Όταν μια επιχείρηση χρησιμοποιεί ένα ψηφιακό εργαλείο για να αξιολογήσει τη στάση της στη βιωσιμότητα, τίθεται ένα βασικό ερώτημα: αν το εργαλείο παράγει ένα αποτέλεσμα, μπορεί να εξηγηθεί η διαδικασία που το οδήγησε εκεί; Για τις μικρότερες επιχειρήσεις, η ανησυχία αυτή είναι απολύτως συγκεκριμένη. Ένας αριθμός χωρίς εξήγηση είναι δύσκολο να υποστηριχθεί όταν ένας πελάτης ή ένας δανειστής ρωτά γι' αυτόν.
Από πού ξεκινά η πρόκληση των δεδομένων
Μέρος της πρόκλησης έγκειται στη φύση της ίδιας της πληροφορίας. Ο ΟΟΣΑ σημειώνει ότι τα δεδομένα βιωσιμότητας είναι συχνά δαπανηρά στην παραγωγή, δύσκολα στην επαλήθευση και διάσπαρτα σε ασύμβατα πλαίσια αναφοράς. Η τεχνητή νοημοσύνη και τα ψηφιακά εργαλεία μπορούν να αξιοποιηθούν υπεύθυνα μόνο υπό κατάλληλες συνθήκες διακυβέρνησης (OECD, 2026b). Συνεπώς, η διαφάνεια δεν απορρέει αποκλειστικά από την τεχνολογία· εξαρτάται από την ποιότητα των υποκείμενων πληροφοριών και από τον τρόπο οργάνωσης της διαδικασίας.
Πρακτικά σημάδια μιας διαφανούς αξιολόγησης
Μια διαφανής αξιολόγηση με υποστήριξη τεχνητής νοημοσύνης θα πρέπει να παρέχει ένα σαφές ίχνος τεκμηρίωσης. Οι χρήστες θα πρέπει να μπορούν να εντοπίσουν τα δεδομένα που συνέβαλαν στο αποτέλεσμα, την περίοδο αναφοράς και τα οργανωτικά όρια, τυχόν υποθέσεις ή εκτιμήσεις, καθώς και τους περιορισμούς του αποτελέσματος. Το αποτέλεσμα θα πρέπει να είναι ανοικτό σε επανεξέταση και όχι να παρουσιάζεται ως αναμφισβήτητο συμπέρασμα. Τα χαρακτηριστικά αυτά ευθυγραμμίζονται με την εστίαση του TRUST-ESG σε πληροφορίες ESG που είναι προσβάσιμες, ανιχνεύσιμες και εξηγήσιμες.
Ερωτήσεις που μια ΜμΕ θα πρέπει να μπορεί να θέσει
Μια πρακτική μέθοδος για να αξιολογήσει κανείς τη διαφάνεια ενός αποτελέσματος που παράχθηκε με υποστήριξη τεχνητής νοημοσύνης είναι να εξετάσει αν η επιχείρηση μπορεί να απαντήσει σε ορισμένα βασικά ερωτήματα γι' αυτό:
- Ποια δεδομένα συνέβαλαν σε αυτό το αποτέλεσμα;
- Λείπει κάποια σχετική πληροφορία;
- Χρησιμοποιήθηκαν υποθέσεις για την παραγωγή του;
- Μπορεί το αποτέλεσμα να ανιχνευθεί πίσω στην πηγή του;
- Μπορεί ένα άτομο να επανεξετάσει ή να αμφισβητήσει το αποτέλεσμα;
- Προορίζεται το αποτέλεσμα να υποστηρίξει τη λήψη αποφάσεων και όχι να λειτουργήσει ως αναμφισβήτητο συμπέρασμα;
Αν αυτά τα ερωτήματα μπορούν να απαντηθούν, η βάση του αποτελέσματος είναι εμφανής, και αυτό ακριβώς σημαίνει διαφάνεια στην πράξη. Αν όχι, το αποτέλεσμα μπορεί να εξακολουθεί να παράγεται, αλλά γίνεται δυσκολότερο να εμπιστευτεί και να υποστηριχθεί.
Η διαφάνεια δεν ταυτίζεται με την ακρίβεια
Μια διάκριση αξίζει ιδιαίτερης έμφασης: η διαφάνεια και η ακρίβεια σχετίζονται, αλλά δεν είναι ταυτόσημες. Μια διαφανής διαδικασία καθιστά ορατή τη βάση ενός αποτελέσματος: τα δεδομένα, τα βήματα, τις υποθέσεις, επιτρέποντας την εξέτασή του. Δεν εξασφαλίζει από μόνη της την ορθότητα του αποτελέσματος. Ένας αριθμός μπορεί να είναι πλήρως ανιχνεύσιμος και παρ' όλα αυτά λανθασμένος, αν τα υποκείμενα δεδομένα ήταν ελαττωματικά. Η διαφάνεια σας επιτρέπει να ελέγξετε πώς επιτεύχθηκε ένα αποτέλεσμα και, κατά συνέπεια, να το επαληθεύσετε. Η διαφάνεια δεν πρέπει να συγχέεται με την πολυπλοκότητα: μια απλή, καλά τεκμηριωμένη αξιολόγηση με ανιχνεύσιμο συλλογισμό είναι πιο διαφανής από μια εξελιγμένη με κρυφή λειτουργία.
Πώς μοιάζει αυτό στην πράξη για μια ΜμΕ
Σκεφτείτε μια μικρή εταιρεία που χρησιμοποιεί ένα ψηφιακό εργαλείο για να εκτιμήσει το ετήσιο αποτύπωμα άνθρακα της. Μια διαφανής διαδικασία θα επέτρεπε στην επιχείρηση να δει ποια στοιχεία συνέβαλαν στην εκτίμηση: λογαριασμοί ενέργειας, αρχεία καυσίμων, ίσως δεδομένα ταξιδιών, και ποια εκτιμήθηκαν αντί να μετρηθούν. Θα παρουσίαζε τις υποθέσεις που εφάρμοσε το εργαλείο, όπως έναν τυπικό συντελεστή εκπομπών, και θα επισήμαινε πού η πληροφορία ήταν ελλιπής. Αν η εκτίμηση εμφανιστεί αργότερα ασυνήθιστα υψηλή, η επιχείρηση μπορεί να την ανιχνεύσει, να εντοπίσει την αιτία και να τη διορθώσει. Αν η ίδια εκτίμηση έφτανε ως ένας μεμονωμένος αριθμός χωρίς ορατή βάση, η εταιρεία δεν θα είχε άλλη επιλογή από το να την αποδεχθεί ή να την απορρίψει χωρίς κατανόηση. Η διαφορά δεν έγκειται στην πολυπλοκότητα του εργαλείου, αλλά στο αν ο συλλογισμός του είναι ορατός.
Αυτό είναι το πρότυπο που το TRUST-ESG επιδιώκει να υποστηρίξει: η τεχνολογία δεν πρέπει απλώς να παραδίδει μια απάντηση. Πρέπει να βοηθά τη ΜμΕ να κατανοήσει τα τεκμήρια πίσω από την απάντηση, να αναγνωρίσει τους περιορισμούς της και να την επικοινωνήσει με σιγουριά. Ένας απλός έλεγχος διαφάνειας συνίσταται στο να επιλέξετε ένα αποτέλεσμα που παράχθηκε με υποστήριξη τεχνητής νοημοσύνης και να επιβεβαιώσετε ότι μπορείτε να παρουσιάσετε τα δεδομένα προέλευσης, τις υποθέσεις και τους περιορισμούς του.
Βιβλιογραφία
OECD. (2026b). Leveraging AI and digital tools for SME sustainable finance (OECD SME and Entrepreneurship Papers No. 80).