Mit ChatGPT erobert KI die Geschäftswelt im Sturm, und die ESG-Analyse wird keine Ausnahme sein. Die Anwendung von ChatGPT auf ESG-Anwendungsfälle funktioniert jedoch in der Regel nicht – das Modell halluziniert und kann nicht mit den neuesten Vorschriften und Rahmenwerken Schritt halten. Durch die Identifizierung der richtigen Anwendungsfälle und die Nutzung von Techniken wie Retrieval Augmented Generation und domänenspezifischen Eingabeaufforderung wird neue Effizienz für ESG-Teams entstehen. Hier sind einige der wichtigsten ESG-Herausforderungen, mit denen Banken konfrontiert sind und wie KI-Modelle angepasst werden können, um sie zu bewältigen.
KMU-Daten und -Kenntnisse
ESG-Berichterstattung erfordert eine Analyse der Kreditvergabe an mittelständische Unternehmen. Diese Kunden haben begrenzte Ressourcen, teilweise mangelndes Verständnis, und ESG-Datenlücken. Frühzeitiges Engagement ist der Schlüssel.
Wenn Datenerhebung in die Kundenaufnahme integriert ist, erhöht sich die Wahrscheinlichkeit, dass Sie von Anfang an Daten erhalten. KI kann komplexe Themen wie ESG-Regulierung vereinfachen und KMUs durch den Prozess führen. KI-Modelle sind auch in der Lage, interne Daten mit externen Anforderungen zu vergleichen (z. B. interne Richtlinien im Vergleich zu den EU-Minimum Safeguards) und KMUs dabei zu helfen, Datenlücken sofort zu identifizieren.
Kreditvergabe
„Klar ist: Die ESG-Datenerhebung beim Kreditnehmer muss zum Bestandteil der Kreditvergabeprozesses werden. Das fordern ab dem 1.1.2024 die MaRisk ebenso wie EBA-Guidelines. Hinzu kommen die Reportingpflichten aus der CSRD.” sagt Dr. Lars Röh, Partner der Anwaltskanzlei lindenpartners.
„Um das zu bewältigen, sollten die Banken vor der Kreditentscheidung prüfen: Welche Daten lassen sich aus öffentlich verfügbaren Quellen beschaffen – hier könnte KI eine bedeutende Rolle spielen – und welche Daten müssen beim potentiellen Kreditnehmer selbst erhoben werden (zB über Fragebögen, die sich am regulatorischen Bedarf orientieren)? Hierfür bedarf es eines Prozesses, der entweder im Rahmen eines bankübergreifenden Projekts oder in der jeweiligen „Linie“ aufgesetzt werden kann. Wichtig ist auch, den ESG-Datenflow über die Laufzeit des Kredits sicherzustellen. Die herkömmlichen Kreditverträge bieten bislang hierfür keine ausreichende Grundlage. Da gibt es in vertraglicher Hinsicht für viele Institute noch Einiges zu tun.”
KI kann Datenquellen intelligent kombinieren, um Deal-Teams ein umfassenderes Bild der ESG-Leistung eines Kunden zu schaffen. Die Integration von externen Daten kann Kreditvergabeprozesse bereichern, ohne potenzielle Kunden zu überfordern.
Interne Kapazität
Die Aufgaben von ESG-Experten wachsen überproportional zu den ihnen zugewiesenen Ressourcen.KI kann die Arbeitsbelastung von ESG-Teams verringern durch ihre Fähigkeit, Aufgaben zu übernehmen, die zu viele Daten haben, als dass ein Mensch sie konsequent und gründlich ausführen könnte.
Die intelligente Integration von KI an verschiedenen Stellen Ihres ESG-Prozesses kann zu enormen Zeiteinsparungen führen – vorausgesetzt, die richtigen Bereiche werden identifiziert und der Mensch bleibt zur Überprüfung der Ergebnisse im Spiel.
Datengranularität und -verwaltung
ESG-Analysen erfordern Datengranularität und ein dynamisches Datenmanagement. Laut Dr. Röh:
„Auch hier gilt: Die bestehenden Prozesse müssen um einen Mix aus bankintern vorhandenen Daten, externen Datenquellen und kreditvertraglichen „Lieferpflichten“ des Kreditnehmers erweitert werden. Am Ende muss der Prozess so kalibriert sein, dass ESG-Daten möglichst präzise in der Granularität erhoben und verfügbar gemacht werden, wie es aufsichtsrechtlich erforderlich ist. Die Häuser stehen hier vor erheblichen Compliance-Herausforderungen – lösbar ist das aber alles.”
Die Fähigkeit von KI, die genauen Nachhaltigkeitsdaten-Quellen zu identifizieren und die Suche nach ESG-Daten kontinuierlich zu aktualisieren, ermöglicht es Banken, granulare Daten zentral zu speichern, ohne immer wieder Dokumente erneut lesen zu müssen.
KI kann ESG-Teams in die Lage versetzen, unseren wirtschaftlichen Wandel noch mehr zu beschleunigen. Inmitten dieser Aufregung ist es wichtig, realistisch zu sein und Bedenken im Zusammenhang mit KI zu berücksichtigen.
Erstens sollten Prozesse durch KI nicht automatisiert, sondern erweitert werden, sodass der Mensch im Spiel bleibt und Ergebnisse zuverlässig sind. Zweitens sollte der Datenschutz in jede Anwendungen integriert werden – etwas, das auch von den großen Sprachmodellanbietern selbst und Anbietern wie Nyonic angestrebt wird.
Diese Bedenken sollten Sie nicht davon abhalten, mit der Arbeit zu beginnen, sondern sind wichtige Faktoren, die Sie bei der Bewertung von Lösungen berücksichtigen sollten. Wer zuerst einsteigt, wird einen erheblichen Wettbewerbsvorteil haben und bei der weiteren Entwicklung dieser Technologie schon einen Vorsprung haben. Wenn Sie KI-Modelle für ESG in Aktion sehen möchten, können Sie einige unserer Modelle hier kostenlos testen.
Dr. Rasmus Rothe ist ein international anerkannter KI- und Computer-Vision-Experte sowie Co-Gründer und CTO der KI Investment Platform Merantix, das den Transfer von KI-Forschung zur Anwendung in der Wirtschaft forciert.
Tomas van der Heijden ist NLP-Experte und wendet als Co-Gründer und CEO von Briink generative KI auf die Wissensarbeit im Bereich Nachhaltigkeit an