Viele Unternehmen können heute präzise nachweisen, wie nachhaltig sie vor drei Monaten waren. Die deutlich schwierigere Frage lautet jedoch: Wie nachhaltig sind sie heute?
In den vergangenen Jahren haben Unternehmen erhebliche Investitionen in ESG-Programme, Nachhaltigkeitsberichte und regulatorische Anforderungen getätigt. Daten werden gesammelt, konsolidiert und für interne Stakeholder, Investoren oder Aufsichtsbehörden aufbereitet. Dadurch ist Transparenz entstanden – zumindest über die Vergangenheit.
Doch Nachhaltigkeit entwickelt sich zunehmend zu einer operativen Herausforderung. Energiepreise schwanken, Lieferketten verändern sich kurzfristig, regulatorische Anforderungen nehmen zu und Umweltkennzahlen verändern sich kontinuierlich. In diesem Umfeld reicht es nicht mehr aus, Entwicklungen erst Wochen oder Monate später in einem Bericht zu erkennen.
Das ESG-Problem der kommenden Jahre ist deshalb nicht Reporting. Es ist Entscheidungsfähigkeit. Unternehmen müssen Nachhaltigkeitsdaten nicht nur erfassen, sondern kontinuierlich verstehen und daraus die richtigen Maßnahmen ableiten können.
Nachhaltigkeit ist vor allem ein Datenproblem
Die meisten ESG-relevanten Informationen entstehen nicht in einem einzelnen System. Sie verteilen sich über Produktionsanlagen, IoT-Sensoren, Energiemanagementsysteme, ERP-Anwendungen, Logistikprozesse, Lieferantennetzwerke und externe Datenquellen. Gleichzeitig verändern sich viele dieser Daten permanent.
Genau hier stoßen klassische ESG-Prozesse an ihre Grenzen. Obwohl Unternehmen heute mehr Informationen als je zuvor erfassen, werden diese Daten häufig noch periodisch verarbeitet. Sie werden gesammelt, konsolidiert und anschließend analysiert. Das liefert wichtige Erkenntnisse für Berichte. Für operative Entscheidungen kommt diese Transparenz jedoch oft zu spät.
Nachhaltigkeit scheitert heute selten daran, dass Daten fehlen. Die größere Herausforderung besteht darin, Veränderungen rechtzeitig zu erkennen und die richtigen Schlüsse daraus zu ziehen.
Warum einzelne Kennzahlen selten ausreichen
Viele ESG-Risiken werden nicht durch einzelne Ereignisse sichtbar. Ein erhöhter Energieverbrauch an einem Standort muss zunächst kein Problem sein. Eine Lieferverzögerung ebenfalls nicht. Auch eine kurzfristige Emissionsüberschreitung kann unterschiedliche Ursachen haben. Aussagekräftig werden solche Informationen häufig erst im Zusammenhang mit anderen Ereignissen.
Steigt der Energieverbrauch gleichzeitig an mehreren Standorten? Treten Lieferprobleme parallel zu Wetterereignissen oder Transportengpässen auf? Wiederholen sich bestimmte Emissionsabweichungen über längere Zeiträume? Erst die Verbindung dieser Informationen macht aus einzelnen Datenpunkten verwertbare Erkenntnisse. Genau deshalb reicht es nicht aus, ESG-Daten lediglich zu sammeln. Unternehmen müssen in der Lage sein, Zusammenhänge zu erkennen, während sie entstehen.
Von ESG-Reporting zu ESG-Intelligence
Hier setzt Daten-Streaming an. Statt Informationen in regelmäßigen Abständen zusammenzuführen, werden Daten kontinuierlich verfügbar gemacht. Mit Apache Kafka als zentralem Nervensystem für Unternehmensdaten können Informationen aus Produktionsanlagen, IoT-Sensoren, Energiemanagementsystemen, ERP-Anwendungen, Lieferketten und externen Quellen fortlaufend zusammengeführt werden.
Dadurch entsteht ein aktuelles Bild relevanter ESG-Kennzahlen – nicht erst zum Monats- oder Quartalsende, sondern während sich Entwicklungen tatsächlich vollziehen. Aus ESG-Reporting wird damit schrittweise ESG-Intelligence. Der Unterschied ist entscheidend: Während Reporting beschreibt, was bereits passiert ist, ermöglicht ESG-Intelligence ein besseres Verständnis dessen, was aktuell geschieht.
Muster erkennen statt nur Daten sammeln
Die eigentliche Herausforderung besteht dabei nicht in der Verfügbarkeit von Daten, sondern in deren Interpretation. Stream-Processing-Technologien wie Apache-Flink ermöglichen die Analyse kontinuierlicher Datenströme in Echtzeit. Durch Complex-Event-Processing in Flink lassen sich rein durch State-Computation – komplett deterministisch ohne Einsatz von Machine Learning-Modellen – Muster erkennen, die bei isolierter Betrachtung einzelner Ereignisse verborgen bleiben würden.
So können ungewöhnliche Anstiege des Energieverbrauchs, wiederkehrende Emissionsüberschreitungen, potenzielle Verstöße gegen Umweltauflagen oder kritische Entwicklungen innerhalb globaler Lieferketten frühzeitig sichtbar werden. Entscheidend ist dabei, dass Risiken nicht erst im Bericht erkannt werden, sondern unmittelbar nach ihrem Entstehen. Je früher Unternehmen Zusammenhänge erkennen, desto größer wird ihr Handlungsspielraum.
Machine-Learning erkennt, was Menschen oft übersehen
Auf Basis kontinuierlicher Datenströme können traditionelle Machine-Learning-Modelle sehr effizient, kostengünstig und schnell zusätzliche Erkenntnisse liefern. Besonders relevant ist dabei die Erkennung von Anomalien mit statistischen und multivariaten Modellen. Statistische Algorithmen wie ARIMA-basierte (autoregressive integrated moving average) oder multivariate Modelle können dabei ungewöhnliche Veränderungen im Energieverbrauch, in Produktionsprozessen, bei Transportabläufen oder Umweltkennzahlen automatisch identifizieren.
Dabei geht es nicht darum, menschliche Entscheidungen zu ersetzen. Vielmehr helfen solche Verfahren dabei, Entwicklungen sichtbar zu machen, die in der Vielzahl täglicher Datenpunkte leicht übersehen werden können. Unternehmen erhalten dadurch frühzeitig Hinweise auf potenzielle Risiken und können fundierter entscheiden, ob Maßnahmen erforderlich sind.
Die Rolle von Generative-AI wird häufig missverstanden
Kaum ein Technologie-Thema erhält derzeit mehr Aufmerksamkeit als Generative-AI. Auch im ESG-Umfeld entstehen hohe Erwartungen an Large Language Models. Häufig wird dabei jedoch übersehen, dass Sprachmodelle aufgrund ihres probabilistischen Verhaltens nicht die Grundlage von ESG-Intelligence bilden sollten. Sie bauen auf ihr auf.
Die Erkennung von Risiken, Mustern und Anomalien erfolgt bereits zuvor möglichst deterministisch, um Nachvollziehbarkeit und Reproduzierbarkeit verlässlich garantieren zu können – durch kontinuierlich verfügbare Daten, Echtzeit-Analysen und traditionelles Machine-Learning. Der eigentliche Mehrwert von LLMs liegt an anderer Stelle. Sie können komplexe Ursachenanalysen zusammenfassen, ESG-relevante Ereignisse klassifizieren, Vorfälle automatisch dokumentieren oder verständliche Management-Zusammenfassungen erstellen. Sie helfen dabei, Erkenntnisse aus großen Datenmengen für Fachbereiche und Entscheidungsträger zu verstehen und nutzbar zu machen.
Anstatt jedes Ereignis durch ein Sprachmodell zu verarbeiten, was extrem ineffizient, im Nutzen fragwürdig und teuer wäre, können LLMs gezielt dort eingesetzt werden, wo Kontextualisierung, Interpretation oder Entscheidungsunterstützung erforderlich sind. Dadurch entsteht ein wirtschaftlicher und praxisnaher Einsatz generativer AI innerhalb operativer ESG-Prozesse.
Die nächste Entwicklungsstufe von ESG
Die ESG-Diskussion der vergangenen Jahre war stark von Berichterstattung geprägt. Das war notwendig und wichtig. Die nächste Entwicklungsstufe geht jedoch darüber hinaus.
Unternehmen müssen Nachhaltigkeitsdaten kontinuierlich verstehen, Risiken früher erkennen und Entscheidungen auf Basis aktueller Informationen treffen können. Daten-Streaming mit Apache Kafka schafft die Datengrundlage für diese Transparenz. Stream Processing mit Apache Flink macht Zusammenhänge sichtbar. Machine Learning unterstützt bei der Erkennung von Anomalien. Generative AI hilft dabei, Erkenntnisse verständlich aufzubereiten und nutzbar zu machen.
Erst das Zusammenspiel dieser Technologien ermöglicht den Wandel von periodischer ESG-Berichterstattung hin zu kontinuierlicher ESG-Intelligence. Die entscheidende Frage lautet deshalb nicht mehr, wie schnell ein ESG-Bericht erstellt werden kann. Die entscheidende Frage lautet, wie schnell Unternehmen aus ESG-Daten die richtigen Entscheidungen ableiten können.
Von Steffen Hoellinger, Field CTO bei Confluent
