ESG- und Nachhaltigkeitsdaten erfassen und berichten (CSRD)

Die Nachhaltigkeitsberichterstattung nach der EU-Richtlinie zur Nachhaltigkeitsberichterstattung (CSRD) verlangt Hunderte quantitativer und qualitativer Datenpunkte aus Finanzwesen, Personalwesen, Gebäudemanagement, Einkauf und von Lieferanten, in prüfbarer Form. KI hilft, diese Daten aus unübersichtlichen Quellen zu sammeln und zu normalisieren, sie den Europäischen Standards für die Nachhaltigkeitsberichterstattung (ESRS) zuzuordnen, erläuternde Angaben zu entwerfen, auf Lücken und Unstimmigkeiten hinzuweisen und den digital ausgezeichneten Bericht vorzubereiten. Die Zahlen bleiben deterministisch und nachvollziehbar; die KI übernimmt Extraktion, Zuordnung und erste Entwürfe.

Problem & Nutzen

• Heute: Nachhaltigkeitsteams jagen Kolleginnen, Kollegen und Lieferanten per E-Mail hinterher, konsolidieren Excel-Dateien, tippen Versorgerrechnungen neu ab und schreiben lange Textkapitel von Hand. Die Nachweise sind verstreut, was Prüfungen mit begrenzter Sicherheit (Limited Assurance) mühsam und den Vorjahresvergleich fehleranfällig macht.
• KI-Nutzen: automatisierte Extraktion aus Rechnungen und Zertifikaten, Zuordnung von Emissionsfaktoren, Datenpunkt- Zuordnung und Lückenanalyse, Nachfassen und Auswerten von Lieferantenfragebögen, belegbasierte Textentwürfe, Konsistenzprüfungen zwischen Berichtsabschnitten und Jahresabschluss.
• Regulatorischer Kontext (aktuellen Stand prüfen): Die CSRD (Richtlinie 2022/2464) führte die ESRS-basierte Berichterstattung innerhalb des Lageberichts ein. Die „Stop-the-clock“-Richtlinie (EU) 2025/794 verschob die zweite und dritte Berichtswelle, und die Omnibus-I-Richtlinie (EU) 2026/470 (am 26. Februar 2026 im Amtsblatt veröffentlicht, am 18. März 2026 in Kraft getreten) beschränkt den Anwendungsbereich auf sehr große Unternehmen (mehr als 1.000 Beschäftigte und mehr als 450 Mio. EUR Nettoumsatz) und verschlankt die ESRS (die Kommission hat den delegierten Rechtsakt zu den überarbeiteten ESRS am 3. Juli 2026 angenommen; nach der Prüfung durch Parlament und Rat sollen sie ab dem Geschäftsjahr 2027 gelten). Genaue Schwellenwerte, Zeitpläne und die nationale Umsetzung (z. B. in Deutschland) ändern sich laufend – prüfen Sie die Seiten der Kommission, bevor Sie den Umfang festlegen [1][2][3].
• Viele KMU außerhalb des Anwendungsbereichs sind dennoch indirekt betroffen: Kunden fordern Daten an, und der freiwillige Standard für KMU (VSME, EFRAG) wird zum gängigen Fragebogenformat [4].

Varianten

• Großes Unternehmen / Konzern im Anwendungsbereich: vollständiger ESRS-Satz, doppelte Wesentlichkeit, Konsolidierung über Tochtergesellschaften, externe Prüfung (Assurance), ESEF-/XBRL-Auszeichnung.
• Freiwilliges KMU (VSME): schlanke Datenerfassung, um Fragebögen von Kunden, Banken und Ausschreibungen zu beantworten.
• Lieferantenseite: KMU, die viele Kundenfragebögen mit einem wiederverwendbaren Datensatz beantworten.
• Finanzsektor: Überschneidungen mit der Berichterstattung nach SFDR/EU-Taxonomie, siehe LANG-037.

So funktioniert es

1. sources (ERP/HR/meters/travel/bills/suppliers/policies)
2. ingestion & extraction (APIs, OCR/VLM for bills & certificates, questionnaire parsing)
3. normalisation (units, periods, entities, emission factors)
4. datapoint mapping (ESRS / VSME taxonomy; materiality filter)
5. calculation engine (Scope 1/2/3 per GHG Protocol; deterministic, versioned)
6. quality checks (outliers, completeness, cross-year and cross-source consistency)
7. narrative drafting (RAG over evidence; every sentence linked to a source)
8. review & sign-off workflow (data owners, sustainability lead, management, auditor)
9. digital tagging (ESRS XBRL taxonomy) + audit evidence pack

• Extraktion: Ein VLM oder Dokumenten-KI liest Versorgerrechnungen, Tankkarten, Abfallbegleitscheine, Zertifikate (ISO 14001, ISO 50001) in Schemata ein; Excel-/PDF-Antworten von Lieferanten werden genauso ausgewertet.
• Zuordnung: Embeddings plus ein LLM schlagen vor, welches interne Feld welchen ESRS-Datenpunkt beantwortet; Menschen bestätigen die Zuordnung einmal, und sie wird jedes Jahr wiederverwendet.
• Berechnung: Die Emissionsrechnung erfolgt in Code oder einer dedizierten Engine mit versionierten Emissionsfaktoren (nicht durch das LLM). Das LLM erklärt und dokumentiert, rechnet aber nie stillschweigend.
• Text: retrievalgestützte Entwürfe zu Richtlinien, Maßnahmen und Zielen; das LLM darf keine Zahlen einführen, die nicht im Datenpunktregister stehen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Bestätigung je Datenpunkt durch die Datenverantwortlichen, Prüfung von Schätzungen und Zuordnung, Freigabe der Erklärung durch die Geschäftsleitung und externe Prüfung.

Datenaufbereitung

ESG-Daten sind verstreut: Energie-, Kraftstoff- und Abfallzahlen stehen in Versorgerrechnungen (oft PDF oder Papier), im ERP und in der Buchhaltung; Daten zu Beschäftigtenzahl und Vielfalt in Personalsystemen; Lieferantendaten in E-Mails, Fragebögen und Excel; Richtlinien in Word und auf Dateiservern. Typische Lücken: gescannte Rechnungen, uneinheitliche Einheiten und Zeiträume, keine Emissionsfaktoren, fehlende Lieferantendaten, Dubletten über Standorte hinweg, eingeschränkt zugängliche Personaldaten und keine benannte verantwortliche Person je Datenpunkt.

Konkrete Schritte: zuerst die Wesentlichkeitsanalyse durchführen und nur die erforderlichen ESRS-Datenpunkte auflisten (GUIDE-003, PREP-002); je Datenpunkt eine verantwortliche Person benennen (PREP-004); Daten aus ERP und SaaS ziehen (PREP-005); Versorgerrechnungen und Rechnungen per OCR erfassen (PREP-006) und Zählerstände digital erfassen (PREP-008); Excel-Dateien in saubere Tabellen konsolidieren (PREP-011); Kennzahlen und Berechnungsregeln in einem Glossar festlegen (PREP-012); Beschäftigtendaten vor der Analyse pseudonymisieren (PREP-022). Werkzeuge: Paperless-ngx, Power Query, eine kleine Datenbank, Werkzeuge für Lieferantenfragebögen. Verwandt: DOC-014, DATA-003. Grober Aufwandsanteil: 60–70 Prozent des ersten Berichtszyklus; im zweiten Jahr sinkt er deutlich.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Ausgereifte, in der EU gehostete ESG- und CSRD-Berichtsprodukte gibt es zu KMU-tauglichen Preisen, und die ESRS-Berichterstattung ist ein standardisierter, regulierter Prozess, bei dem Vorlagen und Prüfpfade zählen.
• Großunternehmen: Weg B. Die Konzernberichterstattung muss sich mit ERP-, Personal-, Energie- und Einkaufsdaten integrieren; eine Cloud-API-Schicht auf den eigenen Systemen passt besser als ein geschlossenes Produkt.
• Entwickler: Weg C. Open-Source-Pipelines und Modelle mit offenen Gewichten für die Datenpunkt-Zuordnung lassen sich ohne Lock-in zusammenstellen, wobei der vollständige Selbstbetrieb für größere Modelle HW3 braucht.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Nachhaltigkeits-/CSRD-Plattformen: Workiva, Persefoni, Sphera, Enablon (Wolters Kluwer), IBM Envizi, SAP Sustainability Control Tower / Sustainability Data Exchange, Microsoft Sustainability Manager (Cloud for Sustainability), Salesforce Net Zero Cloud. EU-Anbieter: Plan A (DE), Position Green (SE), Celsia / Sweep (FR), Greenly (FR), Normative (SE), Reporting 21 (DE), Ecoonline, Reedu, Clarity AI (ES, Investorenseite).
• ESEF-/XBRL-Auszeichnung: Workiva, Toppan Merrill, Certent/Donnelley, Tagging-Dienstleistungen von Prüfern und ESEF-Spezialisten (siehe DATA-020).
• Weg A wählen, wenn: Sie Prüfpfad, Workflow, Konsolidierung und Auszeichnung sofort einsatzbereit benötigen; prüfen Sie EU-Hosting, Abdeckung von ESRS/VSME, Quellen der Emissionsfaktoren (z. B. DEFRA, ecoinvent, UBA), Prüfungsreife und Exportierbarkeit.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Datenschicht: Ihr Warehouse (Snowflake, BigQuery, Databricks, Azure Fabric) in einer EU-Region mit dbt- Modellen für Datenpunkte; die Scope-1/2/3-Engine in einfachem Code.
• KI-Schicht: Dokumenten-KI (Azure Document Intelligence, Google Document AI, Mistral OCR) für Rechnungen; Spitzen-LLMs (Claude, Gemini, GPT, Mistral) mit strukturierten Ausgaben für Fragebögen, Zuordnung und Entwürfe; RAG über Richtlinien und den Vorjahresbericht.
• Orchestrierung: n8n / Power Automate / Airflow mit Freigabeschritten und unveränderlichem Protokoll.
• Weg B wählen, wenn: Sie bereits eine Datenplattform betreiben und das Nachhaltigkeitsdatenmodell selbst kontrollieren möchten.

Weg C — Selbst betreiben (Open Source)

• Parsing: Docling, PaddleOCR, MinerU. Modelle: LLMs mit offenen Gewichten wie Mistral Small/Large, Qwen3, Llama oder gpt-oss über vLLM; bge-m3- / multilingual-e5-Embeddings mit pgvector oder Qdrant.
• Carbon-Werkzeuge: Open-Source-THG-Bilanzierung wie die Open-Source-GHG-Werkzeuge von OS-Climate, Brightway (Ökobilanz) und openLCA; Emissionsfaktor-Datensätze aus öffentlichen Quellen (DEFRA, UBA, EPA).
• Hardware: HW3 für Entwürfe mit Modellen der Klasse ~70B; HW2 genügt für reine Extraktionspipelines.
• Weg C wählen, wenn: Daten (z. B. Lieferantendetails, unveröffentlichte Strategie) das Haus nicht verlassen dürfen.

Weg D — Eigenes Training

Selten nötig. Feintunen Sie einen Klassifikator für die Zuordnung von Ausgaben zu Emissionskategorien oder einen Extraktor für unternehmensspezifische Dokumente, sobald einige tausend geprüfte Beispiele vorliegen. Die Textqualität lässt sich besser durch Retrieval und Stilrichtlinien verbessern als durch Training.

Stand der Technik (2026)

• Standards ändern sich schnell: Vereinfachte ESRS und eine Taxonomie für die digitale Auszeichnung werden von der EFRAG entwickelt; die ESRS-XBRL-Taxonomie definiert eine maschinenlesbare Auszeichnung, sodass Berichte im ESEF-Format eingereicht werden können [5]. Bauen Sie das Datenpunktregister als versioniertes, standardunabhängiges Modell auf, damit Änderungen am ESRS-Anwendungsbereich die Pipelines nicht brechen.
• LLMs für ESG-Texte (Klassifikation von Angaben, Lückenanalyse gegen ESRS-Anforderungen, Beantwortung von Fragebögen) werden vielfach pilotiert; Belege für die Zuverlässigkeit stammen überwiegend von den Anbietern. Typische Fehlerbilder sind halluzinierte Zahlen, vermischte Berichtsjahre und selbstsichere, aber unbelegte Aussagen (Greenwashing-Risiko).
• Scope 3 bleibt die größte Unsicherheit: ausgabenbasierte Schätzungen sind grob, Primärdaten von Lieferanten sind spärlich, und Faktordatenbanken unterscheiden sich. KI hilft beim Klassifizieren und Auffüllen von Lücken, ersetzt aber nicht die Notwendigkeit einer offengelegten Methodik und Unsicherheit [6].
• Grenzen: LLMs sind schwach bei präziser mehrstufiger Arithmetik und Einheitenumrechnung – nutzen Sie Code; Prüfer erwarten reproduzierbare Berechnungen und dokumentierte Kontrollen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + llm-general + workflow-automation): DATA-002 Berichtstexte, DATA-020 regulatorische Berichterstattung und ESEF-/iXBRL-Auszeichnung, DOC-014 Dokumenten-Parsing für RAG.
• Datenfundament: DATA-003 Stammdaten und DATA-008 Überwachung der Datenqualität (Entitätshierarchien, Vollständigkeitsregeln), DATA-015 Ausgabenklassifikation für Scope 3.
• Nachbarn: DATA-021 CO₂-Fußabdruck von Produkten & digitaler Produktpass (Daten auf Produktebene für Scope 3 wiederverwendet), DATA-010 Produktdaten, ANOM-011 Lieferantenrisiko (Sorgfaltspflichten nach CSDDD), VIS-049 entwaldungsfreie Lieferketten (EUDR), LANG-037 ESG-/SFDR-Analytik auf der Investorenseite.

Aufwand, Kosten & Kennzahlen

• Weg A: 2–6 Monate bis zu einem ersten geprüften Zyklus einschließlich Wesentlichkeitsanalyse und Einbindung der Datenverantwortlichen; die Lizenzkosten skalieren meist mit Gesellschaften und Modulen; Dienstleistungen sind ein wesentlicher Kostentreiber.
• Weg B: 4–9 Monate; überwiegend Datenmodellierung, Kontrollen und Governance, mit moderaten API-Kosten.
• Weg C: 6–12 Monate; dazu kommen GPU-Hosting und Betrieb.
• Kennzahlen: Datenpunktabdeckung (%), Anteil der Datenpunkte mit dokumentierter Quelle und verantwortlicher Person, Anteil gemessen vs. geschätzt, Tage vom Periodenabschluss bis zum Berichtsentwurf, Prüfungsfeststellungen, Korrekturen der Prüfenden an KI-Entwürfen, Rücklaufquote der Lieferanten.

Menschen & Veränderung

ESG-Berichterstattung ist eine Querschnittsaufgabe. Die Geschäftsleitung verantwortet Umfang und Freigabe; Abteilungsleitungen (Finanzen, Facility, Produktion, Einkauf) und die benannten Datenverantwortlichen liefern die Zahlen. Das Personalwesen liefert Belegschaftsdaten, und Legal/Compliance prüft ESRS-Anwendungsbereich, Prüfung und Haftung. Die IT bindet Quellen an; Lieferanten werden um Daten gebeten und brauchen klare Vorlagen und Fristen. Beziehen Sie den Prüfer früh in die Dokumentation KI-gestützt entworfener Texte ein.

Datenschutz: Belegschaftskennzahlen (ESRS S1) sind in kleinen Gruppen personenbezogene Daten; binden Sie die/den Datenschutzbeauftragte(n) ein, aggregieren Sie wo möglich, schließen Sie einen AVV mit dem Werkzeuganbieter ab und führen Sie eine DSFA durch, wenn eine Analyse auf Einzelebene geplant ist (GUIDE-005).

Betriebsrat: abhängig vom Einzelfall. Aggregierte Umweltdaten lösen ihn nicht aus, aber die Nutzung von Personal-, Pendel- oder Anwesenheitsdaten kann unter § 87 Abs. 1 Nr. 6 BetrVG fallen, und § 90 Abs. 1 Nr. 3 verlangt rechtzeitige Information über neue KI-gestützte Prozesse (GUIDE-004). Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) mit Schwerpunkt auf dem Abgleich KI-entworfener Texte mit den Quellzahlen (GUIDE-006). Beginnen Sie mit einem Standort oder einem Thema als Pilot (GUIDE-009). Typische Sorge: „mehr Bürokratie“. Zeigen Sie die eingesparte Erfassungsarbeit. Behalten Sie den Menschen die Kontrolle: Jede Zahl trägt einen Quellenverweis und wird von der verantwortlichen Person freigegeben, bevor sie in die Erklärung eingeht.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko bei einem typischen Einsatz – keine Verwendung nach Anhang III; die KI-Kompetenz (Art. 4) gilt [7]. Neu bewerten, wenn Personaldaten Entscheidungen über Beschäftigte steuern.
• CSRD/ESRS: Die Geschäftsleitung haftet für den Inhalt; Prüfungen mit begrenzter Sicherheit erfordern Kontrollen und Nachweise. KI-generierter Text muss wie jeder andere Entwurf verifiziert werden. Dokumentieren Sie, wo KI eingesetzt wurde.
• Greenwashing: Unbelegte Aussagen sind ein rechtliches Risiko (Richtlinie über unlautere Geschäftspraktiken, nationales Recht; Richtlinie (EU) 2024/825 zur Stärkung der Verbraucher für verbraucherbezogene Aussagen).
• DSGVO: Soziale Datenpunkte (Beschäftigte nach Geschlecht, Vergütung, Unfälle, Tarifbindung) sind personenbezogene oder pseudonymisierte Daten – früh aggregieren, minimieren, im Rahmen der Personalzwecke bleiben, mit Anbietern einen AVV abschließen, EU-Hosting bevorzugen; kleine Gruppen bergen das Risiko der Re-Identifizierung.
• Gegenmaßnahmen: deterministische Berechnungsschicht, Quellverweise bei jedem Datenpunkt, Vier-Augen-Prinzip, eingefrorene Berichts-Snapshots, Audit-Log der KI-Vorschläge im Vergleich zu den endgültigen Werten.

Erste Schritte

1. Klären Sie, ob und wann Sie im Anwendungsbereich sind (CSRD-Welle, nationales Recht) oder über VSME bedient werden; legen Sie die rechtliche Grundlage anhand der Seiten der Kommission fest.
2. Führen Sie die doppelte Wesentlichkeitsanalyse durch oder verwenden Sie sie weiter und bauen Sie das Datenpunktregister auf: Verantwortliche, Quelle, System, Frequenz.
3. Automatisieren Sie die einfachen 80 %: Energie, Kraftstoff, Reisen, Beschäftigtenzahl aus bereits vorhandenen Systemen; extrahieren Sie Rechnungen mit Dokumenten-KI.
4. Pilotieren Sie KI für Zuordnung und Lückenanalyse mit den Daten des Vorjahres; vergleichen Sie mit dem manuellen Ergebnis.
5. Stimmen Sie die Kontrollen früh mit Ihrem Prüfer ab (Nachweisformat, Dokumentation des KI-Einsatzes), bevor Sie Texte mit LLMs entwerfen.

Quellen

1. European Commission — Corporate sustainability reporting (CSRD) — https://finance.ec.europa.eu/capital-markets-union-and-financial-markets/company-reporting-and-auditing/company-reporting/corporate-sustainability-reporting_en
2. Directive (EU) 2025/794 (stop-the-clock) — https://eur-lex.europa.eu/eli/dir/2025/794/oj
3. Directive (EU) 2022/2464 (CSRD) — https://eur-lex.europa.eu/eli/dir/2022/2464/oj
4. EFRAG — Voluntary reporting standard for non-listed SMEs (VSME) — https://www.efrag.org/en/sustainability-reporting/voluntary-reporting-standard-for-smes
5. EFRAG — ESRS XBRL taxonomy and sustainability reporting standards — https://www.efrag.org/en/sustainability-reporting
6. GHG Protocol — Corporate Value Chain (Scope 3) Standard — https://ghgprotocol.org/corporate-value-chain-scope-3-standard
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Docling project — https://github.com/docling-project/docling
9. Brightway LCA framework — https://github.com/brightway-lca/brightway2
10. Directive (EU) 2026/470 (Omnibus I, amending CSRD and CSDDD) — https://eur-lex.europa.eu/eli/dir/2026/470/oj
11. EY — European Commission adopts revised ESRS for sustainability reporting (Jul 2026) — https://www.ey.com/en_gl/technical/csrd-technical-resources/eu-adopts-revised-esrs-for-sustainability-reporting