Mfumo wa Uhakikisho wa Uendelevu Unaosaidiwa na AI kwa Uwajibikaji (Responsible AI-Assisted Sustainability Assurance Framework) ni usanifu wa dhana wa kufanya maamuzi unaobainisha ni taratibu zipi za uhakikisho wa uendelevu zinazoweza kutumia matokeo ya akili bandia, kiwango ambacho matokeo hayo yanaweza kutegemewa na maamuzi ya kitaaluma ambayo hayawezi kukabidhiwa kutoka kwa binadamu kwenda kwa mfumo wa AI. Utafiti uliotayarishwa na Radosveta Krasteva-Hristova na Vanya Georgieva unaunganisha viwango vya uhakikisho wa uendelevu, tafiti za uhasibu na ukaguzi, mifumo ya utawala wa AI na tafiti za kitabia, na unasema kuwa AI inaweza kuunda thamani ya uchanganuzi katika uchimbaji wa ushahidi, ulinganishaji wa vigezo, uchunguzi wa hatari za anomali na greenwashing, uthibitishaji kwa kulinganisha data za nje na usaidizi wa uhifadhi wa nyaraka. Hata hivyo, unakataa kukabidhi kwa mifumo ya AI kwa namna huru maamuzi kama umuhimu, tathmini ya ushahidi wa kutosha na unaofaa, utatuzi wa ushahidi unaokinzana na hitimisho la mwisho la uhakikisho.
Mtazamo mkuu wa utafiti unaenda zaidi ya kanuni ya jumla ya “kumweka binadamu katika mzunguko”. Waandishi wanagawa matumizi ya AI katika viwango vitano vya utegemezi kutoka L0 hadi L4: kutotumia AI, usaidizi wa kiofisi/clerical, pendekezo la uchanganuzi, utekelezaji mdogo wa agentic na uamuzi huru wa kitaaluma. Viwango vinne vya kwanza vinaweza kutumiwa chini ya masharti fulani, lakini uamuzi huru wa kitaaluma wa kiwango cha L4 umepigwa marufuku. AI haiwezi kubaini umuhimu, kuamua yenyewe kuwa ushahidi unatosha, kutatua kwa mwisho ushahidi unaokinzana wala kutia saini hitimisho la uhakikisho.
Utafiti huu haujaribu modeli ya AI katika jukumu halisi la uhakikisho. Hautoi matokeo ya kijaribio yanayoonyesha kuwa mfumo huo huongeza ubora wa uhakikisho. Mchango wake ni kuunganisha katika mfumo mmoja wa dhana mapendekezo ya taratibu, hatari, kiwango cha utegemezi, lango la maamuzi na metriki za tathmini zinazoweza kujaribiwa baadaye kwa namna inayopimika na inayoweza kukanushwa.
Kwa nini tatizo jipya la uhakikisho linajitokeza katika taarifa za uendelevu?
Taarifa za uendelevu zinaacha kuwa eneo la mawasiliano ya kisimulizi linalochapishwa kwa hiari na kampuni na kuwa sehemu ya utoaji taarifa wa kampuni unaodhibitiwa. Katika muktadha wa Ulaya, Corporate Sustainability Reporting Directive (CSRD) inaingiza taarifa za uendelevu katika mfumo wa utoaji taarifa wa kampuni, huku European Sustainability Reporting Standards (ESRS) ikitaka ufichuzi wenye muundo zaidi kuhusu utawala, mkakati, athari, hatari, fursa, metriki na malengo.
International Standard on Sustainability Assurance 5000 (ISSA 5000) nayo inaunda mfumo wa kimataifa wa majukumu ya uhakikisho wa taarifa za uendelevu.
Hata hivyo, data za uendelevu zinaweza kuwa na aina nyingi zaidi kuliko data za uhasibu wa kifedha. Uzalishaji wa gesi chafuzi, matumizi ya nishati, maji, taka, bayoanuwai, viashiria vya wafanyakazi, michakato ya haki za binadamu, taarifa za mnyororo wa thamani, mipango ya mpito na malengo ya siku zijazo yanaweza kupatikana katika ulimwengu mmoja wa utoaji taarifa.
Sehemu ya taarifa hizi inaweza kuwa ya kiasi na sehemu nyingine ya ubora; baadhi zinaweza kuwa zimepimwa moja kwa moja, nyingine zimekadiriwa na nyingine zimechukuliwa kutoka vyanzo vya nje. Kwa hiyo, uhakikisho hautegemei tu kuwepo kwa ufichuzi, bali pia mipaka ya utoaji taarifa, mbinu, chanzo cha data kilichotumiwa, udhibiti na kama taarifa inaweza kufuatiliwa hadi kwenye chanzo chake.
“Taarifa za ESG zilizo tayari kuwa ushahidi” zinamaanisha nini?
Taarifa za ESG zilizo tayari kuwa ushahidi ni taarifa za uendelevu zinazoweza kujaribiwa dhidi ya vigezo vinavyofaa vya utoaji taarifa, kufuatiliwa hadi chanzo chake, kuhesabiwa upya na kutathminiwa. Kuandikwa tu kwa dai la uendelevu katika ripoti hakulibadilishi kuwa ushahidi wa uhakikisho; mnyororo kati ya umiliki wa data, mfumo wa chanzo, mbinu ya hesabu, dhana, idhini, udhibiti na matokeo ya taarifa lazima uweze kufuatiliwa.
| Sifa | Muundo dhaifu | Muundo ulio tayari kuwa ushahidi | Maana yake kwa uhakikisho |
|---|---|---|---|
| Uwekaji katika kiasi na umahususi wa wakati | Dai la jumla lisilo na kipindi au thamani ya mwanzo | Metriki, kipimo, kipindi, mwaka wa mwanzo na wa lengo | Huruhusu kuhesabu upya na kuchanganua mwenendo |
| Uwazi wa mipaka | Wigo usio wazi wa biashara au mnyororo wa thamani | Mpaka wazi wa shirika, uendeshaji na wakati | Huzuia mabadiliko ya wigo kuonekana kama mabadiliko ya utendaji |
| Uwazi wa mbinu | Kadirio au matokeo ya modeli yasiyofichuliwa | Mbinu, dhana, vipengele na kutokuwa na uhakika vimeandikwa | Husaidia kuhoji na kuzalisha upya matokeo |
| Ufuatilikaji | Simulizi lisilotaja chanzo | Rekodi ya chanzo, faili ya hesabu, idhini na mahali katika ripoti vimeunganishwa | Huunda mkondo wa ukaguzi |
| Ulinganishikaji | Ufafanuzi unaobadilika kutoka kipindi kimoja hadi kingine | Ufafanuzi thabiti na marekebisho yaliyopatanishwa | Husaidia kulinganisha vipindi na vyanzo |
| Ulinganifu na vigezo | Istilahi za jumla za ESG | Ulinganishaji wazi na vigezo vinavyofaa vya utoaji taarifa | Husaidia kutathmini ukamilifu na uzingatiaji |
Moja ya misisitizo muhimu ya waandishi ni kwamba kuongeza ufikivu kupitia uwekaji kidijitali hakuongezi uaminifu moja kwa moja. Kuweka lebo za kidijitali kwenye data ya ESG iliyoainishwa vibaya au inayotegemea vyanzo dhaifu kunaweza kufanya kosa lienee kwa kasi na kwa kiwango kikubwa zaidi.
AI inaweza kutumiwa katika taratibu zipi za uhakikisho wa uendelevu?
Badala ya kuitathmini AI kama teknolojia moja, utafiti unaligawa jukumu la uhakikisho katika taratibu. Natural language processing, ujifunzaji wa mashine, ugunduzi wa anomali, generative AI na mifumo midogo ya agentic ina hadhi tofauti za ushahidi katika majukumu tofauti.
| Eneo la matumizi | Matokeo ya AI | Kiwango cha utegemezi kinachoruhusiwa | Mwitikio unaohitajika wa binadamu |
|---|---|---|---|
| Kutafuta na kuchimba ushahidi | Utafutaji/uchimbaji uliounganishwa na chanzo | Usaidizi wa kiofisi | Kukagua ukamilifu wa mkusanyiko wa nyaraka na vipengele muhimu |
| Ulinganishaji wa vigezo | Uainishaji na orodha ya vighairi | Pendekezo la uchanganuzi | Kuthibitisha taksonomia na kuchunguza vighairi |
| Ugunduzi wa anomali | Ishara ya hatari au ukiukaji wa kanuni | Pendekezo la uchanganuzi | Kupatanisha mipaka, kuhesabu upya na kutathmini umuhimu |
| Uchunguzi wa hatari ya greenwashing | Ishara ya kutolingana kati ya nyaraka | Pendekezo la uchanganuzi | Kukusanya ushahidi wa kuunga mkono; kutohitimisha nia kutokana na ishara |
| Uthibitishaji kwa kulinganisha data za nje | Onyo na ulinganisho wa vyanzo | Utekelezaji mdogo chini ya kanuni zilizoidhinishwa | Kutathmini uaminifu wa chanzo cha nje na kufunga onyo |
| Uhifadhi wa nyaraka | Rasimu inayoweza kuhaririwa | Usaidizi wa kiofisi | Kukagua uaminifu kwa chanzo, kuhariri na kuidhinisha |
| Hitimisho la uhakikisho | Usanisi wa rasimu | Hakuna utegemezi huru | Kutathmini ushahidi kwa kujitegemea na binadamu kuunda hitimisho |
Je, anomali iliyopatikana na AI ni ushahidi wa greenwashing?
Hapana. Katika utafiti, anomali inafafanuliwa kuwa mkengeuko kutoka kwa muundo unaotarajiwa, mfululizo wa muda, kanuni ya ndani, uhusiano wa kampuni rika au uhusiano kati ya nyaraka; mkengeuko wa aina hiyo uliotiwa alama na AI ni ishara tu ya hatari inayopaswa kuchunguzwa. Modeli ya anomali pekee haithibitishi taarifa potofu, upotoshaji wa kukusudia au nia ya greenwashing.
Kwa mfano, kushuka kwa ghafla kwa ukubwa wa matumizi ya nishati kunaweza kutokea katika kipindi kilekile cha mabadiliko ya mpaka wa utoaji taarifa. Uwiano wa uzalishaji unaweza kutolingana na rekodi za uendeshaji. Kampuni inaweza kuwasilisha simulizi thabiti la mpito huku matumizi ya mtaji yakiukosa kuunga mkono mkakati huo.
AI inaweza kuwa na manufaa katika kupata kutolingana huku kulikosambaa katika mamia ya kurasa na vyanzo tofauti vya data. Hata hivyo, kutafsiri matokeo, kutathmini mabadiliko ya mpaka, kuhesabu upya na kubaini kama ushahidi ni muhimu ni jukumu la mtaalamu wa kibinadamu.
Kwa nini Base rate ni muhimu?
Ikiwa kiwango halisi cha kutokea kwa taarifa potofu muhimu ni cha chini, hata modeli ya anomali inayoonekana kuwa na unyeti na umahususi mkubwa inaweza kutoa false positive nyingi. Matokeo yake, timu ya uhakikisho inaweza kuchoshwa na maonyo na kukosa vighairi muhimu kweli.
Kinyume chake, kizingiti kikiongezwa mno, idadi ya false positive inaweza kupungua lakini idadi ya false negative ikaongezeka. Kwa hiyo utafiti haupendekezi kizingiti kimoja cha anomali kwa matumizi yote.
Rekodi ya urekebishaji inapaswa kujumuisha angalau hali inayolengwa, ulimwengu wa data uliochunguzwa, kizingiti, sampuli ya uthibitishaji, base rate inayotarajiwa, uwiano unaokubalika wa false-positive/false-negative na escalation rule.
External-data triangulation hufanya nini?
AI inaweza kulinganisha ufichuzi wa kampuni na taarifa za wadhibiti, rekodi za uzalishaji, data za nishati, rekodi za matukio, taarifa za kijiografia au za satelaiti na ripoti za vipindi vilivyopita.
Hata hivyo, chanzo cha nje chenyewe kinapaswa kutathminiwa kwa mamlaka, wigo, uhalisia wa wakati na ulinganifu wa mbinu. Data haikubaliki moja kwa moja kuwa ya kuaminika kwa sababu tu “imetoka nje”.
Vilevile, mfumo wa maonyo ya AI unaofanya kazi mfululizo haumaanishi “continuous assurance”. Kila tahadhari inayotolewa mfululizo inahitaji mchakato wa mwitikio, escalation na closure.
Je, Generative AI inaweza kutayarisha karatasi ya kazi?
Generative AI inaweza kutayarisha muhtasari wa karatasi za kazi, viungo vya ushahidi au rasimu za taratibu. Hata hivyo, maandishi yaliyotolewa lazima yapatanishwe na faili asili, na prompt muhimu, nyenzo za chanzo, matokeo, marekebisho na idhini zihifadhiwe katika rekodi ya jukumu.
AI haiwezi kuunda yenyewe maoni ya mwisho ya uhakikisho. Umuhimu, ushahidi wa kutosha na unaofaa, ushahidi unaokinzana, hitimisho la mwisho na saini ya ripoti vimefafanuliwa wazi katika utafiti kuwa maamuzi ya kitaaluma yasiyoweza kukabidhiwa.
Utafiti unatambua hatari zipi za AI?
Chanzo kinatambua makundi manane tofauti ya hatari:
| Hatari | Utaratibu mkuu wa kosa | Matokeo yanayoweza kutokea | Udhibiti mkuu |
|---|---|---|---|
| Hatari ya data na mipaka | Data ingizi za ESG zisizokamilika au zenye wigo usio sahihi | Uainishaji na mwenendo unaopotosha | Population reconciliation, udhibiti wa mipaka, source lineage |
| Hatari ya Hallucination na source fidelity | Maudhui yasiyo na msingi au kuachwa kwa taarifa muhimu | Karatasi ya kazi au hitimisho lisilo sahihi | Kiungo cha chanzo na kulinganisha na rekodi asili |
| Ufafanuzi na uwezo wa kuzalisha upya | Kutoweza kuunda upya modeli, toleo au prompt | Mapitio dhaifu na audit trail | Rekodi za zana/toleo, log za prompt na maelezo ya uthibitishaji |
| Bias | Upendeleo wa data za mafunzo, lugha, sekta au uteuzi wa sampuli | Viwango visivyo na uwiano vya vighairi | Uthibitishaji uliotabakwa na challenge set |
| Hatari ya Base-rate na kizingiti | Kutopuuzwa kwa kiwango cha kuenea na gharama ya kosa | Uchovu wa maonyo au kosa muhimu lililokosekana | Urekebishaji ulioandikwa |
| Detection logic exposure na gaming | Mtayarishaji kujifunza mantiki ya jaribio | Udanganyifu chini ya kizingiti au metric substitution | Majaribio yanayobadilishwa, usiri unaodhibitiwa na corroboration huru |
| Overreliance na shirking | Mkaguzi kukubali matokeo ya AI bila kuyahoji | Kudhoofika kwa mashaka ya kitaaluma | Utaratibu wa chini kabisa wa binadamu, log na quality review |
| Usiri, usalama wa mtandao na uwajibikaji | Data nyeti kuingizwa katika mfumo usiofaa au wajibu kutokuwa wazi | Uvujaji wa data, hatari ya kisheria au kosa lisilo na mwenyewe | Mazingira yaliyoidhinishwa, udhibiti wa ufikiaji, umiliki wa uamuzi na incident process |
Kwa nini “Human-in-the-loop” peke yake haitoshi?
Kulingana na utafiti, uwepo tu wa binadamu katika mchakato hautoi uhakikisho wa kutosha; suala kuu ni katika hatua gani binadamu anaweza kuingilia, ni matokeo gani analazimika kuidhinisha na ni maamuzi gani hayawezi kukabidhiwa kwa AI katika hali yoyote. Kwa hiyo, mfumo unatumia “human decision gates” zenye wamiliki wazi wa maamuzi badala ya usimamizi wa kibinadamu usio tendaji.
Jina la mkaguzi linaweza kuwa katika ripoti ya mwisho, lakini ikiwa rekodi ya jukumu haionyeshi kile ambacho binadamu alihoji kweli, ni matokeo gani ya AI aliyokataa, ni taratibu gani za ziada alizotekeleza au ni ushahidi gani aliotegemea kufanya uamuzi, uwepo wa binadamu wa kiutaratibu pekee hautoshi.
Je, watayarishaji wanaweza kujifunza kudanganya majaribio ya AI?
Moja ya hatari maalumu za utafiti ni strategic gaming. Kampuni zikigundua kuwa mtoa uhakikisho anatumia mara kwa mara majaribio na vizingiti vilevile vya kiotomatiki, zinaweza kurekebisha utoaji taarifa ili ubaki chini tu ya vizingiti hivyo au kutumia kipimo kingine badala ya metriki inayofuatiliwa.
Kwa hiyo, uwazi wa utawala na kufichua kwa mtayarishaji maelezo yote ya majaribio ya ukaguzi si kitu kimoja. Muundo wa udhibiti, uwajibikaji na vigezo vinaweza kuwa wazi; lakini exact alert thresholds, michanganyiko ya majaribio na vichochezi vya sasisho la modeli vinaweza kuhifadhiwa kwa usiri unaodhibitiwa ikiwa kuvifichua kutadhoofisha ufanisi wa uhakikisho.
Je, Agentic AI inakataliwa kabisa?
Hapana. Utafiti haukatai kabisa matumizi ya agentic AI; unakataa tu hitimisho huru la kitaaluma. Mifumo midogo ya agentic inaweza kutumia zana zilizoidhinishwa mapema kutekeleza taratibu za retrieval, reconciliation na majaribio ndani ya ruhusa zilizobainishwa, lakini michakato hii lazima iwe na log zinazoweza kukaguliwa, stop conditions na checkpoint za binadamu.
Mfumo wa Agentic hauwezi kubaini umuhimu, kubadilisha wigo wa uhakikisho, kuamua kwamba ushahidi unaokinzana umetatuliwa, kutoa hukumu ya mwisho kuhusu utoshelevu wa ushahidi au kutia saini ripoti ya uhakikisho.
Mbinu na Matokeo ya Utafiti
Maswali matatu ya utafiti
- AI inaweza kuunda thamani ya uchanganuzi yenye kuaminika katika taratibu zipi za uhakikisho wa uendelevu, na ni masharti gani ya data/urekebishaji yanayohitajika?
- Ni hatari zipi za kiufundi, kiushahidi, usiri, motisha na uwajibikaji zinazojitokeza AI inapoathiri kazi ya uhakikisho wa ESG?
- Ni haki zipi za maamuzi, mipaka ya utegemezi, udhibiti na metriki za tathmini zinazopaswa kuunda uhakikisho wa uendelevu unaosaidiwa na AI kwa uwajibikaji?
Kwa nini ni utafiti wa dhana badala ya wa kijaribio?
Waandishi wanasema kwamba uhakikisho wa uendelevu unaopitia AI bado haujafikia ukomavu wa kuunda data pana na wakilishi za nyanjani. Wanaeleza kuwa katika hatua hii kupima zana moja moja hakutawakilisha usanifu mzima wa uhakikisho.
Vilevile, mapitio ya kimfumo yanaweza kuorodhesha kandokando fasihi nne tofauti, lakini yasitoshe kuunda uhusiano wa maamuzi kati yake. Kwa hiyo, utafiti unatumia integrative conceptual design inayounganisha fasihi za sustainability assurance, accounting/auditing, AI governance na fraud/monitoring.
Mfumo uliundwaje katika hatua nne?
- Kugawanya mchakato wa uhakikisho: uzalishaji wa ushahidi, taratibu za uchanganuzi, tathmini ya hatari, uamuzi wa kitaaluma, uhifadhi wa nyaraka na utoaji taarifa.
- Kulinganisha uwezo wa AI na taratibu: retrieval/extraction, classification/mapping, anomaly detection, external triangulation na generative drafting.
- Stress-test ya hatari: kosa la kiufundi, evidential status, confidentiality, incentive na accountability.
- Usanisi: reliance levels, non-delegable decision gates, controls na ex-post metrics.
Jaribio la mantiki ya usanifu lenye maswali matano
Kila eneo la matumizi, kiwango cha utegemezi, udhibiti na metriki katika mfumo lazima lipite maswali haya matano:
- Ni taarifa gani zinaingia katika utaratibu wa AI?
- Ni matokeo gani yanayoundwa?
- Matokeo haya yanaweza kushindwaje?
- Ni nani mwenye mamlaka ya kutegemea matokeo haya?
- Matumizi na mwitikio wa binadamu yanaandikwa kwa ushahidi gani?
Vipengele visivyojibu maswali haya yote matano vimerekebishwa au kuondolewa katika mfumo.
Usanifu mkuu wenye tabaka tano
Figure 1 katika ukurasa wa 15 wa makala chanzo inaonyesha mfumo katika tabaka tano:
- Evidence-ready ESG inputs: mipaka, vyanzo, mbinu, udhibiti na ufuatilikaji.
- AI procedures: extraction, mapping, testing, anomaly detection, triangulation na documentation.
- Signals & risk: urekebishaji wa matokeo ya AI kwa kuzingatia kizingiti, base rate, gharama ya kosa na relevance.
- Human gates: umuhimu, wigo, mgongano, utoshelevu wa ushahidi na maamuzi ya approve/reject/escalate.
- Outputs: karatasi za kazi, matokeo, vighairi, uhifadhi wa nyaraka na utoaji taarifa.
Governance inakata tabaka hizi zote. Security, logging, safeguards, review na accountability hutumika katika kila hatua, si mwishoni mwa mchakato tu.
Ishara iliyotolewa na AI inapokataliwa, inapohitaji kurekebishwa upya au ushahidi wa ziada unapohitajika, mfumo hurudi kwenye tabaka lililotangulia. Kwa hiyo, modeli si mnyororo wa mstari wa “AI inachanganua na kutoa ripoti”.
Viwango vya L0–L4 vinavyobainisha kiasi gani AI inaweza kutegemewa ni vipi?
Mfumo unagawa matumizi ya AI katika viwango vitano vya utegemezi: katika L0 AI haitumiki; L1 inaruhusu usaidizi wa kiofisi/clerical pekee; L2 inatoa pendekezo la uchanganuzi; L3 inaruhusu utekelezaji mdogo wa agentic ndani ya ruhusa zilizobainishwa; na L4 inamaanisha AI kufanya kwa uhuru maamuzi ya kitaaluma kama umuhimu, utoshelevu wa ushahidi na hitimisho la mwisho la uhakikisho, jambo ambalo limepigwa marufuku.
| Kiwango | Jukumu la AI | Mfano | Udhibiti wa binadamu | Hali |
|---|---|---|---|---|
| L0 — No AI | AI haitumiki | Mazingira ya data nyeti sana au yasiyofaa | Udhibiti wa kawaida wa jukumu | Inaruhusiwa |
| L1 — Clerical assistance | Kutafuta, kuchimba, kupanga muundo na kuunda rasimu | Retrieval ya nyaraka, extraction iliyounganishwa na chanzo | Ukaguzi wa ukamilifu na idhini | Inaruhusiwa |
| L2 — Analytical recommendation | Mapping, alama, exception na pendekezo | ESRS mapping, anomaly flags | Validation, calibration na challenge iliyoandikwa | Inaruhusiwa kwa udhibiti wa hali ya juu |
| L3 — Constrained agentic execution | Utekelezaji wa jukumu lenye hatua nyingi lililoidhinishwa mapema | Reconciliation, external-data checks, alert workflow | Checkpoint, stop condition, log na exception approval | Inaruhusiwa tu katika mbinu na mazingira yaliyothibitishwa |
| L4 — Autonomous professional decision | Kuamua umuhimu, utoshelevu wa ushahidi au hitimisho la mwisho | Final assurance conclusion au sign-off | Udhibiti wa jina tu baadaye hautoshi | Imepigwa marufuku |
Legal AI classification na kiwango cha utegemezi si kitu kimoja
Mfumo kutohesabiwa kuwa “high-risk” chini ya EU AI Act hakumaanishi kuwa unaweza kutumiwa kwa utegemezi mkubwa katika jukumu la uhakikisho. Mfumo unatenganisha uainishaji wa kisheria na engagement-level assurance risk.
Hata kama zana haiingii katika kundi la kisheria la high-risk, ikiwa matokeo yake yanaathiri uamuzi muhimu wa uhakikisho, inaweza kuhitaji udhibiti mkali wa kiwango cha L2 au L3. Kinyume chake, uzingatiaji wa AI Act haufanyi uamuzi huru wa kitaaluma katika L4 ukubalike.
Udhibiti wa kiutendaji
Matriki ya udhibiti ya utafiti inashughulikia hasa maeneo yafuatayo:
- Engagement acceptance na tool approval.
- Data population na boundary control.
- Source fidelity.
- Model na prompt validation.
- Threshold na error-cost calibration.
- Human decision gates.
- Anti-gaming safeguards.
- Confidentiality na privacy.
- Quality review na incident response.
Udhibiti huu umehusishwa na misingi ya udhibiti au kitaaluma kama ISSA 5000, ISA 500, EU AI Act, NIST AI RMF na, inapohitajika, GDPR. Waandishi hawadai kuwa viwango hivi vinalazimisha zana maalumu za AI; wanaonyesha jinsi wajibu uliopo wa uhakikisho unavyoweza kutumiwa katika taratibu zinazopitia AI.
Mafanikio ya mfumo yanawezaje kujaribiwa?
Waandishi wanakataa swali “AI imetumiwa kwa kiasi gani?” kama metriki ya mafanikio. Kinachopaswa kupimwa ni kama mchakato wa uhakikisho unaosaidiwa na AI unafanya kazi vizuri zaidi kwa usahihi, uaminifu, muda, uwezekano wa kupitiwa na mashaka ya kitaaluma.
| Kipimo cha tathmini | Metriki ya mfano | Muundo unaowezekana wa utafiti |
|---|---|---|
| Ubora wa ugunduzi | Precision, recall, false-positive, false-negative | Data za benchmark, jaribio la nyuma, jaribio linalodhibitiwa |
| Ubora wa ushahidi | Uwiano wa source link halali, reproducibility, unresolved contradiction | Design-science na mapitio ya faili |
| Juhudi na muda wa ukaguzi | Muda wa taratibu, alert closure time, wigo wa mkusanyiko wa nyaraka | Tafiti za nyanjani au majukumu yaliyolinganishwa |
| Mashaka ya kitaaluma | Marudio ya challenge, override na taratibu za ziada | Jaribio la kitabia na uchanganuzi wa process-log |
| Uwajibikaji | Ukamilifu wa log, named approvals, incident remediation | Quality-review na utafiti kifani |
| Usahihi na manufaa ya taarifa | Correction, restatement, qualification, imani ya mtumiaji | Uchanganuzi wa nyaraka za kale na tafiti za watumiaji |
| Ubadilikaji wa kimkakati | Tabia ya mtayarishaji karibu na majaribio yanayojulikana | Longitudinal field na game-theoretic experiments |
Mfano wa Scope 3 unaonyesha jinsi mfumo unavyofanya kazi
Utafiti unatumia hali ya kampuni inayotangaza upungufu mkubwa wa mwaka hadi mwaka wa uzalishaji wa Scope 3 ili kuonyesha mfumo.
Katika tabaka la kwanza, mtaalamu anakagua kama wigo wa kundi, mpaka wa mnyororo wa thamani, vipengele vya uzalishaji, mbinu za makadirio na rekodi za chanzo ziko tayari kuwa ushahidi.
Katika tabaka la pili, AI inakusanya ufichuzi wote wa Scope 3, inaunganisha na vyanzo vyake, inalinganisha na nukta za data za ESRS E1 na kufanya majaribio ya ulinganifu wa nyaraka/namba.
Katika tabaka la tatu, ishara za AI zinarekebishwa. Ikiwa upungufu wa uzalishaji unatokea katika kipindi kilekile cha kufinywa kwa mpaka wa utoaji taarifa au mabadiliko ya mbinu ya kipengele cha uzalishaji, matokeo yanaweza kutiwa alama kama boundary- au method-driven change badala ya uboreshaji halisi wa utendaji.
Katika tabaka la nne, umuhimu, utoshelevu wa ushahidi, utatuzi wa mgongano kati ya simulizi na data za uzalishaji/matumizi ya mtaji na hitimisho la uhakikisho ni wajibu wa mtaalamu wa kibinadamu.
Katika mchakato mzima, rekodi za prompt, tool version, threshold na human override huhifadhiwa.
Hitimisho zinazoungwa mkono na utafiti
- AI inaweza kupanua utafutaji wa taarifa na wigo wa uchanganuzi katika uhakikisho wa uendelevu.
- Thamani ya kiushahidi ya matokeo ya AI inategemea chanzo, urekebishaji, uwezo wa kuzalisha upya na tathmini ya kitaaluma.
- Kiwango cha utegemezi kinapaswa kupunguzwa kulingana na umuhimu wa matokeo ya utaratibu.
- Umuhimu, utoshelevu wa ushahidi, utatuzi wa ushahidi unaokinzana na hitimisho la mwisho ni maamuzi yasiyoweza kukabidhiwa.
- Ugunduzi wa anomali hauwezi kutumiwa kwa uaminifu bila kuzingatia base rate na gharama ya kosa.
- Utawala unapaswa kujumuisha si kosa la modeli pekee, bali pia gaming ya mtayarishaji na hatari ya overreliance/shirking ya mkaguzi.
Hitimisho zisizoungwa mkono na utafiti
- Haijaonyeshwa kuwa modeli fulani ya AI ina mafanikio zaidi kuliko mbinu za jadi za uhakikisho.
- Haijajaribiwa kwa njia ya kijaribio kwamba mfumo huongeza kwa vitendo ubora wa taarifa za kifedha au uendelevu.
- Anomali iliyotiwa alama na AI si ushahidi wa taarifa potofu au greenwashing.
- Matokeo ya AI pekee hayawezi kukubaliwa kama ushahidi wa uhakikisho wa kutosha na unaofaa.
- Lebo ya “Human-in-the-loop” pekee haihakikishi usimamizi bora wa binadamu.
- Uzingatiaji wa EU AI Act haumaanishi kuwa uamuzi wa kitaaluma wa uhakikisho unaweza kukabidhiwa kwa AI.
Mapungufu na tafiti zijazo
Utafiti ni wa dhana na hakuna jaribio lililofanywa kwa modeli maalumu, jukwaa la programu au jukumu halisi la uhakikisho. Hakuna ushahidi wa kijaribio unaotolewa kwamba mfumo huzalisha assurance quality ya juu zaidi.
Ulinganishaji wa udhibiti uliendelezwa hasa katika mazingira ya Ulaya. Ingawa miundo kama ISSA 5000 na NIST imekusudiwa kutoa matumizi mapana zaidi, marekebisho na uthibitishaji wa ziada vinahitajika katika mazingira tofauti ya udhibiti.
Gharama ya utekelezaji, ukubwa wa kampuni na proportionality bado havijatatuliwa kikamilifu.
Field case studies, behavioural experiments, design-science projects na archival studies zinapendekezwa kwa tafiti zijazo. Hasa, athari ya mipaka ya utegemezi kwa auditor judgement, kama agentic AI inadhoofisha professional scepticism inapoongeza uwezo wa kurudia, athari ya taarifa ya base-rate kwa maamuzi ya mapitio na jinsi watayarishaji wanavyobadilika kulingana na majaribio ya kiotomatiki vinapaswa kuchunguzwa.
Maelezo ya Chanzo na Mbinu
Kichwa asili: Artificial Intelligence in Sustainability Assurance: Accounting Challenges, Audit Risks and a Conceptual Framework for ESG Verification
Waandishi: Radosveta Krasteva-Hristova; Vanya Georgieva.
Corresponding author: Vanya Georgieva.
Taasisi: Department of Accounting, Tsenov Academy of Economics, Svishtov, Bulgaria; Faculty of Economics, Agricultural University-Plovdiv, Plovdiv, Bulgaria.
Jarida: Accounting and Auditing.
Mchapishaji: MDPI, Basel, Switzerland.
Rekodi ya kibibliografia: 2026, Volume 2, Issue 3, Article 15.
DOI: 10.3390/accountaudit2030015
Tarehe ya kuchapishwa: 1 Septemba 2026.
Tarehe za uhariri: Received 15 July 2026; Revised 13 August 2026; Accepted 14 August 2026.
Aina ya chanzo: Makala ya utafiti wa dhana iliyopitiwa na wenzao; integrative conceptual design.
Toleo la awali: Toleo la preprint la utafiti ambalo halikuwa limepitiwa na wenzao lilichapishwa kwenye Preprints.org mwezi Julai 2026. Chanzo cha kisayansi cha maandishi haya ya Verianla ni toleo la jarida lililopitiwa na wenzao.
Leseni: Creative Commons Attribution (CC BY).
Maeneo makuu ya vyanzo: Sustainability assurance; tafiti za uhasibu na ukaguzi; AI governance na algorithm auditing; fraud na monitoring incentives.
Misingi mikuu ya udhibiti/kitaaluma: CSRD, ESRS, ISSA 5000 na implementation guidance, ISA 500, EU AI Act, NIST AI Risk Management Framework na nyenzo za PCAOB GenAI.
Kikomo cha muda cha utafiti: Vyanzo vilivyopatikana hadi Julai 2026.
Mbinu: Kugawanya mchakato wa uhakikisho katika kiwango cha taratibu, kulinganisha uwezo wa AI na taratibu, stress-test dhidi ya familia tano za hatari na kusanisi matokeo katika mfumo wa reliance levels, non-delegable decision gates, controls na ex-post metrics.
Ufadhili: Utafiti haukupokea ufadhili wa nje.
Institutional Review Board: Haitumiki.
Informed Consent: Haitumiki.
Data Availability: Michango asili ya utafiti imetolewa katika makala; maombi ya ziada yanaweza kuelekezwa kwa corresponding author.
Tamko la matumizi ya AI: Waandishi wameripoti kwamba walitumia OpenAI ChatGPT (GPT-5) kuboresha lugha, kuhariri muundo na kutengeneza framework figure ya ufafanuzi; walipitia na kuhariri matokeo yote na kukubali kuwajibika kwa maudhui.
Mgongano wa maslahi: Waandishi wametangaza kuwa hakuna mgongano wa maslahi.
Michango ya waandishi: Uundaji wa dhana Radosveta Krasteva-Hristova na Vanya Georgieva; mbinu na uchanganuzi rasmi Radosveta Krasteva-Hristova; validation na investigation waandishi wote wawili; rasimu asili na review/editing waandishi wote wawili; uonyeshaji Radosveta Krasteva-Hristova; project administration Vanya Georgieva.
Kizuizi kikuu cha kimbinu: Utafiti unaendeleza muundo wa dhana. Bado haijathibitishwa kwa njia ya kijaribio kwamba mfumo uliopendekezwa hutoa ubora wa juu wa uhakikisho katika majukumu halisi.
Acha maoni
Anwani yako ya barua pepe haitachapishwa. Sehemu za lazima zimewekewa alama ya *