大模型如何帮助企业区分真实转型与漂绿叙事

企业宣布转型，但核心资本开支继续投向高排放资产。企业需要先回答一个实际问题：谁会使用这项分析，使用后有权改变什么。否则建议再准确也难落地。生成式模型让报告写得更快，也可能让没有证据的估算听起来像事实。披露流程的核心是数字与叙述都可追溯，而非文风是否流畅。

这类场景需要先校准数据边界。将报告中的每个重要主张链接到原件、计算方法、期间、边界和责任人。模型可搜索矛盾、标出缺证段落，受控程序负责复算，审计人员负责独立判断。初期不妨先把目标、投资、设备寿命和实测结果并置。资料进入系统前，应标清时间、地点、来源和权限；同名指标若定义不同，要先统一再比较。

下一步是把提示转成能执行的决定。草稿应经过数据所有者、法务或合规、披露负责人等不同岗位审核。对预测、目标与已实现绩效使用清楚标签，修改历史和对外更正也应留存。管理层要明确谁核查、谁批准、谁验证效果，避免提醒在部门之间空转。把建议放进现有经营会议和工单流程，比另建一个无人查看的 AI 看板更有效。

识别漂绿要同时考察承诺、资本配置和实际结果，不能只因为文案积极就认定问题。先让负责执行的人参与设计试点，列出他们最需要的证据和最担心的误判。模型只提供候选行动，负责人确认后实施；每周复盘一次，把错误建议和未解决问题留下来。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。

判断是否值得推广，需要观察真实排放轨迹与经营结构变化。审查不仅要找错字和算术差异，还要寻找选择性披露：哪些项目失败，哪些群体受损，哪些边界被改变。负面信息是否得到充分解释，是可信度的一部分。一次试点成功不能证明长期有效，至少应跨越不同班次、季节或业务周期观察。

风险控制也不能缺席：识别宣传与事实差距时须注明数据不确定性。模型判断“漂绿”也可能误伤。它应指出可核查的冲突和证据等级，让企业回应并由独立人员复核，不能凭措辞相似度给出最终定性。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。

把每次异常和修正留在台账里，下一次同类问题出现时才能看到组织是否真的学会了改进。这样形成的 ESG 结果更可解释，也更容易被员工、客户与外部审查者理解。