Wir schreiben das Jahr 2025, und wir haben den Höhepunkt des GenAI-Hypes erreicht. Finanzplattformen vermarkten jetzt nachhaltige Chatbots und Copiloten, die versprechen, "Erkenntnisse zu demokratisieren" oder "Compliance zu vereinfachen". Das Potenzial ist außergewöhnlich. Aber es gibt eine unbequeme Wahrheit: Egal wie intelligent Ihr GenAI-Assistent ist, er kann das größte Problem der nachhaltigen Finanzwirtschaft nicht lösen: schlechte Daten.
Dies ist kein philosophischer Einwand. Es ist ein technischer und strategischer Einwand. Große Sprachmodelle (Large Language Models, LLMs) wie GPT sind hervorragend in der Lage, kohärente, überzeugende Texte zu generieren, und können außerordentlich nützlich sein, um große Datenmengen zusammenzufassen, Berichte zu erstellen und Routineaufgaben zu automatisieren, indem sie in Minuten das tun, wofür menschliche Analysten Tage brauchen würden. Allerdings sind sie in hohem Maße von der Qualität und der Struktur der Informationen abhängig, mit denen sie gefüttert werden. In der chaotischen Welt der Nachhaltigkeitsdaten, in der viel auf dem Spiel steht, ist es so, als würde man einen Weltklasse-Architekten bitten, einen Wolkenkratzer mit mangelhaften Materialien zu bauen: Die Fassade mag prächtig sein, aber die Struktur wird nicht stabil sein, und sie wird sicherlich nicht die Zeit überdauern oder die Anforderungen der Branche erfüllen.
Nachhaltige Finanzen brauchen mehr als schöne Worte
Die Dringlichkeit robuster Nachhaltigkeitsdaten ist unbestreitbar. Investoren brauchen Klarheit über Kohlenstoffemissionen, soziale Auswirkungen und Governance-Risiken. Die Unternehmen sehen sich mit zunehmenden regulatorischen Anforderungen konfrontiert, während die Stakeholder immer lauter auf die Notwendigkeit von Transparenz und Verantwortlichkeit hinweisen.
Doch die Datenlandschaft ist nach wie vor äußerst mangelhaft. Im Bereich der nachhaltigen Finanzen werden viele Informationen selbst berichtet, sind unvollständig, nicht standardisiert oder in PDFs und Fußnoten versteckt. Unsere Untersuchungen zur Kohlenstoffberichterstattung zeigen, dass nur 60 % der Unternehmen Scope-3-Emissionen offenlegen. Selbst wenn sie offengelegt werden, weichen die Definitionen stark voneinander ab: Was ein Unternehmen als "Nutzung erneuerbarer Energien" bezeichnet, kann ein anderes anders kategorisieren. Dieser Mangel an Standardisierung macht Vergleiche schwierig und Vertrauen schwer fassbar.
Diese Probleme sind nicht nur für Analysten frustrierend, sondern haben auch direkte Auswirkungen auf Investitionsentscheidungen, die Berichterstattung über die Einhaltung von Vorschriften und die Glaubwürdigkeit des gesamten Ökosystems der nachhaltigen Finanzen. Stellen Sie sich vor, Sie bitten ein GenAI-Modell, die Methoden hinter den Scope-3-Emissionen von zwei multinationalen Unternehmen abzugleichen. Es könnte Ihnen eine gut formulierte Antwort geben, aber angesichts der Tatsache, dass die Qualität der Offenlegung von Scope-3-Emissionen weltweit immer noch weit unter akzeptablen Standards liegt - und einige Regionen sogar nur 2,2 von 5 Punkten erreichen - gibt es keine zuverlässige Möglichkeit, die Antwort nachzuvollziehen oder zu validieren.
Auf diese Weise wird GenAI keinen echten Wandel bewirken.
Warum selbst die beste KI eine solide Datengrundlage braucht
Es ist leicht, sich von der Vorstellung verführen zu lassen, dass LLMs Daten auf Anfrage und in noch nie dagewesenem Umfang zusammenfassen, analysieren oder erklären können. Und das können sie auch, aber nur, wenn die Rohdaten zur Verfügung stehen. Im Bereich der nachhaltigen Finanzwirtschaft ist die Aufbereitung dieser Daten eine komplexe, technische Arbeit: Extrahieren von Informationen aus mehrspaltigen PDF-Dateien, gescannten Berichten und mehrsprachigen regulatorischen Unterlagen, Überprüfen der Glaubwürdigkeit und Aktualität und Standardisieren von Kennzahlen, damit sie für alle Unternehmen und Sektoren die gleiche Bedeutung haben.
Es geht auch um das Erfassen von Nuancen. Nachhaltigkeitsdaten verstecken sich oft in Details: der Vergütungsplan eines CEO, der mit Emissionszielen verknüpft ist, oder die Schwere einer Menschenrechtskontroverse, die in einer regionalen Nachrichtenquelle versteckt ist. Ohne diesen strukturierten Kontext kann GenAI Zusammenfassungen erstellen, die zwar breit und sogar elegant formuliert sind, aber nichts mit den Realitäten vor Ort zu tun haben.
Nehmen wir zum Beispiel Klimaverpflichtungen. Oberflächlich betrachtet können zwei Unternehmen behaupten, dass sie die Vergütung ihrer Führungskräfte an die Umweltleistung koppeln wollen. Doch in der Praxis bindet das eine Unternehmen vielleicht 20 % der Managervergütung an die Dekarbonisierung der Zulieferer und die Reduzierung der Emissionen, während das andere nur vage, nicht quantifizierte Versprechen macht. Wenn die zugrundeliegenden Daten nicht kodifiziert und verifiziert sind, behandelt die KI-Analyse beide als gleichwertig und führt die Entscheidungsträger mit einer elegant formulierten Gleichwertigkeit in die Irre.
Vom Datenchaos zur Klarheit
Deshalb geschieht unserer Erfahrung nach 80 % des Wertes, den KI in der nachhaltigen Finanzwirtschaft liefert, bevor die erste LLM-Aufforderung überhaupt aufgerufen wird. Nehmen Sie die Verfolgung von Kontroversen. KI-Modelle scannen kontinuierlich unstrukturierte Inhalte aus Nachrichtenquellen, behördlichen Meldungen und Berichten (oft in mehreren Sprachen), um potenzielle Umweltkatastrophen, Arbeitsrechtsverletzungen oder Governance-Skandale zu erkennen. Sobald die Vorfälle identifiziert sind, müssen sie mit den richtigen Unternehmen verknüpft, unter den richtigen Nachhaltigkeitsmetriken kategorisiert und mit genauen Schweregraden bewertet werden.
Die gleiche Herausforderung stellt sich bei der Extraktion von Kennzahlen aus Unternehmensberichten. Berichte sind umfangreiche Dokumente voller Fußnoten und komplexer Tabellen, die selten in standardisierten Begriffen ausgedrückt werden. Hier erfassen und strukturieren spezialisierte KI-Systeme (von fortschrittlicher optischer Zeichenerkennung (OCR) und Layout-Parsing bis hin zu fein abgestimmten Modellen, die auf großen, markierten Datensätzen trainiert wurden) die rohen Details und erkennen nachhaltigkeitsspezifische KPIs, die sonst verloren gehen würden.
In einem Fall bezog sich ein Unternehmen schräg auf die Kinderbetreuungsleistungen für seine Mitarbeiter, indem es "Personalkindergärten", "Ersatzbetreuung" und "Krippengutscheine" beschrieb. Da in dem Bericht nie die genaue Bezeichnung "Kinderbetreuungsdienste" verwendet wurde, hatten die menschlichen Kommentatoren diese Passagen übersprungen. Unsere Extraktionswerkzeuge erkannten jedoch die semantische Äquivalenz und ordneten sie korrekt der entsprechenden sozialen Metrik zu. Dieser einzige Schritt veränderte das Profil des Unternehmens und offenbarte ein stärkeres Programm zur Unterstützung der Mitarbeiter als zuvor angenommen. Ein Detail, das klein genug ist, um übergangen zu werden, und doch bedeutend genug, um Investitionsentscheidungen zu beeinflussen.
Deshalb muss jeder Datenpunkt mit einem Herkunftsnachweis versehen werden - mit Quelle, Zeitstempel, Extraktionsmethode und Konfidenzwert -, damit er zurückverfolgt und überprüft werden kann. Auf diese Weise wird die KI-Grundlage zuverlässig. Nur dann kann GenAI wirklich transformativ sein: Sie liefert Erkenntnisse, die nicht nur genau und überprüfbar, sondern auch schneller zu generieren und kontextbezogen intelligenter sind. Ohne diese Grundlage tappt GenAI im Dunkeln.
Der Hype um GenAI lenkt uns von echten Innovationen ab
Die wahre Revolution im nachhaltigen Finanzwesen wird nicht darin bestehen, ChatGPT in ein Dashboard zu integrieren. Sie wird durch die Lösung des schmutzigen, unsexy Problems der Dateninfrastruktur kommen, durch den Aufbau von Pipelines, die rohe, unstrukturierte, mehrsprachige und oft widersprüchliche Eingaben in verlässliche, nutzbare und umsetzbare Ergebnisse umwandeln können.
Sobald dies der Fall ist, können KI-Systeme die verifizierten Eingaben generieren, und GenAI kann diese dann erweitern und Berichte, Erkenntnisse und Analysen in kürzester Zeit und in großem Umfang erstellen, was die Effizienz für Investoren, Aufsichtsbehörden und Unternehmen gleichermaßen dramatisch verbessert. Der Weg in die Zukunft ist eine vernünftige KI: nicht nur große Modelle, sondern intelligente Modelle, die auf Nachhaltigkeit ausgelegt sind und ein Gleichgewicht zwischen Genauigkeit, Effizienz und Kosteneffizienz herstellen.
Im Bereich der nachhaltigen Finanzwirtschaft werden auffällige technische Lösungen nicht den Ausschlag geben. Vertrauenswürdige Daten schon.
Informationen zum Autor
