Ist Ihr Nachhaltigkeitsbericht bereit für KI?

Nachhaltigkeitsberichte haben eine neue Leserschaft, die nicht nur nach Highlights sucht. KI-Modelle, einschließlich der Large Language Models in ESG-Ratingplattformen und Benchmarking-Tools, analysieren Unternehmensberichte nun direkt, extrahieren Kennzahlen und bewerten die Vollständigkeit anhand von Rahmenwerken wie CDP, CSRD und GRI.

Das Problem: Die meisten Berichte sind nach wie vor für menschliche Leser konzipiert, die durch ein PDF blättern, und nicht für Modelle, die Text in Abschnitte unterteilen und mit einer Taxonomie abgleichen. Wenn Ihre Daten nicht so strukturiert sind, dass eine KI sie finden, lesen und extrahieren kann, riskieren Sie, dass Ihre bereits erbrachten Offenlegungen nicht gewertet werden.

Hier sind vier praktische und überprüfbare Lösungen.

1. Veröffentlichen Sie Offenlegungen als eigenständige, versionierte Dokumente

Die KI muss Ihre Daten finden, bevor sie diese analysieren kann. Eigenständige, klar versionierte PDFs schneiden bei der Auswertung deutlich besser ab als reine Webinhalte oder Offenlegungen, die in einem 150-seitigen Geschäftsbericht versteckt sind.

Was funktioniert:

• Beschreibende, spezifische Titel: „Klimatransitionsplan 2026“ statt „Nachhaltigkeits-Update“
• Klare Versionsdaten, damit ein Modell erkennen kann, ob sich eine Richtlinie im Jahresvergleich geändert hat. Eine stille Änderung auf der Website wird oft übersehen; eine als „Version 2026“ gekennzeichnete Datei hingegen nicht.
• Rahmenwerkspezifische Dokumente (ein eigenständiger Verhaltenskodex für Lieferanten, ein eigenständiger TCFD-Index) anstelle eines Mega-Berichts, der alles abdeckt

Was Sie vermeiden sollten:

• Das Verstecken einer rahmenspezifischen Richtlinie innerhalb eines allgemeinen Geschäftsberichts
• Sich bei der Offenlegung ausschließlich auf ein einziges Dokument zu verlassen
• Das Verstreuen zusammengehöriger Offenlegungen über mehrere, unzusammenhängende Webseiten

2. Machen Sie Inhalte maschinenlesbar, nicht nur sichtbar

Sobald ein Modell Ihren Bericht gefunden hat, müssen die Inhalte extrahierbar sein – es reicht nicht, dass sie für das menschliche Auge sichtbar sind.

• Exportieren Sie als digital erstellte PDFs, direkt aus Ihrem Publikations-Tool, nicht als gescannte Bilder. Gescannte Seiten erfordern eine OCR-Erkennung, und nicht jedes KI-System führt diese zuverlässig in großem Maßstab durch.
• Lassen Sie Ihre wichtigsten Daten nicht nur in Grafiken stehen. Wasserfalldiagramme und Infografiken sind für Menschen gut lesbar, aber viele KI-Modelle überspringen bei langen Dokumenten die Bildanalyse komplett, da das Scannen jedes visuellen Elements in einem umfangreichen Bericht rechenintensiv ist. Wenn ein Datenpunkt nur innerhalb eines Bildes existiert, sollten Sie davon ausgehen, dass er für die KI als nicht offengelegt gilt.
• Die Lösung: spiegeln Sie jeden kritischen Datenpunkt aus einer Grafik in einer beschrifteten Tabelle oder im begleitenden Text wider.

3. Kontext gruppieren und Terminologie standardisieren

KI-Tools verarbeiten Dokumente in Abschnitten. Eine Kennzahl, die ohne ihren Kontext extrahiert wird, wird oft falsch interpretiert.

• Halten Sie zusammengehörige Felder beieinander. Ein Wert für Scope-1-Emissionen benötigt seine Einheit, das Berichtsjahr, die Scope-Abgrenzung und Fußnoten in derselben Tabelle oder demselben Abschnitt, nicht über das Dokument verstreut.
• Verwenden Sie die Standardbegriffe der Rahmenwerke. Bewertungsmodelle sind stark auf die Sprache von IFRS, CSRD und GRI trainiert. Wenn es sich um einen Klimatransitionsplan handelt, benennen Sie ihn nicht aus internen Gründen in Klimaschutzplan um; das Modell wird die beiden nicht miteinander verknüpfen.

4. Fortschritte offenlegen, nicht nur erreichte Ziele

Unternehmen lassen ein Thema oft ganz weg, wenn ein Ziel noch nicht feststeht oder die Daten nicht perfekt sind. Das wird bei der KI-gestützten Vollständigkeitsbewertung als Lücke gewertet, selbst wenn tatsächlich Fortschritte erzielt wurden.

• Geben Sie die Richtung an, nicht nur das Ziel. Wenn ein Ziel noch nicht endgültig ist, sagen Sie das und beschreiben Sie den aktuellen Stand.
• Verwenden Sie eine transparente Status-Sprache: „in Bearbeitung“, „in Entwicklung“, „erste Bewertung abgeschlossen“. Dies sind echte Signale, die von Bewertungsmodellen erkannt werden und für die Sie Teilpunkte erhalten, die bei einem vollständigen Weglassen verloren gehen würden.

Der grundlegende Wandel

Hier geht es nicht darum, für Maschinen statt für Menschen zu schreiben. Es geht darum zu erkennen, dass Struktur, Konsistenz und Nachvollziehbarkeit – dieselben Qualitäten, die einen Bericht für einen menschlichen Prüfer prüfbar machen – genau das sind, was ihn für ein KI-System lesbar macht. Berichte, die auf diese Weise erstellt wurden, schneiden bei beiden Lesergruppen tendenziell besser ab.