚假，只需指出比较条件缺失，就能促使企业补充信息。这比直接给高风险句子贴上道德标签更容易被接受。
若要公开发布研究结果，应对抽样报告进行双人复核，并保存判断依据。漂绿指控涉及声誉，模型的误判成本很高；对研究者而言，谨慎描述“证据不足”“口径不一致”和“事实冲突”的差别，本身就是研究质量的一部分。
漂绿识别也可反向用于企业内部审稿。报告发布前，系统标出缺少基准、证据不匹配和绝对化用词，让编写者提前修正。研究可以比较事前使用与事后审查的效果，判断AI是否能减少误导性表达的产生，而不只是发现它。
AI最适合承担的角色是“挑出值得追问的句子”。让漂绿识别有价值的不是自动生成指控，而是让市场更容易提出准确问题：谁减少了什么、和哪一年比较、边界在哪里、证据能否重现。
