高铁、轮船等大型工业产品的碳足迹核算，远比外界想象中复杂。上万种零部件、多级供应链、不同工艺流程，以及每个环节对应的碳排放因子，让传统核算方式面临巨大挑战。以中车长春轨道客车为例，其物料清单多达3万条，人工匹配数据需耗时四五个月。如今，人工智能技术正改变这一局面——通过AI一键建模和因子匹配，原本需要四个多月的核算工作，现在仅需19小时即可完成。
效率提升背后，是ESG从“合规要求”向“经营刚需”的转变。过去，企业完成ESG披露多是为了应对监管或维护品牌形象，与核心业务关联较弱。但随着碳数据成为出海准入、客户采购和供应链管理的关键指标，电力市场化改革使能耗成本从“月底结算”变为日常经营变量，ESG的逻辑正从“披露导向”转向“经营导向”。
企业如今面临三重压力：首先是“出海账”。阳光慧碳相关负责人指出，绿色贸易壁垒要求企业提供精准的碳核算数据，避免“漂绿”风险。例如，欧盟对产品碳足迹的核算标准、方法边界和数据溯源均有严格要求，ESG已从品牌部门的宣传工具转变为业务部门的准入门槛。其次是“订单账”。研华科技观察发现，苹果供应链、欧洲企业等已将产品碳排放纳入供应商评估体系，能否提供可信的碳数据直接影响企业在全球产业链中的位置。最后是“电费账”。随着绿电交易和电力现货市场的发展，企业每天需根据电价波动、设备状态和生产计划调整用电策略，能耗管理从年度规划变为高频决策。
AI最先突破的场景是碳核算。以产品碳足迹为例，同一材料在不同地区、生命周期阶段或工艺流程下，对应的碳排放因子可能完全不同。例如，铜的因子系数会因地理位置、生产环节差异而变化。传统核算依赖人工匹配，而AI通过连接企业物料信息、因子数据库和工程师经验，可自动推荐匹配结果，再由人工复核。尽管AI无法完全保证数据准确性，但能大幅缩短核算周期，并降低对专业人才的依赖。阳光慧碳负责人坦言，目前国内企业要实现全供应链AI溯源仍不现实，供应链数据真实性问题需通过SaaS系统逐步解决。
能源管理是另一重点领域。传统能源管理多停留在数据可视化阶段，而AI的价值在于实现优化策略与设备控制的闭环。例如，冰水机的启停不再仅依赖温度阈值，而是综合入口温度、出口温度、电机电压和未来生产排单等数据，动态调整设备负载。研华科技昆山工厂的实践显示，通过整合光伏、储能、用电需求和生产计划，系统可实现“最佳充放电管理”，直接降低电费成本。不过，企业接受AI控制的程度取决于风险容忍度——化工、半导体等行业因生产线停机成本高昂，更倾向从空压、照明等低风险场景切入，再逐步扩展至核心生产环节。
电力调度与交易是AI最具商业价值的场景。随着电力市场化推进，企业需每天面对电价波动、光伏出力变化和储能状态调整等复杂问题。例如，拥有分布式光伏、储能和可调负荷的工厂，需动态决策何时购电、售电、充电或放电。某能源企业负责人估算，通过调度优化，企业可在不影响生产的前提下降低3%-5%的用电成本；若结合系统能效优化，冷热源、空压等环节的节能空间可达5%-15%。研华科技进一步指出，程序控制改善可带来3%-8%的节能效果，而AI与设备升级结合后，部分场景的节能率甚至可超过20%。
尽管AI为ESG注入新动能，但其应用仍受限于企业数字化基础。若缺乏数据采集、设备接入和现场执行能力，算法难以落地。因此，AI+ESG的商业化路径将优先聚焦三类场景：一是高复杂度的产品碳核算，二是低风险的能源优化，三是高频波动的电力交易。这些场景的共同点是直接关联企业成本，能快速形成商业闭环。当碳数据、能耗指标和电力交易融入日常经营，ESG将从合规成本转变为企业的核心竞争力。
