一个全球ESG大模型项目立项之初，团队在需求文档里写下"需要企业ESG数据、碳排放数据、供应商数据"，看起来条理清楚，三个月后回头看这份清单才发现问题：碳排放数据里，有的是电表读数，有的是运输公里数，有的是供应商问卷里的一个百分比，三者的格式、单位、可信度完全不同，却被写在同一行里，模型真正能用的输入，远比这份清单描述的要细得多。

ESG报告：模型的起点，也是最不规整的一批文档

企业ESG报告、可持续发展报告是最基础的输入，但这批文档的难点不在于"有没有"，而在于格式极不统一——有的按GRI披露、有的按ISSB准则、有的两者都用，同一个指标在不同公司的报告里可能出现在完全不同的章节、用不同的名称。模型要从这些PDF里把数字、单位、统计口径一起提取出来，而不是只抓一个孤立的数字，这也是全球ESG数据提取环节里最容易出错的一步：抓对了数字，但抓错了它对应的财年或者子公司范围，后面所有计算都会跟着错。同一份报告里，"集团合并口径"和"母公司口径"的数字可能同时出现，表格标题里往往不会特别强调这一点，模型如果不能结合上下文判断当前段落属于哪个口径，抓取的数字看起来正确，实际已经和其他年份或其他公司的数字对不上。

碳、能源、水、废弃物：四类数据，四套来源

碳排放数据通常来自企业自己的核算报告或者第三方核查文件；能源数据的原始来源是工厂的电表、燃气表读数，很多时候比碳排放数字更底层、更可信；水资源数据往往分散在各个厂区的环保合规记录里，不同厂区的统计周期可能都不一样；废弃物数据则经常卡在分类口径上——什么算可回收、什么算危险废物，不同地区的环保法规定义都不完全相同。这四类数据表面上都属于"环境数据"，实际的采集难度和更新频率差别很大，模型如果把它们当成同一种输入去处理，很容易在单位换算或者时间对齐上出问题。比如电表读数按月更新，供应商问卷里的用水数据可能一年才更新一次，废弃物分类台账又是按批次记录，把这几种更新节奏不同的数据硬凑进同一张年度报表，模型需要先识别每一类数据各自的时间粒度，再决定怎么对齐，而不是假设所有数据都在同一个时间维度上。

员工、供应商、物流：跨部门、跨企业的数据最难拿

员工数据涉及人力资源系统，衡量口径本身就有争议，比如全职员工数和折算后的全职当量员工数，两者在不同报告里经常被混用，跨国企业还要处理不同国家劳动统计口径的差异，一个地区习惯按在册人数统计，另一个地区习惯按用工时长折算，模型如果不区分清楚，跨国合并后的员工总数很容易出现偏差；供应商ESG数据前面已经反复讨论过，问卷自填和现场核查的可信度天差地别，模型输入如果不区分这两类来源，会把不可靠的数据当成事实处理；物流和运输数据则要处理跨境多段运输的问题，一批货物从工厂到港口再到目的地仓库，中间可能经过好几次转运，每一段的运输方式、距离、装载率都需要单独记录，简单用起点到终点的直线距离去估算，误差可能非常大。这三类数据的共同点是，它们都不产生于企业自己的系统内部，要么来自其他部门，要么来自供应商，模型能不能拿到干净的输入，很大程度上取决于企业内部和企业之间的数据打通程度，而不是模型本身的能力。现实中，销售部门手里的客户碳足迹要求、采购部门手里的供应商合同、仓储部门手里的物流单据，往往分别存放在三套互不相通的系统里，模型要用的不是某一个系统里的数据，而是把这三套系统的字段对齐之后拼出来的一张完整表格，这一步的工作量经常被低估。

监管条文和证据文件：模型要"读规则"，也要"认证据"

监管条文是另一类完全不同性质的输入——它不是企业自己的数据，而是各个市场、各个监管机构发布的规则文本，条款经常修订，适用门槛、生效时间也在不断变化，模型需要持续跟踪这些文本的最新版本，而不是依赖训练时候的旧版本。把企业数据和监管条文放在一起之后，模型要做的是匹配：这家企业的员工人数、营业额对不对得上某个市场最新的适用门槛，这批进口材料属不属于某项边境碳调节机制覆盖的品类，这些匹配工作本质上是把结构化数据和文本规则对齐，而不是简单的关键词搜索，因为同一个概念在不同法规文本里，用词经常不完全一样。证据文件则是用来验证前面所有数据的支撑材料，比如购电合同、审计报告、海关单据，模型可以帮忙核对这些证据和申报数据是否对得上——比如合同上写的供电量和报告里的可再生能源占比能不能互相印证，日期是否覆盖对应的报告期——但证据文件本身的真实性，模型没有办法独立判断，一份伪造的合同扫描件，模型很难单靠内容识别出来，这一步仍然需要人工去核实原始单据、必要时联系开具方确认。把这几类输入放在一起看会发现，全球ESG大模型真正的工作，是把结构、来源、可信度都不一样的数据放进同一套核算逻辑里，而不是简单地"多喂数据"，数据的边界不理清楚，喂得再多也只是增加噪声，甚至会让模型在几个相似但不同的指标之间产生混淆——比如把某个排放类别的一部分和总量弄混，这类语义上的近似很容易被忽略，却会直接影响最终数字的准确性。类似壹号国际这样定位AI大模型的平台，需要先把这些数据类型的采集和校验流程搭好，模型的价值才谈得上——模型能做的是阅读报告、提取数字、匹配指标、搜索规则、识别数据缺失、整理供应商资料，替代不了真实的企业原始数据、真实的供应商信息、工厂的实际能源读数，也替代不了法律层面的专业判断和最终的合规责任，这些始终要落在人身上。