Nachhaltigkeitsbericht ESG-Reporting: Mit KI die Anforderungen ganz leicht erfüllen

Anbieter zum Thema

Arvato Systems GmbH

Packsize

Descartes Systems (Germany) GmbH

Viele Unternehmen kämpfen mit den anspruchsvollen Anforderungen, die das ESG-Reporting mit sich bringt. Die Aussagekraft der veröffentlichten Informationen ist sehr unterschiedlich. Dies gilt selbst bei dem Unternehmen, die einen hohen Anspruch an ihr Reporting haben und sich nicht den Vorwurf des „Greenwashing“ aussetzen wollen.

1. Kann künstliche Intelligenz beim ESG-Reporting unterstützen? Und wenn ja, wie und wann? 

Die Algorithmen der künstlichen Intelligenz können immer nur so gut sein wie die Daten, auf denen sie trainiert wurden. KI kann Unternehmen deshalb sehr gut bei Aufgaben unterstützen wie der Datenkonsolidierung oder der Erstellung von ESG-Roadmaps. Ein entscheidender Erfolgsfaktor für das ESG Reporting ist jedoch die Qualität der Daten, die aus den unterschiedlichsten Quellen im Unternehmen stammen. Im Falle von Scope-3-Reportings und bei verschiedenen anderen Anwendungsfälle kommen zudem Daten aus externen Quellen hinzu, die das Sicherstellen der Datenqualität nicht einfacher machen.  

Betrachten wir das Beispiel eines Einzelhandelsunternehmens, das seine Emissionen umfassend verstehen und berichten möchte. Dazu muss es sicherstellen, dass alle benötigten Datenpunkte – Fabriken, Lager und die gesamte Lieferkette – über die notwendige Technologie verfügen, um korrekte und aussagekräftige Daten zu liefern. Nur dann können KI-gestützte Tools die Daten korrekt auswerten und relevante Einsichten generieren.

KI ist somit gut geeignet, um die bisher manuelle Arbeit bei der Sammlung, Zusammenführung und Analyse von Daten zu automatisieren. Sie kann ESG-Daten problemlos mit großen Mengen verwandter Datenquellen kombinieren, ohne dass diese zuvor in einer anderen Umgebung aufwendig aufbereitet werden müssen.  

Kombination von maschinellem Lernen und generativer KI

Die Kombination von maschinellem Lernen und generativer KI (GenAI) ermöglicht es den ESG-Teams, ein breiteres und umfassenderes Verständnis ihrer Daten zu bekommen. Mit Hilfe natürlicher Sprache können die Analysten Daten abfragen, um leicht verständliche Analysen zu erstellen, die Prozesse zur Erstellung von ESG-Berichten zu automatisieren und potenzielle Fehler zu reduzieren. 

Viele Unternehmen nutzen bereits maschinelles Lernen und KI, um unternehmensweite Daten für das ESG-Reporting zusammenzuführen und aufzubereiten. Der Einsatz generativer KI steht gerade in den Startlöchern. Sobald wichtige Themen wie Datenschutz gelöst sind, werden wir hier Lösungen sehen, die sehr schnell in die Praxis umgesetzt werden. Diese liefern dann sofort greifbare Ergebnisse. 

2. Wo liegen die potenziellen Fallstricke beim Einsatz von KI? Kann dies zu mehr „Halluzinationen“ führen und die Überprüfung der Herkunft von Informationen und der daraus gezogenen Schlussfolgerungen erschweren? 

Alle KI-Modelle liefern fehlerhafte Ergebnisse, wenn beim Training des Modells Verzerrungen oder systematische Fehler auftreten. Sie können auch unter KI-Drift leiden, wodurch das Modell mit der Zeit ungenauer wird oder sich das Modellverhalten ändert. Prominente Beispiele von Halluzinationen generativer KI sind größtenteils auf das wahrscheinlichkeitsbasierte Verhalten von GenAI sowie auf die Qualität der Daten zurückzuführen, die für das Vortraining, die Grundeinstellung, die Feinabstimmung und die Eingabeaufforderung des Modells verwendet werden. 

ChatGPT wird zum Beispiel auf Daten aus dem öffentlich zugänglichen Internet trainiert, die Ungenauigkeiten und Verzerrungen enthalten können. Aus diesem Grund ist es wichtig, dass Menschen in der Lage sind, die Ergebnisse leicht zu überprüfen, einschließlich der Referenzen und anderer Hintergrundquellen, die in den Modellen und Ergebnissen enthalten sind. 

3. Welche Maßnahmen können Unternehmen ergreifen, um derartige Fallstricke beim ESG-Reporting zu umgehen? 

Die Regularien für ESG-Reporting verlangen, dass Unternehmen spezifische Audit-Punkte festlegen, die vollständig erklärbar und transparent sind. Dies muss durch entsprechende Maßnahmen sichergestellt werden. Unternehmen arbeiten deshalb in der Regel mit ausgewählten Large Language Models (LLMs), die mit proprietären und branchenspezifischen Daten angereichert werden. Daten mit guter Qualität und Genauigkeit stellen den Modellen dann einen spezifischen Kontext zur Verfügung.  Vergleich von Informationen aus unterschiedlichen Quellen.

Zusätzlich können Unternehmen mit Techniken wie RAG (Retrieval Augmented Generation), Modellfeinabstimmung und erweitertem Prompt-Engineering die Qualität der Antworten verbessern. Diese Maßnahmen verringern das Risiko von Halluzinationen.Darüber hinaus sind klare Standards beim ESG-Reporting wichtig, um eine höhere Konsistenz zwischen ESG-Datensätzen, Reports und Metriken zu gewährleisten. Dies erleichtert Dies erleichtert den Vergleich von Informationen aus unterschiedlichen Quellen.