AI Playbook от Google: гайд по автоматизации отчётности по устойчивому развитию

ESG-отчётность как кошмарный сон

Представьте: каждый квартал вы собираете данные из 15 разных систем. Энергопотребление из одних таблиц, выбросы CO₂ из других, социальные опросы из третьих. Потом пытаетесь найти взаимосвязи между снижением потребления воды и ростом производительности. Потом пишете 50 страниц текста, который должен соответствовать стандартам GRI, SASB и TCFD одновременно. И всё это нужно сделать вчера.

Типичная команда по устойчивому развитию тратит на это 6-8 недель чистого времени. Вручную. С ошибками. С субъективными интерпретациями. И с постоянным чувством, что где-то что-то упустили.

Зачем Google выпустил этот Playbook

Не из альтруизма. Google сам столкнулся с проблемой ESG-отчётности в своих масштабах (сотни дата-центров, тысячи поставщиков, миллионы метрик) и понял: без AI это уже нереально. Их команда потратила месяцы на эксперименты с Gemini и NotebookLM, выясняя, что работает, а что нет.

Результат — AI Playbook для ESG. Не абстрактные рекомендации, а конкретные промпты, workflow и примеры. Фактически, они отдали вам свой внутренний инструмент.

1 Подготовка данных: не загружайте всё подряд

Первая ошибка — скинуть в NotebookLM все PDF и Excel файлы, которые найдёте. Система утонет в мусоре. Google рекомендует структурированный подход:

• Слои данных: Разделите источники на три уровня: сырые данные (метрики), контекстные документы (отчёты поставщиков), стандарты (GRI, SASB)
• Очистка перед загрузкой: Удалите дубликаты, приведите единицы измерения к одному формату (все тонны CO₂, все кВт·ч)
• Метаданные: Добавьте в названия файлов информацию о периоде и источнике: "energy_q1_2025_factory3.csv", а не "data_new_final_v2.csv"

# Пример структуры папок для загрузки в NotebookLM
├── raw_metrics/
│   ├── energy_consumption_2024.csv
│   ├── waste_generation_2024.csv
│   └── water_usage_2024.csv
├── context_docs/
│   ├── supplier_reports_2024.pdf
│   ├── audit_results_q1.pdf
│   └── employee_surveys_summary.docx
└── standards/
    ├── gri_standards_2023.pdf
    ├── sasb_materiality_map.pdf
    └── tcfd_recommendations.pdf

2 Настройка NotebookLM: больше чем просто чат

NotebookLM — это не ChatGPT с загрузкой файлов. Это исследовательский ассистент, который строит ответы исключительно на ваших документах. Ключевое отличие: минимальные галлюцинации.

После загрузки документов создайте "источники знаний" — это тематические группы документов. Например:

• Источник "Метрики": Все CSV и Excel с числовыми данными
• Источник "Контекст": Текстовые отчёты, интервью, заметки
• Источник "Стандарты": Документы GRI, SASB, TCFD

3 Промпты, которые работают (а не просто "проанализируй данные")

Вот где начинается магия. Google в своём Playbook даёт конкретные промпты, проверенные на реальных данных. Не общие фразы, а точные инструкции.

Пример плохого промпта (так делают 90% людей):

Проанализируй данные по энергопотреблению и напиши отчёт

Почему это плохо? Слишком расплывчато. AI не знает, что именно анализировать, в каком формате выводить, на что обращать внимание.

Вот промпт из Google Playbook (берёте и используете):

Используя данные из источника "Метрики", проанализируй энергопотребление за 2024 год по месяцам и объектам.

Шаги:
1. Рассчитай общее потребление энергии в кВт·ч по каждому объекту
2. Выяви три объекта с наибольшим ростом потребления по сравнению с 2023 годом
3. Рассчитай углеродный след в тоннах CO₂-эквивалента (используй коэффициент 0,5 кг CO₂/кВт·ч)
4. Сравни показатели с целями на 2024 год из документа "energy_targets_2024.csv"
5. Предложи три конкретных меры по снижению потребления для каждого проблемного объекта

Формат вывода:
- Таблица с ключевыми метриками
- Три графика: тренд потребления, сравнение объектов, прогресс по целям
- Текстовый анализ на 200 слов с акцентом на бизнес-последствия
- Рекомендации в формате "мероприятие - ожидаемый эффект - срок реализации"

Видите разницу? Конкретика. Структура. Чёткие инструкции. AI понимает, что от него хотят, и даёт готовый к использованию результат.

Рабочий процесс: от сырых данных до презентации для совета директоров

Вот как выглядит полный цикл с AI Playbook:

С 7 недель до 10 дней. И это консервативная оценка. На практике некоторые команды сокращают время подготовки отчёта на 85%.

4 Интеграция с бизнес-системами: где брать данные

Самая большая проблема — не анализ, а доступ к данным. Они разбросаны по ERP, CRM, системам мониторинга, Excel-файлам на общих дисках.

Google предлагает двухуровневый подход:

1. Автоматический сбор: Настройте ежедневный/еженедельный экспорт ключевых метрик в облачное хранилище (Google Cloud Storage, S3)
2. Ручная загрузка: Для неавтоматизируемых источников (PDF отчёты, сканы) создайте процесс регулярного добавления в папку для NotebookLM

# Пример скрипта для автоматического сбора данных
import pandas as pd
import requests
from google.cloud import storage
from datetime import datetime

# 1. Данные из API систем мониторинга
def get_energy_data():
    response = requests.get("https://api.energy-monitor.com/v1/metrics",
                          headers={"Authorization": "Bearer YOUR_TOKEN"})
    return pd.DataFrame(response.json())

# 2. Данные из базы данных
def get_database_data():
    # Используйте инструменты вроде IDEAV, о котором мы писали ранее
    # Подробнее: /article/ideav-kak-zastavit-bazu-dannyih-govorit-na-yazyike-biznesa-i-zabyit-pro-sql-dzhungli/
    pass

# 3. Сохранение в облако
def upload_to_gcs(dataframe, bucket_name, destination_blob_name):
    storage_client = storage.Client()
    bucket = storage_client.bucket(bucket_name)
    blob = bucket.blob(destination_blob_name)
    
    # Конвертируем в CSV
    csv_data = dataframe.to_csv(index=False)
    blob.upload_from_string(csv_data, content_type='text/csv')
    
    print(f"Файл {destination_blob_name} загружен в {bucket_name}.")

# Основной процесс
if __name__ == "__main__":
    energy_df = get_energy_data()
    upload_to_gcs(energy_df, "esg-data-bucket", f"energy_{datetime.now().strftime('%Y%m%d')}.csv")

Ошибки, которые все совершают (и как их избежать)

Ошибка 1: Слепая вера в числа AI

AI считает быстрее человека, но может ошибаться в расчётах, особенно с процентами и агрегациями. Всегда проверяйте ключевые метрики вручную первые несколько раз.

Ошибка 2: Игнорирование контекста

AI видит только данные, которые вы ему дали. Если в отчёте поставщика есть важная сноска на странице 45, а вы загрузили только первые 20 страниц — AI её не учтёт.

Ошибка 3: Одинаковые промпты для разных задач

Промпт для анализа энергопотребления не подойдёт для социальных опросов. Создавайте библиотеку специализированных промптов под каждый тип данных.

Ошибка 4: Отсутствие human-in-the-loop

AI генерирует черновик. Человек проверяет, корректирует, добавляет экспертизу. Не делегируйте AI финальное решение — делегируйте рутину.

Что будет дальше: от отчётов к прогнозам

Сейчас большинство используют AI для автоматизации существующих процессов. Но следующий шаг — прогнозная аналитика.

Вместо "сколько CO₂ мы выбросили в прошлом квартале" вопрос станет "сколько мы выбросим в следующем, если откроем новый завод". Вместо отчётов о выполнении целей — моделирование разных сценариев.

Google уже тестирует такие сценарии в своём Playbook. Например, промпты типа:

На основе данных за последние 3 года спрогнозируй энергопотребление на 2025 год с учётом:
- Планов по открытию двух новых объектов
- Внедрения солнечных панелей на 40% площадей
- Повышения цен на электроэнергию на 15%

Дай три сценария: оптимистичный, базовый, пессимистичный.
Рассчитай финансовые последствия каждого сценария.

Это меняет игру. ESG перестаёт быть отчётной функцией и становится инструментом стратегического планирования.

С чего начать завтра утром

Не пытайтесь автоматизировать всё сразу. Начните с одного болезненного процесса.

1. Выберите один тип отчёта, который отнимает больше всего времени (например, квартальный отчёт по энергоэффективности)
2. Соберите все исходные данные за последний период в структурированные файлы
3. Загрузите в NotebookLM и создайте источники знаний
4. Возьмите готовый промпт из Google Playbook (или из нашей статьи про промпты Google для ESG) и адаптируйте под свои данные
5. Сравните результат AI с вашим ручным отчётом за предыдущий период
6. Итеративно улучшайте промпты на основе расхождений

Через месяц у вас будет отлаженный процесс для одного типа отчётов. Тогда берите следующий. Через полгода вы будете делать то, на что раньше тратили 6 месяцев, за несколько недель.

И да, ваш босс это заметит. Но не так, как в той страшилке про замену AI к 2026 году. Он заметит, что вы делаете более качественные отчёты быстрее. Что вы находите insights, которые раньше упускали. Что вы наконец-то занимаетесь стратегией, а не копипастой.

AI не заменит специалистов по устойчивому развитию. Он заменит рутину. А вы сможете заняться тем, что действительно создаёт ценность.