AI杀进ESG

出品｜虎嗅ESG组

作者｜陈玉立

头图｜视觉中国

本文是#ESG进步观察#系列第171篇文章

本次观察关键词：人工智能

一辆高铁的产品碳足迹，可能比很多人想象中更难算。

难点不在公式，而在它背后那张庞大的物料清单：上万种零部件、复杂工艺、多级供应商，以及需要逐条匹配的碳排放因子。

阳光慧碳（阳光电源旗下专注数字能碳领域的全资子公司）碳产品负责人李扬向虎嗅ESG组透露，以中车长春轨道客车为例，“清单可能会有3万条，人工去匹配数据集可能要花四五个月的时间”。

但现在，AI可以帮助进行一键建模和因子匹配。李扬说：“原来需要四个多月时间的产品碳足迹的核算工作，在AI的帮助下19个小时就可以完成。”

不过，效率跃升只是故事的一面。“提效”背后真正重要的问题是：为什么一家制造企业现在必须把一辆高铁、一瓶饮料、一台设备的碳足迹算清楚？为什么过去可以一年填一次表、做一份报告的ESG，现在开始进入产品流、订单流？

答案是，ESG正在从“合规披露”变成“经营压力”。

过去企业做ESG，很多时候是为了完成披露、应对监管、维护品牌形象。它离业务和利润表很远，因此经常被视为成本项。但现在，碳数据开始影响出海、客户采购和供应链准入；电力市场化则让用电从“月底缴费”变成每天都要计算的经营变量。

所以，AI+ESG真正值得讨论的，不是AI能不能帮企业写一份更漂亮的ESG报告，而是它能不能帮企业算清两笔账：一笔是影响订单的碳账，一笔是影响利润的电账。

“ESG的核心是能碳的精准计量及转化，产品碳和组织碳缺一不可，通过现在券商、链主等要求也可以看出，报告本身已经变成了一项能否出海、能否有生意做的必选项。”研华（中国）工业物联网事业群总经理蔡奇男说到。“AI+ESG的组合已经是一个必然的选项，提效来完成碳数据的内部盘查，必不可少。”

这也是本文的核心判断：AI+ESG最先跑通的商业化场景，不会是泛泛的ESG全流程智能化，而是碳核算、能源优化、电力调度和交易这些离钱最近、数据最重、计算最频繁的环节。

企业被三笔账推着走

AI+ESG之所以在最近几年变热，表面上看是AI技术成熟了，但实际上是企业正被迫重新理解ESG。

蔡奇男对虎嗅ESG组说得很直接：“过去很多ESG的数据大家都用自己填的，也不是自动采集的，说直白点，数据可信度跟真实度一般般。”

这点破了过去很多企业ESG工作的底色：手工填报、事后统计、口径不一、可信度有限。只要ESG还主要服务于年度报告，这套方式虽然低效，但也能勉强运行。可一旦ESG进入订单准入、出海合规和企业经营，它就不能再只靠填表，当下的ESG无疑正在从“披露逻辑”转向“经营逻辑”。

第一笔账，是企业的出海账。

李扬提到，企业合规出海首先要面对绿色贸易壁垒，“这涉及到碳管理等，此外‘漂绿’字眼在欧洲比较刺眼。如何防止被带上‘漂绿’的头衔，对于碳核算、管理数据的精准/溯源、核算标准等等都有严格要求。”

这意味着，企业不能只讲自己“绿色”“低碳”，还要拿出数据、方法、边界和核算依据。ESG不再只是品牌部门的表达，而开始变成业务部门的准入条件。

第二笔账，是企业的订单账。

研华科技深耕工业物联网四十余年，常年服务海内外各类制造企业，对当下供应链绿色约束有着直观体察。蔡奇男总结道，很多制造企业开始做产品碳足迹，最直接的动力来自客户：“现在很多企业在导入ESG也好，或者节能减排或者产品碳，第一大驱动力来自客户跟市场。”

他举了出口制造业的例子：“对于出口制造业部分的影响应该会很快发生。比如苹果供应链、欧洲企业供应链的要求等，都已把产品碳排放纳入供应链准入标准，这就迫使整条出口产业链开始调整。”

这句话背后是供应链采购逻辑的变化。过去客户看价格、交期、质量，现在产品碳足迹也开始成为供应商能力的一部分。企业能否提供可信的产品级碳数据，可能影响它在跨国供应链里的位置。

第三笔账，是企业的电费账。

阳光慧碳能源产品负责人琚洋认为，能源侧真正高频的AI场景，不是AI数字人、AI诊断、AI运维，而是“AI+调度”和“AI+交易”。原因很简单：频次不同，商业价值不同。

过去电力交易以年度、月度为主，琚洋估算，一年交易场景大概在13次。但随着绿电交易大发展后情况变了，“理论上每天都要做交易”，同时交易品种也扩展到辅助服务、需求响应、虚拟电厂、调峰、调频等。

这句话是理解AI+ESG商业价值的关键。

当交易从一年十几次变成每天发生，企业用电就不再是后端缴费动作，而变成一套高频经营决策：今天电价怎么走？高耗能设备能不能错峰？绿电怎么买？如果判断错了，电费会不会反而更高？

这也决定了AI+ESG的落地顺序：它不会先在所有ESG议题上全面铺开，而会先在碳账和电账两个最接近经营结果的场景里跑出应用。

重算碳账：产品越复杂，人越算不动

碳账里最先被AI改造的是产品碳足迹，原因很现实：工作量太大，专业门槛太高，人力不够。

李扬提到，企业做产品碳足迹，要给每一条原材料、能耗、废弃物匹配对应因子。看起来只是一个计算过程，但同一种材料，在不同国家、地区、生命周期阶段、工艺流程下，对应的因子可能都不同。

她举了“铜”的例子。同样是铜，面对不同的国家和地区，会有不同的因子系数，“因子数据库是国际通用的，它根据不同地理位置的系数不一样；同时还会根据材料的生命周期、工艺流程等环节造成系数不一样。”

产品碳足迹的计算公式简单，但数据和口径极其复杂。这就是碳核算真正耗人的地方：不是算术，而是匹配、判断和复核。

大型工业产品进一步放大了这个难度。高铁、轮船、整车这类产品，物料清单动辄上万条。即便一个熟练的碳管理工程师匹配一条因子只花1分钟，3万条也意味着几个月工作量。

而AI最先解决的，就是这种高重复、高专业、高耗时的环节。

阳光慧碳做的AI因子匹配，本质上是把碳管理工程师的经验、文献、数据库和企业物料信息连接起来。由iCarbon能碳平台先给出推荐匹配结果，再由人工复核。李扬也强调，AI匹配“不一定是完全准确”，但它能大幅节省时间。

iCarbon预测中心后台，供图：阳光慧碳

此外，AI还能解决一个更现实的问题：企业碳管理人才的缺失。

李扬说，国内近几年才密集讨论ESG和碳管理，“很多学校没有碳管理工程师这样的专业”。很多企业里的ESG人员，都是后来转岗或考证进入这个行业。她提到一个典型场景：“比如产品碳足迹的工作，如果让某个完全不了解的技术员工去做，也不太会太快上手。哪怕知道能耗数据是怎样，但物料清单由哪些组成？要匹配什么样的因子？如何分析我碳足迹的结果？都是不知道的。”

所以AI进入碳账，不只是为了“更快”，也是为了降低门槛。

过去，企业要做产品碳足迹，往往依赖少数碳管理专家和咨询公司；现在，AI可以把一部分知识、流程和经验固化到系统里，让非专家也能在系统引导下完成基础动作。

但这里必须强调一个边界：AI虽然能提高碳核算效率，但不能凭空制造真实数据。

尤其是范围三排放数据，远比企业内部能耗数据复杂。供应商是否提供、提供的数据是否准确、不同供应商口径是否一致，这些都不是AI单独能解决的问题。

李扬对这一点判断也很谨慎：“在中国的大部分企业想要做到全AI供应链溯源，但现在还没实现。”她进一步提到，目前更成熟的方式，还是通过SaaS收集供应链数据。“大部分头部企业能收到完整的供应链溯源的信息还比较少，因此用AI的方式想要去解决溯源的问题不太现实。”

这一判断给AI+ESG划出了一条边界：AI可以帮企业更快算碳、匹配因子、生成报告、判断置信度，但如果供应商没有提供真实数据，AI不能凭空变出一套可信的供应链碳账。

所以，AI最先解决的是“算不动”的问题，而不是“数据天然可信”的问题。

优化电账：把能耗降下来

如果说碳账影响订单和出海，电账影响的就是成本和利润。

过去很多企业以为自己已经做了能源管理，因为大屏能显示能耗曲线，月度报表能看到水、电、气消耗。但在蔡奇男看来，这只是第一阶段。

他说，早年的能源管理更多停留在“数据可视化”的阶段，只做能耗展示，没有形成优化与自动调控闭环。AI真正带来的价值，是智能优化策略和设备反控的完整能力。

以冰水机为例。传统控制逻辑往往是固定阈值：温度到了某个点，就启动第二台、第三台设备。蔡奇男说：“比如说温度到了20度，我就要启动第二台，再次触达20度的时候又启动第三台。”这种方式在他看来属于“机械、固定的程序化控制模式”。

AI介入后，控制逻辑变了。

冰水机要不要启停，不再只看温度一个值，还要看入口温度、出口温度、电机电压、电流状态，以及未来一到两个小时的生产排单。蔡奇男说：“我可以做一个更实时的控制，使得一天下来的能耗是最低的。”

如果设备是变频冰水机，控制还能更细。他进一步解释：“不像过去一开机就满负载，我可以给多台机组分配差异化负载，例如一号机组 60% 的负载、二号 80% 的负载、三号 50% 的负载，在满足厂区恒温需求的前提下，找到整体能效最优配比。”

这即是在AI赋能下能源管理从“看见”走向“控得住”的路径。

看见能耗只是数据透明，控得住才意味着系统开始参与运营决策。AI的价值不在于多画几张能耗曲线，而在于它能不能根据实时数据、设备状态、生产计划和电价信号，给出更优控制策略。

研华科技AI驱动降碳，供图：研华科技

研华昆山工厂就是一个样本。蔡奇男提到，研华自己的能源管理平台已经用了七八年，有完整数据基础；同时平台具备多系统融合、AI智能管控、模型分析能力。研华把光伏、储能、用电需求和生产排程放进同一套系统，做“最佳化的充放电管理”。在峰谷电价价差存在的情况下，这类调度可以直接影响电费。当然通过这些手段的节能降碳，我们也把它叫做实质性降碳逻辑，能够有效地将能耗降低，达到降碳措施，进一步形成平台“算-管-降” 一体化闭环应用。

但电账的难点也在这里：越接近生产现场，价值越大，阻力也越大。

企业当然希望省电费，但更怕生产风险。尤其是化工、石化、半导体等行业，生产线一旦停下来，损失可能远超节能收益。琚洋举过化工、石化行业的例子：“一条线如果停的话，基本上就几十个亿的损失。”

这意味着，AI能源管理不会一上来就全面接管生产主线。更现实的路径是，先从低风险、可量化、对生产影响较小的环节切入，比如空压、冷热源、照明、楼宇、储能、光伏，再逐步向更复杂的生产调度延伸。

因此，AI能源管理真正的门槛，不是看见数据，而是企业愿意开放多少控制权。短期能规模化的，一定是低风险、高频、收益可算的场景。

真正高频的生意，是调度和交易

在AI+能源管理里，最容易被展示的是诊断大屏、异常预警、AI运维。但从商业价值看，这些不一定是最强场景。

琚洋的判断很犀利：“我认为现在可能真正AI在能源里面能够应用的，就是AI加调度、AI加交易这两个场景里面肯定会用。”

为什么不把AI运维、AI诊断放在第一位？原因是频次不够高。

AI运维、AI诊断当然有价值，但很多诊断结果不是必须立刻处理。传统能源审计和节能诊断，周期通常以年、季度或月为单位，即使AI把周期缩短，也未必形成每天都发生的刚需。

调度和交易不同。

随着电力市场化推进，企业每天都要面对新的电价、负荷、光伏出力、储能状态和交易规则。琚洋提到，过去电力交易大概一年十几次，现在现货开展后，理论上每天都要做交易。同时交易品种也扩展到辅助服务、需求响应、虚拟电厂、调峰、调频等。

他把能源交易类比金融市场：“大的逻辑还是跟股票市场很像，就是我们金融市场里面现在用AI应用得比较多，在能源交易这个市场的话，我认为也会慢慢跟金融市场一样。”

这一类比不一定完全严谨，但方向是成立的：当电力交易变得高频、复杂、数据驱动，AI就有了发挥空间。

一家有分布式光伏、储能、充电桩和可调负荷的工厂，每天面对的已经不是简单用电问题，而是一组动态优化问题：什么时候买电、什么时候卖电、什么时候充电、什么时候放电、哪些负荷可以调整、哪些生产不能动。

琚洋给过一个收益区间：在不影响用户生产、不影响每天总用电量的情况下，通过调度方式降低用电价格，“能够差不多有一个3%到5%左右的收益”。

如果进一步做系统能效优化，比如冷热系统、空压系统，通过系统级算法提升能效比，在原来系统运行边界差、管理水平低的情况下，他认为“也能有大概5%到15%的提升”。

蔡奇男给出的节能区间也有参照意义。他提到，程序控制层面的改善可能在3%到8%左右；如果现场设备、基础条件具备，再结合AI控制策略，“可以达到将近10%到20%的节能成效，有的甚至能到二十几个百分点”。

这些数字说明，AI+能源管理不是单纯绿色叙事，而是可以进入企业成本表。

当然，前提仍然是数据和设备基础。蔡奇男说，如果一个企业连基础能源可视化都没有，高耗能电机也没更换，“其实你再上各种手段，效果也不见得好”。

这句话应该被放在所有AI+ESG热叙事之前：AI不是魔法。没有数据采集、设备接入、现场执行和管理配合，算法很难直接产生价值。

所以，调度和交易这条线的判断是：AI+ESG最像一门生意的地方，不是低频诊断和报告生成，而是高频、可量化、直接影响成本的能源调度和电力交易。

AI并非ESG的救世主

AI+ESG的饼很容易被画大。

它既可以被包装成绿色转型底座，也可以被描述成企业可持续发展的智能基础设施。但如果把话说实，现阶段它并不会全面重塑ESG。

它解决不了供应链不提供真实数据的问题，解决不了企业底层数字化薄弱的问题，解决不了生产主线对安全风险的担忧，也解决不了很多ESG项目商业回报不清晰的问题。

所以，AI+ESG不会全面爆发，而是会先在三个地方落地。

第一，是极耗人力的产品碳足迹核算。当碳数据开始影响出海和订单，人工核算已经跟不上复杂工业产品的颗粒度要求。AI可以先替代大量重复性、专家型工作，把碳账算得更快、更细。

第二，是低风险、可量化的能源优化。比如冷热源、空压、楼宇、储能、光伏等场景。这些场景离生产主线相对远，收益更容易评估，也更容易形成客户付费理由。

第三，是高频波动的电力调度和交易。这是最接近商业闭环的部分。因为它不是抽象的绿色价值，而是每天都可能发生的成本变化。企业愿意为省下来的电费和更稳定的能源策略付钱。

这三类场景有一个共同点：它们离“钱”更近。

过去ESG的问题，是太容易停留在价值观和披露层面；现在，AI把其中一部分场景拉回经营现场。

蔡奇男谈到未来时，用了一个词：“连续的智能”。他认为，未来企业AI智能体会从单点智能走向连续智能，能源管理会从事后盘查走向边缘端自主节能。他说：“以前是事后的能耗盘查找问题，然后想怎么去改善，将来会由边缘数据的采集进入到自主节能的实践。”

阳光慧碳总裁周文闻认为，能源行业的终极挑战是不可能三角：即安全、低碳、经济三者之间的相互制约。而AI有可能提供最优解，在不可能三角中寻找那个动态平衡点。

这可能是AI+ESG最值得期待的方向。企业不只是每年盘一次碳、每月看一次报表、出了问题再追责；它开始把碳、能耗、电力交易和供应链数据纳入日常经营系统。

谁能先把这些细碎的数据接起来、算清楚、调得动，谁才有机会把ESG从合规成本，变成真正的经营能力。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4878000.html?f=wyxwapp