一份PDF格式的供应商可持续发展报告被上传后，AI在几分钟内把里面提到的能耗、排放、用水数据都提取了出来，团队负责人看着结果表格，第一反应是"这下轻松了"，但表格里"1200"这个数字后面跟着的单位是MWh还是GJ，报告正文和附注里写的是不是同一个口径，没有人核对过。

文档：同一份报告里，数字从来不是孤立存在的

一份ESG报告或供应商问卷通常有几十页，排放数据可能出现在正文表格、脚注、附录甚至图表标题里。同一个指标，正文写的是"范围一排放12,400吨"，附录里可能重复出现一次，单位却写成"12.4千吨"；有的报告在能耗部分用兆瓦时（MWh），到了排放部分又换成吉焦（GJ）。AI在读取文档阶段要做的第一件事，不是急着抓数字，而是先识别这份文档的结构——哪些是正文陈述、哪些是脚注说明、哪些是同一指标的重复披露。如果跳过这一步直接抓取，很容易把脚注里的行业平均值当成企业自己的实测数据，或者把去年同期对比数字当成当期数据。更常见的情况是，一份报告里同一个"范围一排放"指标，正文表格给出一个总量，附录里按业务板块拆分出几个分项，两组数字看起来都对，加总起来却对不上——这不是报告写错了，而是分项口径和总量口径本身就存在细微差别（比如总量包含了某个已出售业务板块的historical数据，分项统计里已经剔除）。AI如果只抓其中一处，得到的会是一个片面的数字，看不出这背后其实有两套并不完全一致的统计范围。

提取：抓到数字只是开始，不是结束

提取环节，AI要从非结构化的文本、表格甚至扫描图片里，把数字、单位、指标名称、报告期间这几项一起抓出来，而不是只抓一个孤立的数字。举例来说，"2024财年，公司范围二排放（市场基准）为8,600吨CO2e"这句话里，至少包含五个要素：数值8,600、单位吨CO2e、指标类型范围二、核算方法市场基准、时间范围2024财年。只抓数字漏掉后面的限定词，是最常见的提取错误来源。有的报告財年不是自然年（比如4月至次年3月），提取时如果不记录清楚，后续汇总会把不同财年的数据错误地对齐到同一个日历年份里。

指标匹配：名字相近，不代表指的是同一件事

提取出来的原始字段，还要匹配到统一的指标体系里才能用于对比和汇总。这一步最容易出问题的地方，是名称相似但含义不同的指标被当成了同一个东西。比如"范围三类别1采购商品与服务排放"和"范围三总排放"，前者只是范围三里的一个子类别，后者是全部十五个类别的合计，如果匹配错误，一个只占整体一小部分的数字会被当成总量使用，差距可能是几倍甚至十几倍。类似地，范围二排放本身就有"地区基准"和"市场基准"两种核算结果，两者对同一家企业可能差异很大，如果报告没有明确标注用的是哪一种，AI匹配时就必须把这个不确定性标记出来，而不是随便选一个填进去，这类相近指标之间的语义混淆，在处理篇幅长、条款密集的ESG报告时尤其容易发生，这也是ESG数据标准化工作里最费时间的一部分。

单位校验：吨、千克、兆瓦时，换算错一位就是灾难

单位校验是整条流水线里最容易被忽视、却最容易出大问题的环节。常见的单位混淆包括：质量单位（吨/千克/磅）、能耗单位（千瓦时/兆瓦时/吉焦）、排放单位（tCO2e和kgCO2e）。一个供应商如果把能耗从千瓦时误写成兆瓦时，数字上只差了一个前缀，但实际相差一千倍，如果这个数字未经核对直接进入汇总表，后续基于它计算的排放强度、单位产品碳足迹都会失真。单位校验要做的，是把提取出来的每一个数值和它声明的单位放在一起，和该指标的合理数值区间做比对——如果一家中型工厂全年电力消耗被提取成"120,000,000度"，这个量级本身就值得先打回去核实，而不是直接采信。另一类容易被忽略的问题出现在跨语言、跨制式的报告里——有的供应商报告用逗号做千位分隔符，有的用小数点做千位分隔符，"1.200"在一种制式里是"1200"，在另一种制式里却是"1.2"，如果提取时套用了错误的数字解析规则，一个原本是四位数的数值会被读成个位数，或者反过来被放大一千倍，这类错误往往不会触发任何格式报错，因为解析出来的仍然是一个合法数字，只有和历史数据或者行业区间做比对，才能发现这个数字明显不合常理。

验证：口径、边界、时间范围三项对齐

单位对了，不代表数据就能直接使用，还要看核算边界。GHG Protocol允许企业按股权比例、财务控制权或运营控制权三种方式界定组织边界，同样一套实体资产，用不同的边界规则计算出的排放范围可能完全不同，这不是谁算错了，而是方法选择不同。验证环节要检查：这份报告披露的边界规则是什么、和企业库里已有的历史数据是不是同一种规则、财年起止日期是否一致、是否包含了新收购或已剥离的子公司。如果这几项没有对齐，同一家企业不同年份的数据放在一起做趋势分析，得出的"排放上升"或"排放下降"结论可能只是核算口径变化造成的假象，而不是真实的业务变化。举个具体情形：一家企业去年按运营控制权口径披露排放，今年因为股权结构调整改用财务控制权口径，两年的绝对数字放在一张趋势图里，哪怕业务规模完全没变，数字也可能出现大幅波动，如果验证环节没有把"口径已切换"这个信息标注出来，看报告的人很容易误以为这是真实的减排成果或者排放失控，这类因口径切换造成的假象，在跨年度汇总里比想象中更常见，也更难靠肉眼一眼看穿。

人工判断：校验不通过的数据，需要人来拍板

把以上几步走完，AI能做的是标出"这条数据单位存疑""这条数据边界和去年不一致""这条数据口径未标注，默认按地区基准处理是否合理"这类问题清单，但要不要采用某个数字、要不要联系供应商重新确认、要不要在报告里加注说明，这些判断需要有ESG专业背景或者法律合规经验的人来做决定。AI提取和校验解决的是效率问题——原本需要人工逐页核对几十份报告的工作，现在可以先由AI筛出大部分明显没问题的数据，把真正存疑的部分集中呈现出来；但AI不掌握企业内部的真实业务背景，也不能对报告的最终准确性承担责任，这也是为什么类似壹号国际这样的平台，会把单位和口径校验作为提取环节之后的独立步骤，而不是把"提取完成"直接等同于"数据可用"，和后续针对供应商ESG数据做的异常排查一样，最终都需要人工环节来收尾。