KMU droht Nachhaltigkeitspflicht: Wer nicht in KI investiert, fällt zurück

Lilija-Kucinskaja-2024-Open-TextOpen Text Software GmbH

Wie nachhaltig ist Ihr Unternehmen? Auf diese Frage erwartet die EU eine konkrete Antwort und hat 2023 deshalb für Unternehmen entsprechende Richtlinien verabschiedet. So nimmt die Corporate-Sustainability-Reporting-Direktive (CSRD), die bis spätestens Juli dieses Jahres in nationales Recht umgewandelt werden muss, Unternehmen in Mitgliedsstaaten nun eindeutig stärker in die Berichtspflicht über ihre Nachhaltigkeitsbemühungen.

Ein Kommentar von Lilija Kucinskaja, Manager EMEA AI & Analytics SCs

Bislang müssen nur große Konzerne mit mindestens 250 Mitarbeitenden und/oder 40 Millionen Euro Umsatz und/oder 20 Millionen Euro Bilanzsumme nachweisen, dass sie etwaige Nachhaltigkeitskriterien erfüllen. Als Teil ihres Geschäftsberichts sollen sie in einem gesonderten Reporting genau offenlegen, wie sich ihre Aktivitäten auf Umwelt (Environment), Gesellschaft (Social) und ihre Mitarbeitenden (Government) auswirken.

Die CSRD-Roadmap sieht vor, dass ab 2026 auch alle kapitalorientierten kleinen und mittelständischen Unternehmen (KMU) − Stand 2021 waren das circa 3,1 Millionen Unternehmen in Deutschland − dazu verpflichtet sein werden. Diese müssen sich dafür mindestens durch zwei der folgenden Merkmale auszeichnen: mindestens zehn Mitarbeitende, 700.000 Euro Umsatz sowie 350.000 Euro Bilanzsumme.

Im Gegensatz zu großen Unternehmen werden nicht wenige KMU aufgrund ihrer limitierten Ressourcen mit Sicherheit auf ihre Grenzen stoßen. Das CSRD-Reporting müssen sie trotzdem vorlegen. Sie müssen also einen Weg finden, den Bericht so effizient, ressourcenschonend und energiesparend wie möglich zusammenzustellen – zumal davon künftig auch die finanzielle Förderung und Finanzierung sowie die Zusammenarbeit mit anderen Unternehmen abhängig sein wird.

Für den Nachhaltigkeitsbericht müssen KMUs alle historischen und aktuellen Daten zentral zusammentragen, die sowohl etwas über die Auswirkungen ihrer Nachhaltigkeitsaktivitäten nach außen (Inside-out) als auch deren Einfluss auf Performance und Entwicklung des Unternehmens (Outside-in) verraten. Vor allem in großen und komplexen IT-Landschaften können sich ESG-relevante Informationen über viele verschiedene Silos verstreuen. Ist das der Fall, wird die Erstellung des Berichts zu einer zeitraubenden und nervenaufreibenden Herkules-Aufgabe. Bevor sich die verantwortlichen Kollegen also daran machen, diese Arbeit manuell durchzuführen und etliche Stunden investieren, können sie sie auch einfach einer Generative-AI-Anwendung überlassen.

Dafür sagt man dieser einfach in natürlicher Sprache, wonach sie suchen soll. Im Anschluss durchkämmt sie sämtliche Systeme, auf die sie Zugriff hat, automatisch – einschließlich der vor- und nachgelagerten Wertschöpfungskette sowie anderer Unternehmen innerhalb der Supply Chain. Neben den gesuchten ESG-Daten ist sie auch in der Lage, notwendige Kontexte zu liefern. Die Ergebnisse werden für Anwender übersichtlich, nachvollziehbar und verständlich dargestellt. Auf diese Weise können sich Unternehmen bei der Erstellung des Nachhaltigkeitsberichts nicht nur viel Zeit sparen, sondern verringern auch das Risiko von Fehlern und Informationen, die man im händischen Prozess womöglich übersehen könnte.

Eine weitere Herausforderung besteht darin, verschwenderische Prozesse zu identifizieren und abzuschaffen, ohne dadurch neue zeitraubende Prozesse zu schaffen. Auch in diesem Zusammenhang gewinnt die KI-gestützte Analyse immer mehr an Bedeutung. Denn je mehr Informationen effizient verarbeitet und analysiert werden, desto tiefer können Unternehmen in ihre Betriebsabläufe eintauchen, unökonomische Prozesse ausfindig machen und gezielte Maßnahmen einleiten, die zum Beispiel den Energieverbrauch und den Kohlenstoffausstoß senken. Allerdings verschlingt die Analyse von riesigen Datenmengen Unmengen an Strom. Umso wichtiger werden in Zukunft neue Möglichkeiten sein, diesen Prozess noch energie- und kosteneffizienter durchzuführen – zum Beispiel, indem die Analyse ähnlich großer (potenziell sogar größerer) Datenmengen auf weniger Servern stattfindet.