2026 年企業 ESG 報告強制納入人工智慧碳足跡與能源消耗披露指標
2026 年上路的 AI 碳足跡披露規範,並非單一法規,而是由多個監管體系交織而成的複合要求。歐盟 CSRD 的補充指引、ISSB 的揭露準則、以及各國在地化的施行細則,共同構成了企業必須遵循的框架。以下拆解其中最核心的三大要求,以及適用範圍的判定邏輯。
必須披露的三大類 AI 碳足跡指標
根據歐盟 2026 年第一季公告的最終指引,企業必須在 ESG 報告中披露以下三大類指標,且每類指標都須包含「絕對數值」與「強度指標」兩種呈現方式:
第一類:AI 系統全生命週期能源消耗
這類指標要求企業揭露 AI 系統在訓練、微調、推論與資料儲存四個階段的能源消耗總量,單位以兆瓦時(MWh)或吉瓦時(GWh)表示。企業須區分「自有基礎設施」與「外購雲端服務」的能源使用,並說明計算方法學與資料來源。若企業使用第三方 AI 服務(例如呼叫外部 API 的語言模型),則須揭露該服務的能源消耗估算值,或要求供應商提供相關數據。這項要求的難點在於,多數雲端服務供應商目前尚未提供細緻到「AI 工作負載」層級的用電數據,企業須透過合約條款或供應商議合來取得資訊。
第二類:AI 相關溫室氣體排放
能源消耗數據須進一步換算為溫室氣體排放,涵蓋範疇二(外購電力與熱能)與範疇三(外購雲端服務、硬體製造與運輸)。企業須以二氧化碳當量(CO2e)為單位,揭露 AI 系統的總排放量,並區分為「訓練排放」與「推論排放」。此外,企業也須說明其電力來源的排放係數選用邏輯,若使用再生能源憑證或綠電,須揭露憑證的來源與匹配方式。這部分的揭露,將使企業過去在範疇二減碳上的努力,首度被連結到具體的 AI 應用場景。
第三類:AI 能源效率與強度指標
除了絕對數值,企業也須揭露三項強度指標:每單位 AI 推論請求的平均能耗、每單位營收的 AI 相關碳排放、以及 AI 工作負載佔企業總用電量的比例。這三項指標的設計目的,是讓投資人與監管機構能夠比較不同企業的 AI 能源效率,並追蹤企業是否在 AI 規模擴張的同時,同步提升能源效率。企業若無法提供精確數值,須揭露估算方法與不確定性範圍,不得以「無法計算」為由省略。
哪些企業受影響?適用門檻與時間表
這套規範的適用範圍,採「規模門檻」與「風險門檻」雙軌制。規模門檻沿用 CSRD 的既有定義:大型企業(員工超過 250 人、營收超過 4,000 萬歐元、或資產總額超過 2,000 萬歐元,符合其中兩項)與上市櫃公司,自 2026 會計年度起強制適用。中小企業則自 2028 會計年度起適用,但若其 AI 系統年用電量超過 500 兆瓦時,則須提前於 2027 年納入揭露。
風險門檻則是針對「高耗能 AI 應用」的特別規定。無論企業規模大小,若其 AI 系統符合以下任一條件,均須自 2026 年起揭露:一、年度 AI 相關用電量超過 1,000 兆瓦時;二、AI 系統的訓練階段單次能耗超過 100 兆瓦時;三、AI 工作負載佔企業總用電量比例超過 15%。這套門檻的設計,是為了避免大型企業將高耗能 AI 專案「外包」給中小型供應商以規避揭露,同時也讓監管資源集中在環境影響較大的環節。
時間表方面,2026 年第一季為法規生效與指引公告期,企業須在 2026 年 6 月底前完成首次 AI 碳足跡盤查,並於 2027 年第一季隨年度 ESG 報告一併披露 2026 會計年度的數據。2026 年下半年至 2027 年上半年,監管機構將進行首輪抽查與輔導,針對揭露不實或方法學明顯偏差的企業,要求限期改善。2028 年起,未依規定揭露或揭露內容經查證有不實者,將面臨罰鍰與公開警示處分。
三、企業如何因應?實務操作與挑戰
面對這項新規,企業最常見的反應是「我們連 AI 用電怎麼算都不知道,怎麼揭露?」這種焦慮其來有自,因為 AI 碳足跡的盤查複雜度,確實高於傳統的組織型碳盤查。但這並不意味著企業只能束手無策。以下從實務操作角度,整理出企業因應的五個關鍵步驟,以及三個最常見的誤區。
從盤查到揭露:建構 AI 碳足跡管理體系的五個步驟
步驟一:界定 AI 系統邊界與盤查範疇
企業首先須盤點內部所有 AI 系統,並界定每個系統的邊界。這包括:自行開發的模型、微調的開源模型、外購的 AI 軟體、以及透過 API 呼叫的外部 AI 服務。邊界定義須符合監管指引的「營運控制法」原則:企業對該 AI 系統的運作具有實質控制力者,即須納入盤查。舉例來說,企業使用雲端供應商的基礎模型進行微調,並部署於自有應用中,則該微調與推論階段的能耗須由企業揭露;若企業僅是呼叫外部 API 而無任何模型控制權,則須揭露該 API 服務的估算能耗,並要求供應商提供數據。
步驟二:建立能耗數據蒐集機制
數據蒐集是整個流程中最耗工的一環。企業須與 IT 部門、雲端供應商、以及 AI 開發團隊協作,建立以下數據的蒐集管道:自有 GPU 伺服器的用電量(可透過電表或伺服器管理介面取得)、雲端執行個體的用電量(須要求供應商提供或使用估算工具)、AI 工作負載的執行時數與資源配置、以及資料儲存與傳輸的能耗。對於使用公有雲的企業,須優先與主要供應商(如 AWS、Azure、GCP)議合,取得細緻到執行個體層級的用電數據;若供應商無法提供,則須使用監管機構認可的估算模型,並在報告中說明估算方法與限制。
步驟三:選定排放係數與計算方法學
能源消耗數據須換算為碳排放,這涉及排放係數的選用。企業須依所在地區的電網排放係數計算範疇二排放,若使用再生能源憑證,則須揭露憑證的來源、數量與匹配方式。對於範疇三的雲端服務排放,則須使用供應商提供的排放係數,或依監管指引的預設係數計算。企業須在報告中完整說明方法學,包括邊界設定、數據來源、係數選用、以及不確定性分析。方法學一旦選定,須維持一致性,若要變更須揭露變更原因與影響數。
步驟四:建立內部控制與查證機制
揭露數據的可信度,取決於內部控制是否健全。企業須建立 AI 碳足跡數據的內部控制流程,包括數據蒐集的責任分工、數據品質的檢核程序、以及方法學變更的核准層級。此外,企業須安排第三方查證,針對 AI 碳足跡數據進行有限確信或合理確信。查證範圍應涵蓋數據蒐集的完整性、計算的正確性、以及方法學的合規性。查證報告須隨 ESG 報告一併發布,或於報告中揭露查證結論。
步驟五:揭露與持續改善
最後,企業須依監管格式揭露三大類指標,並說明管理方針與改善計畫。揭露內容應包括:AI 碳足跡的絕對數值與強度指標、與前一年度的比較分析、減量目標與達成進度、以及具體的節能措施(例如模型壓縮、推論優化、綠電採購、冷卻系統改善)。企業也須揭露 AI 碳足跡管理的治理架構,包括董事會監督、管理階層責任、以及跨部門協作機制。揭露不是終點,而是持續改善的起點;企業須建立年度檢討機制,滾動式優化盤查方法與減量策略。
常見誤區與合規風險
誤區一:以為只有科技業受影響
許多傳統產業企業認為,AI 碳足跡揭露是科技巨頭的事,與自己無關。但事實是,只要企業在日常營運中使用 AI 工具(例如客服機器人、文件處理、需求預測),就可能觸及揭露門檻。特別是金融業、零售業、物流業與製造業,其 AI 應用規模往往被低估。企業應盡速盤點內部 AI 使用情況,確認是否達到適用門檻,而非被動等待監管通知。
誤區二:以為雲端供應商的數據可以直接引用
部分企業認為,只要雲端供應商提供碳足跡數據,即可直接引用於 ESG 報告。但監管指引要求企業須確保數據的「相關性」與「完整性」,若供應商提供的數據僅涵蓋資料中心整體用電,而未區隔 AI 工作負載,企業仍須自行估算或要求供應商提供更細緻的數據。此外,企業也須揭露供應商數據的方法學與限制,不得將供應商的估算值當作確證數據使用。
誤區三:以為一次性盤查即可交差
AI 碳足跡的特性是變動快速:模型更新、應用場景擴增、雲端架構調整,都會顯著改變能耗數據。企業若僅在年度末進行一次性盤查,不僅數據品質堪慮,也無法及時發現異常。建議企業建立常態化的監控機制,至少每季更新一次 AI 能耗數據,並針對高耗能應用設置預警門檻,以便在年度揭露前完成必要的改善與說明。
四、AI 碳足跡揭露的產業差異與案例
不同產業的 AI 應用型態差異甚大,碳足跡揭露的挑戰也各不相同。以下針對金融業、製造業與科技業三個代表性產業,分析其揭露重點與實務案例。
金融業、製造業、科技業的不同挑戰
金融業:模型推論量大,但硬體控制力低
金融業的 AI 應用高度集中在風險評分、詐欺偵測、客服對話與投資分析,其特徵是推論請求量龐大,但多數企業採用外購雲端服務,對硬體與資料中心的控制力較低。這類企業的揭露難點在於:如何從雲端供應商取得細緻的 AI 工作負載能耗數據,以及如何將 AI 碳足跡與既有的範疇三盤查整合。實務上,部分領先銀行已開始要求雲端供應商提供「依服務類型區分」的用電數據,並在合約中納入數據提供條款。此外,金融業也須注意監管機關對「模型治理」的要求,將 AI 碳足跡納入模型風險管理框架。
製造業:邊緣 AI 能耗分散,盤查邊界難界定
製造業的 AI 應用涵蓋預測性維護、品質檢測、能源管理與供應鏈優化,其中不少應用部署於邊緣裝置(例如產線上的視覺檢測系統),能耗分散且難以集中監控。這類企業的揭露難點在於:如何界定邊緣 AI 系統的盤查邊界,以及如何取得邊緣裝置的用電數據。實務上,建議企業將邊緣 AI 系統依「是否具備獨立電表」分為兩類:具獨立電表者直接讀取數據;不具獨立電表者則以裝置額定功率乘以運轉時數估算,並在報告中說明估算方法。此外,製造業也須注意 AI 系統與生產設備的能耗界線,避免重複計算或漏算。
科技業:規模大、複雜度高,但數據基礎較佳
科技業是 AI 碳足跡揭露的領頭羊,也是監管機構重點關注的對象。大型科技企業擁有自有資料中心與 AI 基礎設施,數據蒐集能力較強,但同時也面臨規模大、系統複雜度高的挑戰。這類企業的揭露重點在於:如何將 AI 碳足跡與既有的資料中心能源管理系統整合,以及如何揭露供應鏈(例如晶片製造、伺服器組裝)的範疇三排放。實務上,部分領先企業已建立「AI 工作負載標籤」機制,在資源調度層級標記 AI 相關工作,以便從總用電中分離出 AI 碳足跡。此外,科技業也須注意監管機構對「綠電匹配」的嚴格要求,避免因憑證使用不當而導致揭露數據失真。
國際標竿企業的做法
儘管 2026 年新規尚未全面上路,部分國際標竿企業已提前布局,其做法值得參考。歐洲某大型電信集團在 2025 年即導入「AI 能耗帳單」制度,要求內部 AI 開發團隊在每次模型訓練與部署前,提交能耗估算與減量方案,並將能耗數據納入專案審核流程。該集團也與雲端供應商簽訂「能耗數據共享協議」,取得細緻到執行個體層級的用電數據,並用於內部碳定價機制。
美國某金融機構則建立了「AI 碳足跡儀表板」,整合雲端服務、自有伺服器與邊緣裝置的能耗數據,即時監控各 AI 應用的碳排放強度。該機構也將 AI 碳足跡納入供應商評選指標,要求雲端供應商提供碳排放數據與減量承諾,作為合約續簽的參考。亞洲某製造業者則針對邊緣 AI 系統開發了「能耗估算工具」,依裝置類型、運轉時數與負載率估算用電量,並定期以抽查方式驗證估算準確度,兼顧盤查完整性與作業可行性。
五、未來展望:AI 碳足跡揭露的下一步
2026 年的強制披露,只是 AI 環境足跡監管的起點,而非終點。從監管趨勢與技術發展來看,未來三到五年內,以下幾個方向值得企業提前關注。
首先,揭露範圍將從「能源與碳排放」擴大到「全環境足跡」。歐盟已在 2025 年的指引草案中預告,2028 年起將納入 AI 系統的水資源消耗、電子廢棄物與土地利用等指標。企業若僅關注碳排,未來恐面臨補揭露的壓力。建議企業在建立盤查體系時,預留擴充彈性,將水、廢棄物等數據蒐集管道一併納入設計。
其次,方法學將逐步標準化,估算空間將縮小。目前監管機構允許企業使用估算模型,但隨著數據蒐集技術成熟與供應商揭露意願提高,未來將朝向「實測優先、估算為輔」的方向演進。企業應盡早與供應商議合,爭取更細緻的能耗數據,並投資內部監控工具,降低對估算模型的依賴。
第三,AI 碳足跡將與碳定價、綠色金融掛鉤。部分國家已開始討論將 AI 碳足跡納入碳邊境調整機制(CBAM)的範疇,未來高耗能 AI 產品或服務可能面臨碳關稅。同時,金融機構在授信與投資決策中,也將日益重視企業的 AI 碳足跡管理能力。企業若能在揭露品質上領先同業,將有機會取得綠色金融的競爭優勢。
最後,AI 本身也將成為減碳的工具。監管壓力將驅動企業投入「綠色 AI」技術研發,包括模型壓縮、推論優化、節能硬體與低碳資料中心設計。長遠來看,AI 碳足跡揭露不僅是合規成本,更是驅動企業提升能源效率、降低營運成本的契機。那些提前布局的企業,將在 2026 年後的市場競爭中,同時取得合規優勢與效率優勢。
對於還在觀望的企業,現在正是啟動盤查、建立體系的最佳時機。距離首次揭露還有不到兩年的時間,考量數據蒐集、系統建置與查證作業所需的時間,拖延只會讓合規風險與成本同步升高。AI 碳足跡揭露不是一場可以僥倖通關的考試,而是一場需要提前準備、持續改善的長期工程。準備得越早,越能在監管浪潮中站穩腳步,將合規壓力轉化為轉型動力。
💬 想說點什麼?
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →