企业如何避免用 AI 评分取代对重大 ESG 项目的实地调查

模型给某矿区修复项目低风险评分，现场可能存在未记录污染。这里最容易犯的错误，是把一个相关信号当成已经证实的原因。模型的价值在于缩小核查范围。ESG 投入既包含节能设备，也包含安全、员工和供应链改进。不同项目的收益不能都换成一个财务回报数字，决策应同时显示风险与受益群体。

先整理证据，再谈模型能给出什么建议。模型可从预算、合同、运行成本、环境数据与事故记录中整理方案。先统一基线和时间范围，再比较全周期成本、可实施性和证据质量。落地时，第一项动作是把遥感、档案和访谈用于确定实地调查重点。缺口要作为一种数据状态显示出来；让模型悄悄补全，会把不确定性伪装成事实。

有了线索，还需明确谁来行动。项目立项时就要规定负责人、投运条件、验收指标和复盘节点。采购完成并非效果实现，运行故障、闲置和未培训人员都可能让预期收益落空。任务卡应附上证据、处理权限、到期时间和升级条件。需要改变生产、采购或人员安排时，应让熟悉现场的人检查模型假设并记录不同意见。

现场调查可以重点核查模型最不确定、损失又最高的假设，以提高审查资源效率。可以先回放过去已处理的案例，检验模型能否在当时的数据条件下发现真正有用的线索。随后开展短期现场试点，分别记录正确提醒、误报与漏报，再决定是否接入正式工单。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。

衡量项目时，可先现场采样和独立专家核查关键假设。评估可同时呈现财务、环境、员工安全及合规维度，对难量化收益给出情景而非虚构精确金额。决策记录应解释为何某项目先做、某项目延后。比较前后结果时，应控制产量、边界和统计方法变化；否则改善可能只是记录方式改变。

另一条底线是：评分不能代替进入现场观察与取样。模型评分只是一项输入。重大项目仍需现场调查、利益相关方沟通与专业审查；实际效果不佳时，要敢于调整或停止，而不是继续维护原有预测。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。

项目可以先在一处场景试运行，公开记录误判、漏判和人工修正，再决定是否推广。真正可持续的做法，是让数据、行动和证据每个周期都能重新对上。