CDP A List থেকে বাংলাদেশে: AI দিয়ে গ্রিন গার্মেন্টস

Fast Retailing টানা চতুর্থবার জলবায়ু পরিবর্তন বিষয়ে CDP “A List”-এ জায়গা পেয়েছে—এটা শুধু একটা ট্রফি-নিউজ না। এটা একটা সিগন্যাল: আন্তর্জাতিক ফ্যাশন ও রিটেইল ব্র্যান্ডগুলো এখন পরিবেশগত পারফরম্যান্সকে সাপ্লাই চেইনের শর্ত বানাচ্ছে। আর বাংলাদেশের গার্মেন্টস শিল্প যেহেতু মূলত রপ্তানিনির্ভর, এই শর্তগুলো আমাদের ফ্যাক্টরির দরজায় আগেই কড়া নাড়ছে।

আরেকটা বিষয় এখানে বেশি গুরুত্বপূর্ণ: Fast Retailing যেমন “স্বচ্ছতা” (transparency) দেখিয়ে স্কোর করেছে, তেমন স্বচ্ছতা আজকাল এক্সেল শিটে আর মাস শেষে কয়েকটা ফাইল জোড়া দিয়ে আসে না। ডেটা লাগে, প্রক্রিয়া লাগে, নির্ভুলতা লাগে। আর এই জায়গাটাতেই বাংলাদেশের টেক্সটাইল ও গার্মেন্টস শিল্পে কৃত্রিম বুদ্ধিমত্তা (AI) বাস্তব পরিবর্তন আনতে পারে—শুধু উৎপাদনে না, সাসটেইনেবিলিটি রিপোর্টিং, এনার্জি অপ্টিমাইজেশন, পানি ব্যবস্থাপনা, এবং স্কোপ-৩ ট্র্যাকিংয়েও।

এই পোস্টটা আমাদের সিরিজ “বাংলাদেশের টেক্সটাইল ও গার্মেন্টস শিল্পে কৃত্রিম বুদ্ধিমত্তা কীভাবে পরিবর্তন আনছে”–এর ধারাবাহিকতায়—Fast Retailing-এর CDP স্বীকৃতিকে উদাহরণ ধরে দেখাবে বাংলাদেশ কীভাবে AI দিয়ে “কম কার্বন + বেশি কমপ্লায়েন্স + ভালো মার্জিন”—এই তিনটা একসাথে ধরতে পারে।

CDP “A List” আসলে কেন বাংলাদেশের জন্য বড় খবর

CDP স্কোরিংয়ের মূল বার্তা খুব সোজা: পরিবেশগত ঝুঁকি ও প্রভাব মাপো, কমানোর প্ল্যান দেখাও, আর সেটা প্রমাণসহ প্রকাশ করো। Fast Retailing এবারের রিপোর্টে জলবায়ু ও পানি নিরাপত্তায় উচ্চ স্কোর করেছে—জলবায়ু পরিবর্তন বিষয়ে টানা ৪র্থবার A List, এবং water security-তে ২০২২ থেকে তৃতীয়বার A List।

বাংলাদেশের জন্য “বড় খবর” হওয়ার কারণ তিনটা:

1. ক্রেতারা এখন শুধু দাম দেখে না—ডেটা-সমর্থিত পরিবেশগত পারফরম্যান্স চায়।
2. সাপ্লাই চেইন টার্গেট (Scope 3) বাস্তবায়নের চাপ সরাসরি ফ্যাক্টরিতে এসে পড়ে। Fast Retailing ২০২৫ সালের নভেম্বরে তাদের সাপ্লাই চেইন GHG কমানোর টার্গেট FY2019 বেসলাইন থেকে ২০% → ৩০% (২০৩০ সালের মধ্যে) করেছে এবং সেটি SBTi অনুমোদিত।
3. স্বচ্ছতা এখন একটি প্রতিযোগিতামূলক সুবিধা। CDP-তে “ভালো স্কোর” মানে ব্র্যান্ড, ইনভেস্টর, এবং রেগুলেটরি স্টেকহোল্ডারের চোখে রিস্ক কম।

বাংলাদেশের অনেক ফ্যাক্টরি ইতিমধ্যে LEED, ZDHC, Higg/SLCP, ISO—এসবের ভেতর দিয়ে গেছে। সমস্যা সাধারণত “ইচ্ছা নেই” না—সমস্যা হলো ডেটা ছড়িয়ে-ছিটিয়ে থাকা, ম্যানুয়াল রিপোর্টিং, এবং রিয়েল-টাইম কন্ট্রোলের ঘাটতি।

সাসটেইনেবিলিটি রিপোর্টিংয়ে AI-এর বাস্তব কাজ: “ডেটা ঠিক থাকলে স্কোর ঠিক থাকে”

সাসটেইনেবিলিটি রিপোর্টিংকে অনেকে কাগজপত্রের কাজ ভাবে। আমি বরং উল্টোটা বলব: রিপোর্টিং আসলে অপারেশনাল ডিসিপ্লিন। কারণ যা মাপা হয়, সেটাই ম্যানেজ করা যায়।

1) ডেটা অটোমেশন: মিটার রিডিং থেকে অডিট-রেডি ড্যাশবোর্ড

বাংলাদেশে সাধারণ দৃশ্য: বিদ্যুৎ/গ্যাস/স্টিম/পানি মিটারের রিডিং হাতে লেখা, পরে এক্সেলে ওঠে। এখানে ভুলও হয়, দেরিও হয়। AI এখানে “ভাবনা” না—খুব বাস্তবভাবে কাজ করে:

• IoT মিটার থেকে রিয়েল-টাইম ডেটা ইনজেস্ট
• AI দিয়ে অস্বাভাবিক ব্যবহার (anomaly) শনাক্ত—যেমন রাত ২টায় পানি খরচ হঠাৎ বেড়ে গেলে লিক বা ভাল্ভ সমস্যার ইঙ্গিত
• প্রোডাকশন অর্ডার/লাইন আউটপুটের সাথে energy per piece বা water per kg fabric–এর মতো KPI অটো-ক্যালকুলেশন

ফলাফল: মাস শেষে রিপোর্ট “তৈরি” করতে হয় না—রিপোর্ট তৈরি হয়।

2) Scope 3 বাস্তবায়ন: সাপ্লাই চেইনের কার্বন কমাতে হলে আগে ম্যাপিং দরকার

Fast Retailing তাদের Scope 3 টার্গেট বাড়িয়েছে—এটা ব্র্যান্ড লেভেলের ঘোষণাই থাকে না, এটা সাপ্লায়ারের কাজের তালিকা হয়ে যায়। বাংলাদেশের ফ্যাক্টরির জন্য AI সাহায্য করে:

• কাঁচামাল, ট্রিমস, লজিস্টিকস, সাব-কন্ট্রাক্টিং—এসব সোর্স থেকে ডেটা নিয়ে supplier-level emission mapping
• ইনভয়েস/বিল অব ম্যাটেরিয়াল/শিপমেন্ট ডেটা থেকে স্বয়ংক্রিয় ক্যাটেগরাইজেশন (NLP ব্যবহার করে)
• কার্বন “হটস্পট” বের করে কোথায় আগে কাজ করলে সবচেয়ে বেশি কমবে—তার প্রাধান্য তালিকা

এটা করা গেলে ক্রেতার সাথে আলোচনা বদলে যায়। তখন আপনি শুধু “আমরা চেষ্টা করছি” বলেন না, বলেন: “এই তিনটা জায়গায় কাজ করলে ১২ মাসে এত শতাংশ কমবে—ডেটা সহ।”

পানি নিরাপত্তা ও রাসায়নিক কমপ্লায়েন্স: যেখানে স্কোরিং সহজ না

Fast Retailing water security-তে A List পেয়েছে এবং water risk assessment চালিয়ে যাচ্ছে—এই “risk assessment” কথাটা বাংলাদেশের জন্য খুব প্র্যাক্টিক্যাল। কারণ পানি শুধু খরচ না, এটা ঝুঁকি: খরা/দূষণ/রেগুলেশন/কমিউনিটি প্রেসার—সবই জড়িত।

1) AI দিয়ে ETP/WWTP অপ্টিমাইজেশন

ETP-তে সাধারণ সমস্যা: লোডের ওঠানামা, কেমিক্যাল ডোজিং ট্রায়াল-এন্ড-এরর, অপারেটরের অভিজ্ঞতার ওপর নির্ভরশীলতা। AI এখানে পারে:

• ইনফ্লুয়েন্ট ডেটা (pH, COD/BOD proxy সেন্সর, flow) দেখে ডোজিং রেকমেন্ডেশন
• বেসলাইন vs বর্তমান পারফরম্যান্স তুলনা করে কমপ্লায়েন্স ঝুঁকি আগেই সতর্ক
• ব্লোয়ার/পাম্প অপারেশনে এনার্জি সেভিং অপ্টিমাইজেশন

যারা ভাবেন এটা “খরচ”, তারা সাধারণত ETP-র ওভারডোজিং আর অতিরিক্ত kWh–এর হিসাব করেন না।

2) ZDHC/রাসায়নিক ট্র্যাকিংয়ে NLP

কেমিক্যাল ইনভেন্টরি, MSDS, সাবস্ট্যান্স লিস্ট—এসব ডকুমেন্ট ভারী। AI (বিশেষ করে NLP) দিয়ে:

• কেমিক্যাল নাম/কোড/ক্যাটেগরি অটো-এক্সট্রাকশন
• রেস্ট্রিকটেড সাবস্ট্যান্স ফ্ল্যাগিং
• সাপ্লায়ার ডকুমেন্টের অসম্পূর্ণতা/মিসম্যাচ ধরা

ফলাফল: কেমিক্যাল কমপ্লায়েন্স টিমের সময় বাঁচে, অডিট ঝুঁকি কমে।

“কম বানাও, ঠিক বানাও”—Fast Retailing-এর বার্তা, বাংলাদেশের জন্য AI প্লেবুক

Fast Retailing-এর এক্সিকিউটিভ Yukihiro Nitta বলেছেন, তারা এমন মডেলের দিকে যাচ্ছে যেখানে গ্রাহক যা সত্যিই চায়, সেটাই তৈরি/ট্রান্সপোর্ট/সেল করা হবে—অর্থাৎ waste কমানো। বাংলাদেশের ফ্যাক্টরিতে এই “waste” অনেক সময় দেখা যায় তিন জায়গায়: অতিরিক্ত স্যাম্পল, বেশি রিজেক্ট/রিওয়ার্ক, আর ভুল প্ল্যানিংয়ের কারণে অতিরিক্ত ওভারটাইম/এনার্জি।

1) AI-ভিত্তিক ডিমান্ড সিগন্যাল থেকে প্রোডাকশন প্ল্যানিং

বাংলাদেশের অনেক কারখানা “অর্ডার এসেছে—তাই বানাচ্ছি” মোডে চলে। কিন্তু ব্র্যান্ডরা এখন ডিমান্ড ফোরকাস্টিং করে; তারা চাইলে সাপ্লায়ারকেও সেই ডেটা শেয়ার করতে পারে বা অন্তত প্ল্যানিংকে স্মার্ট করতে বলে। AI সাহায্য করে:

• স্টাইল/রঙ/ফ্যাব্রিক অনুসারে লাইন লোড অপ্টিমাইজেশন
• সিজনাল পিক (যেমন ২০২৫ সালের শেষ সপ্তাহ—উইন্টার সেল/নিউ ইয়ার স্টক মুভমেন্ট) মাথায় রেখে capacity smoothing

2) কম্পিউটার ভিশন দিয়ে QC: রিজেক্ট কমানো মানে কার্বনও কমা

রিজেক্ট/রিওয়ার্ক মানে অতিরিক্ত বিদ্যুৎ, পানি, স্টিম, ট্রান্সপোর্ট—সব। তাই QC অটোমেশন কেবল “কোয়ালিটি” না, এটা সাসটেইনেবিলিটি।

• ফ্যাব্রিক ইনস্পেকশনে ডিফেক্ট ডিটেকশন
• সেলাই লাইনে স্টিচ/পাকারিং ইস্যু ধরতে ক্যামেরা-ভিত্তিক অ্যালার্ট
• ফিনিশিংয়ে স্টেইন/শ্যেড ভ্যারিয়েশন শনাক্ত

রিজেক্ট ১–২% কমলে তার প্রভাব বড় হয়—বিশেষ করে বড় ভলিউম ফ্যাক্টরিতে।

বাংলাদেশে শুরু করবেন কীভাবে: ৬০ দিনের বাস্তব রোডম্যাপ

সবাই “AI চাই” বলে, কিন্তু প্রজেক্ট আটকে যায় স্কোপ-চেঞ্জ আর ডেটা সমস্যায়। তাই আমি যে অ্যাপ্রোচটা কাজ করতে দেখেছি—ছোট, মাপা যায়, এবং অডিট-রিলেভেন্ট।

ধাপ ১: একটি ফোকাস KPI বেছে নিন (প্রথম ৭ দিন)

একসাথে সব ধরবেন না। যেকোনো একটি নিন:

• kWh per garment
• water per kg fabric
• ETP energy per m3
• rejection rate + তার সাথে energy/water impact

ধাপ ২: ডেটা পাইপলাইন ঠিক করুন (দিন ৮–৩০)

• কোন মিটার/সিস্টেম থেকে ডেটা আসবে
• কে ডেটার “owner”
• ডেটা ভ্যালিডেশন রুল (missing, outlier, unit mismatch)

ধাপ ৩: AI ইউজ-কেস চালু করুন (দিন ৩১–৬০)

প্রথম ইউজ-কেস হিসেবে এই দুটো সবচেয়ে দ্রুত ROI দেয়:

1. Anomaly detection (লিক/অস্বাভাবিক এনার্জি ড্র)
2. Predictive maintenance (বয়লার/চিলার/কম্প্রেসার ডাউনটাইম কমানো)

ধাপ ৪: রিপোর্টিং প্যাক বানান (দিন ৪৫–৬০)

• মাসিক এক পাতার “Buyer-ready” ড্যাশবোর্ড
• বেসলাইন বনাম বর্তমান
• কী অ্যাকশন নিয়ে কী ফল এসেছে

এটা আপনার সেলস টিমের জন্যও অস্ত্র। কারণ ক্রেতার সাথে কথা তখন মূল্য নিয়ে হয়, শুধু দাম নিয়ে না।

লিডারদের কাছ থেকে শেখার সেরা অংশ: স্কোরের পেছনে সিস্টেম থাকে

Fast Retailing-এর CDP A List পাওয়া প্রমাণ করে—স্বচ্ছতা + টার্গেট + বাস্তব পদক্ষেপ একসাথে চললে স্বীকৃতি আসে। বাংলাদেশের গার্মেন্টস শিল্পের সুযোগ হলো, আমরা “পরে” শুরু করছি বলে ডিজিটাল ও AI-ভিত্তিক সিস্টেমে সরাসরি লিপ দিতে পারি—ম্যানুয়াল ওয়ার্কঅ্যারাউন্ডে আটকে না থেকে।

আপনি যদি ২০২৬-এর বায়ার মিটিংগুলোতে একবারও শুনে থাকেন “Scope 3”, “decarbonization roadmap”, “water risk”, “traceability”—তাহলে বুঝবেন, এই আলোচনার টেবিলে বসতে AI-চালিত ডেটা সক্ষমতা এখন বিলাসিতা না। এটা টিকে থাকার শর্ত।

আপনার ফ্যাক্টরির জন্য সবচেয়ে বাস্তব প্রশ্নটা হলো: আগামী ৯০ দিনে আপনি কোন পরিবেশগত KPI-টা ডেটা-সমর্থিতভাবে উন্নত দেখাতে পারবেন—এবং সেটা ক্রেতাকে প্রমাণ করতে পারবেন?