ESG loves KI

KI macht unstrukturierte Daten greifbar – und befreit Teams von Fleißarbeit

Künstliche Intelligenz (KI) ist überall – warum nicht auch in Nachhaltigkeitsabteilungen? Große, durch KI gestützte Sprachmodelle (Large Language Models, LLMs) transformieren die ESG-Datenerhebung und -analyse: Richtig angewendet, unterstützen LLMs ESG-Teams bei der effizienten Analyse unstrukturierter Daten, reduzieren manuelle Fehler und schaffen Freiräume für strategische und kommunikative Tätigkeiten.

KI beziehungsweise Systeme mit KI-Komponenten sind heute für viele bereits ein integraler Teil des täglichen Lebens: Gemini fasst unsere Google-Suchergebnisse zusammen, Alexa oder Siri interpretieren unsere gesprochenen Aufforderungen, Sonos erstellt das Geburtstagslied für die Oma. Künftig wird KI eine zunehmend bedeutendere Rolle spielen und deutliche wirtschaftliche Produktivitätssteigerungen erreichen.

Auch im unternehmerischen Nachhaltigkeitsmanagement und in der Prüfung von Nachhaltigkeitsinformationen gewinnen KI-Systeme an Bedeutung. Ihr wertschöpfungssteigerndes Potenzial wird allerdings bei Weitem noch nicht ausgeschöpft. Und das, obwohl die Anwendungsbereiche im ESG-Kontext genauso vielfältig sind, wie die daraus entstehenden Vorteile für Unternehmen. Mittel- bis langfristig wird dies ein entscheidender Produktivitäts- und Resilienzfaktor sein.

Das Problem mit den ESG-Daten

ESG-Teams, die Daten für Berichtspflichten oder ihr strategisches ESG-Management aufarbeiten möchten, kämpfen an vielen Fronten gleichzeitig – unstrukturierte Daten, viele beteiligte Unternehmensbereiche, heterogene Datenquellen, zu viele regulatorische Rahmenwerke, zu wenig Zeit. Die Extraktion von ESG-Daten und deren Mapping gegen eine bestimmte Regulatorik (das sogenannte Gap-Assessment) birgt eine Vielzahl von Herausforderungen.

Diese führen allesamt dazu, dass die ESG-Datenerhebung und das Gap-Assessment ressourcenintensive, mühsame Aufgaben mit einer hohen Anfälligkeit für Fehler und Inkonsistenzen sind – vor allem durch die wachsenden ESG-Datenberge. Die Kapazitäten von Nachhaltigkeitsteams könnten in anderen Tätigkeitsfeldern sinnvoller eingesetzt werden. LLMs bieten das Potenzial, den steigenden Bedarf an skalierbaren, genauen und konsistenten Methoden zur ESG-Datenextraktion zu decken.

Große Sprachmodelle als Gamechanger

LLMs sind umfangreiche KI-Modelle, die auf Deep Learning basieren. Deep Learning verwendet künstliche neuronale Netze mit vielen Schichten („deep"), um komplexe Aufgaben wie die Sprachverarbeitung zu bewältigen. LLMs sind auf große Textmengen trainiert und nutzen Methoden des Natural Language Processing (NLP), wodurch sie natürliche Sprache analysieren, verstehen und eigenständig Texte erzeugen können. Ein bekanntes Beispiel dafür im Bereich der generativen KI ist ChatGPT. Generative KI bezeichnet Methoden der KI, die nicht nur vorhandene Daten analysieren, sondern auf Basis von Trainingsdaten neue Inhalte erzeugen können.

LLMs und Governance

Wissenschaftliche Artikel und Fallstudien (z.B. von Yang 2025 und Marten & Juppe 2025) zeigen, dass LLMs in der Lage sind, innerhalb kürzester Zeit ESG-Informationen effektiv aus unstrukturierten Dokumenten zu extrahieren und inhaltlich zutreffende Ergebnisse übersichtlich aufgebaut zur Verfügung zu stellen. Die Studie ESGReveal (Zou et. al. 2025) kommt ferner zu dem Ergebnis, dass diverse LLMs durchschnittlich eine 76,9-prozentige Genauigkeit bei der ESG-Datenextraktion und eine 83,7-prozentige Genauigkeit bei der Gap-Analyse aufweisen.

Trotz der hohen Effizienzsteigerung von LLMs birgt ihr Einsatz auch Risiken – von Datenschutz- und Cybersicherheitsproblemen bis hin zu sogenannten KI-Halluzinationen, also plausibel klingenden, aber falschen Ergebnissen. Auch mangelnde Transparenz und rechtliche Unsicherheiten im Zuge der EU-KI-Verordnung zählen zu den Herausforderungen.

Damit ESG-Teams die Potenziale der KI nutzen können, ohne Risiken einzugehen, braucht es klare Leitplanken. Erste Orientierung bietet der „EU AI Act Compliance Checker", der von der NGO Future of Life Institute (FLI) zur Verfügung gestellt wird. In der Praxis sollten Nachhaltigkeitsteams eng mit IT-, Rechts- und Risikomanagement-Abteilungen zusammenarbeiten – vor allem bei der Einführung neuer KI-Systeme. Entscheidend sind dabei vier Punkte: saubere und aktuelle Datengrundlagen, transparente und nachvollziehbare Modelle, klare interne Freigabe- und Kontrollprozesse sowie höchste Standards bei Datenschutz und IT-Sicherheit.

Im Zusammenhang mit der ESG-Datenextraktion ist es unverzichtbar, die ermittelten Ergebnisse anhand ihrer jeweiligen Fundstellen nachzuprüfen. Denn vor allem, wenn die Daten weiterverarbeitet werden, z.B. für Nachhaltigkeitsberichte, gilt es sicherzustellen, dass die Werte auch der Realität entsprechen und zu ihrer Datenquelle zurückverfolgbar sind. Die Aufgabe und Kompetenz von ESG-Teams bestehen also nicht mehr darin, alle Daten aufzuspüren, sondern mit Hilfe der KI-Ergebnisse deren Richtigkeit zu gewährleisten.

Da die Genauigkeit der Datenextraktion derzeit eine Fehlerquote von circa 23 Prozent aufweist und LLMs bei der Verarbeitung von visuellen Elementen, die wichtige Informationen übermitteln, nur eingeschränkt in der Lage sind, diese zu erfassen, sollten sich ESG-Teams nie vollständig auf die LLM-Ergebnisse verlassen, sondern mit dem eigenen Expertenwissen die Korrektheit der Angaben validieren.

Ein Praxisbeispiel liefert die JLL/INREV-Studie „How AI can bridge the ESG data gap in valuations" (2025): Sie zeigt, dass LLMs ESG-Daten zuverlässig aus unstrukturierten Immobilienunterlagen extrahieren können. Das interne Modell JLLGPT erreichte dabei eine Genauigkeit von bis zu 100 Prozent bei Energiezertifikaten und 84 Prozent über verschiedene Dokumententypen hinweg – ohne Halluzinationen. Die Studie belegt, dass KI den Aufwand und die Fehlerquote bei ESG-Datenerhebungen deutlich senken kann – vorausgesetzt, die Ergebnisse werden weiterhin durch menschliche Expertise validiert.

KI in Nachhaltigkeitsabteilungen ist ein Jobshifter, kein Jobkiller

KI zerstört keine Nachhaltigkeitsjobs, sondern transformiert sie. Das heißt, dass sie ESG-Teams repetitive und monotone Tätigkeiten wie die Suche nach KPIs in unstrukturierten Datensilos abnehmen kann. Dadurch werden die Teammitglieder befähigt, sich auf kreativere und kommunikativere Aufgaben zu konzentrieren, wie zum Beispiel die Entwicklung einer ganzheitlichen Nachhaltigkeitsstrategie.

Folglich ist es ratsam für Unternehmen, Digitalisierung und Nachhaltigkeit gesamtheitlich zu denken und einen besonderen Fokus auf die Themen KI und LLMs zu setzen, insbesondere wenn es um die Erhebung oder Extraktion von ESG-Daten geht.

Langfristig ist die Automatisierung von Datenanalyse und Berichterstattung im ESG-Kontext nicht nur eine Notwendigkeit, sondern ein nicht unerheblicher Wettbewerbs- und Resilienzfaktor. Zukunftsorientierte Unternehmen wissen: Wer Fachkräfte für Nachhaltigkeit gewinnen will, muss ihnen Raum für Strategie, Kreativität und Wirkung geben – nicht für das Durchforsten von Datensilos. Es gilt also, KI-Kompetenzen im Bereich Nutzung, Governance und Risiken aufzubauen, um KI künftig maximal nutzenstiftend in ESG-Teams einzusetzen. Denn neben der ESG-Datenextraktion gibt es viele weitere spannende Anwendungsfälle für KI im Kontext von Nachhaltigkeitsmanagement.

ESG-Gap-Analysen

Auswahl an Anbietern von KI-gestützten ESG-Gap-Analysen

Briink bietet eine KI-Lösung zur automatischen Gap-Analyse von Berichten und Richtlinien im Hinblick auf CSRD-Anforderungen. Das Tool vergleicht Dokumente mit allen relevanten Themen, liefert eine Bewertung mit Hinweisen und Quellen.
Manifest Climate nutzt KI für schnelle, standardkonforme Gap-Analysen zu CSRD, IFRS S1 & S2. Ein automatisches Mapping zeigt fehlende Angaben und Abweichungen von regulatorischen Vorgaben.
Wequity befüllt komplexe Offenlegungsanforderungen mithilfe von KI vor und unterstützt Formate wie Word, PDF und Excel. Die Erklärbarkeit jeder Antwort („explainability") bleibt vollständig erhalten.
EA Global erstellt mit einem Klick eine Gap-Analyse für Nachhaltigkeitsberichte und gewährleistet laufende CSRD-Konformität. Ergebnisse lassen sich als Excel-Datei exportieren.
Glacier AI automatisiert Datenerfassung und ESRS-Mapping. Die KI analysiert vorhandene Dokumente und zeigt, welche CSRD-Verpflichtungen bereits erfüllt oder noch offen sind.

Definition RAG

LLMs, die für ESG-Gap-Analysen eingesetzt werden, nutzen meist Retrieval-Augmented Generation (RAG). Dabei kombiniert das Modell zwei Schritte: „Retrieval" – das gezielte Abrufen relevanter Informationen aus externen Quellen wie den ESRS oder Unternehmensdokumenten – und „Generation" – das Erstellen einer faktenbasierten Antwort unter Einbezug dieser Informationen. So können LLMs unstrukturierte Texte wie Compliance- oder Diversity-Richtlinien lesen, verstehen und mit regulatorischen Datenpunkten abgleichen.

Die Ergebnisse werden meist tabellarisch dargestellt, inklusive Fundstelle, zugehörigem Standard und Bewertung. Modelle, die speziell auf ESG-Daten trainiert sind, können Informationen aus mehreren Quellen bündeln und Vorschläge zur Schließung von Datenlücken liefern – eine wertvolle Basis für ESG-Strategien und Reporting.

Viola Möller (Diplom-Kauffrau, M.Sc. Arbeits- und Organisationspsychologie) ist Partnerin bei BDO Deutschland und leitet den Fachbereich Sustainability Services. Sie verfügt über langjährige Erfahrung in der nichtfinanziellen Berichterstattung, im nachhaltigen Unternehmensmanagement sowie in Stakeholder- und Krisenmanagementprozessen.

Lisa Umann (M.Sc. Business Consulting & Digital Management) ist Managerin im Sustainability Services Team von BDO Deutschland. Sie leitet das ESG Software Services Segment und berät zu Nachhaltigkeitsberichterstattung, ESG-Software und digitaler Prozessoptimierung.

Dieser Artikel ist in forum 02/2026 - Zukunft braucht Frieden erschienen.