采购部门在整理季度供应商ESG问卷时发现，一家做了三年代工的工厂，今年上报的产量比去年增长了50%，同一份表格里的能源使用量却下降了80%，负责汇总的同事愣了一下，不确定这是工厂真的换了新设备，还是有人在填表时把小数点点错了地方。

历史数据：先有基线，才谈得上异常

判断一条数据是不是异常，前提是知道这家供应商过去几年的正常范围是什么样。同一家工厂连续几年的产量、能耗、排放数据放在一起，会形成一条大致平稳或者缓慢变化的曲线，正常的设备更新、订单波动、季节性生产，都会让曲线有起伏，但幅度通常是渐进的。如果没有历史数据做对照，单看某一年的数字，很难判断"能耗下降80%"到底是异常还是正常——也可能这家工厂本来规模就小，一次设备更新确实能带来大幅下降。这也是为什么异常检测的第一步，不是看某一条数据本身，而是把新数据放进这家供应商自己的历史序列里去比较。历史数据的年限也有讲究，只有两年数据和有五六年数据，得出的"正常波动范围"可信度完全不同——只有两年数据时，任何一次波动看起来都可能是"趋势"，而有更长的历史序列，才能分辨出哪些波动是季节性的、哪些是一次性事件造成的、哪些才是真正偏离常态的信号。对于刚刚纳入供应链管理体系、还没有历史数据积累的新供应商，这一层基线判断暂时无法进行，只能先依赖同类供应商的横向对比作为参照。

产量与能耗：两个数字必须一起看

产量和能耗（以及对应的排放）在物理上通常是强相关的——生产更多产品，一般意味着消耗更多电力、燃料，产生更多排放，除非发生了真实的能效提升、产品结构调整或者统计口径变化。前面提到的例子里，产量增长50%、能耗下降80%，两个方向相反且幅度都很大，这种组合在正常生产条件下发生的概率很低。AI能做的，是把产量数据和能耗、排放数据放在同一张时间线上做交叉检查，一旦发现类似"产量涨、能耗大幅跌"或者"产量跌、排放却涨"这种方向背离的情况，就把这条记录标记出来，而不是像人工逐份翻表格那样容易漏看。方向背离并不是唯一的信号，幅度错配同样值得关注——比如某家供应商产量只增长了5%，能耗却增长了60%，虽然方向一致，都是"增长"，但增长幅度差了十几倍，这种情况可能对应产品结构变了（换成了更耗能的工艺）、设备老化效率下降，也可能是统计范围扩大了（比如把原来没纳入统计的一条产线也算了进来），同样值得放进待核实清单，而不能因为方向没有背离就直接放行。

供应商数据：单看一家不够，还要看同类供应商

除了纵向对比一家供应商自己的历史数据，横向对比同类供应商也是重要的一层。如果同一个行业、类似规模、类似工艺的十家供应商，能耗强度（单位产量的能耗）大多落在某个区间内，其中一家的数字明显偏离这个区间，即便这家供应商自己的历史数据看起来"稳定"（比如已经连续两年都填了同一个偏低的数字），也值得进一步关注——因为持续偏离同行水平，本身也是一种异常信号，只是需要用同类对比才能发现，单看一家供应商的历史趋势是看不出来的，这也是ESG数据标准化之后才能做的一步工作，如果各家供应商填报的单位和口径都没统一，横向对比本身就会失真。

AI的异常识别逻辑：标记可疑，而不是判定对错

把历史数据、产量、能耗和同类供应商数据放在一起，AI做的是模式匹配和偏离度计算：这条数据和这家供应商过去的模式差多少、和同类供应商的普遍水平差多少、产量和能耗/排放的方向是否一致。数值上超出正常波动范围的记录会被标出来，附带上具体是哪个字段、偏离了多少、和什么做对比得出的这个结论。但需要明确的是，AI给出的是"这条数据组合不寻常，建议核实"，而不是"这条数据是错的"或者"这家供应商在造假"。真实原因可能是设备升级、产品结构变化、统计口径调整，也可能确实是填报错误或者数据造假，AI在这一步分不清楚是哪一种。这里还有一个容易被忽视的风险：供应商如果知道自己的数据会被拿去做异常检测，不排除会主动把数字填得"看起来正常"，让每年的波动幅度都刚好落在容易通过的区间内，这种情况下，数据本身的内部逻辑是自洽的，AI很难单靠统计规律发现问题，只有结合外部信息（比如同一供应商在其他客户那里披露的数据、行业公开的产能变化信息）交叉验证，才有可能发现这类刻意平滑过的数字。

人工核实：异常清单之后，还有真正的调查工作

AI标出可疑记录之后，接下来的工作要交给采购或ESG团队去做：联系供应商确认这段时间是否有设备更新或者产线调整、要求提供对应期间的电费单据或者用电记录、必要时安排现场核查。前面提到的供应商数据可信度分层里，供应商自己填报的问卷排在相对靠后的位置，电力账单、计量数据这类第三方或者原始凭证的可信度更高，遇到异常记录时，向供应商索要这类原始凭证，往往比反复追问"你确定这个数字对吗"更有效。有的工厂确实存在设备更新记录，但更新时间和数据异常出现的时间对不上——比如新设备是当年11月才装的，产量和能耗的异常波动却从年初就开始了，这种时间线不吻合，本身就是核实过程中一个重要的判断依据，说明供应商给出的解释未必是数据变化的真实原因，需要继续往下追问，而不能一句"换了新设备"就把异常记录直接结案。AI能把该关注的记录从几百份供应商数据里挑出来，缩短人工排查的范围，但联系供应商、核对凭证、做出"这条数据能不能用"的最终判断，仍然需要人来完成，这也是为什么类似壹号国际这样的平台，会把异常检测定位成"辅助发现线索"，而不是自动出具"数据造假认定"结论的工具，遇到长期无法提供原始凭证的供应商，最终仍要落到供应商ESG数据缺口的专项跟进上，而不是靠一次异常提醒解决问题。