Einführung in KI in ESG und Nachhaltigkeit: Rollen, Grenzen, Validierung und Ethik — Künstliche Intelligenz im Nachhaltigkeits- und ESG-Management

Gewinne:

In der Lage sein zu unterscheiden, wo künstliche Intelligenz im ESG-Workflow Zeit spart (Daten, Konten, Mapping, Reporting) und wo Faktor-, Standard- und Anspruchsentscheidungen je nach Risikostufe dem Menschen überlassen werden
Fähigkeit, eine Disziplin anzuwenden, die jede numerische und qualitative Ausgabe mit Einheiten-, Quellen- und Audit-Trail-Schritten prüft
Verstehen, warum gefälschte Emissionsfaktoren, gefälschte Standardreferenzen und Greenwashing-Sprache Risiken für diesen Beruf darstellen, die von Anfang an berücksichtigt werden müssen.

Der Nachhaltigkeitsbericht eines Unternehmens ist nicht mehr nur eine Goodwill-Broschüre; Es handelt sich um ein Dokument, das genauso verbindlich, geprüft und rechtlich folgenreich ist wie ein Buchhaltungsdokument. Mit der CSRD-Verordnung (Corporate Sustainability Reporting Directive) der Europäischen Union können Tausende von Unternehmen; Es musste CO2-Emissionen, Mitarbeiterdaten und Auswirkungen auf die Lieferkette auf verpflichtende, überprüfbare und vergleichbare Weise offenlegen, genau wie Jahresabschlüsse. In dieser Einheit erfahren Sie, wo künstliche Intelligenz (KI) bei dieser schweren und datenintensiven Aufgabe wirklich Zeit spart, wo sie gefährlich ist und wie Sie jede Ausgabe überprüfen können.

Zunächst ein kritisches Konzept. ESG ist die Initiale der englischen Wörter Environmental, Social und Governance; Es handelt sich um den Namen des Rahmenwerks, das die Umweltauswirkungen eines Unternehmens wie Kohlenstoffemissionen und Wasserverbrauch, soziale Auswirkungen wie Arbeitnehmerrechte und Arbeitssicherheit sowie Governance-Praktiken wie Vorstandsstruktur und Ethik misst. Bei der Nachhaltigkeitsberichterstattung wird die Leistung in diesen drei Bereichen einheitlich gemessen und der Öffentlichkeit offengelegt.

Das zweite entscheidende Konzept: Von Halluzination spricht man, wenn KI mit voller Sicherheit Informationen produziert, die nicht wirklich wahr sind. In der ESG-Welt ist dies; Möglicherweise stoßen Sie auf einen fiktiven Emissionsfaktor, eine nicht existierende GRI-Standardnummer, eine falsche Einheit oder einen Verweis auf einen nicht existierenden Gesetzesartikel. Der entscheidende Punkt ist, dass ein großes Sprachmodell (LLM) kein Rechner, keine Regulierungsdatenbank oder ein Prüfer ist. Es handelt sich um einen Textgenerator, der die Texte, die er in den Trainingsdaten sieht, statistisch nachahmt. Meistens liefert es genaue Informationen; Aber der Unterschied zwischen „meistens korrekt“ und „genau genug, um die Prüfung zu bestehen“ ist alles in der ESG-Berichterstattung.

Wo funktioniert KI im ESG-Bereich und wo nicht?

Stellen Sie sich KI als schnellen Entwurfs-, Datenkurations- und Analysepartner vor: wertvoll, aber für die Validierung unerlässlich. Die folgende Unterscheidung ist das Rückgrat dieses Moduls.

Suche

Beitrag der KI

Verantwortung des Sachverständigen

Datenerfassung

Bearbeitet verschiedene Formate, markiert Leerzeichen

Bestätigung der Nummer mit dem Quelldokument

Emissionskonto

Erstellt Formel- und Berechnungsrahmen

Überprüfung des Emissionsfaktors aus offizieller Quelle

GRI/CSRD-Zuordnung

Empfiehlt Zutaten zu Standardartikeln

Genaue Prüfung anhand des Standardtextes

Wesentlichkeitsanalyse

Unterteilt die Meinungen der Stakeholder nach Themen

Treffen Sie eine Priorisierungsentscheidung

Verfassen von Berichten

Erstellt einen Textentwurf und eine Zusammenfassung

Belegen Sie jede Behauptung mit Beweisen

Greenwashing-Kontrolle

Kennzeichnet riskante Phrasen

Übernehmen Sie die endgültige Schadensverantwortung

Faustregel: Wenden Sie KI nicht auf die Daten selbst an; Zum Organisieren von Daten, zur Gerüstanalyse und zum Entwerfen von Texten. Überprüfen Sie immer jede Nummer und jede Standardreferenz anhand der Primärquelle (Rechnung, Zählerdatensatz, offizieller Standardtext, Emissionsfaktordatenbank). Hinter jeder Zahl in einem Nachhaltigkeitsbericht sollte ein Prüfpfad stehen, den ein Prüfer möglicherweise wünscht. KI kann diesen Beweis nicht erbringen; Es hilft Ihnen nur, es zu organisieren.

Drei tödliche Fallen der KI im ESG-Bereich

1. Erfundene Emissionsfaktoren und -zahlen. Die KI kann einen Emissionsfaktor, an den sie sich nicht erinnert (den Koeffizienten der Kohlenstoffemissionen pro Kraftstoff- oder Stromeinheit), mit einer Zahl „ergänzen“, die vernünftig erscheint. Diese Zahl macht die gesamte Berechnung des CO2-Fußabdrucks ungültig.

2. Verweis auf nicht vorhandene oder veraltete Gesetze/Normen. KI kann Standardzahlen generieren, die real erscheinen, deren Inhalt jedoch falsch dargestellt oder völlig erfunden ist, wie zum Beispiel „GRI 305-7“. Die Standards werden außerdem regelmäßig aktualisiert; Die dem Modell bekannte Version ist möglicherweise veraltet.

3. Sprache, die Greenwashing hervorruft. KI produziert gerne gut klingende, aber unbegründete und irreführende Aussagen wie „umweltfreundlich“, „umweltfreundlich“, „klimaneutral“. Diese Aussagen bergen heute rechtliche Risiken. Wir werden dies in Einheit 10 ausführlich behandeln.

Tipp: Gehen Sie jedes numerische ESG-Ergebnis mit drei Fragen an: (1) Was ist seine Einheit (tCO₂e, kg, MWh)? (2) Welches Dokument ist die Quelle? (3) Wie weise ich diese Zahl einem Wirtschaftsprüfer nach? Diese drei Fragen fangen die meisten ESG-Fehler im Keim ab. „tCO₂e“ bedeutet hier „Tonnen Kohlendioxidäquivalent“; Es ist das Maß, das verschiedene Treibhausgase in eine gemeinsame Einheit umrechnet.

Schritt für Schritt: Sicherer KI-Workflow in ESG

1. Verknüpfen Sie die Aufgabe mit der Norm und der Einheit. Anstelle von „Berechnen Sie unsere Kohlenstoffemissionen“ sagen Sie „2024, Büro in Istanbul, Erdgasverbrauch 12.000 m³; Berechnen Sie die Emission in tCO₂e mit der GHG Protocol Scope 1-Methode, geben Sie den Emissionsfaktor und die Quelle an, die Sie verwenden.“

2. Fragen Sie klar nach der Quelle und der Annahme. Bitten Sie die KI, für jede Zahl aufzuschreiben, welchen Emissionsfaktor, welchen Standard und welche Annahme sie verwendet hat. Akzeptieren Sie keine Zahlen ohne Quellenangabe.

3. Überprüfen Sie mit der Primärquelle. Bestätigen Sie den Emissionsfaktor aus einer offiziellen Datenbank (z. B. nationales Energieministerium, UK DEFRA-Datensatz, IEA), dem Standardtext aus dem GRI oder einem offiziellen EFRAG-Dokument. EFRAG ist die europäische Institution, die die ESRS-Standards (European Sustainability Reporting Standards) erstellt, auf denen CSRD basiert.

4. Speichern Sie den Audit-Trail. Schreiben Sie in eine Tabelle, welche Daten Sie aus welcher Quelle, zu welchem Datum und unter welcher Annahme verwendet haben. Der Assurance Auditor (unabhängiger Prüfer) wird dies anfordern.

5. Lassen Sie die endgültige Behauptung von einem Menschen bestätigen. Hinter jedem öffentlichen ESG-Anspruch muss eine verantwortliche Person stehen.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Die Beantragung derselben Stelle auf zwei verschiedene Arten verändert die Glaubwürdigkeit des Ergebnisses radikal.

Schwache Eingabeaufforderung:

Berechnen Sie den CO2-Fußabdruck unseres Unternehmens und schreiben Sie einen Absatz für den Nachhaltigkeitsbericht.

Dieser Anspruch umfasst nicht Einheit, Umfang, Jahr, Daten und Quelle; KI füllt die Lücken mit Erfindungen und produziert Texte voller Greenwashing.

Kraftvolle Aufforderung:

Ihre Rolle: ein leitender ESG-Reporting-Spezialist. Eingabedaten (verwenden Sie nur diese, schreiben Sie „keine Daten“, wenn sie fehlen): – 2024, Erdgas: 12.000 m³ – 2024, Netzstrom: 85.000 kWhAufgabe: Berechnen Sie die Emissionen in CO₂e mithilfe der GHG Protocol Scope 1- und Scope 2-Methode (standortbasiert). Regeln: – Geben Sie für jede von Ihnen verwendete Emission den Faktor, die Einheit und die Quelle in einer separaten Spalte an. - Wenn Sie den Faktor nicht kennen, erfinden Sie ihn nicht; Schreiben Sie „offizieller Faktor erforderlich“. - Geben Sie das Ergebnis in einer Tabelle an; Listen Sie am Ende die Elemente auf, die überprüft werden müssen.

Ethik, Privatsphäre und Grenzen

ESG-Daten sind oft sensibel: Geschlechts- und Gehaltsdaten der Mitarbeiter (soziale Indikatoren), Vertragsbedingungen der Lieferanten, finanzielle Auswirkungen, die noch nicht offengelegt wurden. Klären Sie die Datenschutzgrenzen, bevor Sie diese Daten in ein öffentliches KI-Tool eingeben. Anonymisieren oder aggregieren Sie personenbezogene Daten (Name, ID, Gehalt im Rahmen von KVKK und DSGVO), bevor Sie sie an AI weitergeben; Das heißt, statt einzelner Personen wandeln Sie diese in zusammenfassende Zahlen um, z. B. „Der Anteil weiblicher Arbeitnehmer beträgt 38 %“. KVKK ist das türkische Gesetz zum Schutz personenbezogener Daten und DSGVO ist Europas Gesetz zum Schutz personenbezogener Daten.

Achtung: Eine falsche oder übertriebene Behauptung in einem ESG-Bericht stellt nicht nur ein Reputationsrisiko dar; Dies kann zu Geldstrafen und rechtlicher Haftung gemäß CSRD und nationaler Verbrauchergesetzgebung führen. Veröffentlichen Sie keine Behauptungen von AI ohne Beweise.

drei Mini-Koffer

Fall 1 – Künstlicher Faktor. Ein produzierendes Unternehmen gab AI den Dieselverbrauch bekannt und bat um eine Emissionsberechnung. YZ verwendete den Faktor „2,40 kgCO₂e/Liter für Diesel“. Der Sachverständige prüfte: Der offizielle Faktor lag bei ca. 2,68 kgCO₂e/Liter. Die Differenz betrug 10 % und bedeutete eine Abweichung von etwa 11 Tonnen CO₂e pro 40.000 Liter Verbrauch. Der Faktor wurde aus der offiziellen Quelle korrigiert.

Fall 2 – Nicht vorhandener Standard. Ein Berater fragte YZ nach dem Titel „GRI 305-8 Wasserverbrauch“ für den Bericht. Während Wasser unter GRI 303 berichtet wird; GRI 305 sind Luftemissionen. Bei der Überprüfung mit dem Standardtext wurde der Fehler erkannt und der Inhalt in den richtigen Artikel verschoben.

Fall 3 – Greenwashing-Sprache. YZ schlug für eine Einzelhandelsmarke den Satz „Unsere Produkte sind absolut umweltfreundlich“ vor. Das ESG-Team hielt dies für unbeweisbar und ersetzte es durch eine konkrete, nachweisbare Aussage wie „60 % unserer Verpackungen werden recycelt (2024, interne Messung).“

Fordert zu prüfungsbereiter Arbeit auf

Untersuchen Sie den ESG-Text unten mit prüfendem Blick. Für jede numerische Aussage: 1) Ist die Einheit klar? 2) Ist die Quelle angegeben? 3) Ist es überprüfbar oder subjektiv/übertrieben? Markieren Sie unbegründete oder vage Aussagen wie „umweltfreundlich, grün, natürlich“ und schlagen Sie jeweils eine konkrete, messbare Alternative vor. Text: [TEXT]

Die folgende Eingabeaufforderung erstellt einen kurzen Richtlinienüberblick, der die Grenzen des KI-Einsatzes innerhalb der Organisation verdeutlicht.

Ihre Rolle: ein Nachhaltigkeitsteamleiter. Aufgabe: Schreiben Sie einen einseitigen internen Richtlinienentwurf, der den Einsatz von KI durch das Team in der ESG-Arbeit regelt. Dazu gehören: – Aufgaben, bei denen KI frei verwendet werden kann (Gliederung, Zusammenfassung, Formatierung) – Aufgaben, die eine menschliche Überprüfung erfordern (Anzahl, Faktor, Standardzuordnung, Anspruch) – Datentypen, die niemals in KI eingegeben werden (persönliche Daten, nicht offengelegte finanzielle Auswirkungen) Ton: klar, auf den Punkt gebracht, anwendbar.

Die folgende Eingabeaufforderung richtet ein kleines „Audit Trail“-Tabellengerüst ein, das zu jedem ESG-Ergebnis hinzugefügt werden kann.

Häufige Fehler

Akzeptiere die Nummer ohne Quelle. Jeder von YZ angegebene Emissionsfaktor und jede Emissionszahl ist nicht im Bericht enthalten, ohne dass dies von der offiziellen Quelle bestätigt wurde.
Ignorieren der Einheit. Verwechselt man kg mit Tonnen, kWh mit MWh, kann das Ergebnis um das 1000-fache abweichen.
Sie vertrauen blind ihren Standardtricks. GRI/ESRS-Stoffnummern müssen anhand eines offiziellen Dokuments überprüft werden.
Geben Sie vertrauliche Daten unverändert ein. Mitarbeiter- und Lieferantendaten werden dem öffentlichen Tool nicht ohne Anonymisierung zur Verfügung gestellt.
Setzen Sie KI an die Stelle des Prüfers. KI kann eine Checkliste erstellen, aber keine unabhängige Sicherheit bieten.

Zusammenfassend

AI ist ein leistungsstarker Partner für Entwurf, Datenkuration und Analyse im ESG-Bereich. Es handelt sich jedoch nicht um einen Rechner, keine Regulierungsdatenbank oder einen Prüfer. Sein Wert offenbart sich durch seine Verifizierung. Das ständige Rückgrat dieses Moduls besteht darin, jede Zahl aus der Primärquelle zu bestätigen, jede Standardreferenz mit dem offiziellen Text zu vergleichen, sensible Daten zu anonymisieren und die Verantwortung für die endgültige Behauptung einem Menschen zu überlassen. Vergessen Sie nie den Unterschied zwischen „fließend erscheinen“ und „das Audit bestehen“.

Anwendungsaufgabe

Wählen Sie einzelne Umweltdaten Ihrer eigenen Organisation (oder eines fiktiven Unternehmens): zum Beispiel eine monatliche Stromrechnung. Fordern Sie bei der KI ein Rahmenwerk für die Scope-2-Emissionsabrechnung an, indem Sie die oben stehende Vorlage „Power Prompt“ verwenden. Dann: (1) Vergleichen Sie den verwendeten Emissionsfaktor mit einer offiziellen Quelle, (2) überprüfen Sie die Konsistenz der Einheiten, (3) schreiben Sie eine kleine Audit-Trail-Tabelle, in der aufgeführt ist, welche Elemente „überprüft werden müssen“.

Checkliste

[ ] Ich habe die Einheit und Quelle jeder von der KI angegebenen Zahl in Frage gestellt.
[ ] Ich habe die Emissionsfaktoren mit einer offiziellen Datenbank bestätigt.
[ ] Ich habe die Standardzahlen (GRI/ESRS) mit dem offiziellen Text überprüft.
[ ] Ich habe sensible/personenbezogene Daten anonymisiert oder aggregiert.
[ ] Ich habe Aussagen ohne Belege wie „umweltfreundlich, grün, natürlich“ markiert.
[ ] Ich habe für jede Entscheidung einen Prüfpfad (Quelle, Datum, Annahme) geführt.
[ ] Ich habe eine verantwortliche Person identifiziert, die den endgültigen Anspruch bestätigt.