How it fits together

1. SAP spend data is exported and kept in an internal-only zone.
2. The local LLM, driven by a Python orchestrator, cleans and normalises each line, classifies it to a Scope 3 commodity, masks suppliers, POs, invoices and brands, and writes a safe generic description.
3. Every answer is validated automatically: required fields, masking, category and confidence.
4. Only the rows the AI is unsure about go to a person for review, instead of every row.
5. A clean, masked, aggregated upload file is produced, and a person uploads it to the PlanetWise portal, which calculates the CO2e figures.
6. Every step is written to an internal audit trail.

What was delivered

• An Excel workbook with one button per step: load the SAP export, send it to the local AI, build the upload sheet, export the upload file.
• AI processing on the private local LLM: cleaning, Scope 3 classification, sensitive-data masking and generic descriptions, in batches with live progress.
• Two RAG helpers: a list of allowed categories the AI must choose from, and a memory of confirmed classifications that skips the AI for answers already known.
• A confidence threshold that flags uncertain rows for human review, plus a cheap review-only re-run for just those rows.
• A final scan before export that confirms no sensitive data slipped through, and a permanent audit log of every run.

Why it matters

Preparing spend data for Scope 3 reporting used to mean people reading, classifying and masking every SAP line by hand, for days per business unit, every reporting cycle. Now the local AI does that work in a single run, saving about 100 man-hours a year compared with doing it by hand. It gets more consistent as confirmed answers accumulate, and keeps the person for the parts that need judgement: the uncertain rows and the final upload.

Stack

整体流程

1. 导出 SAP 支出数据，存放在只限内部访问的区域。
2. 由 Python 编排器驱动的本地大模型逐行清洗、规范化，归类到范围三商品类别，遮蔽供应商、采购单、发票和品牌等信息，再写出安全的通用描述。
3. 每个结果都自动校验：必填字段、遮蔽是否到位、类别和置信度。
4. 只有 AI 没把握的行才交给人复核，而不是每一行都要人看。
5. 生成干净、已遮蔽、已汇总的上传文件，由人上传到 PlanetWise 平台，计算出 CO2e 数字。
6. 每一步都记录在内部审计轨迹里。

交付了什么

• 一个 Excel 工作簿，每一步一个按钮：载入 SAP 导出、交给本地 AI 处理、生成上传表、导出上传文件。
• 在私有本地大模型上完成 AI 处理：清洗、范围三归类、敏感数据遮蔽和通用描述，分批进行，进度实时显示。
• 两个 RAG 辅助：AI 只能从中选择的允许类别清单，以及记住已确认归类的对照表，已知答案直接跳过 AI。
• 置信度门槛：把没把握的行标记出来给人复核，并能只针对这些行低成本重跑。
• 导出前的最终扫描，确认没有敏感数据漏网；每次运行都永久记录在审计日志里。

为什么重要

过去为范围三报告准备支出数据，要靠人逐行阅读、归类和遮蔽每一条 SAP 记录，每个业务单元每个报告周期都要花上好几天。现在本地 AI 一次跑完这些工作，比人工处理每年节省约 100 个人工小时；已确认的答案越积越多，结果也越来越一致；人只需要处理真正需要判断的部分：没把握的行和最后的上传。

技术栈

整體流程

1. 匯出 SAP 支出資料，存放在只限內部存取的區域。
2. 由 Python 編排器驅動的本地大型語言模型逐行清理、正規化，歸類到範疇三商品類別，遮蔽供應商、採購單、發票和品牌等資訊，再寫出安全的通用描述。
3. 每個結果都自動驗證：必填欄位、遮蔽是否到位、類別和信心分數。
4. 只有 AI 沒把握的列才交給人複核，而不是每一列都要人看。
5. 產生乾淨、已遮蔽、已彙總的上傳檔案，由人上傳到 PlanetWise 平台，計算出 CO2e 數字。
6. 每一步都記錄在內部稽核軌跡裡。

交付了什麼

• 一個 Excel 活頁簿，每一步一個按鈕：載入 SAP 匯出、交給本地 AI 處理、產生上傳表、匯出上傳檔案。
• 在私有本地大型語言模型上完成 AI 處理：清理、範疇三歸類、敏感資料遮蔽和通用描述，分批進行，進度即時顯示。
• 兩個 RAG 輔助：AI 只能從中選擇的允許類別清單，以及記住已確認歸類的對照表，已知答案直接略過 AI。
• 信心門檻：把沒把握的列標記出來給人複核，並能只針對這些列低成本重跑。
• 匯出前的最終掃描，確認沒有敏感資料漏網；每次執行都永久記錄在稽核日誌裡。

為什麼重要

過去為範疇三報告準備支出資料，要靠人逐列閱讀、歸類和遮蔽每一筆 SAP 紀錄，每個事業單位每個報告週期都要花上好幾天。現在本地 AI 一次跑完這些工作，比人工處理每年節省約 100 個人工小時；已確認的答案越積越多，結果也越來越一致；人只需要處理真正需要判斷的部分：沒把握的列和最後的上傳。

技術堆疊